一基于GA-BP神經(jīng)網(wǎng)絡(luò)的ACFM實(shí)時(shí)高精度裂紋反演算法

李 偉, 袁新安, 曲 萌, 陳國(guó)明, 葛玖浩, 孔慶曉, 張雨田, 吳衍運(yùn)

(中國(guó)石油大學(xué)海洋油氣裝備與安全技術(shù)研究中心,山東青島 266580)

?

一基于GA-BP神經(jīng)網(wǎng)絡(luò)的ACFM實(shí)時(shí)高精度裂紋反演算法

李 偉, 袁新安, 曲 萌, 陳國(guó)明, 葛玖浩, 孔慶曉, 張雨田, 吳衍運(yùn)

(中國(guó)石油大學(xué)海洋油氣裝備與安全技術(shù)研究中心,山東青島 266580)

針對(duì)傳統(tǒng)交流電磁場(chǎng)檢測(cè)(ACFM)特征信號(hào)難以實(shí)現(xiàn)缺陷高精度實(shí)時(shí)反演的問題,在電磁耦合ACFM探頭有限元模型分析的基礎(chǔ)上,引入能量譜和相位閾值判定方法實(shí)時(shí)獲取裂紋特征信號(hào),建立裂紋實(shí)時(shí)反演實(shí)驗(yàn)系統(tǒng)并進(jìn)行裂紋檢測(cè)實(shí)驗(yàn),基于加入遺傳算法的BP神經(jīng)網(wǎng)絡(luò)(GA-BP)建立的ACFM實(shí)時(shí)高精度裂紋反演算法對(duì)實(shí)驗(yàn)得到的裂紋特征信號(hào)進(jìn)行長(zhǎng)度和深度的反演。結(jié)果表明:電磁耦合ACFM探頭有限元模型可較好地仿真裂紋特征信號(hào);采用能量譜和相位閾值判定方法能夠?qū)崟r(shí)獲取裂紋特征信號(hào);GA-BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)裂紋長(zhǎng)度和深度的反演,反演精度誤差不超過10%。

ACFM; 實(shí)時(shí); 高精度; 裂紋反演算法; 遺傳算法; BP神經(jīng)網(wǎng)絡(luò)

交流電磁場(chǎng)檢測(cè)(ACFM)技術(shù)最早應(yīng)用于海洋鉆井平臺(tái)焊縫檢測(cè),由于非接觸測(cè)量、無須標(biāo)定、提離效應(yīng)小、數(shù)學(xué)模型精確等特點(diǎn),已經(jīng)廣泛應(yīng)用于石油化工、鐵路運(yùn)輸、核能等領(lǐng)域[1-3]。ACFM技術(shù)利用激勵(lì)線圈在工件表面感應(yīng)出勻強(qiáng)電流場(chǎng),當(dāng)電流垂直穿過缺陷時(shí),電流會(huì)從缺陷兩端和底部繞過,引起周圍空間磁場(chǎng)發(fā)生畸變。X方向磁通密度產(chǎn)生波谷,波谷深度可反映缺陷深度。Z方向磁通密度產(chǎn)生波峰和波谷,峰谷之間距離可反映缺陷長(zhǎng)度[4-5]。在無損檢測(cè)領(lǐng)域中,由缺陷得到特征信號(hào)稱之為正演模型,反之,由特征信號(hào)得到缺陷形狀,稱之為反演模型[6]。通常由缺陷得到特征信號(hào)容易實(shí)現(xiàn),由特征信號(hào)反演缺陷形狀較為復(fù)雜,但缺陷形狀信息能夠反映結(jié)構(gòu)的破壞程度,是結(jié)構(gòu)評(píng)估十分關(guān)心的問題[7]。ACFM技術(shù)數(shù)學(xué)模型精確,其特征信號(hào)Bz反映裂紋長(zhǎng)度信息,Bx包含裂紋深度信息,具有良好的缺陷剖面(長(zhǎng)度和深度)反演條件。傳統(tǒng)ACFM插值反演算法相對(duì)簡(jiǎn)單,但精度低且實(shí)時(shí)性差[8-9];利用特征信號(hào)的反演算法,對(duì)樣本數(shù)據(jù)庫(kù)有較高的要求,特征信號(hào)之間的相互影響造成反演過程復(fù)雜,必須完成缺陷掃描后進(jìn)行特征信號(hào)分析或蝶形圖判定,難以實(shí)現(xiàn)實(shí)時(shí)判定和反演[10]。針對(duì)這些問題,筆者建立ACFM探頭電磁耦合仿真模型,通過能量譜和相位閾值判定方法實(shí)時(shí)獲取裂紋反演特征信號(hào)樣本數(shù)據(jù)庫(kù),引入反向傳播(BP)神經(jīng)網(wǎng)絡(luò)和遺傳算法(GA)實(shí)現(xiàn)ACFM裂紋長(zhǎng)度和深度的高精度反演。

1 電磁耦合ACFM探頭仿真模型

選擇ANSYS中的三維電路耦合絞線圈CIRCU124,根據(jù)需要設(shè)置其選項(xiàng)使其成為電源,將其K節(jié)點(diǎn)與探頭模型需要結(jié)合的位置上的節(jié)點(diǎn)用E命令生成一個(gè)耦合單元。由于絞線圈中的電流和通過線圈終端的電勢(shì)降是唯一的,所以將線圈每匝電流(CURR)自由度和通過線圈終端的電勢(shì)降(EMF)自由度分別耦合在一起。建立如圖1所示的三維ACFM探頭電磁耦合運(yùn)動(dòng)仿真模型。

模型中激勵(lì)探頭為U型載流線圈[11-12],線圈下方設(shè)有提取感應(yīng)磁場(chǎng)電壓的X線圈(提取X方向磁場(chǎng)的感應(yīng)電壓)和Z線圈(提取Z方向磁場(chǎng)的感應(yīng)電壓)。仿真模型中裂紋長(zhǎng)15 mm,寬0.8 mm,深5 mm,加載激勵(lì)電壓為1 V,頻率為6 kHz,檢測(cè)線圈提離高度為2 mm。選擇諧波求解器,沿著裂紋上方建立一條路徑,分別提取路徑上方X、Z方向線圈內(nèi)的電壓值Ex和Ez,如圖2所示。

圖1 電磁耦合ACFM探頭仿真模型

圖2 裂紋特征信號(hào)仿真結(jié)果

特征信號(hào)Ex在非裂紋區(qū)保持一定數(shù)值,當(dāng)進(jìn)入裂紋區(qū)(14～29 mm)后X方向磁通密度減小導(dǎo)致Ex出現(xiàn)波谷。由于提取的感應(yīng)電動(dòng)勢(shì)均為正值,因此Ez在未進(jìn)入裂紋區(qū)基本為0,在裂紋兩端(14 mm和29 mm)聚集區(qū)出現(xiàn)兩個(gè)峰值。Ex和Ez規(guī)律與ACFM原理一致,驗(yàn)證所建立的電磁耦合ACFM探頭仿真模型的正確性。

2 缺陷特征信號(hào)實(shí)時(shí)判定方法

傳統(tǒng)ACFM技術(shù)常采用特征識(shí)別方法,即根據(jù)Ex和Ez的特征或者由Ex和Ez組成的蝶形圖來判別[13]。由于基于特征信號(hào)或蝶形圖的判別方法需要在探頭完全掃過裂紋后依據(jù)獲取信號(hào)的特征進(jìn)行判別,難以實(shí)現(xiàn)缺陷特征信號(hào)的實(shí)時(shí)數(shù)據(jù)存儲(chǔ)與處理。采用能量譜和相位閾值判別方法,可依據(jù)閾值實(shí)時(shí)保存缺陷有效信號(hào)特征值,為缺陷的實(shí)時(shí)、高精度反演奠定基礎(chǔ)。

如圖2所示,由于Ex的峰值之間距離(16 mm)大于Ez峰峰距離(14 mm),也大于裂紋長(zhǎng)度(15 mm),因此Ex包含更多缺陷信息(深度及長(zhǎng)度,特別是長(zhǎng)度估算有安全余量)。

將X線圈的電動(dòng)勢(shì)Ex通過傅里葉變換的平方換算得能量譜(QEx),如圖3所示。在Ex的峰峰間距內(nèi)(虛線范圍),取能量譜QEx的最大值Q,以Q數(shù)值畫一條水平線,該水平線與Ex能量譜的交點(diǎn)位置(實(shí)線區(qū)域)明顯大于Ex峰值,則位于Q以下的能量譜信息包含裂紋全部長(zhǎng)度和深度信息。選定Ex能量譜的峰值Q作為裂紋實(shí)時(shí)判定的閾值。

圖3 Ex能量譜曲線

由于裂紋區(qū)兩側(cè)Z方向的磁通密度相反,當(dāng)檢測(cè)線圈進(jìn)入缺陷時(shí)Ez的相位會(huì)發(fā)生變化,如圖4所示。在裂紋區(qū)(14～29 mm)處,Ez的相位有突變，Ez相位導(dǎo)數(shù)在裂紋區(qū)域出現(xiàn)明顯的峰值。選定Ez相位的導(dǎo)數(shù)作為裂紋實(shí)時(shí)判定的另一依據(jù)。依據(jù)Ex能量譜和Ez相位閾值實(shí)時(shí)判定方法能夠?qū)崟r(shí)獲取裂紋特征信號(hào),所設(shè)計(jì)裂紋特征信號(hào)實(shí)時(shí)判定法如圖5所示。主要步驟如下:

(1)對(duì)采集到的Ex、Ez和激勵(lì)信號(hào)進(jìn)行鎖相放大和數(shù)據(jù)處理,得到Ex能量譜QEx和Ez相位φZ(yǔ)。

圖4 Ez相位變化關(guān)系

圖5 缺陷特征信號(hào)實(shí)時(shí)判定方法

(2)判斷QEx與閾值大小關(guān)系。若QEx小于等于Q,則保存數(shù)據(jù)。若QEx大于Q,則舍棄該數(shù)據(jù)。

(3)對(duì)Ez相位求導(dǎo)得到Dz。判斷Dz是否滿足要求(本文中相位判斷設(shè)有余量,Ez相位導(dǎo)數(shù)閾值設(shè)為180)。Dz大于等于180則視為有效數(shù)據(jù),將保存的數(shù)據(jù)作為缺陷特征信號(hào)樣本數(shù)據(jù)庫(kù);若Dz小于180則遞增閾值Q并清空保存的缺陷數(shù)據(jù),并繼續(xù)進(jìn)行閾值判定。

該算法實(shí)時(shí)更新閾值可有效避免裂紋特征信號(hào)的誤判,可在檢測(cè)線圈進(jìn)入裂紋區(qū)時(shí)及時(shí)有效保存裂紋特征信號(hào),無須完全掃過裂紋進(jìn)行缺陷的判斷,達(dá)到裂紋實(shí)時(shí)判定的目的。

3 裂紋實(shí)時(shí)反演實(shí)驗(yàn)

3.1 檢測(cè)系統(tǒng)設(shè)計(jì)

依據(jù)ACFM技術(shù)原理,設(shè)計(jì)裂紋實(shí)時(shí)反演實(shí)驗(yàn)系統(tǒng),如圖6所示。ACFM激勵(lì)探頭選用U型載流線圈,利用直徑為0.5 mm的漆包線在錳鋅鐵氧體磁芯橫梁上纏繞500圈。檢測(cè)線圈采用線圈式傳感器,利用直徑為0.15 mm的漆包線在矩形小磁芯上纏繞兩個(gè)方向相互垂直的小線圈,分別用于拾取X方向磁通密度Bx和Z方向磁通密度Bz。

圖6 裂紋實(shí)時(shí)反演ACFM檢測(cè)系統(tǒng)設(shè)計(jì)

信號(hào)發(fā)生器產(chǎn)生幅值為1 V,頻率為6 kHz的正弦激勵(lì)信號(hào),經(jīng)過功率放大輸送給激勵(lì)線圈。激勵(lì)線圈在試件表面產(chǎn)生均勻激勵(lì)電流區(qū)域,電流經(jīng)過缺陷引起空間磁場(chǎng)畸變。檢測(cè)線圈拾取Bx和Bz信息并轉(zhuǎn)化為電信號(hào)Ex和Ez。Ex和Ez經(jīng)過調(diào)理電路(放大和濾波),由采集系統(tǒng)傳輸至計(jì)算機(jī)。計(jì)算機(jī)內(nèi)部基于Ex能量譜和Ez相位閾值缺陷特征信號(hào)實(shí)時(shí)判定軟件可實(shí)時(shí)獲取缺陷特征信號(hào)。最終搭建的裂紋實(shí)時(shí)反演檢測(cè)系統(tǒng)實(shí)物如圖6所示。

試件為低碳鋼板,鋼板上采用電火花技術(shù)刻有不同尺寸的矩形人工裂紋。利用PLC控制掃描臺(tái)架帶動(dòng)ACFM探頭(激勵(lì)和檢測(cè)線圈)沿著其中一條裂紋(長(zhǎng)40 mm,深6 mm)進(jìn)行勻速掃描,掃描速度為3 mm/s,測(cè)控軟件采集Ex、Ez和探頭的位置信息,得到的缺陷特征信號(hào)如圖7所示。

為了實(shí)現(xiàn)缺陷的實(shí)時(shí)、高精度反演量化,引入靈敏度作為缺陷尺寸反演的特征量[14]:

式中,Ex0為遠(yuǎn)離裂紋處Ex分量信號(hào)幅值;Exmin為Ex信號(hào)幅值最小值;Ezmax為Ez信號(hào)畸變最大幅值。

圖7 裂紋檢測(cè)特征信號(hào)

對(duì)獲取的裂紋特征信號(hào)進(jìn)行實(shí)時(shí)分析,得到Ex靈敏度Sx為9.2%,Ez靈敏度Sz為26.63%,Ez峰值之間距離Lz為38.46 mm。同時(shí),對(duì)不同深度和長(zhǎng)度裂紋進(jìn)行檢測(cè),得到不同裂紋尺寸的信號(hào)特征量如表1所示。

3.2 基于GA-BP的缺陷反演算法

如圖8所示,利用MATLAB中的newff函數(shù)創(chuàng)建4層BP神經(jīng)網(wǎng)絡(luò),默認(rèn)缺省initnw初始化權(quán)重與偏置[15]。initnw方法雖然使得每層神經(jīng)元的活動(dòng)區(qū)域能大致平坦地分布在輸入空間,但是由此訓(xùn)練所得的網(wǎng)絡(luò)存在網(wǎng)絡(luò)結(jié)構(gòu)不確定問題,即初始權(quán)重與偏置的取值是隨機(jī)的。由此可見,BP算法存在收斂速度慢、不能保證收斂到全局最小點(diǎn)、網(wǎng)絡(luò)結(jié)構(gòu)不易確定等特點(diǎn)[16]。

遺傳算法具有很好的收斂性和魯棒性,在較高計(jì)算精度時(shí),計(jì)算時(shí)間少[17-18]。在BP網(wǎng)絡(luò)訓(xùn)練之前增加一步遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置(GA-BP神經(jīng)網(wǎng)絡(luò)模型),以便確定一組最優(yōu)的初始化權(quán)重與偏置,從而優(yōu)化BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)[19-21]。

表1 不同尺寸裂紋特征信號(hào)數(shù)據(jù)庫(kù)

圖8 4層BP神經(jīng)網(wǎng)絡(luò)模型

在缺陷反演GA-BP神經(jīng)網(wǎng)絡(luò)中,輸入向量包括Ex靈敏度和Ez靈敏度以及Ez分量波形峰谷間距3個(gè)特征量,輸出向量為缺陷長(zhǎng)度和深度兩個(gè)特征量,由此建立的4層BP網(wǎng)絡(luò)模型的神經(jīng)元矩陣為[5,6,2]。以表1中的1～16組作為訓(xùn)練樣本,17～19組作為測(cè)試樣本。由于缺陷尺寸取值范圍也有較大差異,為了提高預(yù)測(cè)精度,需要在訓(xùn)練前對(duì)表1中的樣本數(shù)據(jù)進(jìn)行[-1,1]區(qū)間內(nèi)的歸一化處理。遺傳算法求解BP神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置過程如圖9(a)所示,BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如圖9(b)所示。

對(duì)建立的GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),并對(duì)樣本數(shù)據(jù)庫(kù)內(nèi)的第17組裂紋(長(zhǎng)43 mm,深 5 mm)進(jìn)行樣本預(yù)測(cè),得到裂紋預(yù)測(cè)結(jié)果如圖10所示。反演結(jié)果顯示第17組裂紋尺寸:長(zhǎng)度為40.70 mm,深度為4.72 mm,長(zhǎng)度誤差為5.35%,深度誤差為5.60%。

同樣地利用GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)18組和19組樣本裂紋進(jìn)行反演,反演結(jié)果見表2。

圖9 GA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程

圖10 GA-BP網(wǎng)絡(luò)對(duì)第17組裂紋反演結(jié)果

表2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的測(cè)試樣本預(yù)測(cè)結(jié)果

第18、19組樣本裂紋長(zhǎng)度反演誤差分別為6.12%和9.40%,深度反演誤差分別為7.00%和8.50%。由表2可以看出,基于GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)于較淺裂紋、較長(zhǎng)裂紋具有更好的預(yù)測(cè)能力。與裂紋實(shí)際尺寸相比,基于GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)裂紋尺寸相對(duì)誤差不超過10%,滿足工程實(shí)際要求。

4 結(jié)論

(1)建立的電磁耦合ACFM仿真模型能夠準(zhǔn)確獲取裂紋上方X線圈和Z線圈內(nèi)部的電壓Ex和Ez。

(2)基于Ex能量譜和Ez相位導(dǎo)數(shù)的閾值判定方法可實(shí)時(shí)獲取裂紋特征信號(hào)。

(3)基于GA-BP神經(jīng)網(wǎng)絡(luò)的裂紋反演算法可有效地預(yù)測(cè)缺陷長(zhǎng)度和深度,預(yù)測(cè)誤差不超過10%,滿足工程實(shí)際要求。

[1] LUGG M C. The first 20 years of the A.C. field measurementtechnique:18th World Conference on Non-Destructive Testing (WCNDT)[C]. South Africa,2012:16-20.

[2] 李偉,袁新安,陳國(guó)明,等.基于外穿式交流電磁場(chǎng)檢測(cè)的鉆桿軸向裂紋在役檢測(cè)技術(shù)研究[J].機(jī)械工程學(xué)報(bào),2015,51(12):8-15. LI Wei, YUAN Xinan, CHEN Guoming, et al. Research on in-service detection for axial cracks on drill pipe using the feed-through alternating current field measurement [J].Journal of Mechanical Engineering, 2015,51(12):8-15.

[3] NICHOLSON G L, DAVIS C L. Modelling of the response of an ACFM sensor to rail and rail wheel RCF cracks [J]. NDT & E International, 2012,46:107-114.

[4] LI W, YUAN X A, CHEN G M, et al. A feed-through ACFM probe with sensor array for pipe stringcracks inspection [J]. NDT & E International, 2014,67:17-23.

[5] 齊玉良,陳國(guó)明,張彥廷. 交流電磁場(chǎng)檢測(cè)數(shù)值仿真及其信號(hào)敏感性分析[J]. 石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,28(3):65-68. QI Yuliang, CHEN Guoming, ZHANG Yanting. Numerical simulation on alternating current field measurement and sensitivity analysis of detected signal [J].Journal of the University of Petroleum, China (Edition of Natural Science),2004,28(3):65-68.

[6] RAMUHALLIP, UDPA L, UDPA S S. Electromagnetic NDE signal inversion by function-approximation neural networks [J]. IEEE Transactions on Magnetics, 2002,38(6):3633-3642.

[7] MAAZI M, BENZAIM O, GLAY D, et al. Detection and characterization of buried macroscopic cracks inside dielectric materials by microwave techniques and artificial neural networks [J]. IEEE Transactions on Instrumentation and Measurement, 2008,57(12):2819-2816.

[8] 李偉.基于交流電磁場(chǎng)的缺陷智能可視化檢測(cè)技術(shù)研究[D].青島:中國(guó)石油大學(xué),2007. LI Wei. Research on ACFM based defect intelligent recognition and visualization technique [D].Qingdao: China University of Petroleum, 2007.

[9] 李偉,陳國(guó)明.基于雙U形激勵(lì)的交流電磁場(chǎng)檢測(cè)缺陷可視化技術(shù)[J].機(jī)械工程學(xué)報(bào),2009,45(9):233-237. LI Wei, CHEN Guoming. Defect visualization for alternating current field measurement based on the double U-shape inducer array [J]. Journal of Mechanical Engineering, 2009,45(9):233-237.

[10] NOROOZI A, HASANZADEH R P R, RAVAN M. A fuzzy learning approach for identification of arbitrary crack profiles using ACFM technique [J]. IEEE Transactions on Magnetics, 2013,49(9):5016-5027.

[11] LI W, CHEN G M, YIN X K, et al. Analysis of the lift-off effect of a U-shaped ACFM system [J].NDT & E International, 2013,53:31-35.

[12] LI W, CHEN G M, LI W Y, et al. Analysis of the inducing frequency of a U-shaped ACFM system [J].NDT & E International, 2011,44:324-328.

[13] LUGG M, TOPP D. Recent developments and applications of the ACFM inspection method and ACSM stress measurement method:proceedings of ECNDT,2006 [C].Berlin:Germany, c2006.

[14] NICHOLSON G L, KOSTRYZHEV A G, HAO X J, et al. Modelling and experimental measurements of idealized and light-moderate RCF cracks in rails using an ACFM sensor [J]. NDT & E International, 2011,44:427-437.

[15] 李萍,曾令可,稅安澤,等.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(4):149-150. LI Ping, ZENG Lingke, SHUI Anze, et al. Design of forecast system of back propagation neural networks based on MATLAB [J].Computer Applications and Software, 2008,25(4):149-150.

[16] 李偉,陳國(guó)明,鄭賢斌. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的交流電磁場(chǎng)檢測(cè)裂紋量化研究[J]. 中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007,31(2):105-109. LI Wei, CHEN Guoming, ZHENG Xianbin. Crack sizing for alternating current field measurement based on GRNN [J].Journal of China University of Petroleum (Edition of Natural Science), 2007,31(2):105-109.

[17] 崔挺,孫元章,徐箭,等.基于改進(jìn)小生境遺傳算法的電力系統(tǒng)無功優(yōu)化[J].中國(guó)電機(jī)工程學(xué)報(bào),2011,31(19):43-50. CUI Ting, SUN Yuanzhang, XU Jian, et al. Reactive power optimization of power system based on improved niche genetic algorithm[J]. Proceedings of the CSEE,2011,31(19):43-50.

[18] 楊國(guó)軍,崔平遠(yuǎn),李琳琳.遺傳算法在神經(jīng)網(wǎng)絡(luò)控制中的應(yīng)用與實(shí)現(xiàn)[J].系統(tǒng)仿真學(xué)報(bào),2001,13(5):567-570. YANG Guojun, CUI Pingyuan, LI Linlin. Applying and realizing of genetic algorithm in neural networks control [J]. Journal of System Simulation, 2001,13(5):567-570.

[19] 李偉超,宋大猛,陳斌.基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)工程與設(shè)計(jì),2006,27(2):316-318. LI Weichao, SONG Dameng, CHEN Bin. Artificial neural network based on genetic algorithm [J]. Computer Engineering and Design, 2006,27(2):316-318.

[20] 李松,劉力軍,解永樂.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流混沌預(yù)測(cè)[J].控制與決策,2011,26(10):1581-1585. LI Song, LIU Lijun, XIE Yongle. Chaotic prediction for short-term traffic flow of optimized BP neural network based on genetic algorithm [J]. Control and Decision, 2011,26(10):1581-1585.

[21] 李松,羅勇,張銘銳.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(29):52-55. LI Song, LUO Yong, ZHANG Mingrui. Prediction method for chaotic time series of optimized BP neural network based on genetic algorithm [J].Computer Engineering and Applications,2011,47(29):52-55.

(編輯 沈玉英)

Real-time and high-precision cracks inversion algorithm for ACFM based on GA-BP neural network

LI Wei, YUAN Xinan, QU Meng, CHEN Guoming, GE Jiuhao,KONG Qingxiao, ZHANG Yutian, WU Yanyun

(CenterforOffshoreEquipmentandSafetyTechnologyinChinaUniversityofPetroleum,Qingdao266580,China)

It is hard to achieve a real-time and high-precision cracks inversion for alternating current field measurement(ACFM) based on traditional characteristic signals. In this paper, based on the finite element method (FEM) model of electromagnetic coupling ACFM probe, the energy spectrum and phase threshold determination methods were presented to obtain the crack characteristic signals in real time. The real-time and high-precision cracks inversion system for ACFM was set up and verified by artificial cracks experiment. The length and depth of cracks were calculated using the characteristic signals obtained from experiments based on the genetic algorithm and back propagation neural network(GA-BP) real-time and high-precision cracks inversion algorithm. The results show that the FEM model of electromagnetic coupling ACFM probe can simulate the characteristic signals perfectively, the energy spectrum and phase threshold determination method can obtain the crack characteristic signals in real time, the GA-BP neural network can realize the inversion of the length and depth of crack perfectly and the relative error of inversion accuracy is less than 10%.

alternating current field measurement(ACFM); real-time; high-precision; cracks inversion algorithm; genetic algorithm;BP neural network

2015-11-20

國(guó)家自然科學(xué)基金項(xiàng)目(51574276)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)(15CX05024A)；山東省自然科學(xué)基金英才基金項(xiàng)目(ZR2015EM009)；青島市科技成果轉(zhuǎn)化引導(dǎo)計(jì)劃(青年專項(xiàng))(14-2-4-49-jch)；中國(guó)石油大學(xué)(華東)研究生創(chuàng)新工程(YCX2015039)

李偉(1980-)，男，副教授，博士，研究方向?yàn)楹Ｑ笥蜌庠O(shè)備安全檢測(cè)技術(shù)、傳感器設(shè)計(jì)及其系統(tǒng)仿真。E-mail：liwei@upc.edu.cn。

袁新安(1990-)，男，博士研究生，研究方向?yàn)榻涣麟姶艌?chǎng)檢測(cè)技術(shù)和油氣管道無損檢測(cè)技術(shù)。E-mail：xinancom@163.com。

1673-5005(2016)05-0128-07

10.3969/j.issn.1673-5005.2016.05.016

O 346.1

:A

李偉, 袁新安,曲萌,等.基于GA-BP神經(jīng)網(wǎng)絡(luò)的ACFM實(shí)時(shí)高精度裂紋反演算法[J]. 中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016,40(5):128-134.