专利名称：基于三维有限元神经网络的缺陷识别和量化评价方法
技术领域：
本发明涉及一种基于三维有限元神经网络的缺陷识别和量化评价方法，用于缺陷漏磁检测信号的特征识别和量化评价，属于无损检测技术领域。
背景技术：
漏磁检测是较常用的无损检测方法，在铁磁性材料质量检测和安全监测方面有广泛应用，但是，对漏磁检测信号进行合理解释以实现缺陷的特征识别和量化评价一直是无损检测研究领域的一道技术难题。中国专利文献公开了一种“管道缺陷漏磁检测数据的分析方法”(公开号1458442，
公开日2003.11.26)，该技术涉及一种能够提高各种钢制管道缺陷检测信号分析效率和定量分析精度的缺陷漏磁检测数据分析处理方法，但该技术通过显示数据云图，只能定性判断管道的缺陷有无，难以实现缺陷量化；而专利“管道腐蚀缺陷类型识别方法”(申请号200410068973.5，公开号1587785A)，该技术涉及一种管道腐蚀缺陷类型识别方法，通过简单算法和国际标准实现对大量漏磁检测数据快速分类处理，该技术仅对规则化缺陷才能取得较理想的识别精度；专利“一种漏磁检测腐蚀缺陷的量化方法”(申请号200510011116.6，公开号1641347A)，该技术涉及一种腐蚀缺陷漏磁检测数据分析处理方法，利用检测到的漏磁场分布特征，根据事先由标准人工缺陷测量建立的拟合量化模型实现对腐蚀缺陷三个方向尺寸的量化，其量化结果对前述统计拟合模型数据的依赖性大，任何检测条件的差异都可能对量化结果产生较大的影响。
发明内容
本发明的目的是提供一种基于三维有限元神经网络的缺陷识别和量化评价方法。其实质是将三维有限元计算模型嵌入到神经网络结构中，综合有限元和神经网络的优点来解决电磁无损评价中非线性问题求解计算量大、速度慢的问题。同时，该发明能避免常规神经网络方法对训练数据的依赖性，有利于提高对各种不规则缺陷的识别能力和量化精度。
本发明的技术方案如下一种基于三维有限元神经网络的缺陷识别和量化评价方法，其特征在于该方法包括如下步骤1)根据缺陷漏磁场的三维有限元计算模型构建三维有限元神经网络有限元神经网络包含三层输入层、输出层和隐含层。如果缺陷漏磁场三维有限元计算模型包含M个网格单元、N个节点，而且每个单元有i个特征参数，那么神经网络结构的输入层就包含i×M个神经元，这些神经元分别乘以权值矩阵元素wij之后，作为隐含层的输入；隐含层包含N2个神经元，N个为一组，隐含层的输出再乘以相应节点的权值φj，就可以得到与该节点对应的输出值；输出层为N个神经元，代表N个节点处的输出值；2)测量缺陷漏磁场，提取缺陷漏磁场特征值，并设定缺陷漏磁场测量值A与神经网络计算值B间误差的阈值δ根据缺陷漏磁场的分布特征，采用等空间采样法测量缺陷周围某一区域若干个点处的漏磁场强度，并提取其轴向、周向和径向分量作为缺陷漏磁场的特征值；3)根据所测量缺陷漏磁场的大小，设定缺陷特征参数的初始估计值，利用步骤1)建立的三维有限元神经网络对其进行迭代计算如果缺陷漏磁场的测量值A与神经网络计算值B间的误差A-B大于步骤2)所设定误差阈值δ，则需更新缺陷特征参数的估计值重新进行计算；当误差A-B小于阈值δ时，即认为用于有限元神经网络计算的缺陷特征参数估计值是所期望的缺陷特征参数。
本发明所述提取的缺陷漏磁场特征值为缺陷漏磁场的轴向、周向和径向分量。
本发明的特征还在于上述步骤2)中所提取的缺陷漏磁场特征值要进行归一化处理。
本发明提出的基于三维有限元神经网络的缺陷识别和量化评价方法，实质上是用并行方式实现的有限元计算模型，既具有有限元计算精度高的特点，又具有神经网络并行计算、速度快的优势。同时，由于有限元神经网络的权值取决于待求解问题的微分方程和边界条件，不需事先进行训练，因此利用它进行缺陷量化评价时，可以避免常规神经网络方法对训练样本的依赖性，有利于提高对各种不规则缺陷的识别能力和量化精度，具有较广阔的应用前景。
图1为依据漏磁场有限元计算模型构建三维有限元神经网络的基本原理。
图2为基于三维有限元神经网络的缺陷参数迭代评价方法。
图3为线性四面体单元图。
图4为有限元神经网络的结构。
具体实施例方式
基于三维有限元神经网络进行缺陷识别和量化评价方法，主要包括如下三个基本步骤1)根据缺陷漏磁场的三维有限元计算模型，构建三维有限元神经网络；2)测量并提取缺陷漏磁场的特征值，设定缺陷漏磁场测量值与计算值间误差的阈值条件；3)给定缺陷特征参数的初始估计值，利用三维有限元神经网络进行迭代计算，通过比较测量的漏磁场计算值与特征值间的误差大小来实现缺陷几何特征识别和量化评价。
下面结合附图对上述各步骤作进一步的说明1)根据缺陷漏磁场的三维有限元计算模型构建三维有限元神经网络有限元神经网络包含三层输入层、输出层和隐含层。如果缺陷漏磁场计算模型对应的三维有限元网格结构包含M个线性四面体单元(如图3)、N个节点，设定每个单元的特征参数为α、β和γ，那么所构建有限元神经网络的输入层就应包含3M个神经元，即M个α、M个β和M个γ。它们分别乘以权值wij、gij和hij(i＝1，2，…，M；j＝1，2，…，N)之后，作为隐含层的输入；隐含层包含N2个神经元，N个为一组；隐含层的输出再乘以相应节点的权值φj，就可以得到与该节点对应的bj值；输出层为N个神经元，代表N个节点处的bj值。据此，构建的有限元神经网络结构示意如图4；三维有限元神经网络的权值wij、gij和hij以及权值φj取决于待求解问题的微分方程和边界条件，不需事先进行训练，因此不存在对训练样本的依赖性。
2)针对漏磁检测管道腐蚀缺陷的定量评价问题，首先采用等空间采样法测量缺陷周围某一区域若干个点处的漏磁场强度，并对其分别进行归一化处理，然后分别选择其轴向、周向和径向分量作为缺陷漏磁场的特征值。同时，设定测量值与网络计算值间的误差阈值为δ；3)根据所测量缺陷漏磁场的大小，将设定的α、β和γ作为缺陷特征参数的初始估计值，运用步骤1)建立的三维有限元神经网络对其进行迭代计算。
(1)假设迭代计算到第t次循环时，缺陷的特征参数估计值为α(t)、β(t)、γ(t)，如果将α(t)、β(t)、γ(t)分别作为神经网络的输入时，则计算得到的网络输出为b^j(t)=Σj=1NKijφj(t),t=1,2,...,N]]>(2)计算神经网络输出的误差E=12||a-b^(t)||=12Σj=1N(a-b^(t))2=12Σj=1NEj(t)2]]>如果误差E＜δ，则α(t)、β(t)、γ(t)即是所期望的缺陷特征参数估计值；否则进行以下计算。
(3)利用梯度下降法更新α(t)、β(t)和γ(t)α(t+1)=α(t)+η(-∂E(t)∂α)β(t+1)=β(t)+η(-∂E(t)∂β)γ(t+1)=γ(t)+η(-∂E(t)∂γ)]]>(4)将α(t+1)、β(t+1)、γ(t+1)分别作为神经网络的输入，重复步骤(1)～(4)，直到误差E＜δ为止。此时，即认为更新后的神经网络输入值是所期望缺陷特征参数的量化结果。
权利要求
1.一种基于三维有限元神经网络的缺陷识别和量化评价方法，其特征在于该方法包括如下步骤1)根据缺陷漏磁场的三维有限元计算模型构建三维有限元神经网络有限元神经网络包含三层输入层、输出层和隐含层，如果缺陷漏磁场三维有限元计算模型包含M个网格单元、N个节点，而且每个单元有i个特征参数，那么神经网络结构的输入层就包含i×M个神经元，这些神经元分别乘以权值矩阵元素wij之后，作为隐含层的输入；隐含层包含N2个神经元，N个为一组，隐含层的输出再乘以相应节点的权值φ，就可以得到与该节点对应的输出值；输出层为N个神经元，代表N个节点处的输出值；2)测量缺陷漏磁场，提取缺陷漏磁场特征值，并设定缺陷漏磁场测量值A与神经网络计算值B间误差的阈值δ根据缺陷漏磁场的分布特征，采用等空间采样法测量缺陷周围某一区域若干个点处的漏磁场强度；3)根据所测量缺陷漏磁场的大小，设定缺陷特征参数的初始估计值，利用步骤1)建立的三维有限元神经网络对其进行迭代计算如果缺陷漏磁场的测量值A与计算值B间的误差A-B大于步骤2)所设定误差阈值δ，则需更新缺陷特征参数的估计值重新进行计算；当误差A-B小于阈值δ时，即认为用于有限元神经网络计算的缺陷特征参数估计值是所期望的缺陷特征参数。
2.根据权利要求1所述的基于三维有限元神经网络的缺陷识别和量化评价方法，其特征在于所述提取的缺陷漏磁场特征值为缺陷漏磁场的轴向、周向和径向分量。
3.根据权利要求1或2所述的基于三维有限元神经网络的缺陷识别和量化评价方法，其特征在于上述步骤2)中所测量的缺陷漏磁场特征值进行归一化处理。
全文摘要
一种基于三维有限元神经网络的缺陷识别和量化评价方法，用于对缺陷漏磁检测信号进行定量解释，属于无损检测技术领域。包括有如下三个基本步骤1)根据缺陷漏磁场的三维有限元计算模型，构建三维有限元神经网络；2)测量并提取缺陷漏磁场特征值，设定缺陷漏磁场测量值与计算值间误差的阈值条件；3)给定缺陷特征参数的初始估计值，利用三维有限元神经网络进行迭代计算，通过比较缺陷漏磁场计算值与测量值间误差的大小来实现缺陷的特征识别和量化评价。有限元神经网络的权值不需事先进行训练，所以利用本发明进行缺陷量化评价，可以避免常规神经网络方法对训练样本的依赖性，有利于提高对各种不规则缺陷的识别能力和量化精度。
文档编号G01M3/00GK1963491SQ20061016492
公开日2007年5月16日 申请日期2006年12月8日 优先权日2006年12月8日
发明者黄松岭, 赵伟, 宋小春, 崔伟 申请人:清华大学