基于改进的人工蜂群算法的漏磁检测缺陷重构方法
【技术领域】
[0001] 本发明设及一种漏磁检测技术，特别设及一种基于改进的人工蜂群算法的漏磁检 测缺陷重构方法。
【背景技术】
[0002] 漏磁检测是铁磁材料常用的无损检测方法之一，具有原理简单、在线检测能力强、 不受材料表面油污及其他非导磁覆盖物影响等优点。漏磁检测包括正演和反演两个方面， 漏磁缺陷轮廓重构是指由检测到的漏磁信号重构缺陷轮廓或几何参数，是进行漏磁检测与 评估的关键。目前国内外对漏磁反演问题的研究主要有神经网络法和优化方法。神经网络 具有非线性映射和自学习能力，能实现输入漏磁信号和输出裂纹形状非线性关系的逼近。 但是神经网络法对训练样本依赖性大，且对噪声敏感。优化法是建立一个目标函数，通过各 种优化算法使目标函数的值最小，因此合适的优化算法是优化方法反演的关键。
[0003] 人工蜂群（ArtificialBeeColonyAlgorithm,ABC)算法原理简单，参数少，易于 实现，同时，算法相对于其他己知的优化算法能够较好地平衡优化过程中的局部探索和全 局捜索能力，可W用于求解高维优化问题。但在求解实际问题时，由于问题的复杂性，基本 的ABC算法不易收敛，迭代时间长，因此需要找到一种能快速收敛并保证精度的改进ABC算 法。
【发明内容】
[0004] 本发明是针对如何改进人工蜂群算法并将其应用于漏磁缺陷重构的问题，提出了 一种基于改进的人工蜂群算法的漏磁检测缺陷重构方法，将当前最优解pbest和全局最优 解gbest引入到的ABC算法中，并且将改进的ABC算法应用于漏磁检测的缺陷重构，改进后 的算法能够提高重构精度并减小了计算时间。
[0005] 本发明的技术方案为：一种基于改进的人工蜂群算法的漏磁检测缺陷重构方法， 其特征在于，具体包括如下步骤：
[0006] 1)初始化算法参数及蜜源位置，并设定最大迭代数，设置初始蜜源，随机产生町 个初始蜜源
式中的rand为
[0, 1]的随机值，xy为第i个蜜源的第j维的值，分别为j维的最大值和最小 值，D表示维度；
[0007] 2)设定当前迭代次数为1 ;
[0008] 3)计算各蜜源的适应度值，采用改进的人工蜂群算法对蜜源的位置进行更新，具 体包括：
[0009] 301)对蜜源按下式计算对应的适应度fitness值；
[0010]
[0011] 其中f(Xi)是w测量的漏磁信号与RBF順预测的漏磁信号间的误差平方和为目标 函数：
[001引式中D为漏磁f目号的维度，Z=垃,Zg, . . . ,Z。]是实测漏磁f目号，Y= [Yi，Y2,. . .，Yd]是RBF順预测的漏磁信号，Zj.与Yj.分别为第j维实测漏磁信号与预测漏磁 信号；
[0013] 302)通过比较适应度值的大小，得到当前个体最优解pbesti和全局最优解 gbest，当前个体最优解pbesti为第i个蜜源在迭代中适应度值最大的解，全局最优解 gbest为所有蜜源在迭代中适应度值最大的解；
[0014] 303)采蜜蜂按改进的下式捜索蜜源，并计算fitness,若蜜源质量变好，则更新蜜 源当前位置、pbesti和gbest的值，并将计数变量counteri置0,否则，采蜜蜂当前位置不 变，并将counter^加1，
[0015]
[0016] 其中t为当前迭代次数；jG{l，2，...，D}，kG{1，2，...町}，j、k为其值域内的 随机取值，且kli;Xkj.为第k个蜜源的第j维的值；e[-1，1]为服从均匀分布的随机数.
[0017] 304)计算Pi，
若Pi大于一个随机值，则观察蜂转化为采蜜蜂，按 下式捜索蜜源并计算fitness,若蜜源质量变好，贝Ij更新蜜源当前位置、pbesti和gbest的 值，并将计数变量counter^置0,否则，蜜源的当前位置不变，并将counteri加1 ;
[0018]
[0019] 305)若counteri〉limit，则抛弃该蜜源，采蜜蜂转换为侦查蜂，随机选取新蜜源， 其中limit为允许开采的最大次数；
[0020] 4)判断是否达到最大迭代次数，若是，则全局最优解作为漏磁信号的重构轮廓，若 否，则将迭代次数加1，并用当前蜜源位置作为粒子的初始位置，并返回步骤3)。
[0021] 所述RBWW预测的漏磁信号是通过径向基函数神经网前向模型预测所得。
[0022] 本发明的有益效果在于；本发明基于改进的人工蜂群算法的漏磁检测缺陷重构方 法，与基本ABC相比，本发明能够提高漏磁重构的精度。
【附图说明】
[0023] 图1为现有的迭代反演框架原理示意图；
[0024] 图2为缺陷1情况下真实缺陷轮廓、基于基本ABC算法与本发明重构轮廓的比较 不意图；
[002引图3为缺陷2情况下真实缺陷轮廓、基于基本ABC算法与本发明重构轮廓的比较 不意图；
[002引图4为缺陷3情况下真实缺陷轮廓、基于基本ABC算法与本发明重构轮廓的比较 不意图；
[0027] 图5为缺陷4情况下真实缺陷轮廓、基于基本ABC算法与本发明重构轮廓的比较 不意图；
[0028] 图6为本发明实施例采用的实验装置原理示意图；
[0029] 图7为在缺陷5情况下真实缺陷轮廓、基于基本ABC算法与本发明重构轮廓的比 较图；
[0030] 图8为在缺陷6情况下真实缺陷轮廓、基于基本ABC算法与本发明重构轮廓的比 较图。
【具体实施方式】
[0031] 本发明采用径向基函数神经网络作为前向模型，W前向模型预测的漏磁信号与实 测漏磁信号的误差平方和作为目标函数，将改进ABC作为求解重构问题的迭代算法，最终 得到的全局最优解即为重构的缺陷轮廓。
[0032] 本发明将当前最优解pbest和全局最优解gbest引入ABC算法中，并将其运用于 漏磁缺陷重构方法。下面将从改进ABC算法对本发明的技术方案进行阐述。
[003引 （1)改进ABC算法
[0034] 受自然界蜜蜂觅食过程中蜂群个体之间的劳动分工和自组织行为的启发，±耳 其埃尔吉耶斯大学的Kar油oga于2005年首次提出基于蜂群觅食行为的人工蜂群算法(ArtificialBeeColonyAlgorithm,ABC)。在基本ABC算法中，将人工蜂群按分工分为S 种；采蜜蜂、观察蜂和侦查蜂。其中，采蜜蜂和观察蜂各占一半，并且每一个蜜源仅有一个采 蜜蜂工作，即采蜜蜂的数量与蜜源数量相等，用町表示。算法初始化时按（1)式随机生成 町个D维初始解并对每个蜜源按（2)式计算对应的适应度值。
[00巧]
(1)
[003引上式中的rand为[0,U的随机值，X。为第i个蜜源的第j维的值，：xfx、分 别为j维的最大值和最小值。捜索过程如下：
[0037] 1)采蜜蜂阶段；对每个蜜源在其邻域附近实施局部捜索，评估捜索结果的好坏， 根据贪婪算法更新蜜源；
[0038]2)观察蜂阶段；依据蜜源适应度值的好坏，观察蜂选取含蜜量相对较高的蜜源， 转变为采蜜蜂继续执行上述捜索更新过程；
[0039] 3)侦察蜂阶段；从整个蜜源中淘汰一个含蜜量即将殆尽的蜜源（或者说该蜜源经 过多次捜索其收益率仍无法提高），进而对应的采蜜蜂转为侦察蜂，继续随机地在整个捜索 空间中选择新的潜在优质蜜源。
[0040] 通过W上过程蜂群开始进行捜索，算法中的每个蜜源代表优化问题中的一个可能 解，蜜源的质量对应着解的质量，用适应度fitness值表示：
[0041]
位）
[004引其中f(Xi)表示对应问题的目标函数值，本问题中是W测量的漏磁信号与RBFNN 预测的漏磁信号间的误差平方和为目标函数。每个采蜜蜂在其蜜源邻域附近捜索公式为：[00431
(3)
[0044] 其中t为当前迭代次数；jG(l，2，...，D}，kG{1，2，...Fn}，j、k为其值域内的 随机取值，且kli;Xkj.第k个蜜源的第j维的值；<??E[-1，1]为服从均匀分布的随机数。采蜜 蜂完成捜索后，观察蜂W轮盘赌的方式选择一个蜜源：
[004引
[4)
[0046] Pi高者的蜜源能吸引更多的观察蜂前往采蜜，在"被招募"之后，观察蜂转变为采 蜜蜂，采用式（3)所示的局部捜索策略进行开采。当一个蜜源在采蜜蜂和观察蜂阶段经过 一定次数开采之后，其解的质量仍得不到改进，该蜜源将被抛弃，采蜜蜂转变为侦查蜂，进 而根据（1)式随机选取新的蜜源，用limit表示允许开采的最大次数，用counter^记录第 i个蜜源的开采次数。
[0047] 为了克服基本ABC算法容易陷入局部最优解的缺点，胡河等提出了一种改进的 ABC算法。在此基础上本发明引入当前个体最优解pbesti和全局最优解gbest用来加快算 法收敛速度。当前个体最优解pbesti为第i个蜜源在本次迭代中适应度值最大的个体，全 局最优解gbest