基于BP神经网络的缺陷量化方法优化

使用BP神经网络由漏磁检测数据的曲线来确定缺陷的较精确的长度和深度，由各曲线得到的识别结果综合起来就可得到较为完整的缺陷形状信息。

缺陷参数识别的实验中选用3层BP神经网络，使用LM算法，神经元传递函数是Sig_- moid型可微函数，输出神经元采用线性传递函数。实验中分别使用仿真数据曲线和实际检测数据曲线作为样本，对相应的仿真缺陷和人工制作的实际缺陷的参数进行识别。

1.仿真缺陷的参数识别结果

实验中以缺陷的轴向漏磁仿真数据曲线（共900个点）作为样本，仿真数据曲线由AN_- SYS软件仿真得到。共制作样本150个；神经网络的输入层节点为900个；隐含层节点为50个；输出层节点为2个，即缺陷的长度和深度。量化结果见表9-4。

表9-4 仿真缺陷参数量化结果

由表9-4可见，由于仿真数据较为理想，样本较充分，由仿真数据得到的缺陷参数量化结果也非常理想。

2.实际缺陷的参数量化结果

实验中以人工缺陷漏磁检测数据曲线（共140个点）作为样本。共制作了125个样本。人工缺陷的形状为矩形和圆形，其外形如图9-8所示。这样形状的缺陷形成的漏磁信号特征明显，易于分析。缺陷的几何参数设计成不同的长度系列（3cm、5cm、7cm、9cm、10cm）和宽度系列（3cm、6cm、9cm、12cm）及深度系列（10%、20%、35%、50%），各系列之间互相匹配，便于对比分析。(www.xing528.com)

图9-8 人工缺陷外形

a）俯视图 b）侧视图

相对于样本数据，神经网络的输入层节点为140个；隐含层节点为50个；输出层节点为2个，即缺陷的深度和长度。分别用一组径向漏磁信号和轴向漏磁信号训练BP神经网络，网络训练次数都为3000次。对一组待识别信号得到实际缺陷参数的量化结果见表9-5。

表9-5 实际缺陷参数的量化结果

由表9-5可见，相对于仿真缺陷，实际缺陷参数的量化结果误差较大。原因主要有两方面：一是缺陷样本不够充分；二是缺陷制作时相互距离较近，漏磁场互相干扰，导致很多检测数据不够理想。虽然如此，量化结果的相对误差绝大部分在10%以内，少数识别结果（如5号缺陷的深度）的相对误差较大，但绝对误差很小，在1mm左右，这也基本符合实际检测的要求。