SOM 在钢铁材质裂纹检测中的应用.doc

精品论文som 在钢铁材质裂纹检测中的应用何云斌，丁兆亮（哈尔滨理工大学计算机科学与技术学院，哈尔滨 150080）5摘要：本文针对实际应用中钢铁工件裂纹检测问题，提出了一种较为方便的电磁无损检测方 法，即初始幅值磁导率法。将基于 som 神经网络的分选算法应用到实际检测当中，为电磁 无损检测提供了另一个思路。本文通过对所建网络的训练及仿真，以 som 神经网络作为分 选算法的系统对裂纹的检测识别率高，可靠性也更好。关键词：电磁无损检测；som 神经网络；裂纹检测10中图分类号：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引言随着钢铁工业的飞速发展，各种设施对钢铁的需求有很大的增长，同时对钢铁质量的要 求也越来越高，无论是建筑结构还是设备的运转，钢铁件质量的重要性是毋庸置疑的，因此 对钢铁件的提前检测更为重要。目前对钢铁质量检测的无损检测方法很多，电磁无损检测方30法以其众多的优点在业内被广泛采用，并且取得了较好的效果1。但是在钢铁裂纹检测的效 率和准确率上仍然存在一定的问题，其原因是算法效果不够理想。所以为了提高钢铁件裂纹 检测的效率和准确率，本文采用 som 神经网络作为数据处理单元来研究改进的电磁无损检 测系统。1电磁无损检测技术原理35电磁感应现象就是指放在变化的磁场中的导体，会产生电动势，这个电动势称为感应电 动势，而感应电流的产生则是要求导体构成一个闭合的回路。感应电流的大小又与导体本身 因素（如磁导率、电导率、尺寸、形状和缺陷等）有很大的关系，它们都会引起感应电流的 变化，电磁无损检测的原理就是通过测量感应电流的变化来区分导体的性质2。钢铁材料零件的磁性能受其成分和组织结构的影响，它们之间的关系由图 1 可以说明。40由图可知对于成分和组织结构不同的钢铁件，其机械性能和物理性能也是不同的，所以钢铁 件的机械性能和物理性能与成分和组织结构是直接相关的，进而其物理性能与机械性能之间作者简介：何云斌，（1972-），男，副教授，博士，研究方向数据库理论及应用，嵌入式技术。e-mail:- 6 -也存在间接相关性3。图 1 硬度、磁导率等与钢铁成分和结构关系图45初始幅值磁导率法、剩磁法和矫顽力法是电磁无损检测的三种基本方法。剩磁法检测前后都经对工件进行退磁，前者是为了保证测量精度，后者是为了避免影响使用；矫顽力法有 两个缺点，一是必须要与被测工件接触，而且要求被测工件的表面必须“干净”，二是速度 很慢。初始幅值磁导率法则没有以上缺点，其在无损检测领域里具有明显的优势。对于钢铁50工件来说，只要可以证明裂纹与初始幅值磁导率之间有特定的相关性，就一定可以利用电磁 法对其进行检测。初始幅值磁导率法既不需要跟被测工件接触，对工件表面也没有特殊要求， 检测后不用处理也不会影响后续的使用，以其检测速度快在电磁无损检测领域里得到了越来 越广泛的应用。本文使用初始幅值磁导率法，先对提取特征信号进行去噪处理，收集本样特征向量，利55用得到的样本将网络训练好，再将所测工件的特征信号向量输入，这样就能得到按规则输出 的结果。2som 神经网络原理som（self-organizing feature map）网络是芬兰 helsink 大学的 kohonen 教授于 1981年提出的，它是一种无导师的自组织学习神经网络4。他认为神经网络可以模拟人脑的自组60织特性，人脑对于外界不同的刺激会在不同的区域产生相应的反应，这样从接收刺激到相对 应的区域产生的反应正是一个分类的过程。som 网络正是这样模拟人脑的自组织特性。som 网络模型具备这样的特点：输入节点与输出神经元的权重互连；输出神经元之间 存在竞争选择和侧抑制。从功能上来讲，它可以连接单个神经元和一层神经元群体的变化规 则。som 网络是使用自组织的特性，一维输入向量序列会映射到一个二维向量上，从而通65过自我调整来聚类信息5。som 网络结构的最大特点就是把神经元放置在一维、二维或更高维的网络节点上。图2 图 3 分别是一维、二维网络模型。som 网络模型由两层构成，即输入层和输出层。输入 层神经元通过权值与输出层神经元连接，输出层神经元又与其相近的神经元横向连接，这种 方式模拟了人的神经元侧抑制功能。70x1x2 l xn图 2 一维 som 神经网络模型x1 x2 l xn图 3 二维 som 神经网络模型75在输出层，输出的结果不仅仅是命中的节点输出为 1，与其相邻的节点输出也是 1，同样道理不仅调整与命中节点连接的权值，还要对其周围的节点权值也进行调整，这样可以使 其周围的神经元被“感染”而兴奋，不在其周围的神经元则“感染”不到。2.1 聚类依据与相似性测量80对于一个特定的输入样本，我们没有任何的规则可以判断它是哪一类，所以训练过程中 不会出现带有目的的输出，这种非监督的竞争学习只能通过输入样本之间的相似程度进行分 类，相似性越大就越容易被分为一类，反之相似性越小则越不容易被分为一类6。因此输入 向量的相似性就能够转化成向量间的距离，通过向量间的距离来进行分类。两个 n 维向量设为 x = x1 , x2 ,l, xn 和y = y1 , y2 ,l, yn ，则欧式距离为：85x y =n2(xi yi )（1）i=1如果两个向量越相似，则它们的欧氏距离越小，甚至如果两个向量完全相同，则它们的 欧氏距离就会是 0，反之亦然。那么我们就可以确定一个标准，这个标准就是向量间的欧氏 距离 dmax ，当向量间的欧氏距离小于 dmax 时就为同一类，当向量间的欧氏距离大于 dmax 时 就为不同类。90x 和y 两个向量的余弦可表示为：cos =x t y（2）x ymax如果两个向量越相似，则它们的夹角就会越小，甚至如果两个向量完全相同时，则它们 的夹角为 07。所以我们依然可以确定另一个标准，即向量间的夹角。当向量间的夹角95100105小于max 时就为同一类，当向量间的夹角大于max 时就为不同类。 这就是欧氏距离法和余弦法。2.2 竞争学习规则“胜者为王”是 som 网络竞争学习的规则，对获胜节点的权值进行调整，使节点越来 越接近输入向量，这样训练好的网络会将每个输入向量特征都对应一个权值，相近的权值则 规为一类，同一类的权值很接近，训练时相近的权值会越来越接近，而不同类的权值则会越 来越远，当再有同类或相接近的输入向量时，获胜节点更加容易胜出。所有与获胜了点相连的权值都会被修正得更加靠近输入向量，所以当再出现类似的或接 近的向量时，当前获胜节点更容易获胜，而不同的向量则不容易使当前节点获胜，但有可能 让另外的节点获胜，这样就成为了另外一个类，从而每一个获胜节点都代表着一类，并对应 一组输入向量。som 网络的学习过程本质就是通过反复的训练让输出层每个节点对应一组输入向量110和一组权值，训练完成后，当一个输入向量输入到网络时，这个输入会与输出层所有神经元相对应的权值进行比较，无论哪个神经元与它最相似都会被命中为获胜神经元，此神经元输 出 1，则说明当前输入为本类，其他未命中神经元输出 0。3som 神经网络学习过程som 网络的学习过程是由三部分组成的：竞争、合作和更新过程8。3.1 竞争过程输入层任一神经元用 j 表示，共有 n 个节点，输出层任一节点用i 表示，共有 m 个节点。 输入神经元通过权值与输出层节点相连，输入节点通过权值和竞争层的元相连。设输入矢量x = (x1 , x2i1,l, x n)t ，对于 som 网络的输出层节点i ，它的权矢量为w = (w, wi 2,l, win)t 。115在竞争的过程中，获胜节点与输入向量 x 的欧氏距离最小，所谓欧氏距离是指 n 维欧氏空间中向量y = (y , y,l, y)t 和向量 z = z , z ,l, zn 的距离，其值为(y z )2 ，所以当第 c 个12n1 2njjj =1神经元获胜且输入向量为 x 且，满足条件： 表示欧氏距离。x wc= min x wi , i = 1,2,l, mi（3）1201253.2 合作过程所谓加强中心就是指获胜神经元及其周围被“感染”兴奋的神经元组成的区域，在此， 可采用简单的正方形的邻域形状，邻域在网络上的表现如图 4。n c (n) = 1nc (n) = 0图 4 拓扑领域fig.4 topology field当邻域的半径为 0 时，邻域就是获胜神经元本身；而当半径为 1 时，邻域包含了获胜神经元之外的 8 个邻近神经元邻域随着半径的增大而放大， n c (n)表示在第 n 次迭代时拓扑邻 域的半径，其值也不是固定不变的，会随着迭代次数的增加而收缩：130n c (n) = int (n c (0)(1 n n ), n = 0,1,2,l, nn c (n)是初始的拓扑邻域半径， n 是迭代次数， int ()是取整函数。3.3 更新过程（4）在更新过程中，对获胜节点拓扑邻域内的神经元进行权值向量的更新采用 hebb 学习规 则。135w j (n + 1) = w j (n) + (n)(x w j (n), n = 0,1,2,l, n（5）其中(n) 为学习率 (0 (n) 1)，随迭代次数的增加而减小，变化的可以采用式（6）：(n) = (0)(1 nn 是迭代次数， (0)是初始学习率。4仿真与实验数据结果n ), n = 0,1,2,l, n（6）140145150从问题的类型上来看，钢铁工件裂纹检测属于一个典型的分类问题，基本就是分类就是 两类，即有裂纹和无裂纹。有裂纹的我们称为合格件，som 网络是一种无导师监督的学习 方法，在大量的样本下自组织训练并收敛，达到聚类的效果。测试先用的钢铁工件我们已经知道其是否有裂纹，分别测得在 60hz 和 80hz 激励频率 下的值作为输入向量，利用 matlab 神经网络工具箱构造了 som 网络，其中竞争层单元 采用六角边拓扑结构，单元数取 22，距离函数选用欧氏距离权函数，经过 300 步训练后 将样本分为两类，即一类是合格件，另一类是裂纹件。训练样本是已经裂纹的 7 根工件和13 根合格件，测试样本选用 7 根合格件和 3 根裂纹件，表 1 为检测结果。结果表明，som神经网络在分选裂纹件上能够取得令人满意的效果。表 1 钢棒检测结果tab.1 steel bar test results工件号状态参量 1参量 2结果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裂纹0.96281.0086裂纹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裂纹0.87580.9738裂纹9合格1.43431.5004合格10裂纹0.93791.0655裂纹1551601655结论实验证明，利用 som 神经网络对钢铁工件裂纹检测的效率和准确率都有较好的表现