您當(dāng)前的位置：檢測(cè)資訊 > 科研開(kāi)發(fā)
嘉峪檢測(cè)網(wǎng) 2024-09-20 15:16
機(jī)械設(shè)備的大部分重要金屬零部件均由鐵磁性材料制造而成，這些部件在運(yùn)行過(guò)程中頻繁地承受交變荷載作用，極易出現(xiàn)疲勞失效，而導(dǎo)致機(jī)械設(shè)備發(fā)生不可逆損壞。為確保人員安全與設(shè)備穩(wěn)定運(yùn)行，非常有必要對(duì)鐵磁性材料進(jìn)行疲勞損傷檢測(cè)。
疲勞損傷是指疲勞載荷作用下，材料微觀結(jié)構(gòu)變化，產(chǎn)生微觀裂紋和孔洞等缺陷，進(jìn)而引發(fā)材料損傷累積和結(jié)構(gòu)性能衰退的過(guò)程，包含疲勞裂紋的萌生、擴(kuò)展，直到構(gòu)件的破壞階段。
鐵磁性構(gòu)件的疲勞損傷與其應(yīng)力狀態(tài)和微觀缺陷密切相關(guān)，傳統(tǒng)無(wú)損檢測(cè)技術(shù)（如磁粉檢測(cè)、渦流檢測(cè)、滲透檢測(cè)和超聲檢測(cè)等）很難實(shí)現(xiàn)以應(yīng)力集中為代表的早期損傷評(píng)估。
俄國(guó)科學(xué)家DOBOV在20世紀(jì)90年代提出了金屬磁記憶檢測(cè)技術(shù)，該技術(shù)不但能夠檢測(cè)損傷位置，還具有評(píng)估鐵磁性材料疲勞損傷的潛力，且具有無(wú)需附加外磁場(chǎng)、易操作、可提前進(jìn)行損傷預(yù)測(cè)等優(yōu)點(diǎn)，因此得到了廣泛關(guān)注并取得了良好的工程應(yīng)用效果。
金屬磁記憶檢測(cè)信號(hào)采集主要選用靈敏度高、分辨率高以及具備抗干擾能力的霍爾傳感器，并通過(guò)低通濾波器過(guò)濾掉高頻信號(hào)干擾，最后由放大電路及A/D轉(zhuǎn)換器將模擬電壓信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)。
金屬磁記憶信號(hào)具有離散性和非線性，且信號(hào)微弱易受周圍環(huán)境干擾，檢測(cè)出的疲勞損傷位置和大小往往存在誤差，因此，如何從金屬磁記憶信號(hào)中提取出合適的特征參量，分析損傷對(duì)應(yīng)的信號(hào)特征規(guī)律，是實(shí)現(xiàn)金屬磁記憶信號(hào)疲勞損傷評(píng)價(jià)的關(guān)鍵。
近年來(lái)，國(guó)內(nèi)外許多學(xué)者針對(duì)這一問(wèn)題嘗試了多種形式的研究，其中不少學(xué)者引入機(jī)器學(xué)習(xí)算法分析金屬磁記憶檢測(cè)信號(hào)特征規(guī)律，從而構(gòu)建損傷模型，來(lái)對(duì)鐵磁材料損傷進(jìn)行有效定量評(píng)估。
1、金屬磁記憶檢測(cè)信號(hào)特征提取方法
金屬磁記憶檢測(cè)信號(hào)微弱且具有較強(qiáng)的非線性，多采用時(shí)頻分析方法對(duì)信號(hào)進(jìn)行處理。此外，金屬磁記憶檢測(cè)信號(hào)易受環(huán)境噪聲干擾，而噪聲能量對(duì)信號(hào)能量譜特征提取會(huì)產(chǎn)生影響。因此，在進(jìn)行時(shí)頻分析前要先進(jìn)行去噪處理，再對(duì)預(yù)處理信號(hào)進(jìn)行特征提取和分析。
金屬磁記憶信號(hào)在進(jìn)行常用特征提取和預(yù)處理時(shí)，主要通過(guò)小波變換、小波包變換、平移不變小波去噪等方法提取出信號(hào)時(shí)頻域特征；對(duì)金屬磁記憶信號(hào)的預(yù)處理，除了運(yùn)用不同層次的小波分解方法之外，還可以使用時(shí)頻聯(lián)合分析、譜熵分析等。
1、基于時(shí)頻分析的特征提取法
當(dāng)信息只從一個(gè)域進(jìn)行計(jì)算時(shí)，在分析過(guò)程中可能丟棄具有高分辨力的重要特征，這是時(shí)域或頻域特征提取方法存在的局限性。對(duì)于這些限制，可通過(guò)S變換、小波分解、經(jīng)驗(yàn)?zāi)B(tài)分解、快速傅里葉變換、傅里葉變換等傳統(tǒng)時(shí)頻分析方法提取出所需的磁記憶檢測(cè)信號(hào)特征。
目前，小波變換是金屬磁記憶檢測(cè)信號(hào)時(shí)頻分析特征提取的常用方法。WANG等通過(guò)小波變換進(jìn)行信號(hào)分解，并結(jié)合基于軟閾值的小波熵表示信號(hào)能量分布，根據(jù)信號(hào)在各分解尺度下的小波熵差異，自適應(yīng)確定高頻分量的閾值，從而有效確定損傷位置。
王長(zhǎng)龍等提出了一種自適應(yīng)閾值降噪算法，該算法提取小波系數(shù)的總類內(nèi)離散度和均值差平方，通過(guò)綜合多尺度分解小波系數(shù)特征確定最佳閾值，能夠克服全局閾值的缺陷，提高了信號(hào)的可識(shí)別性。
基于小波分析的降噪方法能夠準(zhǔn)確地識(shí)別損傷特征，其效果主要取決于小波基函數(shù)的選擇。但實(shí)際工程應(yīng)用時(shí)，選擇合適的小波基函數(shù)較為困難，且不具備自適應(yīng)性。
為此，蔡少川針對(duì)管道缺陷金屬磁記憶信號(hào)中噪聲干擾嚴(yán)重的問(wèn)題，將經(jīng)驗(yàn)?zāi)B(tài)分解法用于信號(hào)去噪及有效信號(hào)提取中，其噪聲抑制效果與小波變換處理效果相同，該方法既克服了小波變換基函數(shù)選取困難以及不具備自適應(yīng)性的缺點(diǎn)，同時(shí)又具有小波變換高分辨率的優(yōu)點(diǎn)。
除小波變換，傅里葉變換在金屬磁記憶信號(hào)特征識(shí)別領(lǐng)域也有諸多應(yīng)用。梁志芳等通過(guò)快速傅里葉變換方法發(fā)現(xiàn)傅里葉分析中的相位突變位置能夠反映信號(hào)中深層包含的信息，采用金屬磁記憶信號(hào)多特征參數(shù)以及傅里葉相位突變位置信號(hào)特征參數(shù)歸一化統(tǒng)計(jì)和可靠性分析，確定焊接裂紋特征規(guī)律，能夠有效判斷焊接裂紋的存在。
XIAO等建立了基于傅里葉變換和支持向量機(jī)的模型，通過(guò)譜熵分布實(shí)現(xiàn)了鐵磁材料內(nèi)部裂紋擴(kuò)展的監(jiān)測(cè)。
基于小波變換理論，利用小波包能量譜方法能夠較好地處理鐵磁性材料早期疲勞損傷定量識(shí)別問(wèn)題。通過(guò)對(duì)金屬磁記憶信號(hào)小波包降噪處理后，任吉林等用Hilbert變換提取信號(hào)包絡(luò)，極大地提高了信噪比和應(yīng)力集中的可檢測(cè)度。
王繼革等提取去噪后的磁記憶信號(hào)小波包能量特征作為神經(jīng)網(wǎng)絡(luò)的輸入，該方法對(duì)鋼繩芯膠帶的早期損傷預(yù)測(cè)效果較好。
LIU等提出了一種基于小波包能量譜的磁記憶信號(hào)特征提取方法，發(fā)現(xiàn)應(yīng)力集中程度越高，能量譜分布越集中并向低頻方向發(fā)展。
朱紅運(yùn)等以小波變換為多尺度工具，提取信號(hào)的能量、奇異性指數(shù)作為特征量構(gòu)成評(píng)估疲勞損傷的多特征量，實(shí)現(xiàn)了疲勞損傷的量化評(píng)估。
傳統(tǒng)時(shí)頻分析建立的特征提取方法（從短時(shí)傅里葉變換到Cohen類變換等各類分布）有數(shù)十種，其中，小波分解方法在使用時(shí)需要預(yù)先設(shè)定基函數(shù)，當(dāng)提取特征維數(shù)較高時(shí)，易出現(xiàn)存儲(chǔ)空間增加和分類識(shí)別計(jì)算過(guò)于復(fù)雜的問(wèn)題。
小波變換、小波包能量、傅里葉變換等方法適用于大部分信號(hào)，對(duì)信號(hào)高頻部分具有較高的時(shí)間分辨率，對(duì)低頻部分具有較高的頻率分辨率，非常適合用于檢測(cè)正常信號(hào)中夾帶的瞬變反常信號(hào)并分析其成分，但是對(duì)于復(fù)雜工況下的微弱金屬磁記憶信號(hào)問(wèn)題，還需要結(jié)合其他統(tǒng)計(jì)方法進(jìn)行分析。
2、基于譜熵分析的特征提取法
信息熵是系統(tǒng)狀態(tài)不確定性的定量評(píng)價(jià)指標(biāo)，將信息論思想與不同信號(hào)分析方法相結(jié)合，綜合提取信息熵特征，即能夠得到系統(tǒng)整體的識(shí)別評(píng)價(jià)指標(biāo)。
相比于時(shí)頻分析特征提取方法，譜熵分析特征提取方法彌補(bǔ)了無(wú)法提取小部分信號(hào)特征的缺點(diǎn)。因而譜熵分析特征提取在金屬磁記憶檢測(cè)信號(hào)特征提取中具有顯著的應(yīng)用價(jià)值。
王太勇等應(yīng)用信息熵理論提取金屬磁記憶檢測(cè)信號(hào)特征，并分析了一、二維譜熵方法的可行性及存在的局限性。
邢海燕等引入奇異譜熵、功率譜熵和小波空間能譜熵反映焊縫損傷程度，建立了基于信息熵帶和D-S證據(jù)理論聯(lián)合的焊縫等級(jí)磁記憶評(píng)價(jià)模型，其比單一信息熵能夠更有效地降低識(shí)別結(jié)果的不確定度。
劉濤等通過(guò)對(duì)金屬磁記憶信號(hào)特征和表面紋理特征建模，對(duì)信號(hào)及其梯度的樣本熵參數(shù)以及表面紋理的熵、能量及相關(guān)參數(shù)進(jìn)行特征提取，通過(guò)融合評(píng)估成功進(jìn)行了再制造毛坯損傷預(yù)測(cè)。
譜熵分析既包含了相位信息，又能夠抑制高斯白噪聲，同時(shí)能夠有效描述信號(hào)偏移過(guò)程的信息，非常適用于非高斯信號(hào)及非線性信號(hào)的特征提取。而小波分解、經(jīng)驗(yàn)?zāi)B(tài)分解及高階譜分析等過(guò)程的信號(hào)識(shí)別率相對(duì)比較低，計(jì)算復(fù)雜度也更高，限制了這些方法的實(shí)際應(yīng)用。
普通情況下一維譜熵和二維譜熵可自動(dòng)識(shí)別缺陷，但是缺陷定量識(shí)別有時(shí)需要利用三維譜熵來(lái)提高準(zhǔn)確率。因此，基于金屬磁記憶信號(hào)的譜熵分析特征提取方法，可對(duì)融合信息譜熵、功率譜熵、奇異譜熵、包絡(luò)譜熵等進(jìn)行分析，并融合其他時(shí)頻變換方法，最終找出適合于金屬磁記憶檢測(cè)信號(hào)特征提取的分析方法, 來(lái)進(jìn)行鐵磁性材料缺陷自動(dòng)識(shí)別和缺陷損傷等級(jí)定量識(shí)別，保證鐵磁性材料產(chǎn)品的服役安全。
2、機(jī)器學(xué)習(xí)應(yīng)用于金屬磁記憶信號(hào)處理
隨著檢測(cè)系統(tǒng)的復(fù)雜性以及環(huán)境的不確定性的增加，傳統(tǒng)數(shù)學(xué)模型計(jì)算得到的損傷結(jié)果的準(zhǔn)確性顯著降低。機(jī)器學(xué)習(xí)由統(tǒng)計(jì)學(xué)和人工智能發(fā)展而來(lái)，能夠克服傳統(tǒng)數(shù)學(xué)模型的不足。
該方法通過(guò)應(yīng)用機(jī)器學(xué)習(xí)算法使計(jì)算機(jī)對(duì)大量數(shù)據(jù)進(jìn)行自我學(xué)習(xí)分析，從數(shù)據(jù)中找到規(guī)律，利用所發(fā)現(xiàn)規(guī)律構(gòu)建新的計(jì)算模型對(duì)數(shù)據(jù)進(jìn)行自動(dòng)分析處理。
金屬磁記憶檢測(cè)信號(hào)微弱，易受到環(huán)境噪聲等因素影響，致使直接采集到的信號(hào)數(shù)據(jù)存在離散性和非線性。機(jī)器學(xué)習(xí)方法處理金屬磁記憶信號(hào)可以有效剔除外部因素對(duì)于磁記憶信號(hào)的影響，能夠有效提升檢測(cè)效率與準(zhǔn)確度。
基于機(jī)器學(xué)習(xí)的金屬磁記憶特征提取
傳統(tǒng)特征提取方法雖然能夠適用于大部分金屬磁記憶檢測(cè)信號(hào)特征提取，但是對(duì)于復(fù)雜工況下的金屬磁記憶檢測(cè)信號(hào)，則存在著函數(shù)選取困難或不具備自適應(yīng)性等問(wèn)題。
機(jī)器學(xué)習(xí)方法可以通過(guò)數(shù)據(jù)融合將金屬磁記憶信號(hào)內(nèi)部多個(gè)特征進(jìn)行融合再提取新的特征參量，能夠更加精準(zhǔn)地識(shí)別鐵磁材料損傷狀態(tài)。
朱達(dá)榮等以小波算法作為多尺度工具，結(jié)合金屬磁記憶信號(hào)小波包能量、奇異性指數(shù)以及梯度峰值，融合多特征量來(lái)評(píng)估疲勞損傷，彌補(bǔ)了單一特征量的不足，實(shí)現(xiàn)了疲勞損傷的量化評(píng)估。
ZHANG等采集了不同溫度應(yīng)力下的無(wú)縫鋼軌表面的磁記憶信號(hào)，將鋼軌應(yīng)力溫度曲線中包含的信息敏感范圍和標(biāo)準(zhǔn)差作為時(shí)域特征，同時(shí)提取磁記憶信號(hào)小波包能量信息作為頻域特征，結(jié)合時(shí)頻和頻域特征，能夠準(zhǔn)確地檢測(cè)不同應(yīng)力分區(qū)的三個(gè)工況段溫度應(yīng)力。
胥永剛等選擇采用二進(jìn)遞推法構(gòu)造磁記憶信號(hào)矩陣，通過(guò)多次重復(fù)奇異值分解獲得不同分辨率的近似信號(hào)和細(xì)節(jié)信號(hào)，實(shí)現(xiàn)了磁記憶信號(hào)的降噪。
邢海燕等結(jié)合切向梯度和法向梯度值提出了對(duì)磁損傷信號(hào)更為敏感的正交矢量合成梯度比Kr，并基于模糊隸屬度函數(shù)和無(wú)偏灰色預(yù)測(cè)理論建立模糊加權(quán)的馬爾科夫鏈預(yù)測(cè)模型，使最大相對(duì)誤差從38.4925%降低到5.0464%，能夠有效地對(duì)焊縫隱形損傷進(jìn)行識(shí)別。
目前針對(duì)金屬磁記憶信號(hào)的微弱性和非線性，多采用基于算法的多特征參量數(shù)據(jù)融合方法，其能夠把應(yīng)力集中特征和缺陷信息相互融合以突出所需信號(hào)信息，提升疲勞損傷檢測(cè)識(shí)別的準(zhǔn)確率。
未來(lái)除了融合同源數(shù)據(jù)進(jìn)行非線性信號(hào)過(guò)程的特征提取之外，還可以在算法和多源數(shù)據(jù)融合方法上加以提升與應(yīng)用，如結(jié)合其他無(wú)損檢測(cè)特征參數(shù)和磁記憶檢測(cè)信號(hào)數(shù)據(jù)建立多源數(shù)據(jù)融合模型。這樣提取的特征不僅具有更高的可壓縮性和更高的分類準(zhǔn)確性，而且更有利于構(gòu)建高效的損傷評(píng)估模型。
基于機(jī)器學(xué)習(xí)的金屬磁記憶定量識(shí)別
金屬磁記憶檢測(cè)的顯著優(yōu)勢(shì)是能夠?qū)σ詰?yīng)力集中為特點(diǎn)的損傷進(jìn)行檢測(cè)，但是難以通過(guò)其單一特征量準(zhǔn)確判斷損傷程度與損傷位置。應(yīng)用機(jī)器學(xué)習(xí)方法對(duì)金屬磁記憶信號(hào)進(jìn)行特征分析并構(gòu)建損傷分析模型，可以顯著提升其準(zhǔn)確度。目前磁記憶定量化檢測(cè)中應(yīng)用較為廣泛的方法有支持向量機(jī)算法與神經(jīng)網(wǎng)絡(luò)方法。
支持向量機(jī)法的應(yīng)用
朱紅運(yùn)等采用類別可分性準(zhǔn)則，基于金屬磁記憶信號(hào)小波能量譜特征變換提取最優(yōu)特征向量，可減少小波能量譜特征的冗余性和相關(guān)性，最優(yōu)特征向量識(shí)別率為81.7％。
采用類別可分性準(zhǔn)則雖然能夠直接進(jìn)行特征參數(shù)提取，但支持向量選取精度過(guò)低或存在不穩(wěn)定問(wèn)題，通過(guò)參數(shù)尋優(yōu)法可以避免上述問(wèn)題，提升抗噪性、魯棒性和分類識(shí)別率。
邢海燕等結(jié)合支持向量機(jī)和KNN（K-鄰近算法）隸屬度建立了金屬磁記憶定量識(shí)別模型，并采用參數(shù)組合尋優(yōu)法對(duì)模型核函數(shù)參數(shù)g與懲罰因子c進(jìn)行尋優(yōu)，分類識(shí)別準(zhǔn)確率達(dá)91.67％。
GONG等將自適應(yīng)遺傳算法與支持向量機(jī)算法結(jié)合建立了新的定量識(shí)別模型，用于識(shí)別管道是否處于應(yīng)力集中狀態(tài)或是否存在裂紋，徑向基函數(shù)核準(zhǔn)確率達(dá)到95.52％。
傳統(tǒng)金屬磁記憶檢測(cè)方法對(duì)一些較淺的顯性損傷或隱形損傷進(jìn)行檢測(cè)時(shí)，得到的金屬磁記憶信號(hào)切向分量和法向分量曲線表現(xiàn)出離散性和不確定性，直接用于評(píng)估損傷時(shí)的準(zhǔn)確率較低。
支持向量機(jī)法可以在計(jì)算過(guò)程中抓住關(guān)鍵樣本、剔除大量冗余樣本，其計(jì)算復(fù)雜度取決于支持向量數(shù)目，能夠有效避免維數(shù)災(zāi)難，算法應(yīng)用簡(jiǎn)單且具有較好的魯棒性，非常適合用于金屬磁記憶檢測(cè)信號(hào)處理，但是支持向量機(jī)法對(duì)參數(shù)和核函數(shù)選擇敏感，可在支持向量機(jī)法的基礎(chǔ)上融合其他算法或者進(jìn)行算法改進(jìn)，以彌補(bǔ)單種方法的不足。
神經(jīng)網(wǎng)絡(luò)的應(yīng)用
神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái)的一種高效特征識(shí)別和分類方法，其通過(guò)對(duì)生物神經(jīng)系統(tǒng)網(wǎng)絡(luò)行為特征進(jìn)行模仿，進(jìn)行分布式并行監(jiān)督數(shù)據(jù)處理，擁有較強(qiáng)的自適應(yīng)能力以及學(xué)習(xí)能力，是金屬磁記憶檢測(cè)中應(yīng)用較多的機(jī)器學(xué)習(xí)方法之一。
BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層感知神經(jīng)網(wǎng)絡(luò)，最常用的三層BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，其核心是通過(guò)輸入和輸出層的傳遞與修正誤差來(lái)調(diào)節(jié)參數(shù)逼近期望的輸入輸出映射關(guān)系。
史小東等將金屬磁記憶多特征參數(shù)作為輸入層建立3層BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，發(fā)現(xiàn)訓(xùn)練樣本與測(cè)試樣本重合度高，且不同損傷部位及不同信號(hào)的分布差異較大。
LIU等建立3層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)管道裂紋的幾何參數(shù)進(jìn)行了量化識(shí)別，識(shí)別準(zhǔn)確率達(dá)95%。
BP神經(jīng)網(wǎng)絡(luò)雖然收斂過(guò)程穩(wěn)定，但數(shù)據(jù)量大時(shí)，其計(jì)算過(guò)程中收斂速度過(guò)慢，以及存在易陷入局部最優(yōu)而無(wú)法求解的問(wèn)題。小波神經(jīng)網(wǎng)絡(luò)在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入小波函數(shù)作為中間隱含層的神經(jīng)元激勵(lì)函數(shù)，收斂速度、逼近精度以及泛化能力等方面均得到了顯著提升。
王連華等建立了基于小波神經(jīng)網(wǎng)絡(luò)的缺陷量化方法，效果較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的更加理想。
為實(shí)現(xiàn)磁記憶檢測(cè)中對(duì)缺陷承受的拉伸載荷、缺陷寬度及深度的識(shí)別，王帥等將主成分分析與遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)法進(jìn)行有機(jī)結(jié)合，同時(shí)利用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)對(duì)其求解優(yōu)化，實(shí)現(xiàn)了對(duì)磁記憶信號(hào)的定量識(shí)別。
考慮到神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)模型總是在實(shí)驗(yàn)室中（通過(guò)高性能計(jì)算機(jī)硬件系統(tǒng)）實(shí)施，MENG等基于智能圖像識(shí)別和磁記憶技術(shù)，開(kāi)發(fā)了一種嵌入輕量級(jí)深度學(xué)習(xí)模型并配備微磁傳感器的電纜檢測(cè)方法，利用SqueezeNet卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合圖像去噪算法和遷移學(xué)習(xí)方法，識(shí)別出5種斜拉索表面缺陷及其特征，識(shí)別準(zhǔn)確率達(dá)97.18%。
神經(jīng)網(wǎng)絡(luò)方法能有效地識(shí)別處理金屬磁記憶檢測(cè)數(shù)據(jù)，但要求較多的學(xué)習(xí)樣本才能夠保證其準(zhǔn)確性，而金屬磁記憶檢測(cè)方法在檢測(cè)環(huán)境準(zhǔn)備和數(shù)據(jù)采集方面工作量較大，當(dāng)神經(jīng)元的數(shù)目較多時(shí)，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)間也會(huì)較長(zhǎng)。因此在訓(xùn)練過(guò)程中往往需要進(jìn)行一些人為的參數(shù)調(diào)整。利用神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法首先要解決金屬磁記憶信號(hào)特征超參數(shù)問(wèn)題、優(yōu)化調(diào)參和減少模型訓(xùn)練時(shí)間，從而提高鐵磁性材料疲勞損傷狀態(tài)定量識(shí)別率。
其他機(jī)器學(xué)習(xí)算法的應(yīng)用
近年來(lái)除了支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)這些經(jīng)典算法，還有許多學(xué)者將其他機(jī)器學(xué)習(xí)算法應(yīng)用于金屬磁記憶檢測(cè)定量識(shí)別中，并且取得了良好的效果。
刑海燕等近年來(lái)將以下機(jī)器學(xué)習(xí)算法應(yīng)用于金屬磁記憶信號(hào)定量識(shí)別中：
① 基于免疫算法結(jié)合動(dòng)態(tài)模糊聚類算法相似準(zhǔn)則提出損傷識(shí)別模型，該模型很好地避免了單一聚類算法易陷入局部最優(yōu)值的問(wèn)題，能夠有效地識(shí)別焊縫疲勞損傷各階段，模型預(yù)測(cè)準(zhǔn)確率達(dá)90%；
② 基于模糊C均值聚類算法的焊縫等級(jí)定量識(shí)別模型，焊縫損傷識(shí)別準(zhǔn)確率達(dá)90％；
③ 基于粒子群優(yōu)化模糊C均值聚類算法（FCM）焊縫等級(jí)定量識(shí)別模型，模型分類識(shí)別率達(dá)97.93%；
④ 改進(jìn)的最大似然估計(jì)（MLE）定量識(shí)別模型，其平均不確定度為3.66%。
各類機(jī)器學(xué)習(xí)算法在金屬磁記憶檢測(cè)應(yīng)用中的優(yōu)缺點(diǎn)比較如下：
支持向量機(jī)法
優(yōu)點(diǎn)：可以解決高維問(wèn)題、小樣本下機(jī)器學(xué)習(xí)問(wèn)題；能夠處理非線性特征的相互作用；無(wú)局部極小值問(wèn)題；相對(duì)于神經(jīng)網(wǎng)絡(luò)等算法無(wú)需依賴整體數(shù)據(jù)；泛化能力比較強(qiáng)。
缺點(diǎn)：處理大數(shù)據(jù)樣本效率不高；對(duì)非線性問(wèn)題缺乏通用解決方案，尋找合適的核函數(shù)比較困難；對(duì)核函數(shù)的高維映射解釋力不強(qiáng)，尤其是徑向基函數(shù)；只支持二分類；對(duì)缺失數(shù)據(jù)敏感。
神經(jīng)網(wǎng)絡(luò)算法
優(yōu)點(diǎn)：分類的準(zhǔn)確度高；良好的并行分布處理能力、分布式存儲(chǔ)和學(xué)習(xí)能力，對(duì)含噪聲的神經(jīng)數(shù)據(jù)具有強(qiáng)大的魯棒性和容錯(cuò)性，能有效逼近復(fù)雜的非線性關(guān)系，同時(shí)還具備聯(lián)想記憶能力。
缺點(diǎn)：需要輸入大量樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)時(shí)間過(guò)長(zhǎng)；無(wú)法觀察中間的學(xué)習(xí)過(guò)程，難以解釋所得到的輸出結(jié)果，從而影響結(jié)果的可信度和可接受度。
主成分分析
優(yōu)點(diǎn)：降維效果明顯，使得數(shù)據(jù)集更易使用；降低算法的計(jì)算開(kāi)銷；能夠有效去除噪聲；使得結(jié)果容易理解；完全無(wú)參數(shù)限制。
缺點(diǎn)：對(duì)異常值敏感，可能會(huì)導(dǎo)致主成分偏離；特征值分解存在限制，變換矩陣須是方陣；數(shù)據(jù)集在不滿足高斯分布的情況下，所求得主元在非高斯分布可能并非最優(yōu)。
模糊C均值聚類算法
優(yōu)點(diǎn)：節(jié)省了多重迭代的重復(fù)計(jì)算過(guò)程，效率明顯提高；可提取數(shù)據(jù)庫(kù)中的數(shù)據(jù)形成模糊相似矩陣，無(wú)需反復(fù)掃描數(shù)據(jù)庫(kù)；適用于高維度數(shù)據(jù)的處理，具有較好的伸縮性，便于找出異常點(diǎn)。
缺點(diǎn)：m值（確定數(shù)據(jù)點(diǎn)隸屬權(quán)值的指數(shù)）具有不確定性，人為設(shè)置m值可能影響試驗(yàn)結(jié)果；初始聚類中心存在敏感性，易陷入局部最優(yōu)。
最大似然估計(jì)法
優(yōu)點(diǎn)：原理簡(jiǎn)單應(yīng)用范圍廣，樣本數(shù)據(jù)越大，對(duì)參數(shù)的估計(jì)值越接近真實(shí)值，并且估計(jì)值的極限分布也越接近正態(tài)分布。
缺點(diǎn)：對(duì)數(shù)據(jù)分布的假設(shè)要求較高，訓(xùn)練數(shù)據(jù)較少時(shí)會(huì)發(fā)生過(guò)擬合，估計(jì)的參數(shù)可能不準(zhǔn)確。
梯度下降算法
優(yōu)點(diǎn)：低泛化誤差；容易實(shí)現(xiàn)，分類準(zhǔn)確率較高，沒(méi)有太多參數(shù)可以調(diào)整。
缺點(diǎn)：易陷入局部極小值；對(duì)異常值比較敏感；訓(xùn)練時(shí)間過(guò)長(zhǎng)，執(zhí)行效果依賴于弱分類器的選擇。
可見(jiàn)除常用的支持向量機(jī)法、神經(jīng)網(wǎng)絡(luò)算法，其他機(jī)器學(xué)習(xí)方法也能夠很好地應(yīng)用于信號(hào)處理分析，例如梯度算法、主成分分析、聚類分析算法等。這些方法能夠根據(jù)金屬磁記憶信號(hào)特點(diǎn)和缺陷特征參數(shù)建立針對(duì)性的識(shí)別方案，不但能很好地定位鐵磁性材料缺陷位置，還能提高缺陷識(shí)別準(zhǔn)確率及缺陷尺寸的檢測(cè)精度。所以在進(jìn)行信號(hào)處理時(shí)，應(yīng)綜合考慮環(huán)境、設(shè)備、人為干擾等情況，提出有針對(duì)性的缺陷評(píng)估方法。
機(jī)器學(xué)習(xí)應(yīng)用于金屬磁記憶
剩余壽命預(yù)測(cè)
剩余壽命預(yù)測(cè)是設(shè)備服役過(guò)程中的重要工序，通過(guò)了解設(shè)備狀況、預(yù)測(cè)其失效機(jī)制和剩余壽命能夠有效地預(yù)防疲勞損傷破壞所帶來(lái)的損失。
目前大多數(shù)研究仍然依靠較為系統(tǒng)和全面的疲勞試驗(yàn)，并基于試驗(yàn)數(shù)據(jù)使用傳統(tǒng)疲勞壽命預(yù)測(cè)方法進(jìn)行剩余壽命預(yù)測(cè)，不僅耗費(fèi)巨大的時(shí)間成本與人力成本，而且難以作為技術(shù)基準(zhǔn)來(lái)對(duì)在役機(jī)械設(shè)備、構(gòu)件疲勞損傷狀況進(jìn)行檢測(cè)評(píng)估。
通過(guò)提取金屬磁記憶信號(hào)特征參數(shù)進(jìn)行機(jī)器學(xué)習(xí)，總結(jié)發(fā)現(xiàn)損傷規(guī)律，可精準(zhǔn)有效地對(duì)剩余壽命進(jìn)行預(yù)測(cè)，為金屬構(gòu)件疲勞損傷狀態(tài)評(píng)估提供更高效的技術(shù)支撐。
為了評(píng)估油井套管的危險(xiǎn)程度，LIU等對(duì)12組油井套管的金屬磁記憶信號(hào)降噪處理后進(jìn)行特征值提取，建立了磁特征參數(shù)和危險(xiǎn)程度間的支持向量機(jī)識(shí)別模型，準(zhǔn)確率達(dá)100%。
黃海鴻等使用ABAQUS軟件建模進(jìn)行汽車車橋橋殼有限元疲勞壽命仿真分析，提取零件疲勞危險(xiǎn)區(qū)中表征疲勞損傷程度的金屬磁記憶信號(hào)法向分量梯度最大值、裂紋長(zhǎng)度、應(yīng)力強(qiáng)度因子、應(yīng)力集中度等作為參數(shù)，建立了基于支持向量機(jī)法的壽命預(yù)測(cè)模型。
吳家風(fēng)開(kāi)展了基于GM(1,1)模型的灰色疲勞壽命預(yù)測(cè)模型，有效地預(yù)估了疲勞壽命。
SU等基于樸素貝葉斯分類算法建立模型，實(shí)現(xiàn)了腐蝕橋梁鋼歸一化疲勞壽命統(tǒng)計(jì)評(píng)估。
GAO等提出了一種基于金屬磁記憶檢測(cè)的優(yōu)化支持向量機(jī)新模型，建立了基于支持向量機(jī)模型的再制造抽油桿剩余壽命預(yù)測(cè)模型，并采用遺傳算法、粒子群算法和網(wǎng)格搜索算法依次對(duì)徑向基函數(shù)核參數(shù)和懲罰因子進(jìn)行優(yōu)化，預(yù)測(cè)值與實(shí)測(cè)值的平均偏差在5%以內(nèi)。
通過(guò)支持向量機(jī)法、貝葉斯分類法以及多種算法融合的金屬磁記憶信號(hào)機(jī)器學(xué)習(xí)方法建立壽命預(yù)測(cè)模型，能夠有效、準(zhǔn)確地預(yù)測(cè)鐵磁性材料的剩余壽命。但在工程實(shí)踐中，壽命預(yù)測(cè)準(zhǔn)確率和金屬磁記憶信號(hào)特征指標(biāo)具有強(qiáng)關(guān)聯(lián)性，需要更大的測(cè)試數(shù)據(jù)集來(lái)驗(yàn)證最優(yōu)方法的實(shí)用性和可靠性，以此優(yōu)化和改進(jìn)當(dāng)前的預(yù)測(cè)模型。
3、結(jié)論和展望
對(duì)機(jī)器學(xué)習(xí)方法在金屬磁記憶檢測(cè)中的應(yīng)用進(jìn)行了綜述，其中在金屬磁記憶信號(hào)數(shù)據(jù)模型構(gòu)建中應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)方法包含支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)以及其他融合優(yōu)化學(xué)習(xí)算法，主要應(yīng)用于鐵磁構(gòu)件損傷的信號(hào)特征提取、定量識(shí)別和剩余壽命預(yù)測(cè)中。未來(lái)，機(jī)器學(xué)習(xí)方法在金屬磁記憶檢測(cè)中的應(yīng)用將主要集中于以下幾個(gè)方面：
金屬磁記憶檢測(cè)信號(hào)具有較強(qiáng)的非線性，可以通過(guò)融合神經(jīng)網(wǎng)絡(luò)模型或是支持向量機(jī)、主成分分析法等先進(jìn)的處理方法提取信號(hào)特征。由于金屬磁記憶信號(hào)的峰值、功率譜和頻帶能量等特征易受到高斯噪聲的影響，隨著計(jì)算機(jī)計(jì)算速度的進(jìn)一步提高和人工智能的發(fā)展，對(duì)各類現(xiàn)有算法進(jìn)行機(jī)器學(xué)習(xí)并將新算法應(yīng)用到金屬磁記憶檢測(cè)中將成為未來(lái)發(fā)展的趨勢(shì)。
當(dāng)前機(jī)器學(xué)習(xí)在金屬磁記憶檢測(cè)中的應(yīng)用多聚焦于缺陷的定量分類識(shí)別，即通過(guò)提取金屬磁記憶信號(hào)特征參數(shù)，引入算法提取特征信號(hào)數(shù)據(jù)，建立起磁特征參數(shù)與缺陷間的定量關(guān)系模型，實(shí)現(xiàn)缺陷的定量化識(shí)別，并能夠?qū)⑵溥M(jìn)一步拓展至剩余壽命預(yù)測(cè)中。
近年來(lái)機(jī)器學(xué)習(xí)算法在無(wú)損檢測(cè)領(lǐng)域已經(jīng)取得了一定的發(fā)展，但實(shí)際工程應(yīng)用場(chǎng)景往往比實(shí)驗(yàn)室更加復(fù)雜，機(jī)器學(xué)習(xí)算法種類繁多，每種算法都存在自身的優(yōu)劣和適用范圍，沒(méi)有哪一種算法能夠解決全部的問(wèn)題。通過(guò)融合多種機(jī)器學(xué)習(xí)算法的自身優(yōu)勢(shì)，能夠更加有效地提升模型的適應(yīng)性和金屬磁記憶檢測(cè)的缺陷識(shí)別能力。
作者：王慧鵬1，李海航1，石家龍1,2，董麗虹2，王海斗3
工作單位：1. 江西理工大學(xué) 機(jī)電工程學(xué)院
2. 陸軍裝甲兵學(xué)院 再制造技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室
3. 陸軍裝甲兵學(xué)院 機(jī)械產(chǎn)品再制造國(guó)家工程研究中心
第一作者簡(jiǎn)介：王慧鵬，博士，副教授，碩士生導(dǎo)師，主要從事無(wú)損檢測(cè)技術(shù)、無(wú)損評(píng)價(jià)等方面的研究工作。
通信作者簡(jiǎn)介：董麗虹，博士，副研究員，博士生導(dǎo)師，主要從事無(wú)損檢測(cè)與再制造壽命預(yù)測(cè)工作。
來(lái)源：《無(wú)損檢測(cè)》2024年8期
來(lái)源：無(wú)損檢測(cè)NDT
關(guān)于我們 聯(lián)系我們 營(yíng)業(yè)執(zhí)照 全國(guó)服務(wù)電話：400-818-0021 嘉峪檢測(cè)版權(quán)所有 備案號(hào)：京ICP備14047019號(hào)-2 
京公網(wǎng)安備11010802046783號(hào)
