基于零点回波反射法的bp神经网络模型在裂纹高度测量中的应用

基于零点回波反射法的bp神经网络模型在裂纹高度测量中的应用

服务零件和焊接件的焊接缺陷不同程度上存在裂纹。断裂力学研究证明,带有尖锐边缘的平面缺陷(如裂纹)的危险性最大,导致的后果往往是灾难性的。同时还证明了受压零件中裂纹型缺陷距表面及其他缺陷的距离等都是关键性的尺寸,而平行于零件表面的裂纹长度是次要的。据统计锅炉压力容器的失效的大部分是由于零件内部裂纹扩展所导致,英国曾对10万个压力容器进行了调查,发现由于裂纹扩展所造成的破坏占总数的89.3%,因此对裂纹的检测和对裂纹类缺陷的高度进行精确的测量,是运用断裂力学进行在役零件寿命评估的前提,也是评估正确与否的基础。表面开口裂纹由于容易被发觉,一旦发现构件表面出现开口裂纹,就必然考虑其深度,目前测量开口裂纹高度较为有效的方法是端点反射法。人工神经网络是近20年来迅速发展起来的十分热门的边缘性、交叉性学科。它是根据生物学对人脑组织进行研究所取得的成果,用大量简单的处理单元广泛连接组成的复杂网络,来模拟人类大脑神经网络的结构,思维方式及功能。它避免了传统的数据分析和建模,通过对输入样本的学习找到隐含的非线性关系,在网络的学习阶段,其拟合值远远优化于传统的数学模型,比传统的数学模型更逼近。由于神经网络模型具有很好的非线性逼近能力和泛化能力,这就为裂纹高度的预测提供了保证。本研究尝试运用BP神经网络建立端点反射法测量裂纹高度的模型,通过样本数据的输入训练网络模型,使其具有自学习能力和自适应能力,用训练好的网络预测裂纹高度,并与实际裂纹高度进行比较,证明网络的可行性。1表面开口裂纹模型测量当超声波入射到裂纹端部时,有一部分将沿着原路反射,称为端部反射波;由惠更斯原理知,横波在裂纹尖端会形成次波源而产生衍射,称为端部衍射波;如果端部有一反射面与入射波方向垂直,则反射波的强度很大,衍射波强度减弱甚至消失。端点反射法就是依据此理论来测量裂纹的高度,如图1所示。表面开口裂纹的垂直高度为h,裂纹端部与根部的声程为w1和w2,探头折射角为β,工件高度为T,则:对于上表面开口的裂纹模型,其测量就较为简单,在此不再详细介绍,试验以下表面开口裂纹模型为主要测试对象。单纯地采用端点反射法测定裂纹高度,则需要准确测定探头折射角或工件厚度T,试验引进了BP神经网络模型,并利用已建立的网络模型预报裂纹高度,无需测量工件厚度(制作裂纹试块时应该保证试块高度一致)和折射角,只需测定裂纹两端点的反射波声程差,如图2所示,为进一步提高测量精度提供了可能。本试验采用的测试仪器为汕头超声研究所生产的CTS-3600数字化检测仪,所有的预备工作包括测量参数设置以及仪器灵敏度调整都在此仪器上进行,试验用探头包括2.5Z8×12K1,2.5Z8×12K1.5,2.5Z8×12K2,2.5Z8×12K2.5四种,制作了300mm×30mm×50mm的裂纹试块,预制的裂纹高度为3、5、9、11、13、17、20mm,试验测得的裂纹端点反射波声程差如表1所示。2预测裂缝高度的bp算法模型2.1提取神经元自适应目前应用较为广泛的人工神经网络为多层前馈神经网络,简称BP网络,该网络的结构图见图3,BP学习算法描述如下:(1)给全部权值和阈值赋予较小的随机值;(2)从学习样本中取出一个输入样本并计算对应输入样本的神经元输出值;(5)取出下一个样本并重复(2)、(3)、(4),若样本已取完则直接进入(6);(6)计算总的误差,若总的误差E小于给定的误差ε或训练次数大于指定训练次数,则停止网络的运行,若E>ε,则返回(2)重新修改权值,直到满足条件为止。2.2网络模型结构的确定2.2.1裂纹高度预测模型BP神经网络的输入层、输出层的维数由使用者的需求而确定,本试验中主要针对裂纹高度进行预报,故定输出层有1个节点,输入层定为2个节点,即在裂纹高度预测模型中,体现影响预测结果的主要因素包括探头的不同K值、端点反射波声程差,试验中采用的探头K值包括K=1、1.5、2、2.5,网络期望输出值为实际裂纹高度值。2.2.2kolmolov定理隐层的处理是一个非常复杂的过程,应考虑以下几个方面[5~6]:(1)由于隐节点的引入,用三层具有Sigmoid神经元非线性网络可以以任意精度逼近任何连续函数,这就是Kolmogorov定理;(2)函数波动性增加,隐层节点数也应相应地增加;(3)隐层节点数也随着学习样本数的增加而增加;(4)隐层数目的增加可以减少各隐层的节点数;(5)网络规模和输入层输出层数目应保持一定的关联,不能随意扩充网络的规模,否则网络收敛速度变慢。本模型采用单隐层,隐层神经元的激活函数采用Sigmoid函数,隐层数目在借鉴以上几点及张立明提出的几个公式的基础上,经实际运行最终确定为10个。2.3设计高度区域网络误差的影响网络的训练是指采用一定的算法,根据输入矢量{x(t)}确定一组权值和阈值θ,使网络的输出矢量{y(t,θ)}能很好地逼近希望的目标矢量{d(t)}。本试验以K值为1、1.5、2、2.5的探头对设计高度为3、5、9、11、13、17、20mm的裂纹进行测量所得到的端点反射波声程差(结果见表1)以及对应的K值作为训练样本,共28组,训练前将网络的输入数据做归一化处理到-0.8~0.8之间,使输入数据在神经转换函数梯度范围内,避免由于输入参数的不均匀而引起的网络学习偏差。网络学习规则采用Delta-Rule,收敛数据设为输出层的均方误差,训练次数设为2000,目标误差值设为0.1,试验所有模拟计算工作均在Pentium/1.7GCPU的PC机上进行,当网络各个单元权值趋向于稳定或者网络输出值达到期望值时,可以认为训练结束。2.4bp神经网络的精度将28组样本输入设计的BP神经网络并进行训练,我们发现当迭代次数达到875次时,网络训练停止,误差精度达到0.098,符合要求,网络训练结果如表2所示。通过试验结果我们可以看出,所有样本的绝对误差都保持在±1mm之内,不少样本甚至保持在±0.1mm之内,所以该BP神经网络具有很高的精度,可以用来作为预测开口裂纹高度的模型,并可以用它对新的试验样本进行训练以及对试验结果进行预测。为了检测所设计的BP网络的适应性和扩展性,推广其预测能力,我们另外制作了相同尺寸的裂纹试块,并预制了7、15mm高度的裂纹,利用设计好的BP网络进行了模拟预测,所得的结果如表3所示,可以看出预测值的误差也控制在±1mm之内,因此该模型完全可以用于表面开口裂纹高度的预测。3裂纹的形态分析1)满足以下几个条件时将有助于提高测量的准确性:(a)试块表面应比较光滑,使探头能够比较好地与之耦合,产生的声束及能量均比较集中,易于发现端点反射回波信号。(b)声程应相对较短,试验用的试块长度为300mm,预制了3条间隔相等的裂纹,为了使各裂纹之间的反射信号不受彼此影响,经计算确定声程为120mm时最佳。(c)由于受到仪器分辨率的限制,裂纹应具有可观的高度,一般应高于2mm。(d)使用低频率探头(2.5MHz为佳),使探头具有较高的穿透能力。2)由于裂纹试块制作的复杂性及较高的成本,本试验采用的裂纹试块其尺寸都是相同的,如果裂纹试块尺寸不同,是否可以将裂纹试块的尺寸作为网络的输入量,所设计的网络是否同样具有可靠的预测精度?3)不同K值探头所测量的裂纹高度,结果误差是不同的,有文献得出K值越大,测量的误差也越大,K=1具有最高的精确度,而本试验误差数据有一定的离散性,并没有体现出K值的不同对预测精度的影响,是否可以设计出能体现K值影响的网络?4bp神经网络的应用1)将神经网络引入到裂纹高度测量中,可以提高测量的精度,易于实现测量和控制的智能化,是对端点反射法的提高和扩展。2)试验证明,以探头K值和端点反射波声程