杨 茂，张 洪，周建庭，刘人铭，陈 军

(1. 重庆交通大学 土木工程学院，重庆 400074； 2. 重庆三峡学院 土木工程学院，重庆 404100)

0 引 言

金属磁记忆检测技术诞生于1997年，由A.A.DOUBOV在第50届国际焊接学术会议上正式提出[1]，可检测铁磁构件的应力集中及宏观缺陷。铁磁材料具有磁畴结构和自发磁化的特点，在荷载和环境磁场的联合作用下，磁畴形态、分布发生改变，宏观表现为应力集中或微观缺陷部位的局部磁场增强，并在工作载荷消除后仍然保留[1-2]。磁记忆检测技术无需外在激励，以地磁场为激励源，能够对铁磁材料的应力集中、早期损伤及损伤程度等进行评估，防止构件的突发性失效[3-5]。目前在石油化工、能源、航空等各领域进行了实际应用，并取得了较好的应用效果[6-8]。然而在具体的试验及现场应用过程中，大量的检测数据具有一定的离散性和非线性，磁记忆的精细化、定量化检测面临着发展瓶颈。

机器学习源于人工智能和统计学，是对能通过经验自动改进的计算机算法的研究，特别适用于对大量磁记忆检测数据的分析。通俗地讲，机器学习就是让计算机从数据中进行自动学习，从大量的数据中发现规律，并利用此规律对未知数据进行预测的算法[9-10]，它是数据驱动的，用于对数据间的内部关系进行建模[11]。机器学习是一门多学科交叉专业，涵盖计算机科学、概率论、统计学、近似理论和复杂算法等知识，大致可分为监督学习和无监督学习两类，常用的监督学习有支持向量机，人工神经网络，随机森林等，无监督学习主要是各种聚类算法和主成分分析(PCA)[12-15]。

将机器学习用于对磁记忆检测数据的深入分析是实现缺陷精准定位和定量检测的新思路，主要综述了各种机器学习算法在磁记忆无损检测领域的应用现状，主要包括在焊缝、管道等构件缺陷检测中的应用和发展，并结合磁记忆无损检测技术的发展难题，展望了机器学习在该领域的应用前景，进一步考虑将机器学习应用于桥梁内部钢筋损伤的磁记忆检测当中。

1 焊缝缺陷的磁记忆定量化识别

焊缝作为金属构件中的薄弱部位，在施焊过程中存在未焊透、夹渣等现象，在后期工作中极易发生应力集中和破坏，故磁记忆无损检测法非常适用于焊缝缺陷检测，在焊缝缺陷磁记忆定量化识别领域，东北石油大学的邢海燕团队将一系列的机器学习算法应用到其中[16-21]。在不同循环加载周次下，未焊透和夹渣焊缝出现不同程度的缺陷，用常规的X射线法将焊缝缺陷分为4类：正常状态、隐性损伤(隐性裂纹长为2～4 mm)、裂纹未穿透、裂纹穿透。对照常规定量检测方法，获取不同状态下的磁记忆特征并分析，结果表明依靠传统的磁记忆判据无法识别焊缝的损伤状态，如图1，试件在检测过程中受到外界干扰，磁信号会出现模糊性和分散性的问题，只有在裂纹穿透阶段，磁记忆信号切向分量会达到极值，法向分量过零点，而在其他损伤阶段，相应信号并没有出现明显的判据特征。

图1 不同损伤程度下未焊透试件的磁场强度分布[21]Fig. 1 The distribution of magnetic field intensity of incompletepenetration test pieces under different damage degrees [21]

因此，对损伤更为敏感的磁参数以及对分散数据具有强大处理能力的机器学习算法被引入到焊缝缺陷的磁记忆定量检测中。具体的机器学习算法和应用情况如表1。

遗传算法优化的BP神经网络算法首先被引入到焊缝缺陷的磁记忆定量检测当中[16-17]。由于采用随机的权值和阈值，BP神经网络多次计算的结果不同，可重复性较差。遗传算法是一种全局优化算法，具有计算方法简单、优化效果好、处理组合优化问题能力强等优点[9]。于是采用遗传算法对其进行优化，可得到最优权值和阈值，获得较快的收敛速度和计算精度，图2为误差随遗传代数增加的变化趋势，优化后的算法使样本误差大大减小，预测效果更稳定、更准确。

图2 误差随遗传代数的变化趋势[16]Fig. 2 Variation trend of error changing with genetic algebra [16]

邢海燕等[18]提出对焊缝损伤更加敏感的磁特征指标Kr，引入无偏灰色预测理论与模糊隶属度函数，在此基础上建立模糊加权的马尔科夫链预测模型。对22组试验数据进行建模分析，如图3，结果表明采用模糊加权马尔科夫链定量预测模型的预测结果更接近于真实值，相对于无偏GM(1,1)预测模型而言，其最大相对误差从38.49%降到5.05%，对Kr值预测结果准确性得到了较大的提高。

图3 不同模型的预测效果[18]Fig. 3 The predictive effects of different models[18]

基于磁信号的模糊性和分散性，模糊c均值聚类算法被用于磁记忆检测数据的处理中[19-20]，模糊c均值聚类融合了模糊理论的精髓，相较于k-MEANS的硬聚类，提供了更加灵活的聚类结果。因为大部分情况下，数据集中的对象不能划分成为明显分离的簇，指派一个对象到一个特定的簇有些生硬，也可能会出错。故对每个对象和每个簇赋予一个权值，指明对象属于该簇的程度。邢海燕等[19]和喻正帅[20]对不同损伤阶段的信号进行定量识别，通过训练样本提取最优模糊加权指数m，如图4，当m为2.0时，可获得最大准确率，建立预测模型，对54组样本数据进行建模与预测，准确率可达90%。邢海燕等[21]结合免疫优化和动态模糊聚类算法，通过建立模糊相似关系，确定样本集合的亲疏程度，使样本的分类走向定量化，并采用免疫算法来解决聚类算法易陷入局部最优值的问题。通过试验和实际工程应用表明，该模型预测损伤等级准确率达90%，可以较好的区分焊缝的正常状态、隐性损伤萌生、未穿透性裂纹等阶段。

图4 最优模糊加权指数m的确定[19]Fig. 4 Determination of the optimal fuzzy weighting index m[19]

由以上研究可知，磁记忆法的传统判据无法识别焊缝的缺陷等级，在裂纹未穿透时，切向分量和法向分量曲线具有分散性和不确定性，必须采用机器学习算法对数据进行深入分析。神经网络、遗传算法、聚类算法等在焊缝缺陷的定量识别中得到成功应用，对于一定的数据样本，单一算法具有较大的局限性，建立的模型通常得不到较高的准确率，需采用其余的算法对参数进行优化，多种算法结合可获得较高的预测准确率。

2 管道缺陷的磁记忆定量化识别

石油、天然气等金属管道在世界范围内具有庞大的体量，在长期使用过程中易发生损伤，引发巨大的安全事故，故实现管道缺陷的磁记忆定量检测具有十分重大的意义。以实现管道缺陷等级识别为目的，将机器学习算法引入到磁记忆数据的处理当中，目前应用较多的为支持向量机和神经网络算法，以及在它们的基础上提出的优化算法，具体应用情况如表2。

表2 机器学习算法在管道缺陷磁记忆检测的应用Table 2 Application of machine learning algorithms in magneticmemory detection of pipeline defect

支持向量机算法具有强大的分类功能，且在解决小样本、非线性及高维模式识别中表现出许多特有的优势，因而成为机器学习中应用最为广泛的算法之一。易方等[22]提出了一种基于模糊核支持向量机的缺陷识别方法。将管道状态划分为应力集中、微观缺陷和宏观缺陷3个等级。构造了五维磁特征指标，对32组钢管道进行了缺陷识别试验，识别准确度达到100%，与传统线性核和多项式核函数比较，识别精度得到提高。LIU Zhilin等[23]利用支持向量机实现了对油井套管危险程度的磁记忆定量评价，将12组油井套管的危险程度分为4个等级，采取其磁记忆信号，对降噪处理后的磁信号进行特征值提取，采用支持向量机来建立磁特征指标和管道危险程度之间的关系模型，该模型的准确率可达100%。GONG Lihong等[24]结合自适应遗传算法与支持向量机算法建立了管道缺陷的定量识别模型，可识别管道是否处于正常、应力集中或者裂纹状态，并比较了支持向量机4个核函数的诊断结果，其中，径向基函数(RBF)核在模拟中表现最好，准确率达到95.52%。

人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法，具有较强的自学习和自适应能力。龚利红等[25]分别将线性感知器神经网络和非线性感知器神经网络应用到了管道的磁记忆定量检测当中，选取40组处于应力集中或者宏观缺陷的钢管作为试验样本，进一步优化磁特征指标，作100次计算机诊断模拟，结果表明：线性感知器神经网络平均准确率为71.2%，而非线性感知神经网络模型的平均诊断正确率可达90.7%，有显著提高。刘书俊等[26]提取五维磁特征参数作为BP神经网络的输入节点，建立了BP神经网络的磁记忆识别模型，对600组管道样本进行了检测试验，测试样本识别正确率为97.5%。

支持向量机和神经网络及其衍生出的优化算法具有较高的识别准确率，当然在应用过程中，预测准确率和样本本身的磁特征指标也具有很强的相关性，故在优化算法的同时，需提高样本磁特征指标的准确度和可靠度，结合多方面因素提高模型的准确率。

3 其他钢试件的缺陷定量化识别

磁记忆检测技术在焊缝和管道中的应用较为成熟，随着该技术的发展，其应用领域也逐渐扩展到钢绳芯输送带、钢轨、再造抽油杆等钢构件缺陷的定量识别当中，机器学习也随之应用到更多种类的钢试件磁记忆检测当中，具体应用情况如表3。

表3 机器学习在其他钢试件磁记忆检测的应用Table 3 Application of machine learning in magnetic memory testing of other steel specimens

免疫算法可找到样本组的聚类中心，模糊聚类算法可对样本进行分类。李远利等[27]将模糊聚类算法的隶属度概念引入免疫算法中，通过试验制备正常状态、应力集中及宏观缺陷几个不同状态的钢试件，对其进行检测并提取四维磁信号特征值，通过训练组的180个样本建立模型，对测试组的60个样本进行状态预测，最终结果表明：此算法建立的模型预测准确率达到96.67%，同等条件下，BP神经网络的预测准确率为83.33%，故通过该算法建立的模型的识别正确率相比于BP神经网络模型有了较大的提高。

钢绳芯输送带内部的钢丝绳因绣烛、高负荷运转、长期反复弯曲等因素而产生局部应力集中和微裂纹等隐性故障，往往不易被人们发现，李效露[28]将BP神经网络引入到钢绳芯输送带的磁记忆定量检测当中，试验制备分别处于正常、应力集中、宏观缺陷3种不同状态的钢绳芯输送带，通过检测的磁记忆特征值和BP神经网络模型对其进行定量识别，结果表明该模型的识别成功率可达到83.33%。王慧鹏等[29]将BP神经网络用到了钢试件的应力集中系数评定当中，将试件的应力集中系数K分为4类，通过提取不同应力集中程度的钢试样的磁记忆信号特征值，建立BP神经网络对其应力集中程度进行量化识别，对54组测试样本进行应力集中系数的预测，识别准确率达到92.6%。

为了得到连续焊接钢轨的无应力温度，支持向量机回归算法被用来计算连续焊接钢轨的热应力[30]，基于磁记忆和磁巴豪森联合检测系统采集到的磁信号特征，通过支持向量机算法建立了特征值和热应力之间的非线性关系式，将自制测量系统测得的热应力值与理论值进行比较，相对误差小于4.78%。邢海燕等[31]将磁记忆技术应用到再造抽油杆损伤等级定量评价中，结合支持向量机的小样本优势和KNN隶属度将分散性和模糊性加以量化的优势，建立了基于KNN和支持向量机的再造抽油杆磁记忆定量检测模型。对32组试验样本进行了检测试验，提取五维磁记忆检测特征值，结果表明：该模型准确率可达91.67%，可以用于再造抽油杆的磁记忆定量识别当中。

磁记忆检测技术主要针对各种铁磁构件，检测对象的多样性和复杂性给磁记忆的量化评估带来较大困难，针对不同的检测对象和缺陷类型，应结合具体情况分别提取各自的磁特征指标，根据指标特点选择对应的机器学习算法，建立针对不同对象和缺陷类型的磁记忆量化评估体系。

4 钢构件缺陷尺寸的反演及其他

上述定量化检测主要是将不同铁磁构件的缺陷按照损伤程度划分为几个等级，基于机器学习算法，建立磁特征指标和缺陷等级之间的相关性模型，最终实现缺陷等级的预测。另一种定量检测是根据磁特征指标实现缺陷尺寸的反演，预测构件缺陷的长度、宽度、深度。表4为机器学习在焊缝、管道等构件的缺陷尺寸反演，以及对构件各部位缺陷的区分、剩余寿命的预测等领域的相关应用。

表4 机器学习在缺陷尺寸的磁记忆反演及其他领域的应用Table 4 Application of machine learning in magnetic memory inversion of defect size and other fields

在构件缺陷尺寸的定量化反演领域，李思岐等[32]将模拟退火算法和支持向量机回归算法引入到焊缝缺陷尺寸反演中，通过试验设计了未焊透和夹渣两种类型缺陷的焊缝试件，利用金属磁记忆检测仪对焊缝试件进行磁记忆检测，基于48个样本建立了退火支持向量机回归模型，对其中的10个样本进行缺陷尺寸反演，预测结果的相对误差为0.27%～7.96%，预测精度较高。李立刚[33]将磁记忆检测技术和支持向量机算法引入到了管道腐蚀缺陷深度的定量化反演当中。制造了带腐蚀缺陷的管道测试件，用磁记忆检测设备获取其信号特征值，建立了管道缺陷深度的支持向量机反演模型，经验证，模型可以有效预测1～15 mm孔深的腐蚀缺陷，平均误差为2.398 mm。王帅等[34]通过试验建立了钢板的不同尺寸缺陷磁记忆信号样本库，提取每个缺陷处的8个磁记忆特征参数，采用主成分分析法(PCA)与遗传算法优化神经网络法(GA-BP)有机结合对数据处理，试验结果如图5，该算法对缺陷深度的预测精度最高。

图5 PCA优化的GA-BP神经网络模型的预测结果[34]Fig. 5 The prediction results of the GA-BP neural network model optimized by PCA[34]

对于识别同一构件上不同部位及不同缺陷类型的问题，王宇等[35]针对金属管道腐蚀缺陷和应力集中缺陷的区分和识别问题，自制了5根带缺陷管道试件，基于其形态、时域、频域磁记忆信号特征，建立了多种极限学习机管道缺陷分类模型，并将该模型用于现场管道的测试当中，极限学习机缺陷分类模型的平均正确识别率均在70%以上，可较好的区分管道的腐蚀和应力集中缺陷。史小东等[36]为了区分管道母材及焊缝处不同损伤形式磁记忆信号，开展了相关试验研究，结果表明，不同损伤部位及形式的试件，其磁信号也有较大差异，运用BP神经网络对管道缺陷检测信号的模式进行识别。通过对试验和有限元建模数据的处理与验证，结果表明通过BP神经网络可对管道的不同部位，例如母材、焊缝正面和焊缝背面有、无裂纹进行准确判别和区分。

采用网格搜索、粒子群和遗传算法3种方法对模型进行了参数优化，结果表明：采用遗传算法作为参数优化方法，该模型具有较好的精度。该模型为螺栓剩余疲劳寿命的预测提供了一种有效的方法。GAO Yatian[37]针对现有抽油杆疲劳损伤评估和剩余寿命预测方法的不足，也提出了一种基于金属磁记忆的最优支持向量机模型预测抽油杆疲劳损伤的新方法，同样用遗传算法(GA)，粒子群优化算法和网格搜索优化(GSO)分别对其进行优化。结果表明，此处采用粒子群优化的支持向量机模型的预测精度更加稳定和准确。由此可见，对于不同的测试样本和数据，各优化算法得到的效果不尽相同，算法的应用应根据实际数据样本进行选择和调整。

综上所述，机器学习具有强大的学习能力和良好的非线性拟合能力，对于大量数据的处理有明显的优势，支持向量机、神经网络、聚类算法等已经被广泛应用到磁记忆检测的试验研究和现场工程当中。支持向量机的核心思想是将原始的数据通过某种非线性映射到多维空间中，然后再利用线性分类器进行处理，具有模型简单，解释性强的特点，更重要的是其回归分类性能比最早提出的神经网络更优[38]。但若样本过多时，由于数据敏感度的缺失而导致效率不是很高[39]。人工神经网络具有自适应，自学习的能力，但是为了训练自适应系统，需要对少量的参数进行优化，易于过拟合。聚类算法训练时间短，但算法需要对均值给出定义，且对初始选值敏感，一些过大的异常值也会带来很大的影响。因此，各种算法各有其优缺点，没有哪一种算法可以解决所有问题。在算法应用过程中，对于固定样本的磁特征指标，通过相应算法可得到较高的预测准确率，但是模型的泛化能力差，故在实际应用过程中，应建立各种缺陷类型对应的磁特征指标数据库，并在研究过程中不断扩展和完善该数据库，从而优化完善预测模型，提高模型适应性。

5 结论及展望

多种机器学习算法被应用到磁记忆无损检测领域当中，其中，支持向量机、神经网络和聚类算法及其衍生出的优化算法目前在磁记忆数据建模中应用最为广泛。主要的应用领域包括：焊缝、管道及其余钢试件缺陷的定量识别，缺陷类型的区分及剩余寿命的预测等。虽然机器学习在目前的磁记忆检测试验研究和现场工程中取得了良好的应用效果，但是仍停留在简单的结构和工况上，机器学习作为高效有力的数据处理技术，在磁记忆无损检测领域中具有更为广阔的应用前景。结合磁记忆无损检测技术的发展趋势，考虑将机器学习应用于桥梁内部钢筋损伤的无损检测当中。

1)桥梁钢筋的无损检测具有结构和环境的复杂性，影响因素较多，不同的材料成分、荷载形式、初始磁场等都会给检测带来较大的干扰，磁特征指标与缺陷之间不具有简单的线性关系。考虑各种因素下的磁信号数据必然具有明显的离散性和非线性，故在检测过程中需解决各种因素对磁记忆检测信号的干扰问题，目前的研究主要集中在建立缺陷和磁特征指标之间的关系，忽略了影响因素与磁特征指标的关系，故应采用机器学习建立各种影响因素与磁信号之间的关系模型，逐一排除干扰磁信号，提高检测精度。

2)机器学习算法种类颇多，各种算法有其独特的优势和适用范围，同时也有无法克服的缺陷，多种算法互相优化，取长补短可获得更好的预测效果，多种算法结合将对提高模型的适应能力和识别准确率有很大的帮助，也是机器学习未来发展的趋势。

3)目前，机器学习在磁记忆检测领域中的应用多为分类问题，即是将缺陷划分为多个级别，通过机器学习建立磁特征指标与缺陷等级之间的关系模型，进一步的研究可扩展到回归问题，对试件的损伤程度做出更为具体的定义，通过机器学习中的回归算法建立缺陷程度和磁特征指标之间的函数关系式，更加精确地表征构件的缺陷程度。