专利名称：一种结构缺陷超声在线智能识别系统的制作方法
技术领域：
本实用新型涉及超声波无损检测系统，具体是指一种结构缺陷超声在线智能识别系统。
背景技术：
随着现代工业的发展，无损检测技术及其应用已经显得越来越重要。金属零部件在材料冶炼和加工过程中可能产生各种各样的缺陷，对于承载零部件，特别是高温、高压、高速的零部件，其内部存在缺陷可能导致重大的人身事故，造成严重损失，在这些事故中，焊接缺陷是最主要的因素之一。
由于焊接结构中裂纹型缺陷的危害较大，其深度的准确定量在结构完整性评估中显得尤为重要。超声波无损检测技术在缺陷深度的测量中应用较为普遍，其使用的一般是持续时间很短的脉冲超声波，可看作是由无限多个不同频率的谐波叠加而成，超声脉冲遇缺陷反射后，谐波的变化将造成其频谱的变化，从而提供了反映缺陷性质的信息，具有被测对象范围广、检测深度大，缺陷定位准确、检测灵敏度高，成本低、速度快、使用方便，对人体无害以及便于现场使用等特点，但是其结果容易受仪器、探头、工件以及人员等因素的影响。
目前国内外在超声波检测领域都向着数字化方向发展。如美国声学公司(PAC)研发的ULTRAPAC为先进的计算机一体化、数字化超声C-扫描成像系统，可完整地探测零件的各种形状缺陷，确定缺陷位置，提供检测图像报告，永久记录检测结果，便于再分析及不用检测条件下的结果比较。国内武汉中科创新公司资助研发的基于PCI总线的高性能多通道超声波发射与接收系统，具有A扫描动态显示缺陷波位置，根据标准和闸门自动报警、自动增益、数字抑制、缺陷波形回放、自动制作DAC曲线、内含多种通用和专用的探伤标准等功能；南通友联公司出品的PXUT-280型超声波探伤仪具备成像功能，可以B扫描显示工件中缺陷的形状；汕头超声仪器研究所的全数字式超声探伤仪CTS-3600型，具有采样频率高、存储容量大、中文操作界面、小型轻便、易学易用等特点，可广泛用于超声检测领域。
在超声无损检测中，对信号的分析是直接影响检测结果准确性的重要环节，现有的超声波探伤仪对信号的处理能力都还很有限，从直观的角度对超声探伤仪所显示的缺陷回波来进行缺陷的定量具有很大的主观性，某些情况下，不同检测人员对同一个缺陷的评判结果都可能会由明显差异，设备和工作环境等也会影响到最终的检测结果。同时，数字型超声探伤仪的使用使得超声检测中可采集到的数据越来越多，完全依靠人工来对数据进行分析和比较已经变得很困难，降低了超声波检测的精度和工作效率。现有技术对超声检测设备的研究和改进，重点主要放在了硬件设备上，其对超声波检测结果的影响是有限的，且提高了设备的成本，因此有必要探索出新的数据处理方法获取缺陷的识别结果。
频谱分析技术是较早应用于无损检测的信号处理技术，主要采用快速傅立叶变换即FFT(Fast Fourier Transform)算法来实现，但是由于超声波信号具有时变特性，傅立叶变换只能获得信号的整体频谱，而不能进行局部分析。因而不易获得较好的频谱，而且其频谱也不能反映出时域特征。而小波分析(Wavelet Analysis)在时域和频域都有较好的分析能力，可以将缺陷回波的时域和频域特征展现出来，适用于对超声回波信号的分析，该技术已经在信号处理、图像处理、模式识别、语音识别、地震勘探、状态监控与故障诊断等领域被广泛应用。
人工神经网络是一种以物理上可以实现的器件、系统或现有的计算机技术来模拟人脑的结构和功能的系统，目前人工神经网络模型主要有两大类以Hopfield网络模型为代表的反馈型和以多层感知器为基础的前馈型。多层前馈网络实际应用中较为常见，且多采用较成熟的有导师学习的BP(BackPropagation)算法，即误差信号反向传播算法。人工神经网络对信息进行分布式存储和并行处理，具有自组织、自学习和自适应功能，能够任意逼近任何非线性映射的能力，即检测者只需给出网络输入就可以得到所需的网络输出值，在信号处理、智能控制、模式识别、机器视觉、非线性优化、自动目标识别、知识处理、传感技术等领域得到了广泛的应用。
因此，采用小波分析技术对超声检测进行信号处理，并应用人工神经网络实现智能识别，是提高超声检测精度的有效手段和发展趋势。目前，国内外的研究机构将信号处理和人工神经网络方法应用于超声检测也做了大量的研究，但是其检测结果多是对缺陷类型的定性识别，尚没有对裂纹深度给出定量检测的设备。
发明内容
本实用新型的目的在克服上述现有技术的缺点与不足之处，提供一种检测精度高，处理数据量大，工作效率高，可对焊缝缺陷进行智能识别的结构缺陷超声在线智能识别系统。
本实用新型的目的通过下述方案实现本结构缺陷超声在线智能识别系统包括超声探伤仪、高速数据采集卡、计算机，所述超声探声仪包括同步电路、发射电路、探头、接收电路依次相互连接而成，所述探头内置有换能器，所述高速数据采集卡通过门控电路与同步电路连接，通过宽带放大器与探头连接，所述门控电路与计算机的微处理器之间还连接有逻辑控制电路，所述微处理器内置有相互连接的小波分析模块、人工神经网络模块。
所述换能器通过逆向压电效应，用于将高频电振荡能通过机械振动换成声能。所述门控电路主要用来选择缺陷回波信号而排除发射信号和底面回波信号。所述逻辑控制电路用于对信号的采集情况进行控制。
所述微处理器连接有键盘、鼠标、显示器。
本实用新型结构缺陷超声在线智能识别系统的识别方法，其步骤包括(1)启动超声波探伤仪，同步电路按频率0.5～3MHz发射持续时间为200～30ns的脉冲信号，并触发发射电路，发射电路产生一个高频发射脉冲信号激励换能器，这个发射脉冲信号同时加至接收电路，在时基轴的始端形成一个起始脉冲信号，通过逆向压电效应，换能器将高频电振荡能通过机械振动换成声能，在被测试件中耦合成超声波并在介质中进行传播；(2)缺陷和被测试件的反射信号透射出试样后被接收电路接收，然后经过宽带放大器进行信号放大，由高速数据采集卡进行超声回波信号的采集；(3)信号采集后进入计算机的微处理器，通过小波分析模块进行信号处理，进行小波压缩后可以得到缺陷深度的表征量，然后将缺陷深度的表征量作为神经网络输入在人工神经网络模块中进行缺陷智能识别，得到缺陷深度识别结果。
本实用新型相对现有技术具有如下的优点和效果(1)本实用新型通过小波分析模块对信号进行处理，更方便有效地得到识别缺陷所需要的信息，然后通过人工神经网络模块实现对缺陷的智能识别，大大提高了检测的精度。
(2)本实用新型避免了现有技术在超声检测过程中需要进行的零点位置确定和声速调校的问题，大大减少了检测人员的工作量，提高了工作效率。
(3)本实用新型设备改造投入成本低，设备的外形与手提电脑的外形相似，携带方便，系统采用窗口界面，直观形象，用户可以通过点击不同的按钮实现超声检测过程中的采样、信号处理、特征提取和智能识别等功能，适合于工业生产现场对在役设备的在线检测，具有较好的市场推广价值。
图1是本实用新型结构缺陷超声在线智能识别系统结构示意图；图2是本实用新型结构缺陷超声在线智能识别系统的工作流程图；图3是图1所示小波分析模块的工作流程图；图4是图1所示人工神经网络模块的工作流程图；图5是图1所示人工神经网络模块的构造过程流程图；图6是图1所示人工神经网络模块的训练过程流程图；具体实施方式
下面结合实施例及附图对本实用新型作进一步详细说明，但本实用新型的实施例如图1所示，本结构缺陷超声在线智能识别系统包括超声探伤仪、高速数据采集卡、计算机，超声探声仪包括同步电路、发射电路、探头、接收电路依次相互连接而成，探头内置有换能器，高速数据采集卡通过门控电路与同步电路连接，通过宽带放大器与探头连接，门控电路与计算机的微处理器之间还连接有逻辑控制电路，微处理器内置有相互连接的小波分析模块、人工神经网络模块。
换能器通过逆向压电效应，用于将高频电振荡能通过机械振动换成声能。
门控电路主要用来选择缺陷回波信号而排除发射信号和底面回波信号。
逻辑控制电路主要用来对信号的采集情况进行控制。
计算机的微处理器连接有键盘、鼠标、显示器。
如图1、2所示，本实用新型结构缺陷超声在线智能识别系统的识别方法，其步骤包括(1)启动超声波探伤仪，同步电路按频率0.5～3MHz发射持续时间为200～30ns的脉冲信号，并触发发射电路，发射电路产生一个高频发射脉冲信号激励换能器，这个发射脉冲信号同时加至接收电路，在时基轴的始端形成一个起始脉冲信号，通过逆向压电效应，换能器将高频电振荡能通过机械振动换成声能，在被测试件中耦合成超声波并在介质中进行传播；(2)缺陷和被测试件的反射信号透射出试样后被接收电路接收，然后经过宽带放大器进行信号放大，由高速数据采集卡进行超声回波信号的采集；(3)信号采集后进入计算机的微处理器，通过小波分析模块进行信号处理，进行小波压缩后可以得到缺陷深度的表征量，然后将缺陷深度的表征量作为神经网络输入在人工神经网络模块中进行缺陷智能识别，得到缺陷深度识别结果。
小波是一种特殊的长度有限，平均值为零的波形。它有两个特点，一是“小”，即在时域具有紧支集或近似紧支集；二是具有正负交替的波动性。其定义如下设ψ(t)∈L2(R)，L2(R)表示平方可积的实数空间，即能量有限的信号空间，其傅立叶变换为ψ(ω)满足允许条件Cψ=∫R|ψ(ω)|ωdω<∞]]>称ψ(t)为一个基本小波或母小波。将母函数ψ(t)经伸缩和平移后，就可以得到一个小波序列。
对于连续的情况，小波序列为ψa,b(t)=1|a|ψ(t-ba),a,b∈R;a≠0]]>其中a为伸缩因子，b为平移因子。
对于任意函数f(t)∈L2(R)的连续小波变换为Wf(a,b)=⟨f,ψa,b⟩=|a|-1/2∫Rf(t)ψ(t-ba)‾dt]]>其逆变换为f(t)=1Cψ∫R+∫RWf(a,b)ψ(t-ba)dadb]]>如图3所示，小波分析模块进行信号处理的步骤为选定小波函数；(2)确定最大分解尺度；(3)对采集到的信号进行小波分解，得到信号的低频部分和高频部分；
(4)对高频信号的小波系数进行阈值化处理，阈值处理过程中可以使用全局阈值的方法也可以通过分层设置阈值的方法；(5)对阈值化处理后的小波系数进行重构，即可获得超声信号的压缩结果，从剔除了噪声的压缩信号中，可以提取缺陷深度的表征量。
如图4所示，人工神经网络模块进行缺陷智能识别的步骤为(1)提取小波分析模块进行信号处理后得到的缺陷深度的表征量；(2)由于各变量代表了不同的物理量，它们的取值范围可能差别很大，所以需要进行归一化处理。这里为了保证归一化后的数据都是正数，选择极差化方法对缺陷深度的表征量进行归一化处理；(3)构造人工神经网络，进行智能识别。
如图5所示，构造人工神经网络的步骤为(1)根据缺陷深度的表征量和待检测结果确定神经网络的输入和输出，这里的缺陷表征量为1个，缺陷检测结果为深度，也为一个，因此输入和输出结点均为1个；(2)网络层数的选择，这里选用的BP人工神经网络，作为前馈型神经网络，必然具有输入层和输出层，所以对网络层数的研究主要考虑隐含层的数目。对于BP网络，有如下定理给定任意ε＞0和任意函数f[0，1]n→Rm，存在一个三层BP网络，它可以在任意ε平方误差精度内逼近f。因此，这里网络层数选取为三层；(3)隐含层结点数目的确定过程，首先需要根据经验公式对结点数进行试算，然后针对具体应用通过试验选择，使网络具有足够的泛化能力和足够输出精度的隐含层结点个数；(4)设置神经网络各结点之间的连接权值及结点阈值的初始值，通常认为各权值和阈值的初始值应设置为[-1，1]之间均匀分布的随机数。
在选定人工神经网络的类型和设定好人工神经网络的结构后，可以采用数学分析软件matlab6.5，使用matlab语言构造典型神经网络的激活函数，如图6所示，进行BP人工神经网络的训练过程。
如上所述，即可较好地实现本实用新型。
权利要求1.一种结构缺陷超声在线智能识别系统，其特征在于包括超声探伤仪、高速数据采集卡、计算机，所述超声探声仪包括同步电路、发射电路、探头、接收电路依次相互连接而成，所述探头内置有换能器，所述高速数据采集卡通过门控电路与同步电路连接，通过宽带放大器与探头连接，所述门控电路与计算机的微处理器之间还连接有逻辑控制电路，所述微处理器内置有相互连接的小波分析模块、人工神经网络模块。
专利摘要本实用新型提供一种结构缺陷超声在线智能识别系统，包括超声探伤仪、高速数据采集卡、计算机，超声探声仪包括同步电路、发射电路、探头、接收电路依次相互连接而成，探头内置有换能器，高速数据采集卡通过门控电路与同步电路连接，通过宽带放大器与探头连接，门控电路与计算机的微处理器之间还连接有逻辑控制电路，微处理器内置有相互连接的小波分析模块、人工神经网络模块。本实用新型设备改造投入成本低，携带、使用方便，检测精度高，可大大减少检测人员工作量，提高工作效率，适合于工业生产现场对在役设备的在线检测，具有较好的市场推广价值。
文档编号G06F19/00GK2809640SQ200520061180
公开日2006年8月23日 申请日期2005年7月15日 优先权日2005年7月15日
发明者陈国华, 何湘铂, 张新梅, 谢常欢 申请人:华南理工大学