曹 飛，王 瑾,，郭前崗,，周西峰
（南京郵電大學(xué) 自動(dòng)化學(xué)院,，江蘇 南京 210023）
摘 要： 針對(duì)現(xiàn)有機(jī)車車輪超聲檢測(cè)系統(tǒng)無法準(zhǔn)確區(qū)分其故障類型,，探討了一種基于小波包變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來識(shí)別基于超聲檢測(cè)機(jī)車車輪的故障類型。該方法對(duì)機(jī)車車輪的超聲檢測(cè)的回波信號(hào)進(jìn)行小波包分解,，并提取了頻譜能量特征值,，由此構(gòu)造不同類型機(jī)車車輪內(nèi)部傷損對(duì)應(yīng)的特征向量，然后利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練隨機(jī)抽取的樣本空間,，并對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行了識(shí)別驗(yàn)證,。通過實(shí)驗(yàn)驗(yàn)證了該方法能夠快速準(zhǔn)確地識(shí)別出機(jī)車車輪不同類型的故障對(duì)應(yīng)的超聲檢測(cè)信號(hào)。
關(guān)鍵詞： 機(jī)車車輪,；超聲檢測(cè),；小波包；BP神經(jīng)網(wǎng)絡(luò),；故障診斷
0 引言
隨著我國鐵路建設(shè)的高速發(fā)展,，越來越多的機(jī)車車輛進(jìn)入了現(xiàn)有高速鐵路系統(tǒng)。機(jī)車車輪是列車車輛行車的重要部件,。目前針對(duì)列車車輪的無損檢測(cè)的方法和設(shè)備種類很多,，超聲檢測(cè)是國內(nèi)外使用最為廣泛、使用頻率最高的一項(xiàng)無損檢測(cè)技術(shù)[1],。目前機(jī)車車輪的超聲檢測(cè)中依然多以A型探傷儀人工掃查為主,，檢測(cè)結(jié)果多憑借操作人員的個(gè)人經(jīng)驗(yàn)，摻雜了較多的主觀因素[2],。本文主要是利用小波包分解對(duì)機(jī)車車輪的超聲檢測(cè)結(jié)果進(jìn)行分析,，然后結(jié)合神經(jīng)網(wǎng)絡(luò)原理對(duì)其故障類型歸類，進(jìn)而實(shí)現(xiàn)對(duì)故障類型自動(dòng)識(shí)別,。
根據(jù)超聲探傷原理,，判別材料內(nèi)部缺陷的主要依據(jù)來源于超聲檢測(cè)的回波信號(hào)，其回波信號(hào)中包含了時(shí)間（聲程）和超聲波聲壓信息,，一般根據(jù)經(jīng)驗(yàn)并結(jié)合被測(cè)材料的性質(zhì)來分析和估計(jì)材料的內(nèi)部情況,。而利用小波包多分辨分析結(jié)合頻譜能量的方法可以提取到超聲檢測(cè)過程中回波信號(hào)的特征值，神經(jīng)網(wǎng)絡(luò)又具有優(yōu)秀的分類識(shí)別能力,，使用一個(gè)隱含層就能正確完成超聲信號(hào)的分類識(shí)別,，兩者的結(jié)合能夠很好地解決缺陷識(shí)別的問題[3-4]。
1 超聲信號(hào)特征提取
1.1 信號(hào)小波包分解
正交小波變換主要用來對(duì)信號(hào)的低頻部分進(jìn)行分解,，所以小波變換只可以表征以低頻信息為主要成分的信號(hào),，而不能用來表示含有很多細(xì)節(jié)（高頻）的信息。而神經(jīng)網(wǎng)絡(luò)需要對(duì)缺陷信號(hào)的多個(gè)頻譜特征學(xué)習(xí),，所以對(duì)超聲信號(hào)提取頻譜特征的前提是要保留高頻和低頻的頻率特性,，小波包分解具有同時(shí)提取信號(hào)的高頻部分和低頻部分的能力。根據(jù)定義,，超聲信號(hào)可使用以下雙尺度方程進(jìn)行小波包分解：
上式中hk和gk分別為低通實(shí)濾波器和高通濾波器,。對(duì)超聲檢測(cè)的回波信號(hào)進(jìn)行小波包分解實(shí)際上是使用高低通濾波器組對(duì)回波信號(hào)進(jìn)行分解，每次分解的過程中都會(huì)將信號(hào)分解為高低兩個(gè)頻率,，即將頻率[0,，2jπ]的信號(hào)分成低頻[0，2（j-1）π]和高頻[2（j-1）π,，2jπ]兩部分,，并對(duì)每個(gè)部分進(jìn)行二次抽樣。接著對(duì)高低頻部分做同樣的分解過程,，直到滿足要求,。經(jīng)過每次分解后各頻段的數(shù)值都會(huì)減少1/2，選擇合適的分解層數(shù)便能得到合適的頻帶[5],。小波包的分解構(gòu)成了一個(gè)分解二叉樹,，本文對(duì)車輪的超聲檢測(cè)信號(hào)進(jìn)行3層小波包分解的小波包樹結(jié)構(gòu)如圖1所示，信號(hào)經(jīng)過每一層都分解為高低頻兩個(gè)部分,，到第三層時(shí)共產(chǎn)生8個(gè)節(jié)點(diǎn),。
1.2 超聲信號(hào)的特征提取
列車車輪的超聲檢測(cè)中，如果車輪內(nèi)部存在傷損,，則其超聲檢測(cè)的回波信號(hào)的幅頻特性會(huì)出現(xiàn)不同程度的變化,，具體為某一頻率段中的超聲檢測(cè)回波信號(hào)的譜能量會(huì)增強(qiáng)。各頻率成分信號(hào)的能量中均包含著超聲檢測(cè)到的內(nèi)部傷損信息,。因此結(jié)合小波包多分辨率分析與各頻段能量提取的方法,，通過“能量—缺陷”的信號(hào)特征提取可以提取列車車輪超聲檢測(cè)信號(hào)中的車輪內(nèi)部傷損特征。提取超聲信號(hào)特征向量的步驟如下[4-7]：
?。?）小波包分解：對(duì)得到的超聲檢測(cè)數(shù)據(jù)使用式（1）進(jìn)行3層小波包分解,。
（2）信號(hào)重構(gòu)：對(duì)經(jīng)過步驟（1）的小波包分解得到的8個(gè)頻率段內(nèi)的序列進(jìn)行重構(gòu),，得到8個(gè)小波包重構(gòu)信號(hào),，重構(gòu)信號(hào)中包含了超聲信號(hào)中沿超聲探頭中心頻率的從低到高的各頻率段的信息。
?。?）各節(jié)點(diǎn)頻譜能量計(jì)算：設(shè)S3,，i（i=0,，1，…,，7）為第三層小波包節(jié)點(diǎn)的重構(gòu)信號(hào),，先求出各重構(gòu)信號(hào)的幅度頻譜值SF（3，i）（i=0,，1,，…，7）,，然后分別求取各頻譜的向量二范數(shù),，即各頻帶對(duì)應(yīng)的能量值：
其中|SF（3，i）（j）|表示各節(jié)點(diǎn)重構(gòu)信號(hào)的單邊頻幅離散點(diǎn)的幅值,。
?。?）構(gòu)造特征向量：將各經(jīng)過小波包分解的節(jié)點(diǎn)的頻譜能量特征值構(gòu)成特征向量E=[E3，0,，E3,，1，E3,，2,，E3，3,，E3,，4，E3,，5,，E3，6,，E3,，7]，若頻譜能量特征值過大,，分析和使用過程將變得繁雜,，所以需要對(duì)提取的特征向量作歸一化處理，即：T3,，i=E3,，i/‖E‖2。
歸一化之后的特征向量為：T=[T3,，0,，T3，1,，T3,，2,，T3，3,，T3,，4，T3,，5,，T3,，6,，T3，7],。利用上述方法對(duì)檢測(cè)的多組列車輪的超聲檢測(cè)信號(hào)分別提取了譜能量特征值,，并構(gòu)造其特征向量。經(jīng)過實(shí)驗(yàn)比較后選取db6作為小波函數(shù)進(jìn)行分解,，其分解出不同頻率段的頻譜差異性較大,，不同頻段的頻譜能量特征比較明顯。
2 超聲信號(hào)類型分類識(shí)別
2.1 BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的前饋網(wǎng)絡(luò),，其具有優(yōu)秀的自學(xué)習(xí),、自適應(yīng)能力[7]。BP神經(jīng)網(wǎng)絡(luò)能夠用來學(xué)習(xí)大量的輸入/輸出的模式映射關(guān)系,，通過反向傳播調(diào)整網(wǎng)絡(luò)參數(shù)中的權(quán)值和閾值,，最終實(shí)現(xiàn)誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)一般包括輸入層,、隱層和輸出層,，如圖2所示。其學(xué)習(xí)過程分為正向傳播過程和反向傳播過程,，其中正向傳播時(shí),，神經(jīng)元的狀態(tài)只能影響下一層神經(jīng)元網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)在運(yùn)算過程中,，要先將輸入信息向前傳播到隱節(jié)點(diǎn)上,，再把隱節(jié)點(diǎn)的輸出傳播到輸出節(jié)點(diǎn)，層與層之間的聯(lián)系都要經(jīng)過激活函數(shù)運(yùn)算,；當(dāng)沒有輸出期望結(jié)果時(shí),，說明實(shí)際輸出與期望輸出之間存在一定的誤差，需要將誤差繼續(xù)返回反向傳播的過程,，同時(shí)修改各層的權(quán)值,，重新逐層計(jì)算。正向傳播和反向傳播不斷執(zhí)行,，直到滿足誤差要求,，訓(xùn)練學(xué)習(xí)的過程才結(jié)束,。
2.2 BP網(wǎng)絡(luò)參數(shù)選擇
若設(shè)某神經(jīng)網(wǎng)絡(luò)輸入為X，輸入層含有n個(gè)神經(jīng)元,；其中隱含層的輸出為Y,，并且含有q個(gè)神經(jīng)元；輸出向量為O,，輸出層含有m個(gè)神經(jīng)元,，目標(biāo)矢量為T；隱層和輸出層對(duì)應(yīng)的激活函數(shù)為f1和f2,，對(duì)應(yīng)的權(quán)值矩陣分別為W1和W2,。則對(duì)于隱層有：
根據(jù)缺陷頻譜能量特征向量的維數(shù)，將對(duì)應(yīng)的輸入節(jié)點(diǎn)數(shù)目設(shè)定為8個(gè),，根據(jù)檢測(cè)輸出的結(jié)果,，共定義了3種缺陷，用兩位二進(jìn)制數(shù)即可表示缺陷類型,，定義（0,，0）為車輪踏面表面裂紋；（1,，0）為車輪橫孔缺陷,；（0，1）為車輪周向裂紋缺陷[3,，8],。隱層節(jié)點(diǎn)個(gè)數(shù)的確定主要根據(jù)經(jīng)驗(yàn)公式，結(jié)合多次實(shí)驗(yàn)的結(jié)果,，本文選取如下經(jīng)驗(yàn)公式確定隱層節(jié)點(diǎn)的個(gè)數(shù)[9]：
其中,，m為隱層節(jié)點(diǎn)個(gè)數(shù)，n為輸入層節(jié)點(diǎn)個(gè)數(shù),，l為輸出層節(jié)點(diǎn)數(shù)[9],。
2.3 改進(jìn)的BP網(wǎng)絡(luò)算法
標(biāo)準(zhǔn)BP算法在應(yīng)用過程中存在以下缺陷：（1）容易形成局部極小卻達(dá)不到全局最優(yōu)；（2）訓(xùn)練次數(shù)過多,，使得學(xué)習(xí)效率低且收斂速度慢,；（3）隱節(jié)點(diǎn)的選取缺乏理論性的指導(dǎo)。
為了更準(zhǔn)確快速地實(shí)現(xiàn)超聲信號(hào)特征值的識(shí)別,，本文在標(biāo)準(zhǔn)BP算法的基礎(chǔ)上引入一種改進(jìn)的BP算法——彈性算法（RPROP）,。RPROP算法改進(jìn)的意義是消除梯度幅度的影響，在權(quán)值修正過程中,，減少幅值對(duì)權(quán)值的影響,，權(quán)值的大小取決于與幅值無關(guān)的修正值。與其他改進(jìn)的BP算法相比,，RPROP算法在模式識(shí)別中使用時(shí)收斂速度最快[10-11],。
3 實(shí)驗(yàn)分析
3.1 機(jī)車車輪超聲檢測(cè)系統(tǒng)
國內(nèi)某公司自研的超聲檢測(cè)系統(tǒng)主要由超聲檢測(cè)探頭,、數(shù)據(jù)采集單元和顯示控制主機(jī)部分組成。其硬件組成和測(cè)試過程如圖3所示,。
3.2 機(jī)車車輪缺陷信號(hào)的提取
系統(tǒng)中的探頭主要使用中心頻率為2.5 MHz的雙晶縱波探頭,，縱波探頭對(duì)周向缺陷較敏感，主要用來探測(cè)機(jī)車車輪的踏面剝離,、內(nèi)部孔狀裂紋和輪對(duì)周方向裂紋等,。數(shù)據(jù)采集單元激勵(lì)和采集超聲波信號(hào)，超聲回波信號(hào)經(jīng)過高速A/D芯片采集,，并經(jīng)過濾波和壓縮處理后不失真地恢復(fù)為原信號(hào),，從啟振點(diǎn)起一組回波信號(hào)由248個(gè)數(shù)據(jù)點(diǎn)組成。顯示控制主機(jī)部分將數(shù)據(jù)采集單元處理過的數(shù)據(jù)進(jìn)行顯示和管理,。本文實(shí)驗(yàn)中使用的數(shù)據(jù)是通過系統(tǒng)在機(jī)車樣板輪上選擇不同類型的缺陷點(diǎn)采集的多組數(shù)據(jù),。
3.3 車輪超聲檢測(cè)信號(hào)特征提取
實(shí)驗(yàn)中使用機(jī)車車輪超聲探傷系統(tǒng)對(duì)樣板輪進(jìn)行了掃查,，樣板輪在表面和內(nèi)部畫有刻槽以模擬車輪的踏面表面剝離和車輪內(nèi)部孔狀裂紋及內(nèi)部周向裂紋等故障,，探傷系統(tǒng)上傳的采樣超聲回波信號(hào)經(jīng)過濾波和數(shù)據(jù)壓縮，其對(duì)應(yīng)的時(shí)域圖如圖4所示,。根據(jù)超聲波傳播的特點(diǎn),，當(dāng)超聲波信號(hào)遇到內(nèi)部缺陷（不同密度的物質(zhì)）后會(huì)有回波信號(hào)反射，從時(shí)域圖上只能分辨出缺陷故障的聲程,，不太容易從直觀上區(qū)分缺陷故障的類型,。不同類型的缺陷故障對(duì)應(yīng)的小波包分解頻譜圖和譜能量柱狀圖如圖5、6所示,，分解后的頻譜圖中不同缺陷的頻譜已有較大的區(qū)別,，再提取出不同的頻譜能量特征可以用來區(qū)分不同的故障類型。將頻譜能量作為特征量用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí),。
3.4 BP神經(jīng)網(wǎng)絡(luò)自診斷
實(shí)驗(yàn)中針對(duì)機(jī)車車輪的不同故障類型,，從每種類型的故障隨機(jī)選取5組實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本和2組數(shù)據(jù)作為測(cè)試樣本。設(shè)定網(wǎng)絡(luò)訓(xùn)練次數(shù)為1 000,，目標(biāo)誤差為0.000 01,。其中測(cè)試樣本的故障診斷測(cè)試結(jié)果和訓(xùn)練誤差曲線分別如表1和圖7所示。從圖中可以看出基于RPROP算法的改進(jìn)的神經(jīng)網(wǎng)絡(luò)具有較快的收斂速度,，只需經(jīng)過訓(xùn)練29步就能夠很好地識(shí)別列車車輪超聲檢測(cè)損傷,，達(dá)到了預(yù)期結(jié)果。
4 結(jié)束語
本文介紹了一種基于改進(jìn)BP算法的神經(jīng)網(wǎng)絡(luò)在機(jī)車車輪超聲檢測(cè)中識(shí)別車輪故障類型的方法,，該方法通過小波包對(duì)實(shí)測(cè)的超聲檢測(cè)信號(hào)進(jìn)行分解,，提取其特征值向量，利用改進(jìn)BP算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行適當(dāng)?shù)挠?xùn)練后,，可以用來識(shí)別車輪內(nèi)部的傷損類型,。
超聲檢測(cè)信號(hào)的歸類和識(shí)別方法中,，目前提及較多的是提升小波分析提取特征值的方法和基于LM（Levenberg-Marquadt）算法的BP神經(jīng)網(wǎng)絡(luò)的歸類方法[8]。提升小波分析對(duì)專業(yè)要求較高,，分解過程復(fù)雜,，不適合普及；LM學(xué)習(xí)算法在處理歸類識(shí)別的有關(guān)問題時(shí),，處理能力很弱,。本文采用小波包分解并結(jié)合基于RPROP算法的神經(jīng)網(wǎng)絡(luò)能夠有效地區(qū)分不同基于超聲檢測(cè)的機(jī)車車輪的故障類型，后期在實(shí)踐中可以將此方法嵌入超聲檢測(cè)系統(tǒng)的上位機(jī)軟件,，使系統(tǒng)具有自動(dòng)識(shí)別和歸類機(jī)車車輪故障類型的能力,，此方法具有重要的實(shí)際意義。
參考文獻(xiàn)
[1] 宋天民,，張國福,，劉峰，等.超聲檢測(cè)[M].北京：中國石化出版社,，2012.
[2] 馬晨.基于PC機(jī)的機(jī)車輪軸超聲探傷儀實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù),，2010，33（5）：138-141.
[3] 周西峰,，索會(huì)迎,，郭前崗，等.基于小波包-BP網(wǎng)絡(luò)的超聲檢測(cè)缺陷類型識(shí)別[J].解放軍理工大學(xué)學(xué)報(bào)（自然科學(xué)版）,，2012,，13（5）：521-526.
[3] 張冬雨，劉小方,，楊劍,，等.基于小波包變換的復(fù)合材料分層缺陷信號(hào)特征分析[J].兵工自動(dòng)化，2009,，28（11）：56-58.
[4] 孫延奎.小波分析及其應(yīng)用[M].北京：機(jī)械工業(yè)出版社,，2005.
[5] 師小紅，敦怡,，徐章遂,，等.基于“能量-缺陷”的金屬基復(fù)合材料缺陷信號(hào)特征提取[J].計(jì)算機(jī)測(cè)量與控制，2006,，14（1）：109-110.
[6] 桂中華,，韓鳳琴.小波包特征熵神經(jīng)網(wǎng)絡(luò)在尾水管故障診斷中的應(yīng)用[J].中國電機(jī)工程學(xué)報(bào)，2005,，25（4）：100-102.
[7] 候媛彬,，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，2007.
[8] Li Jian,， Zhan Xianglin,， Jin Shijiu. An automatic flaw classification method of ultrasonic nondestructive testing for pipeline girth welds[C]. Proceeding of the 2009 IEEE International Conference on Information and Automation，2009：22-25.
[9] 韓立群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社,，2006.
[10] 周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京：清華大學(xué)出版社,，2013.
[11] RIEDMILLER M， BRAUN H. A direct adaptive method for faster backpropagation learning： the RPROP algorithm[C]. Neural Networks,， IEEE International Conference on. IEEE,， 1993： 586-591.