引 言电触头是开关电器的关键部件之一，其钎焊质量直接影响电器的性能和寿命。在电触头钎焊过 程中，由于接头间隙不合适，焊前表面清理不充分，钎焊加热不均匀，钎料和钎剂的种类及数量选 择不适宜等原因，将会产生各种缺陷，如气孔、夹渣、未焊合和裂纹等。文献［１］开发了一个超 声成象检测系统解决了电触头钎焊缺陷的检测和定量分析，本文进一步研究这些缺陷的分类问题。 通过缺陷分类，便于找出缺陷产生的原因，从而研究进一步提高产品质量的对策。特征提取和分类 器结构是影响分类性能的两个关键因素。最近，大量的基于时频分析的特征提取方法已经被提出来 ［２，３］。研究结果表明，利用声学信号的小波表示，能大大改进分类性能［３］。图１ 电触 头钎焊接头超声检测信号的集成神经网络分类原理框图本文根据电触头钎焊接头超声检测信号的特 点，基于小波分析和ＢＰ网络提出了一种新的分类方法。１ 方法电触头钎焊接头超声检测信号的 集成神经网络分类原理框图如图１所示，分四步：频率不变性预处理，基于小波变换的特征提取， 特征量预处理和集成ＢＰ神经网络分类。１．１ 频率不变性预处理在超声无损检测中，探头频率 选择依赖于工件厚度、分辩率、缺陷深度和缺陷方向等。在电触头钎焊接头检测中，根据不同钎焊 界面的深度，我们选用了５ＭＨｚ和１０ＭＨｚ两种探头检测。由于大多数模式分类算法强烈地依 赖信号的形状，超声检测信号的形状随探头中心频率的不同变化很大，为了使本文分类算法不受探 头中心频率的影响，引入了一种频率不变性预处理，它将不同频率的信号变换到一个参考频率上， 然后进行特征提取。频率不变性预处理基于简单的时间伸缩来实现，它同时对信号的中心频率和带 宽进行操作。一个中心频率为ｆ１、带宽为ＢＷ１的信号被变换成中心频率和带宽分别为ｆ２和Ｂ Ｗ２的信号，可以利用Ｆｏｕｒｉｅｒ变换特性实现：ｘ（ａｔ）１ａＸ（ｆａ）（１）式中， ｘ（ｔ）Ｘ（ｆ）。被变换信号是被压缩或扩张依赖于因子ａ，文中时间伸缩在１０ＭＨｚ信号 上使用，首先将长度为２５６个采样值的１０ＭＨｚ原始超声检测信号进行线性插值，然后将其两 端分别截掉６４个采样值。原始检测信号是以钎焊界面为中心，采样频率为４０ＭＨｚ，信号长度 为２５６个采样值，由于钎焊界面很薄，信号的前后６４个采样值不携带任何缺陷信息。因此上述 截断操作不产生缺陷信息丢失。１．２ 基于小波变换的特征提取超声检测信号空间是一个维数很 高的空间，为了使人工神经网络分类器具有强的推广性，通常需要通过特征量提取降低信号空间维 数。由超声探伤仪所接受到的回波信号是时变的，由于超声波和被检材料的相互作用，其幅值和频 率会发生改变，也正因为如此超声回波信号中包含了许多缺陷信息，如超声回波信号和信号的暂态 信息，Ｆｏｕｒｉｅｒ变换只提供信号的总体描述，不能很好地发现暂态信息的位置和分布。小波 变换由于具有时频局部化能力，它能很好地抽取信号的各种信息成分。文献［４］证明了信号的暂 态信息能通过小波变换的局部模极大值来表示。本文分类算法利用时频平面前三个尺度上细节信息 的模极大值作为特征量。为了保留模极大值的位置信息，特征量除了模极大值外，非模极大值点置 ０后，一并作为特征量，且所有点的时间位置关系不变。１．３ 特征量的预处理在把特征量输入 到人工神经网络之前，同样需要对特征量进行预处理，使得所有特征量的值在０和１之间。主要目 的是减少超声检测时由于灵敏度调节的差异带来的影响。特征量的预处理按如下公式进行：ｘｉ ＝ｘｉ／ｘｉｍａｘ（２）式中，ｘｉ是预处理后的特征量；ｘｉ是第ｉ个特征量；ｘｉｍａｘ 是该尺度上特征量的最大值。１．４ 集成ＢＰ神经网络分类器集成ＢＰ神经网络分类器结构的原 理框图如图２所示，它由三个ＢＰ网络和一个决策器组成。三个ＢＰ网络具有同样结构，如图３所 示，是一个具有２个隐层的ＢＰ网络。图２ 集成ＢＰ神经网络分类器结构框图图３ 具有两个隐 层的ＢＰ神经网络结构图每个ＢＰ网络将超声检测信号分成三类：气孔，夹渣和未焊合。由于裂纹 在电触头钎焊过程中极少出现，本文未考虑该类缺陷。每个网络采用熟知的ＢＰ算法训练。第一个 网络ＢＰ１利用小波变换１尺度上的特征量进行分类，输入结点数为１２８，第一个隐层结点数 为３０，第二个隐层结点数为７，输出层结点数为３。第二个网络ＢＰ２从输入到输出各层结点 数分别为６４、１５、７、３，该网络利用２尺度上的特征量进行分类。第三个网络ＢＰ３从输 入到输出各层结点数分别为３２、８、７、３，该网络利用３尺度上的特征量进行分类。每个ＢＰ 网络的输出层包括３个神经元，分别对应三种类型的缺陷。超声缺陷信号是一宽带窄脉冲信号，通 常在小波变换的前几个尺度上都包含缺陷信息，但是由于超声信号在通过水、工件等的传播过程中 产生中心频率下移［５］，缺陷信号有时可能仅出现在某个尺度上或某几个尺度上，且各个尺度上 的信噪比也不一样。如果采用单个ＢＰ网络分类，将各个尺度上的特征量联合起来作为特征量训练 、分类，这样不仅降低了分类的可靠性，而且增加了特征量的维数，降低网络的推广能力。实验研 究表明缺陷信号通常集中在前三个尺度上，所以本文采用三个ＢＰ网络分别对各个尺度上的特征量 分类，再通过决策器最后决定缺陷的类别。决策器结构如图４所示，采用表决法集成三个ＢＰ网络 的分类结果，最后输出值最大的一类，决定缺陷的类别。１、２、３尺度上的权值分别为０．３、 ０．４５、０．２５。１尺度由于信号信噪比较低，权值较小，３尺度由于特征量维数较低，权值 也较小。图４ 决策器结构框图采用集成ＢＰ网络结构与单个ＢＰ网络相比，增加分类的冗余度， 增强网络的推广性。对每个尺度信息分别分类，最后集成，提高网络的分类可靠性。２ 实验结果 本文对２１３个电触头钎焊接头超声检测信号进行了实验，其中１０８个信号的特征量作为训练样 本集，训练样集中包含了所有缺陷类型的信号。另外，１０５个信号的特征量作为测试样本集来测 试经过学习得到的人工神经网络对超声检测信号缺陷的检测和分类能力。实验中小波变换采用离散 小波变换［６］，母小波采用Ｄａｕｂｅｃｈｉｅｓ小波［７］。为了比较本文提出的集成分类器 的性能，我们还利用单个ＢＰ网络对２１３个检测信号进行了分类，分类时特征量仅使用２尺度上 的特征量，分类结果比较如表１所示。表１ 单个分类器和集成分类器的分类结果比较正确分类率 类别单个分类器集成分类器气孔８８％９１％夹渣９０％９３％未焊透８７％９１％从表１可以看 出，采用集成分类器，网络分类能力得到了提高。分类能力提高不是十分显著，主要因为在进行集 成决策时采用了固定权值强度，如果采用一种自适应权值选择算法，分类能力会大幅度提高，我们 正在进一步研究中。为了验证频率不变性预处理在本文分类算法中的作用，本文还对１０ＭＨｚ信 号不采用频率不变性预处理进行了实验，实验结果如表２所示。由表２可见，频率不变性预处理在 电触头钎焊接头超声检测信号分类中十分重要。表２ ６１０ＭＨｚ信号经过和不经过频率不变性 预处理的分类结果比较正确分类率类别不进行频率不变性预处理进行频率不变性预处理气孔５７％ ９０％夹渣６１％９２％未焊透５３％９１％３ 结论电触头钎焊接头超声检测信号的集成神经网 络分类方法，利用时间伸缩消除探头中心频率的影响，利用小波变换提取特征量，用集成神经网络 分类器分类。时间伸缩操作把不同中心频率的超声检测信号变换到一个参考频率上，保证了神经网 络分类不依赖于探头的中心频率。在时频平面中提取特征量是因为小波变换具有时频局部化能力， 在分类超声检测信号这种暂态信号能显著提高分类能力。采用集成神经网络分类增加了网络的冗余 性，因而提高了分类的可靠性和分类能力。实验结果表明了该分类方法与传统分类方法相比，分类 性能有较大提高。如果采用自适应决策器，网络分类性能会有进一步提高，这一方面工作正在进一 步研究中。电触头钎焊接头超声检测信号的集成神经网络分类@张广明$西安交通大学!西安71 0049@王裕文$西安交通大学!西安710049@谭玉山$西安交通大学!西安71004 9钎焊缺陷;;超声检测;;神经网络研究电触头钎焊接头超声无损检测中的缺陷分类问题，提出 了一种新的集成神经网络分类方法。该方法分四步：频率不变性预处理，多分辩分析，特征量预处 理，集成ＢＰ神经网络分类。使用不同中心频率探头检测得到的缺陷信号首先通过预处理变换到一个等效的参考频率上，然后利用离散小波变换提取特征量。特征量被预处理后，输入到集成ＢＰ神经网络分类器中分类。本文用２１３个超声检测信号测试了集成神经网络的性能。实验结果表明了频率不变性技术和集成ＢＰ神经网络分类技术的有效性。1 马宏伟等. 钎焊缺陷的超声无损检测. 西安交通大学学报,1998,32(7)
2 Learned R E , et al. A w avelet packet approach to transientsign al classification. Appl. Com put. Harm onic Anal. 1995, 2(3):265～278
3 Sh im soni Y , et al. Classification of seism ic signals byintegratin g ensem bles of n eural netw ork s. I E E E Trans. Signal Processing,1998,46(5):1194～1201
4 M allat S , et al. Singularity detection and processing w ithw avelets. I E E E Trans. Inform . Theory,1992,38(2):617
More abstracts about the 电触头钎焊接头超声检测信号的集成神经网络分类