亚星游戏官网-www.yaxin868.com

专利名称：一种裂纹形状反演方法
技术领域：
本发明涉及一种无损检测方法，尤其涉及一种基于神经网络与智能算法的自然裂 纹形状反演方法，用于裂纹的涡流检测特征识别和定量评估。
背景技术：
目前，涡流检测法已在蒸汽发生器管道、核电站热交换管道等许多关键设备的在 役检测中发挥着重要的作用。涡流检测是一种使用很广泛的无损检测技术，它具有检测速 度快、对表面缺陷反应灵敏等优异性能。一直以来，涡流法主要用于检测金属材料表面裂纹 并确定其长度，而裂纹的深度和形状，则一般采用超声法进行预测。但是超声法在检测表面 浅裂纹及奥氏体不锈钢材料方面存在不足。随着对设备结构安全要求的进一步加强，在评 估裂纹扩展趋势及其严重程度时，裂纹的形状和位置信息是不可或缺的参考因素。

发明内容
本发明的目的在于提供一种基于神经网络与智能算法的自然裂纹形状重构方法， 其特点在于1)所采用的径向基函数神经网络是一种三层前馈网络，第一层为输入层，由信号 源节点组成；第二层为隐含层，其单元数视所描述的问题的需要而定；第三层为输出层，它 对输入模式的作用做出响应。输入层单元只是传递输入矢量到隐含层单元。整个输入矢量 出现在隐含层的每一个节点。隐含层单元的传递函数采用非线性的径向基函数，每一个隐 含层节点对出现在每一个神经元的输入矢量执行径向基函数，以对输出层的激励产生局部 化影响，即仅当输入落在输入空间某一指定小范围内时，隐含层单元才会做出非零响应。输 出层通过对隐含层节点输出进行线性组合产生一个输出矢量。2)为了产生用于训练神经网络的自然裂纹数据，选用200mm长，IOOmm宽，8mm厚的
铝板试块，在机械装置上固定并使平板三点反复受力弯曲，直到最终产生疲劳裂纹。按这样 的方式产生许多块具有疲劳裂纹的试样。3)为了获得尽可能多的信息，用安装扁平线圈探头的涡流检测仪在不同的频率下 对疲劳裂纹进行了检测。检测时，涡流探头采用微机控制的扫描装置精确定位，包含测量电 压的输出信号存储在微机中用于训练和检验神经网络。4)采用小波或小波包分解方法对采集的应力腐蚀裂纹原始ECT信号进行降噪处 理，消噪后的信号变得较为平滑。小波分解提取信号特征，将经过小波分解后得到的第4层 细节信号曲线上具有幅度极值点的坐标选择作为神经网络的输入。经过这样处理之后，神 经网络的输入数据量急剧减少，而有用信息并没有很大损失。5)对试块中的裂纹进行破坏性检测，获得每个裂纹的真实形状。6)将这些检测信号和相应的裂纹形状矢量存储在数据库中用于训练和检验神经 网络。7)基于神经网络与智能算法的自然裂纹形状重构方法将神经网络作为正向模型。即裂纹形状作为神经网络的输入、ECT信号作为神经网络的输出，同时利用改进遗传算法、 混合粒子群算法和蚁群算法根据神经网络预测ECT信号与真实ECT信号之间的接近程度， 不断改进裂纹的形状，使其达到与真实形状最大程度的接近。8)对于裂纹所在的区域在XY平面按一定路线对裂纹进行扫描，每一个采样点所 采集的裂纹涡流检测信号为电压信号，包含实部与虚部分量。9)基于神经网络与智能算法的自然裂纹形状重构方法，重构的裂纹形状包括裂纹 的表面长度，以及沿裂纹方向不同位置裂纹的深度。利用本发明进行裂纹缺陷量化评价，可以避免常规方法时间花费太多的不足，快 速实现对自然裂纹形状的重构。


图1是本发明所采用的径向基函数神经网络结构图；图2是基于神经网络与智能算法的自然裂纹形状重构方法流程图。
具体实施例方式本发明提供了一种基于神经网络与智能算法的裂纹形状量化评价方法，用于对自 然裂纹涡流检测信号进行定量解释，属于无损检测技术领域。参见图2，包括如下几个基本 步骤1)构建作为正向模型的神经网络；2)制作一定数量自然裂纹试块；3)用涡流检测仪 检测试块中的裂纹并提取信号的特征值；4)对试块中的裂纹进行破坏性检测，获得每个裂 纹的真实形状；5)用裂纹真实形状与涡流检测信号特征值作为输入、输出训练神经网络； 6)将待重构裂纹的初始估计值输入经过训练的神经网络，神经网络的输出为预测的信号特 征值，将预测信号特征值与用涡流检测仪测量值进行比较，如果误差小于设定门限值，则给 定的裂纹形状初始值即为裂纹的真实形状，如果误差大于设定门限值，则改进设定的裂纹 形状参数并重新输入神经网络，按照这种方法，利用智能算法经过多次迭代后，就可以找到 最佳解，即为重构的裂纹形状。利用本发明进行裂纹缺陷量化评价，可以避免常规方法时间 花费太多的不足，快速实现对自然裂纹形状的重构。参见附图1，下面结合附图对上述各步骤作进一步的说明1)所采用作为正向模型的RBF神经网络是一种三层前馈网络，第一层为输入层， 由信号源节点组成；第二层为隐含层，也称隐层，其单元数视所描述的问题的需要而定；第 三层为输出层，它对输入模式的作用做出响应。输入层单元只是传递输入矢量到隐含层单 元。整个输入矢量出现在隐含层的每一个节点。隐含层单元的传递函数采用非线性的径向 基函数，每一个隐含层节点对出现在每一个RBF神经元的输入矢量执行径向基函数，以对 输出层的激励产生局部化影响，即仅当输入落在输入空间某一指定小范围内时，隐含层单 元才会做出非零响应。输出层通过对隐含层节点输出进行线性组合产生一个输出矢量。2)为了产生用于训练神经网络的自然裂纹数据，选用200mm长，IOOmm宽，8mm厚的 铝板试块，在机械装置上固定并使平板三点反复受力弯曲，直到最终产生疲劳裂纹。按这样 的方式产生许多块具有疲劳裂纹的试样。3)为了获得尽可能多的信息，用安装扁平线圈探头的涡流检测仪在不同的频率下 对疲劳裂纹进行了检测。检测时，涡流探头采用微机控制的扫描装置精确定位，包含测量电压的输出信号存储在微机中用于训练和检验神经网络。4)采用小波或小波包分解方法对采集的应力腐蚀裂纹原始ECT信号进行降噪处 理，消噪后的信号变得较为平滑。小波分解提取信号特征，将经过小波分解后得到的第4层 细节信号曲线上具有幅度极值点的坐标选择作为神经网络的输入。经过这样处理之后，神 经网络的输入数据量急剧减少，而有用信息并没有很大损失。5)对试块中的裂纹进行破坏性检测，获得每个裂纹的真实形状。6)将这些检测信号和相应的裂纹形状矢量存储在数据库中用于训练和检验神经 网络。7)神经网络作为正向模型，即裂纹形状作为神经网络的输入、ECT信号作为神经 网络的输出，同时利用改进遗传算法、混合粒子群算法和蚁群算法根据神经网络预测ECT 信号与真实ECT信号之间的接近程度，不断改进裂纹的形状，使其达到与真实形状最大程 度的接近。所重构的裂纹形状包括裂纹的表面长度，以及沿裂纹方向不同位置裂纹的深度。
权利要求
1.一种裂纹形状重构方法，其特征在于，所述的方法包括如下步骤采用径向基函数神经网络，是三层前馈网络，第一层为输入层，由信号源节点组成；第 二层为隐含层，其单元数能够根据实际情况调整；第三层为输出层，它对输入模式的作用做 出响应；输入层单元传递输入矢量到隐含层单元；整个输入矢量出现在隐含层的每一个节点； 隐含层单元的传递函数采用非线性的径向基函数，每一个隐含层节点对出现在每一个神经 元的输入矢量执行径向基函数，以对输出层的激励产生局部化影响；当输入落在输入空间的指定范围内时，隐含层单元做出非零响应；输出层通过对隐含层节点输出进行线性组合产生一个输出矢量。
2.根据权利要求1所述的裂纹形状重构方法，其特征在于包括对疲劳裂纹的训练和 检测步骤，且用于训练和检测的具有疲劳裂纹的试样为200mm长，IOOmm宽，8mm厚的多块铝 板试块，在机械装置上固定并使平板三点反复受力弯曲，直到最终产生疲劳裂纹而制得。
3.根据权利要求2所述的裂纹形状重构方法，其特征在于用安装扁平线圈探头的涡 流检测仪在多个不同的频率下对疲劳裂纹进行检测；检测时，涡流探头采用微机控制的扫 描装置精确定位，包含测量电压的输出信号存储在微机中用于训练和检验神经网络。
4.根据权利要求2所述的裂纹形状重构方法，其特征在于采用小波或小波包分解方 法对采集的应力腐蚀裂纹原始ECT信号进行降噪处理，使消噪后的信号变得平滑；并且小 波分解提取信号特征，将经过小波分解后得到的第4层细节信号曲线上具有幅度极值点的 坐标选择作为神经网络的输入。
5.根据权利要求2所述的裂纹形状重构方法，其特征在于对试样中的裂纹进行破坏 性检测，获得每个裂纹的真实形状。
6.根据权利要求3至5中任意一项所述的裂纹形状重构方法，其特征在于将检测信 号和相应的裂纹形状矢量存储在数据库中，用于训练和检验神经网络。
7.根据权利要求6所述的裂纹形状重构方法，其特征在于将神经网络作为正向模型， 即裂纹形状作为神经网络的输入、ECT信号作为神经网络的输出，同时利用改进遗传算法、 混合粒子群算法和蚁群算法根据神经网络预测ECT信号与真实ECT信号之间的接近程度， 不断改进裂纹的形状，使其达到与真实形状最大程度的接近。
8.根据权利要求2所述的裂纹形状重构方法，其特征在于，对于裂纹所在的区域在XY 平面按一定路线对裂纹进行扫描，每一个采样点所采集的裂纹涡流检测信号为电压信号， 包含实部与虚部分量。
9.根据权利要求2所述的裂纹形状重构方法，其特征在于重构的裂纹形状包括裂纹的 表面长度，以及沿裂纹方向不同位置裂纹的深度。
全文摘要
本发明公开了一种基于神经网络与智能算法的裂纹形状量化评价方法，用于对自然裂纹涡流检测信号进行定量解释。包括如下几个基本步骤1)构建作为正向模型的神经网络；2)制作一定数量自然裂纹试块；3)用涡流检测仪检测试块中的裂纹并提取涡流检测信号的特征值；4)对试块中的裂纹进行破坏性检测，获得每个裂纹的真实形状；5)用裂纹真实形状与涡流检测信号特征值作为输入、输出训练神经网络；6)将待反演形状的裂纹初始形状估计值输入经过训练的神经网络，输出预测的信号特征值，将预测信号特征值与用涡流检测仪测量信号特征值进行比较。利用本发明进行裂纹缺陷量化评价，可以避免常规方法时间花费太多的不足，快速实现对自然裂纹形状的重构。
文档编号G01N27/90GK102128880SQ20101002267
公开日2011年7月20日 申请日期2010年1月12日 优先权日2010年1月12日
发明者张思全, 胡盛斌 申请人:上海工程技术大学