SOM 在鋼鐵材質(zhì)裂紋檢測(cè)中的應(yīng)用.doc

精品論文som 在鋼鐵材質(zhì)裂紋檢測(cè)中的應(yīng)用何云斌，丁兆亮（哈爾濱理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，哈爾濱 150080）5摘要：本文針對(duì)實(shí)際應(yīng)用中鋼鐵工件裂紋檢測(cè)問(wèn)題，提出了一種較為方便的電磁無(wú)損檢測(cè)方 法，即初始幅值磁導(dǎo)率法。將基于 som 神經(jīng)網(wǎng)絡(luò)的分選算法應(yīng)用到實(shí)際檢測(cè)當(dāng)中，為電磁 無(wú)損檢測(cè)提供了另一個(gè)思路。本文通過(guò)對(duì)所建網(wǎng)絡(luò)的訓(xùn)練及仿真，以 som 神經(jīng)網(wǎng)絡(luò)作為分 選算法的系統(tǒng)對(duì)裂紋的檢測(cè)識(shí)別率高，可靠性也更好。關(guān)鍵詞：電磁無(wú)損檢測(cè)；som 神經(jīng)網(wǎng)絡(luò)；裂紋檢測(cè)10中圖分類號(hào)：tp301.6the application of som neural network in crack testing of the steel materialhe yunbin, ding zhaoliang15(school of computer science and technology, harbin university of science and technology,harbin 150080)abstract: this article in view of the actual application of iron and steel workpiece crack detection problems, a kind of more convenient electromagnetic nondestructive testing method was put forward, namely initial amplitude magnetic conductivity method. the algorithm based on the20som neural network was applied to actual testing,another idea was put forward for electromagnetic nondestructive testing. this paper built a network of training and simulation, the crack detection system using the sorting algorithm of som neural network has high recognition and better reliability.keywords: electromagnetic nondestructive testing; som neural network; crack detection250引言隨著鋼鐵工業(yè)的飛速發(fā)展，各種設(shè)施對(duì)鋼鐵的需求有很大的增長(zhǎng)，同時(shí)對(duì)鋼鐵質(zhì)量的要 求也越來(lái)越高，無(wú)論是建筑結(jié)構(gòu)還是設(shè)備的運(yùn)轉(zhuǎn)，鋼鐵件質(zhì)量的重要性是毋庸置疑的，因此 對(duì)鋼鐵件的提前檢測(cè)更為重要。目前對(duì)鋼鐵質(zhì)量檢測(cè)的無(wú)損檢測(cè)方法很多，電磁無(wú)損檢測(cè)方30法以其眾多的優(yōu)點(diǎn)在業(yè)內(nèi)被廣泛采用，并且取得了較好的效果1。但是在鋼鐵裂紋檢測(cè)的效 率和準(zhǔn)確率上仍然存在一定的問(wèn)題，其原因是算法效果不夠理想。所以為了提高鋼鐵件裂紋 檢測(cè)的效率和準(zhǔn)確率，本文采用 som 神經(jīng)網(wǎng)絡(luò)作為數(shù)據(jù)處理單元來(lái)研究改進(jìn)的電磁無(wú)損檢 測(cè)系統(tǒng)。1電磁無(wú)損檢測(cè)技術(shù)原理35電磁感應(yīng)現(xiàn)象就是指放在變化的磁場(chǎng)中的導(dǎo)體，會(huì)產(chǎn)生電動(dòng)勢(shì)，這個(gè)電動(dòng)勢(shì)稱為感應(yīng)電 動(dòng)勢(shì)，而感應(yīng)電流的產(chǎn)生則是要求導(dǎo)體構(gòu)成一個(gè)閉合的回路。感應(yīng)電流的大小又與導(dǎo)體本身 因素（如磁導(dǎo)率、電導(dǎo)率、尺寸、形狀和缺陷等）有很大的關(guān)系，它們都會(huì)引起感應(yīng)電流的 變化，電磁無(wú)損檢測(cè)的原理就是通過(guò)測(cè)量感應(yīng)電流的變化來(lái)區(qū)分導(dǎo)體的性質(zhì)2。鋼鐵材料零件的磁性能受其成分和組織結(jié)構(gòu)的影響，它們之間的關(guān)系由圖 1 可以說(shuō)明。40由圖可知對(duì)于成分和組織結(jié)構(gòu)不同的鋼鐵件，其機(jī)械性能和物理性能也是不同的，所以鋼鐵 件的機(jī)械性能和物理性能與成分和組織結(jié)構(gòu)是直接相關(guān)的，進(jìn)而其物理性能與機(jī)械性能之間作者簡(jiǎn)介：何云斌，（1972-），男，副教授，博士，研究方向數(shù)據(jù)庫(kù)理論及應(yīng)用，嵌入式技術(shù)。e-mail:- 6 -也存在間接相關(guān)性3。圖 1 硬度、磁導(dǎo)率等與鋼鐵成分和結(jié)構(gòu)關(guān)系圖45初始幅值磁導(dǎo)率法、剩磁法和矯頑力法是電磁無(wú)損檢測(cè)的三種基本方法。剩磁法檢測(cè)前后都經(jīng)對(duì)工件進(jìn)行退磁，前者是為了保證測(cè)量精度，后者是為了避免影響使用；矯頑力法有 兩個(gè)缺點(diǎn)，一是必須要與被測(cè)工件接觸，而且要求被測(cè)工件的表面必須“干凈”，二是速度 很慢。初始幅值磁導(dǎo)率法則沒(méi)有以上缺點(diǎn)，其在無(wú)損檢測(cè)領(lǐng)域里具有明顯的優(yōu)勢(shì)。對(duì)于鋼鐵50工件來(lái)說(shuō)，只要可以證明裂紋與初始幅值磁導(dǎo)率之間有特定的相關(guān)性，就一定可以利用電磁 法對(duì)其進(jìn)行檢測(cè)。初始幅值磁導(dǎo)率法既不需要跟被測(cè)工件接觸，對(duì)工件表面也沒(méi)有特殊要求， 檢測(cè)后不用處理也不會(huì)影響后續(xù)的使用，以其檢測(cè)速度快在電磁無(wú)損檢測(cè)領(lǐng)域里得到了越來(lái) 越廣泛的應(yīng)用。本文使用初始幅值磁導(dǎo)率法，先對(duì)提取特征信號(hào)進(jìn)行去噪處理，收集本樣特征向量，利55用得到的樣本將網(wǎng)絡(luò)訓(xùn)練好，再將所測(cè)工件的特征信號(hào)向量輸入，這樣就能得到按規(guī)則輸出 的結(jié)果。2som 神經(jīng)網(wǎng)絡(luò)原理som（self-organizing feature map）網(wǎng)絡(luò)是芬蘭 helsink 大學(xué)的 kohonen 教授于 1981年提出的，它是一種無(wú)導(dǎo)師的自組織學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)4。他認(rèn)為神經(jīng)網(wǎng)絡(luò)可以模擬人腦的自組60織特性，人腦對(duì)于外界不同的刺激會(huì)在不同的區(qū)域產(chǎn)生相應(yīng)的反應(yīng)，這樣從接收刺激到相對(duì) 應(yīng)的區(qū)域產(chǎn)生的反應(yīng)正是一個(gè)分類的過(guò)程。som 網(wǎng)絡(luò)正是這樣模擬人腦的自組織特性。som 網(wǎng)絡(luò)模型具備這樣的特點(diǎn)：輸入節(jié)點(diǎn)與輸出神經(jīng)元的權(quán)重互連；輸出神經(jīng)元之間 存在競(jìng)爭(zhēng)選擇和側(cè)抑制。從功能上來(lái)講，它可以連接單個(gè)神經(jīng)元和一層神經(jīng)元群體的變化規(guī) 則。som 網(wǎng)絡(luò)是使用自組織的特性，一維輸入向量序列會(huì)映射到一個(gè)二維向量上，從而通65過(guò)自我調(diào)整來(lái)聚類信息5。som 網(wǎng)絡(luò)結(jié)構(gòu)的最大特點(diǎn)就是把神經(jīng)元放置在一維、二維或更高維的網(wǎng)絡(luò)節(jié)點(diǎn)上。圖2 圖 3 分別是一維、二維網(wǎng)絡(luò)模型。som 網(wǎng)絡(luò)模型由兩層構(gòu)成，即輸入層和輸出層。輸入 層神經(jīng)元通過(guò)權(quán)值與輸出層神經(jīng)元連接，輸出層神經(jīng)元又與其相近的神經(jīng)元橫向連接，這種 方式模擬了人的神經(jīng)元側(cè)抑制功能。70x1x2 l xn圖 2 一維 som 神經(jīng)網(wǎng)絡(luò)模型x1 x2 l xn圖 3 二維 som 神經(jīng)網(wǎng)絡(luò)模型75在輸出層，輸出的結(jié)果不僅僅是命中的節(jié)點(diǎn)輸出為 1，與其相鄰的節(jié)點(diǎn)輸出也是 1，同樣道理不僅調(diào)整與命中節(jié)點(diǎn)連接的權(quán)值，還要對(duì)其周圍的節(jié)點(diǎn)權(quán)值也進(jìn)行調(diào)整，這樣可以使 其周圍的神經(jīng)元被“感染”而興奮，不在其周圍的神經(jīng)元?jiǎng)t“感染”不到。2.1 聚類依據(jù)與相似性測(cè)量80對(duì)于一個(gè)特定的輸入樣本，我們沒(méi)有任何的規(guī)則可以判斷它是哪一類，所以訓(xùn)練過(guò)程中 不會(huì)出現(xiàn)帶有目的的輸出，這種非監(jiān)督的競(jìng)爭(zhēng)學(xué)習(xí)只能通過(guò)輸入樣本之間的相似程度進(jìn)行分 類，相似性越大就越容易被分為一類，反之相似性越小則越不容易被分為一類6。因此輸入 向量的相似性就能夠轉(zhuǎn)化成向量間的距離，通過(guò)向量間的距離來(lái)進(jìn)行分類。兩個(gè) n 維向量設(shè)為 x = x1 , x2 ,l, xn 和y = y1 , y2 ,l, yn ，則歐式距離為：85x y =n2(xi yi )（1）i=1如果兩個(gè)向量越相似，則它們的歐氏距離越小，甚至如果兩個(gè)向量完全相同，則它們的 歐氏距離就會(huì)是 0，反之亦然。那么我們就可以確定一個(gè)標(biāo)準(zhǔn)，這個(gè)標(biāo)準(zhǔn)就是向量間的歐氏 距離 dmax ，當(dāng)向量間的歐氏距離小于 dmax 時(shí)就為同一類，當(dāng)向量間的歐氏距離大于 dmax 時(shí) 就為不同類。90x 和y 兩個(gè)向量的余弦可表示為：cos =x t y（2）x ymax如果兩個(gè)向量越相似，則它們的夾角就會(huì)越小，甚至如果兩個(gè)向量完全相同時(shí)，則它們 的夾角為 07。所以我們依然可以確定另一個(gè)標(biāo)準(zhǔn)，即向量間的夾角。當(dāng)向量間的夾角95100105小于max 時(shí)就為同一類，當(dāng)向量間的夾角大于max 時(shí)就為不同類。 這就是歐氏距離法和余弦法。2.2 競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則“勝者為王”是 som 網(wǎng)絡(luò)競(jìng)爭(zhēng)學(xué)習(xí)的規(guī)則，對(duì)獲勝節(jié)點(diǎn)的權(quán)值進(jìn)行調(diào)整，使節(jié)點(diǎn)越來(lái) 越接近輸入向量，這樣訓(xùn)練好的網(wǎng)絡(luò)會(huì)將每個(gè)輸入向量特征都對(duì)應(yīng)一個(gè)權(quán)值，相近的權(quán)值則 規(guī)為一類，同一類的權(quán)值很接近，訓(xùn)練時(shí)相近的權(quán)值會(huì)越來(lái)越接近，而不同類的權(quán)值則會(huì)越 來(lái)越遠(yuǎn)，當(dāng)再有同類或相接近的輸入向量時(shí)，獲勝節(jié)點(diǎn)更加容易勝出。所有與獲勝了點(diǎn)相連的權(quán)值都會(huì)被修正得更加靠近輸入向量，所以當(dāng)再出現(xiàn)類似的或接 近的向量時(shí)，當(dāng)前獲勝節(jié)點(diǎn)更容易獲勝，而不同的向量則不容易使當(dāng)前節(jié)點(diǎn)獲勝，但有可能 讓另外的節(jié)點(diǎn)獲勝，這樣就成為了另外一個(gè)類，從而每一個(gè)獲勝節(jié)點(diǎn)都代表著一類，并對(duì)應(yīng) 一組輸入向量。som 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程本質(zhì)就是通過(guò)反復(fù)的訓(xùn)練讓輸出層每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一組輸入向量110和一組權(quán)值，訓(xùn)練完成后，當(dāng)一個(gè)輸入向量輸入到網(wǎng)絡(luò)時(shí)，這個(gè)輸入會(huì)與輸出層所有神經(jīng)元相對(duì)應(yīng)的權(quán)值進(jìn)行比較，無(wú)論哪個(gè)神經(jīng)元與它最相似都會(huì)被命中為獲勝神經(jīng)元，此神經(jīng)元輸 出 1，則說(shuō)明當(dāng)前輸入為本類，其他未命中神經(jīng)元輸出 0。3som 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程som 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是由三部分組成的：競(jìng)爭(zhēng)、合作和更新過(guò)程8。3.1 競(jìng)爭(zhēng)過(guò)程輸入層任一神經(jīng)元用 j 表示，共有 n 個(gè)節(jié)點(diǎn)，輸出層任一節(jié)點(diǎn)用i 表示，共有 m 個(gè)節(jié)點(diǎn)。 輸入神經(jīng)元通過(guò)權(quán)值與輸出層節(jié)點(diǎn)相連，輸入節(jié)點(diǎn)通過(guò)權(quán)值和競(jìng)爭(zhēng)層的元相連。設(shè)輸入矢量x = (x1 , x2i1,l, x n)t ，對(duì)于 som 網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)i ，它的權(quán)矢量為w = (w, wi 2,l, win)t 。115在競(jìng)爭(zhēng)的過(guò)程中，獲勝節(jié)點(diǎn)與輸入向量 x 的歐氏距離最小，所謂歐氏距離是指 n 維歐氏空間中向量y = (y , y,l, y)t 和向量 z = z , z ,l, zn 的距離，其值為(y z )2 ，所以當(dāng)?shù)?c 個(gè)12n1 2njjj =1神經(jīng)元獲勝且輸入向量為 x 且，滿足條件： 表示歐氏距離。x wc= min x wi , i = 1,2,l, mi（3）1201253.2 合作過(guò)程所謂加強(qiáng)中心就是指獲勝神經(jīng)元及其周圍被“感染”興奮的神經(jīng)元組成的區(qū)域，在此， 可采用簡(jiǎn)單的正方形的鄰域形狀，鄰域在網(wǎng)絡(luò)上的表現(xiàn)如圖 4。n c (n) = 1nc (n) = 0圖 4 拓?fù)漕I(lǐng)域fig.4 topology field當(dāng)鄰域的半徑為 0 時(shí)，鄰域就是獲勝神經(jīng)元本身；而當(dāng)半徑為 1 時(shí)，鄰域包含了獲勝神經(jīng)元之外的 8 個(gè)鄰近神經(jīng)元鄰域隨著半徑的增大而放大， n c (n)表示在第 n 次迭代時(shí)拓?fù)溧?域的半徑，其值也不是固定不變的，會(huì)隨著迭代次數(shù)的增加而收縮：130n c (n) = int (n c (0)(1 n n ), n = 0,1,2,l, nn c (n)是初始的拓?fù)溧徲虬霃剑?n 是迭代次數(shù)， int ()是取整函數(shù)。3.3 更新過(guò)程（4）在更新過(guò)程中，對(duì)獲勝節(jié)點(diǎn)拓?fù)溧徲騼?nèi)的神經(jīng)元進(jìn)行權(quán)值向量的更新采用 hebb 學(xué)習(xí)規(guī) 則。135w j (n + 1) = w j (n) + (n)(x w j (n), n = 0,1,2,l, n（5）其中(n) 為學(xué)習(xí)率 (0 (n) 1)，隨迭代次數(shù)的增加而減小，變化的可以采用式（6）：(n) = (0)(1 nn 是迭代次數(shù)， (0)是初始學(xué)習(xí)率。4仿真與實(shí)驗(yàn)數(shù)據(jù)結(jié)果n ), n = 0,1,2,l, n（6）140145150從問(wèn)題的類型上來(lái)看，鋼鐵工件裂紋檢測(cè)屬于一個(gè)典型的分類問(wèn)題，基本就是分類就是 兩類，即有裂紋和無(wú)裂紋。有裂紋的我們稱為合格件，som 網(wǎng)絡(luò)是一種無(wú)導(dǎo)師監(jiān)督的學(xué)習(xí) 方法，在大量的樣本下自組織訓(xùn)練并收斂，達(dá)到聚類的效果。測(cè)試先用的鋼鐵工件我們已經(jīng)知道其是否有裂紋，分別測(cè)得在 60hz 和 80hz 激勵(lì)頻率 下的值作為輸入向量，利用 matlab 神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)造了 som 網(wǎng)絡(luò)，其中競(jìng)爭(zhēng)層單元 采用六角邊拓?fù)浣Y(jié)構(gòu)，單元數(shù)取 22，距離函數(shù)選用歐氏距離權(quán)函數(shù)，經(jīng)過(guò) 300 步訓(xùn)練后 將樣本分為兩類，即一類是合格件，另一類是裂紋件。訓(xùn)練樣本是已經(jīng)裂紋的 7 根工件和13 根合格件，測(cè)試樣本選用 7 根合格件和 3 根裂紋件，表 1 為檢測(cè)結(jié)果。結(jié)果表明，som神經(jīng)網(wǎng)絡(luò)在分選裂紋件上能夠取得令人滿意的效果。表 1 鋼棒檢測(cè)結(jié)果tab.1 steel bar test results工件號(hào)狀態(tài)參量 1參量 2結(jié)果1合格1.49601.6090合格2合格1.51051.6273合格3合格1.63151.7558合格4裂紋0.96281.0086裂紋5合格1.63091.7439合格6合格1.73151.8220合格7合格1.74511.8252合格8裂紋0.87580.9738裂紋9合格1.43431.5004合格10裂紋0.93791.0655裂紋1551601655結(jié)論實(shí)驗(yàn)證明，利用 som 神經(jīng)網(wǎng)絡(luò)對(duì)鋼鐵工件裂紋檢測(cè)的效率和準(zhǔn)確率都有較好的表現(xiàn)