陈振华，胡怀辉，卢 超

（南昌航空大学 无损检测教育部重点试验室，南昌 330063）

超声 TOFD（Time of Flight Diffraction）法具有实时成像、检测速度快、检出率高［1－2］等优点。然而，该方法也存在着自身的技术缺点，近表面检测盲区一直是超声TOFD检测方法需要解决的难点问题。为了提高对缺陷检测的效率，近年来信号处理及模式识别技术用于超声检测领域的研究成果越来越多，较为突出的是将人工神经网络应用于缺陷类型的识别，这方面取得了不错的效果。

迟大钊、陈伟［3－4］等通过对检测波形信号进行分析，张 锐、陈天璐［5－6］等通过优化检测方法及延长衍射波传播路径等方法来降低近表面检测盲区，这些方法对近表面缺陷的识别能力都有所提高。但都有各自的缺点，如缺陷信号损伤、侧向波抑制不完全，衍射信号衰减等问题。在利用人工神经网络实现缺陷类型识别的研究成果中，较有代表性的是M Lorenz、陈超［7］等人分别以超声回波傅氏谱、缺陷图像的特征参数作为网络所需的特征向量，实现神经网络对各类缺陷进行自动识别分类。

笔者主要对近表面缺陷检测的直通波信号幅度的分布进行分析，针对直通波时域范围内选取多个关键点，通过这些关键点在不同近表面缺陷的幅值变化发现了与直通波重叠的端部衍射波。基于直通波幅度分布提出了检测特征值，根据该特征值分布能够检测近表面缺陷，同时利用BP神经网络处理非线性问题的优势，将该特征值作为BP神经网络所需的特征向量，实现对近表面孔状缺陷的自动识别分类。

1 超声TOFD直通波特征值

1.1 试验方法

试验中采用斜角为60°，中心频率为5MHz的超声TOFD检测专用探头，检测系统的最大采样率为60MHz。对加工附有直径均为1mm，深度不同的孔状缺陷的铝合金板试块（图1）进行检测，试块上5类不同深度缺陷从左至右深度分别为1，2，3，5，10mm。检测时两探头以被检孔为中心对称放置，由于各类缺陷均属于近表面缺陷，因此探头间距设为5mm，如图2所示。试验对近表面各浅孔进行检测，提取检测波形。

图1 试块示意图

图2 探头布置示意图

1.2 直通波特征值分析

人工缺陷的开口浅孔对板面的破坏导致了直通波的衰减，图3显示为检测直径1mm，深度10mm孔与表面完整时的直通波信号。10mm深孔的检测直通波不受端部衍射波的影响而仅由表面的破坏引起。因此为更准确地描述近表面缺陷尖端衍射对直通波幅度的影响而同时又不引入表面破坏的干扰，试验中采用直径1mm，深度10mm深孔的检测直通波作为无近表面缺陷的检测信号。

图3 表面破坏对直通波波幅的影响

图4为各浅孔的超声TOFD检测直通波信号，图中虚线为10mm深孔的检测信号（无近表面缺陷时的直通波信号）。由图4可看出，孔深为1，2mm时几乎看不到端部衍射波，3mm开始出现了较明显的衍射波形，当孔深增大到5mm时，能清晰地看到整个衍射波信号。

图4 近表面缺陷与无近表面缺陷的波形对比图

在直通波时域范围内选取多个关键点，通过各关键点的幅值变化探讨直通波与浅孔端部衍射波的相互作用，各关键点编号为A～E，如图5（a）所示。1～5mm浅孔以及无近表面缺陷时，直通波各个参考点的幅值变化数据图如图5（b）所示；与无近表面缺陷直通波信号相比，1mm浅孔的A点幅度变化最大，其余关键点幅度基本不变；2mm浅孔的B，C点幅度的变化较大；3mm浅孔的C，D点幅度变化最大；5mm浅孔的E点幅度变化最大，其余关键点基本恢复原幅值。通过图5（b）的变化趋势可知，随着孔深的增大，其端部衍射波对直通波幅度的影响在时域上逐渐右移（由A向E移动）。

图5 直通波各关键点位置与幅值变化曲线

通过以上分析可知，超声TOFD检测近表面缺陷时，其直通波的幅值变化包含着大量的近表面缺陷信息，通过直通波幅度的分布特征可以对近表面缺陷进行检测。依据试验数据可得到各浅孔的检测特征分布如图6所示，图中横坐标上的1～5数字分别对应A－B5个关键点。依据该特征分布能够对近表面缺陷进行检测并估计缺陷深度。

图6 近表面缺陷超声TOFD直通波幅度检测特征值分布

由于依据近表面直通波信号幅值的特征信息对缺陷的识别过程复杂，缺陷类别容易引起误判，同时对检测人员的理论及经验水平有较高要求，因此笔者利用BP神经网络处理非线性问题的优势，以实现对近表面孔状缺陷的自动识别分类，从而减少一定的工作量，提高对近表面缺陷检测效率。

2 分类器的设计

分类器设计采用误差反向传播神经网络（又称BP神经网络），由于它的结构简单，是目前神经网络中研究最多、应用最广的一类网络［8］。而且，BP神经网络有着较强的非线性映射能力，具有广泛的适应性和有效性，已经成功地解决了许多领域的实际问题，特别是在模式识别与分类方面，如语言、文字、图像的识别，医学特征的分类、诊断等［9］。

2.1 BP神经网络设计

BP神经网络的设计过程尤为重要，主要是对输入层、隐含层、输出层的选取确定。提取图5（a）直通波各关键点幅值作为网络样本输入的特征向量。为了能够适应BP网络的输出，加快训练网络的收敛性，同时也可以减小权值调整幅度，以及为了避免试验参数增益的影响，在网络训练之前需要将输入样本特征值进行归一化处理。如仅对A～E关键点幅值进行峰值归一化处理，各类缺陷特征值A点的值均被归一化为1，将导致对近表面孔深1mm缺陷与无近表面缺陷（孔深10mm缺陷）无法正确识别分类，因为孔深1mm缺陷区别于无近表面缺陷的关键点位于直通波时域范围A点，依据其他各关键点无法对该两类缺陷识别分类；为了保留A点原有的特征信息，引入另一特征向量O点，O点位置如图5（a）所示，由于各类缺陷O点状态基本保持不变，因此以O点幅值为基准，对所提取的6个特征值（O－A－B－C－D－E）除以O 点幅值进行数据处理，将处理后的特征值作为网络输入样本。

文章主要对5类缺陷进行BP神经网络识别，孔深分别为1，2，3，5m缺陷和无缺陷的网络输出向量分别为10000，01000，00100，00010，00001，因而BP网络输入层神经元的单元数为6，输出层单元数为5；然而隐含层单元数的确定至今还没有一个完善的理论指导，通常是在实际操作中根据神经网络设计者的经验和估计来确定［10］。隐含层单元数与问题的要求，输入输出单元的多少有直接关系，隐含层单元数太少可能不能学习出来，且容错性差，但隐含层单元数太多又会使学习时间太长，误差不一定最佳。隐含层单元数借鉴经验公式［11］来确定：

式中：n1为隐含层单元数；n为输出层单元数；m为输入层单元数；l为1～10之间的整数。

通过采用不同隐层单元数进行学习，找出最优隐含层单元数，首先根据经验式（1）给定一个较小的初始隐含层单元数，构成一个结构较小的BP神经网络进行学习，然后采用增长法对隐含层的神经元个数进行确定。所谓增长法是指在人工神经网络开始运作前选择较少的隐层神经元，然后对给定的实际问题，在学习过程中逐步增加隐层神经元个数（每次增加一个或者多个神经元），直到网络模型满足性能要求，选择较为适合的神经元数。

2.2 BP网络参数设置及训练

试验对5类型缺陷数据按图2所示的检测方式进行采集，将处理后的数据作为训练样本，样本总数200个，每类缺陷样训练本数各40个；网络中输入层神经元单元数为6，输出层单元数为5，最大迭代次数设为700，目标误差为1e－8；隐含层采用logsig传递函数，输出层采用purelin传递函数，网络采用具有最快收敛速度的Levenberg－Marquardt算法。

采用增长法确定网络中隐含层的单元数，训练中逐步增加隐含层单元数，每增加隐含层单元数训练20次，观察训练的误差性能曲线变化。图7为隐含层中不同单元数训练20次所对应达目标误差时所用的平均迭代次数。从图7中可以发现随着隐含层单元数的增加，平均迭代次数整体呈上升趋势；据此可知，隐含层单元数越多，则达目标误差所需的迭代次数越多；迭代次数的增多，网络运行所需要的时间必然增大。

图7 隐含层单元数对应的平均迭代次数

基于网络的稳定性、达到目标误差所需的迭代次数以及训练时间的综合考虑，试验将隐含层单元数设为6进行网络训练，得出一个误差曲线比较平稳的BP神经网络，误差性能曲线如图8所示，运用该网络对各类缺陷进行识别分类。

图8 训练的误差性能曲线

3 测试结果及分析

测试数据按图2检测方式，其他参数不变，对孔深1，2，3，5mm的缺陷和无缺陷类型进行数据采集；将所采集的数据进行特征值的提取并进行数据处理作为测试样本，利用训练好的BP神经网络进行测试，测试样本数共300个，每类缺陷测试样本数各60个。每类缺陷测试后识别样本数均为60，误判数均0，正确识别率均为100%。经过测试各类型缺陷的识别率均为100%，无一判错，由此可见该网络能够有效、准确地对各类近表面缺陷进行分类识别。

4 结论

（1）近表面缺陷的端部衍射波与直通波相互叠加影响直通波的幅度分布，直通波幅度分布中包含大量的缺陷信息。基于直通波幅度分布提出了近表面缺陷的检测特征值，通过该特征值的分布可以检测近表面缺陷。

（2）BP神经网络能够快速、有效、准确地对铝合金板近表面孔状缺陷进行识别分类，充分体现了神经网络识别过程的智能化。

（3）神经网络中隐含层神经元数目的选取没有一个完善的理论依据，需结合某个经验公式及其他方法，并通过不断反复试验来选择较为合适的神经元数目。

（4）基于直通波分布的检测特征值容易受到表面状态如：污染、腐蚀、划痕等的影响，因此笔者提出的方法对被检件的表面状态要求较高。

［1］ 伊新.TOFD检测技术基本原理及其应用探讨［J］.石油化工应用，2008，27（3）：29－31.

［2］ GANG Tie，CHI Dazhao.Novel approach to the enhancement of ultrasonic TOFD B－scan image for the measurement of weld crack［J］.Science and Technology of Welding and Joining，2007，12（1）：87－93.

［3］ 迟大钊.基于超声TOFD法的焊缝缺陷表征研究［D］.哈尔滨：哈尔滨工业大学，2007：52－71.

［4］ 陈伟，詹红庆，杨贵德，等.基于直通波抑制的超声TOFD图像缺陷检测新方法［J］.无损检测，2010，32（6）：402－405.

［5］ 张锐，万明习，CAO W W.超声衍射—回波渡越时间方法焊缝裂纹原位定量无损估计［J］.机械工程学报，2000，36（5）：54－57.

［6］ 陈天璐，阙沛文.基于超声衍射反射回波渡越时间的缺陷识别技术［J］.化工自动化及仪表，2006，33（4）：50－52.

［7］ 陈涛，刘献礼，吉举正，等.基于BP神经网络的钢球表面缺陷识别［J］.机械工程师，2010（7）：81－82.

［8］ 杨建刚.人工神经网络实用教程［M］.杭州：浙江大学出版社，2001.

［9］ SCHOLKOPF B，SMOLA A.Nonlinear component analysis as kernel eigen value problem［J］.Neural Computation，1998，10（5）：1299－1319.

［10］ 王立威.人工神经网络隐层神经元数的确定［D］.重庆：重庆大学，2012.

［11］ 韩英莉，颜云辉.基于BP神经网络的带钢表面缺陷的识别与分类［J］.仪器仪表学报，2006（12）：138－140.