一种基于神经网络的涡流无损检测系统探测概率分析方法

本发明涉及涡流无损检测领域，尤其涉及一种基于神经网络的涡流无损检测系统探测概率分析方法。

背景技术：

1、在不影响部件的可用性的情况下，测试、检查或评估组件或部件的不连续或损坏的过程被称为无损检测。涡流无损检测可以在没有任何直接的物理接触下对待测试件进行检测，并且它可以对大多数导电材料的裂纹或缝隙进行检测。探测概率是用于量化无损检测系统检测能力的度量，最初是为了定量描述无损检测系统的检测能力而提出的。在超声、涡流、磁粉探伤、射线照相等各种无损检测方法中，探测概率曲线被广泛生成。

2、传统的无损检测在很大程度上依赖于实验方法。然而，这些方法既耗时又昂贵。为了加快这一过程，人们开发了各种基于物理的无损检测模型，如有限元方法和边界元方法。不幸的是，对于探测概率研究，为了将随机输入的不确定性传播到模型响应中，需要进行大量的模型评估。这导致了高计算成本，这使得无损检测系统的探测概率研究很难在规定的时间内完成。为了克服计算负担，可以使用元建模方法。这些模型用计算效率高的模型取代了耗时但精确的高保真物理模型。元建模方法大致可分为两类：数据拟合方法和多保真度方法。在数据拟合方法中，通过在采样的高保真数据点上评估模型响应来拟合响应面。多保真度元建模通过使用来自两个或多个保真度的信息来减少计算负担。在这项工作中，使用数据拟合方法，即神经网络进行探测概率研究，用于涡流无损检测案例。

技术实现思路

1、鉴于现有的无损检测中所存在的问题，提出了本发明。

2、因此，本发明要解决的技术问题为改善无损检测对裂缝探测概率研究中精确但耗时的物理模型，以达到在保持相同精度的同时大幅提升计算效率的效果。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于神经网络的涡流无损检测系统探测概率分析方法，其包括建立涡流无损检测系统对材料裂缝探测概率研究的数据集；初始化神经网络，基于训练集构建神经网络模型；基于测试集测试神经网络精度，若精度未达要求则增加训练数据集的数量重新构建神经网络模型，直到满足精度要求；使用构建好的神经网络模型计算系统响应，根据响应数据计算对裂缝的探测概率。

4、作为本发明所述基于神经网络的涡流无损检测系统探测概率的一种优选方案，其中：所述建立涡流无损检测系统对材料裂缝探测概率研究的数据集包括训练集和测试集；所述训练集的获取包括如下步骤：

5、对涡流无损检测系统检测材料裂缝过程中的不确定性变量x1,x2,…,xn使用拉丁超立方抽样法选取m组样本点，对这m组样本点进行归一化处理后得到：

6、

7、式中，xtrnij表示训练集中不确定性变量xi的第j个归一化后的样本点，i＝1,2,…,n；j＝1,2,…,m；

8、通过实验获得长度为l1,l2,…,lr的r个裂缝分别在样本点的m维响应向量，进行归一化处理后得到：

9、其中，表示长度为li的裂缝在第j组样本点的归一化响应值；

10、将xtrn和作为长度为l1的裂缝的训练集同样的，使用上述方法获得长度为l2,…,lr的裂缝对应的训练集；

11、所述测试集的获取包括以下步骤：

12、对不确定性变量x1,x2,…,xn，使用蒙特卡洛抽样法选取a组样本点，对这a组样本点进行归一化处理后得到：

13、

14、式中，xtestij表示测试集中不确定性变量xi的第j个归一化后的样本点，i＝1,2,…,n；j＝1,2,…,a；

15、通过实验获得长度为l1,l2,…,lr的r个裂缝分别在样本点的a维响应向量，进行归一化处理后得到：

16、其中，表示长度为li的裂缝在第j组样本点的归一化响应值；

17、将xtest和作为长度为l1的裂缝的测试集同样的，使用上述方法获得长度为l2,…,lr的裂缝对应的测试集。

18、作为本发明所述基于神经网络的涡流无损检测系统探测概率的一种优选方案，其中：所述初始化神经网络包括通过改变具有隐藏层的神经网络架构的隐藏层数量以及每个隐藏层中神经元的数量，神经网络任意近似任意复杂度的函数；

19、所述隐藏层中有p个神经元，每个神经元有一个激活函数，隐藏层神经元输出的表达式为：

20、

21、其中，a为激活函数，ωij为输入层中第i个神经元与隐藏层中第j个神经元之间的权重；q和z分别是神经元的输入值和输出值；神经网络预测输出的表达式为：

22、

23、其中，ηi为隐含层中第i个神经元与输出层之间的权重，bi是隐藏层第i个神经元的偏置，采用梯度下降算法计算权重；所使用的代价函数是均方误差mse，表达式为：

24、

25、其中，基于物理的模型观测值用y表示；nt为测试数据点总数；

26、使用所有学习样本对长度为l1的裂缝的训练数据集进行批量梯度下降，计算所有样本误差总和的平均，即代价函数，对代价函数求导并更新权重，完成一次迭代，重复以上步骤，达到迭代上限，则网络更新完毕。

27、作为本发明所述基于神经网络的涡流无损检测系统探测概率的一种优选方案，其中：所述基于数据集中的训练集构建神经网络模型包括通过计算求得神经网络的权重，构建长度为l1的裂缝的模型，并使用同样的方式分别构建长度为l2,…,lr的裂缝对应的神经网络模型。

28、作为本发明所述基于神经网络的涡流无损检测系统探测概率的一种优选方案，其中：所述基于测试集测试神经网络模型的精度包括，

29、将测试集xtest输入到长度为l1的裂缝对应的神经网络模型,将模型计算获得的输出进行反归一化处理，得到长度为l1的裂缝的a维响应向量与测试集中的通过如下公式计算均方根误差rmse和归一化均方根误差nrmse：

30、

31、

32、其中，为中第j个值，为中第j个值，和分别为中的最大值和最小值，若rmse和nrmse均小于设定的阈值，则长度为l1的裂缝对应神经网络模型精度满足要求。

33、作为本发明所述基于神经网络的涡流无损检测系统探测概率的一种优选方案，其中：所述基于数据集中的训练集构建神经网络模型包括通过计算求得神经网络的权重，构建长度为l1的裂缝的模型，并使用同样的方式分别构建长度为l2,…,lr的裂缝对应的神经网络模型。

34、作为本发明所述基于神经网络的涡流无损检测系统探测概率的一种优选方案，其中：所述根据响应数值计算对裂缝的探测概率包括，对不确定性变量x1,x2,…,xn，使用拉丁超立方抽样法选取n组样本点，经归一化处理后输入长度为l2,…,lr的裂缝对应的神经网络模型，得到r个n维响应向量其中并对这r*n个裂缝响应进行对数线性回归后，通过计算得到长度为li的裂缝的探测概率pod(li)；

35、所述对这r*n个裂缝响应进行对数线性回归包括，

36、

37、其中，β0和β1分别是线性回归线的截距和斜率，通过极大似然法计算，是r*n维的响应向量，

38、

39、其中，l是r*n维的裂缝长度向量，ε是服从正态分布的随机误差，其均值为0，标准差为σε；

40、所述计算得到长度为li的裂缝的探测概率pod(li)包括：

41、

42、其中，是选定的系统响应阈值，ψ是标准正态分布函数，其均值μ和标准差σ为：

43、

44、第二方面，本发明实施例提供了一种基于神经网络的涡流无损检测系统探测概率分析系统，其包括：数据获取模块，用于获取数据集，所述数据集包括训练集和测试集，所述训练集用于构建神经网络模型，所述测试集用于验证网络模型的精度；神经网络模型构建模块，基于涡流无损检测系统对材料裂缝探测概率研究的训练集，对初始化后的神经网络进行训练，基于前向传播和反向传播的梯度下降法对网络的权重和偏置进行更新，最终生成可以预测裂缝不确定性变量响应的神经网络替代模型；验证神经网络模型模块，该模块基于涡流无损检测系统对材料裂缝探测概率研究的测试集，对生成的网络模型精度进行验证，将测试集的预测响应与真实响应作比较，分别计算均方根误差rmse和归一化均方根误差nrmse，与设定阈值比较，验证模型是否满足精度要求；计算探测概率模块，基于拉丁超立方抽样获得的不确定性变量样本点，经归一化处理后输入到满足精度的神经网络模型，将模型计算获得的输出进行反归一化处理后作为裂缝不确定性变量的响应值，对这些裂缝响应进行对数线性回归后，最终计算获得探测概率。

45、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于神经网络的涡流无损检测系统探测概率分析方法的任一步骤。

46、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于神经网络的涡流无损检测系统探测概率分析方法的任一步骤。

47、本发明的有益效果：本发明改善了无损检测对裂缝探测概率研究中精确但耗时的物理模型，能够在保持相同精度的同时大幅提升计算效率。