Page 142 - 201901

138 2019 年 1 月

10，输出层神经元节点数 O 为脱粘类型三，当 BP 3.3 脱粘缺陷界面位置、尺寸的识别
神经网络作为分类器时，隐层神经元节点数遵循 由 5 个波峰的声程可知波峰 a、b 对界面 1 脱粘
公式 Y = (I + O) 0.5 + η(η = 1 ∼ 10)，因此 Y 取 缺陷的敏感度强于界面 2，以良好粘接波形的为基
4∼13 中的数，经多次调整最终确定隐层节点数为 准，计算 24 个已知脱粘缺陷与良好粘接回波中 a、b
5 [14−15] ，设定网络学习率为0.5。样品集经过归一化 峰值的误差平方根如图8所示。
预处理后输入 BP 神经网络进行训练和自学习，网
络输出样本分类，根据结果与实际类型的误差函数 500
反复调整神经网络的权值、阈值，直到满足误差小 400
于 1 × 10 −5 或迭代次数大于 20 的条件，则 BP 神经 300
网络训练完毕；提取待测脱粘缺陷特征值，归一化后 ឨࣀࣱவಪ/mm
输入至训练完毕的神经网络，通过分析待测缺陷特 200
征值与训练样本集特征值的关联度，由阈值函数判 100
定分类结果并输出，实现待测试块的分类。图 7 为 0
12个待测缺陷的BP神经网络分类结果与实际类型 0 2 4 6 8 10 12 14 16 18 20 22 24
的对比图，三类缺陷的分类结果全部正确，证明了经 ࣃᅼᑲዥតڱऀՂ
过训练的三层 BP 神经网络脱粘分类方法用于对未 图 8 待测与良好粘接试块波形 a、b 峰值的误差平
知脱粘类型分类的可行性和准确性。 方根
Fig. 8 Standard deviation of the a and b peaks
ࣃᅼᑲዥᎥᬞྲढ़ϙ of the waveform to be tested and good adhesion
test block
ᝫጷನֶᬷ+ಣᰎನవᬷ
图 8 显示，某些误差平方根平稳且数值相对较
ᝫጷ֗ᒭߦ˸
ॠ฾ Ѭ 小，另一些波动较大且数值远远大于平稳误差平方
ᑲዥ ॆ ྲ ዝ
Ꭵᬞ ʷ ढ़ ໘ᡜʷࠀ౎͈ ፇ 根。对比实际脱粘类型可知较小的误差平方根来自
ྲढ़ ӑ Т
ϙ ᐏ ᝫጷ߹ඌ ౧ 含界面 2 脱粘缺陷的试块，基于此原理可得出判断
BPᇸፃᎪፏ 缺陷界面位置的阈值f 为
m
图 6 基于 BP 神经网络的脱粘缺陷分类步骤 1 ∑ √ 2 2
f = (a i − a 0 ) + (b i − b 0 ) , (10)
Fig. 6 Classification steps of debonding defects m i=1
based on BP neural network
式 (10) 中：m 为标准差较小的脱粘试块个数；a 0 、b 0
为良好粘接回波中的 a、b 波峰值；a i 、b i 为第 i 个含
ࠄᬅዝی
BPᎪፏѬዝፇ౧ 缺陷回波中的 a、b 波峰值；当含缺陷回波与良好粘
஥གی
接回波的 a、b 波峰值误差平方根大于 f 时，缺陷位
于粘接界面1，反之位于粘接界面2。
ጋ᠛ی
确定了待测缺陷的种类和界面位置后，可挑选
ᴂӊی 出 4 个与待测缺陷种类、位置相同，尺寸不同的样
本。缺陷尺寸为 30 mm 与缺陷大于等于线源尺寸
25 mm 时的声波都集中在第一层材料中，前者的回
0 1 2 3 4 5 6 7 8 9 10 11 12 13
ॠ฾តڱՂ 波可以代替后者。结合良好粘接样本，共有缺陷尺
寸为0 mm、5 mm、10 mm、15 mm和25 mm的样本
图 7 BP 网络分类结果及实际类型对比图
Fig. 7 Comparison of BP network classification 特征值数据，以鼓包型界面 1 脱粘缺陷为例，其5 个
results and actual types 样本的5个波峰值折线图如图9所示。