闫旺 王福仁 于灏 何川
摘要：通过LabVIEW等软硬件结合，搭建智能化超声检测系统，解决风电塔筒焊缝在超声检测过程中技术难度大、效率低，存在误判、漏检等问题。首先搭建超声检测系统，通过传统超声设备获取焊缝检测信号，其次利用小波法去噪、提取特征值，得到高质量缺陷信号。最后构建BP神经网络模型，搭建数据库，通过神经网络训练，获得最优权值和阈值，可对缺陷进行有效的分类和识别。结果表明，超声检测系统对裂纹、气孔、夹渣的识别率达到了87.5%，降低了技术难度，提高了缺陷判断的准确性和可靠性。
关键词：神经网络；LabVIEW；风电塔筒；超声检测
中图分类号：TP391 文献标识码：A
文章编号：1009-3044（2024）14-0041-05 开放科学（资源服务）标识码（OSID） ：
0 引言
风力发电塔筒作为整个风力发电机组的支撑构件，需要具备较高的强度和支撑性能。塔筒生产大多采用钢制圆柱及圆锥结合的筒形塔架，整体结构采用焊接技术制造[1]。在加工过程中，焊接工作量巨大，对焊接质量的要求也很高，所有焊缝均要求为熔透型焊缝，并且按照NB/T47013国标I级要求进行100% 超声波探伤[2-3]，以保证合格。目前，塔筒的生产过程中普遍采用埋弧焊自动焊和CO2气体保护焊进行焊接。其中，70% 的焊缝采用埋弧自动焊焊接，焊接后根据焊缝的质量要求进行超声检测[4]，如发现缺陷则进行打磨后重新焊接。气孔、夹渣、裂纹等缺陷是风电塔筒环焊缝焊接过程中的常见问题，严重影响风电塔筒的安全运行。传统的超声检测对检验人员的技能水平要求较高，检测效率低，且存在误判、漏判的现象。此外，现场嘈杂的环境会对超声信号形成干扰，从而严重影响检测结果的准确性[6]。国内外学者通过对超声检测信号进行降噪处理和特征值提取，获得了高质量的超声波检测信号。张昱等[7]进行了超声扫查仪部分硬件设计及基于LabVIEW开发环境的上位机软件的数据采集部分设计工作，通过该系统采集超声试块信号，并利用软件进行信号的分析与处理，验证了该系统的可行性。樊岩松[8]利用LabVIEW中的ADO技术搭建了焊缝表面缺陷数据库，实现了表面裂纹、咬边、焊瘤、气孔等缺陷的数据回放。翟昕玥等[9]在Lab?VIEW开发环境中开发了管道超声波检测系统，能够对缺陷超声数据进行波形显示，并输出厚度值。
针对超声波检测对检验人员技能水平要求较高、工作强度大等问题，国内外学者利用神经网络自主学习，实现了对常见缺陷信号的定性识别和智能化判断。Huang等[10]通过分析TOFD二维超声焊接缺陷图像特征与焊缝缺陷剖面之间的关系，提出了一种基于Faster RCNN的神经网络，实现了裂纹、孔隙率、夹杂、未焊透和未熔合5种焊缝缺陷类型的自动识别。Miao 等[11]提出了神经网络与涡流信号相结合的方法，用于检测窄搭接电阻焊中的夹渣、裂纹、未熔丝等缺陷。Liu 等[12]使用高速摄像机以10 000fps 的帧率监测熔池，并构建了CNN模型，对焊缝熔深状态进行分类。该模型能够对非穿透、临界穿透和全穿透进行分类，准确率达96% 以上。本文提出了一种基于LabVIEW 对超声检测系统进行优化的方案，能够对超声波回波信号进行数据采集、信号处理，同时利用神经网络建立数据库、进行数据对比和缺陷识别，最终实现对风电塔筒焊缝缺陷的智能化检测。
1 系统的总体设计与搭建
1.1 超声波检测技术
超声波焊缝检测技术利用发射探头向焊件发射超声波，超声信号在焊件中直线传播。当遇到缺陷或异质界面时，会产生反射或折射，探头接收到反射或折射信号后，设备面板显示相应波形。检测人员通过观察波形，来判断焊件是否存在缺陷，并对缺陷进行定位分析和类型判断[13]。目前，在塔筒生产过程中，纵缝和环缝焊接完成后普遍采用超声波检测技术。超声波检测技术的原理如图1所示。
1.2 LabVIEW 软件
LabVIEW软件是由美国国家仪器（NI） 公司研制开发的一种图形化编程语言。通过计算机、数据采集器、脉冲收发仪和LabVIEW的结合，作为可配置的虚拟仪器来完成特定任务。LabVIEW具有功能强大、界面清晰、操作简单、编程容易等特点，被广泛应用于工业硬件控制[14]。同时，LabVIEW还集成了大量的函数库和子程序，可用于完成各种编程任务。在本文中，LabVIEW 主要用于实现PC 机与超声检测硬件的结合，通过LabVIEW控制超声检测设备，收集回波信号，显示收集到的数据。LabVIEW结合Matlab软件实现小波法降噪和特征值提取，为后续神经网络构建数据库提供数据支持。
本文采用软件和硬件结合的方式搭建超声检测系统。系统硬件设备包括PC电脑、鼠标、键盘、超声检测仪、数据采集卡和脉冲发生接收器。软件采用基于LabVIEW平台在PC机运行的虚拟仪器和Matlab分析软件。本系统主要能够实现超声信号的采集、回放、去噪和特征值提取等功能。智能化超声检测系统如图2所示。
2 超声信号处理及特征值提取
2.1 小波去噪理论及步骤
为了实现塔筒焊缝的快速检验并及时返修，在现场完成超声波探伤检测时，不可避免地会存在各种噪声，导致缺陷信号受到杂波影响，进而影响检测结果的准确性。因此，有必要对信号进行降噪处理。由于焊接缺陷信号通常为突变信号，小波法去噪的能力优于传统的基于傅里叶变换的频域滤波和基于平滑的零域滤波。本文选择小波法进行去噪。小波法去噪是利用信号在时间和频率细节上的特性，对混合信号进行分解，提取信号的成分并剔除噪声成分，最后重构出有效信息[15]。小波法去噪的流程包括以下步骤：①分解原始信号；②设置每层的小波阈值；③设置每个分解层中小波系数的阈值；④小波重建。在完成小波去噪的过程中，对小波基的选择、分解层数的确定和阈值的设定尤为重要。
1） 分解原始信号。在选择小波基函数时，需要考虑小波基函数与超声信号的相关性。两者的相关性越高，对缺陷信号的识别率就越高。选择合适的小波基函数，将原始信号分解为N层，得到相应的尺度系数和小波系数。通常，选择小波基函数时会考虑小波基的正交性、紧致性、对称性、规律性和高消失矩[16]。常用于小波阈值去噪的小波基函数包括Daubechies 小波、Coiflet小波和Symlet小波等。对于小波分解层，分解层数越多，可以得到的小波系数就越丰富，信号和噪声的不同特性也就越明显。然而，随着分解层数的增加，会导致丢失信号的增加和计算量的增大，从而降低处理速度。在实际应用中，分解层数通常选择为3～5层，而小波基函数和分解水平则根据信号类型和检测条件综合确定。
2） 小波阈值去噪。常用的小波阈值选择方法包括sqtwolog阈值、heursure阈值和基于Brige-Massart策略的阈值选择规则。经过测试，本研究采用基于Brige-Massart策略的阈值选择规则。其原理如下[17]：
①给出指定分解层j，对于j+1及更高层，所有系数都被保持一致。
②对于第i层（1≤i≤j） ，保持ni 的绝对值最大，ni 可以通过公式（1）确定：
ni = M/（ j + 2 - i）α （1）
式中M和α都是经验系数，M = L（l），其中L（l）是最粗略近似（低频）系数的长度，本文选择α=3。
3） 设置分解层小波系数的阈值。根据设定的阈值，将小波系数设置为零。常用的小波系数阈值计算方法有两种：硬阈值和软阈值，如公式（2） 和（3） 所示。
硬阈值可以写成：
式中，W 为原始小波系数，WΔ 为去噪小波系数，Δ 为设置的阈值。
硬阈值法是通过信号的绝对值与阈值比较。当小于阈值时，将其设置为零，而在其他点保持不变。软阈值方法则将小于阈值的点设置为零，而大于或等于阈值的点则缩小为零，成为点值与阈值的差值。使用软阈值方法进行去噪时，可以使信号成为原始信号的近似最优估计值，并且估计信号至少与原始信号一样平滑，不会产生额外的波动。
4） 小波重建。完成原始信号的分解、小波去噪和阈值确定后，即可进行小波的重建过程。本研究采用2.5MHz斜探头，利用Matlab仿真出信号，并人为施加6dB的噪声。随后，利用db5小波法进行去噪，分别进行3～5层的去噪，得到去噪后的输出信噪比。然后，选择最优的层数，并利用软阈值去噪得到最优的阈值函数。随着分解层数的增加，信噪比会增大，但随着去噪过程的进行，信噪比的增加趋于平缓。通过实验得知，分解层数为4时，去噪效果最佳，且软阈值的去噪效果更为显着。综合考虑，本文选择了软阈值去噪，并确定分解层数为4。
2.2 特征值提取
焊接缺陷的类型和位置存在不确定性，因此超声波检测回波信号通常是瞬态非平稳信号。受到多次回波反射和外界因素影响，缺陷回波的特征信息可能被淹没，容易产生误判或漏判，从而降低检测结果的可靠性[19]。小波包分析具有时频分辨率和多分辨率的特点，能够更准确地分析瞬态非平稳信号。因此，本文采用小波包分析方法对焊缝缺陷信号进行去噪和频域分析，并提取缺陷的特征值，以构建反映缺陷信号本质的特征值。
3 神经网络建立缺陷数据库
通过去噪和特征值提取，得到的仍然是需要识别的波形信号，无法对缺陷进行准确判断和定性识别。因此，需要利用神经网络将波形信号转化为易于识别的图像信息。由于超声信号和焊接缺陷形貌之间的关系为非线性关系，采用神经网络可以准确、高效地构建信号波形和缺陷形貌之间的关系。本文利用设计的超声检测系统进行检测，获取缺陷的回波信号，并进行去噪处理和特征值提取。随后，利用神经网络进行缺陷分类识别。在建立缺陷数据库之前，需要对整体系统进行验证和调试，搭建神经网络系统。神经网络系统的建立如图3所示。
3.1 预制试样
风电塔筒的材质为常见的Q345结构钢。在实验过程中，选择尺寸为250×300×30的Q345钢板，开X型坡口，采用埋弧焊焊接，并预制缺陷包括气孔、夹渣和裂纹各50个。为了确定缺陷的类型和位置，采用X射线对缺陷进行定性和定位，以提供准确的对比和参照，为后续的超声波检测和数据库建立做准备。
3.2 神经网络建立
神经网络是利用内部大量的“神经节点”和彼此的关联来模仿人类大脑的信息处理模式而建立的数学模型。神经网络模型由输入层、隐藏层和输出层结构组成，每个神经元都与下一层的所有神经元相连，将上层的输出信号作为下一层的输入信号。神经网络的拓扑结构如图4所示，图中Xn表示n 个输入层的数据，Yn表示n 个经过隐藏层神经元输出的结果数据；Wi和Wj是输入层到隐藏层以及隐藏层到输出层的权重和阈值，初始的权重通过随机初始化的方式确定。后期通过不断调整权值和阈值，实现神经网络的训练[21]。
3.3 特征值提取
神经网络是通过对网络模型给定具体参数进行训练，神经网络的每一层都由多个神经元组成，每个神经元都有可变的权重和偏差，以表示输入和输出之间的复杂关系[22]。当BP神经网络被训练时，来自输入层的信息向前传播，加权公式如（4） 所示。
Xi = Σi = 1n ωi × xi （4）
式中，Xi 为加权输入值，xi 是输入符号，ωi 为输入信号的相应权重。输入值通过隐藏层的激活函数f，得到yi，如公式（5） 。
yi = f （X ） i （5）
加权求和后传递到输出层，再通过传递函数输出，输出函数为公式（6） 。
yj = f （Σω ） j yi + θj （6）
式中，θj为输入信号的相应阈值，通过输出层得到神经网络的预测结果；将预测值与实际值进行比较，满足误差条件的结果输出，不满足条件的误差反向传播，逐层修改权值和偏差，直到输出值满足一定的准确性。使用最小二乘法计算预测误差，如公式（7） ：
在训练神经网络时，需要对数据集进行归一化处理。数据范围太小，会影响神经网络的性能并降低预测精度。如果数据太大会使神经网络收敛速度慢、训练时间增长，因此对所有输入数据进行归一化。常见的换算公式如公式（8） ：
式中，X 为示归一化参数，xi 为输入数据，xmin 为与输入数据对应列的最小值，xmax 是与输入数据对应的列的最大值，通过归一化提取实现了特征值提取，为后续的神经网络数据库搭建奠定了基础。
3.4 神经网络训练
为了实现缺陷分类，需要通过控制神经网络的输入层参数和输入层神经元的设置来控制输出层结果[23]。本研究通过小波包4层分解后的12个频带能量的百分比与缺陷之间建立映射关系，作为神经网络的输入量。所得到的频带百分比已经进行了归一化处理。由于原始数据维度为12，因此确定输入层中第一层的神经元个数为12。对于输出层，将裂纹、气孔和夹渣分别编码为（001） 、（100） 和（010） ，共有三类缺陷，因此输出层的神经元节点数定为3。将实验采集到的150组数据分成两组，其中90组用于训练，而剩下的60 组用于测试，并且将数据进行打乱处理。利用MATLAB实现神经网络的训练，其中最大迭代次数确定为1 000，误差目标设定为0.011 01，学习率为0.01。设置好参数后，对采集到的数据进行神经网络训练[24]。
4 神经网络数据库搭建
为了实现对缺陷的最佳识别度，需要选择合适的训练参数，以达到训练目标。经过训练，在208代时达到了要求的训练精度。当停止训练时，收敛误差最小为0.028，达到学习目标为0.001。误差变化曲线如图5所示。
从图5可以观察到，训练样本和测试样本的曲线具有较好的关联性，表明神经网络训练达到了预期效果。对测试集中识别的输出效果进行二进制编码后，得到了如图6所示的预测样本。
通过预测样本图可以得知，本系统构建的神经网络实现了较好的预期效果。共有7个缺陷被误判，分别是裂纹11号缺陷误判为夹渣，夹渣14号缺陷误判为气孔，夹渣22号缺陷误判为裂纹，裂纹28号缺陷误判为气孔，气孔31号缺陷误判为夹渣，夹渣40号缺陷误判为气孔，裂纹46号缺陷误判为夹渣，气孔50号缺陷误判为裂纹。由此得到气孔缺陷的识别率为89%，夹渣和裂纹的识别率为86%。通过神经网络训练，本文构造的模型对裂纹、夹渣、气孔三种缺陷有较好的识别率，其中对气孔的识别率较高，因为气孔缺陷是圆形的，辨识度较高，而裂纹和夹渣的形状不确定，容易造成误判。此外，除了缺陷本身，神经网络辨识超声信号也具有一定的局限性。首先，BP神经网络的初始权值和阈值选择不是很准确，影响了后续的训练过程。此外，本研究的数据量不够大，缺陷的典型性不强，没有找到最优的收敛点。针对上述问题，在后续的研究中，将不断优化研究参数，收集更多的数据，以期实现更高的识别率。
5 结论
1） 本研究利用LabVIEW等软硬件构建了智能化超声检测系统，通过小波去噪和特征值提取，获得了质量较高的焊接缺陷超声检测信号。
2） 使用神经网络，经过208次迭代训练，使得测试样本和训练样本曲线达到了较好的关联性，对裂纹、气孔和夹渣的识别率达到了87.5%，提高了缺陷判断的准确性和可靠性。
3） 结合LabVIEW 等软硬件和神经网络自主学习，搭建数据库，可实现风电塔筒常见缺陷的直观和准确判断，促进了风电塔筒检测技术的发展。
参考文献：
[1] 梁建明，王占英，刘春东，等.风电塔筒法兰焊接工艺[J].焊接技术，2009，38（2）：30-31.
[2] 刘同兵，吴春龙，徐先林.风电塔筒制造质量控制技术研究[J].水电与新能源，2022，36（7）：19-21，56.
[3] 康学军，朱锴年.埋弧自动焊在风电塔筒生产中的应用[J].机电产品开发与创新，2017，30（1）：23-25.
[4] 崔克楠，韩振华，聂伟伟.风电塔筒探伤经验介绍及相关建议[J].无损检测，2012，34（8）：70-72，75.
[5] 成小乐，李玉，孙戬，等.含典型缺陷的风电塔筒环焊缝强度分析[J].西安工程大学学报，2023，37（1）：84-92.
[6] 陈洪强.超声波技术支持下的电气设备金属外壳缺陷检测系统设计[J].中国机械，2023（35）：2-5.
[7] 张昱，周瑞琪，何才厚，等.基于LabVIEW的超声扫查仪数据采集系统设计[J].南昌航空大学学报（自然科学版），2019，33（2）：102-108.
[8] 樊岩松，兰福全.基于LabVIEW的焊缝表面缺陷检测数据库处理技术研究[J].焊接技术，2022，51（8）：124-127.
[9] 翟昕玥.管道超声波检测数据处理与缺陷识别方法研究[D].沈阳：沈阳工业大学，2020.
[10] Huang H，Hu L，Li B. et al，Recognition of defect in TOFD im?age based on faster region convolutional neural networks，Non?destructive Testing，2019，41（7）：12–18.
[11] MIAO R，GAO Y T，GE L，et al.Online defect recognition of nar?row overlap weld based on two-stage recognition model com?bining continuous wavelet transform and convolutional neural network[J].Computers in Industry，2019，112：103115.
[12] LIU S K，WU D，LUO Z Y，et al.Measurement of pulsed laser welding penetration based on keyhole dynamics and deep learning approach[J].Measurement，2022，199：111579.
[13] 于建军.焊缝的超声波检测技术研究[D].乌鲁木齐：新疆农业大学，2005.
[14] 孟武胜，朱剑波，黄鸿，等.基于LabVIEW数据采集系统的设计[J].电子测量技术，2008，31（11）：63-65.
[15] 罗锐，严高师.改进小波图像去噪算法研究[J].信息与电脑（理论版），2011（6）：112，114.
[16] FU L L，YANG J S，LI S，et al.Artificial neural network-based damage detection of composite material using laser ultrasonic technology[J].Measurement，2023（220）：113435.
[17] 宋宇佳，范利锋，杨学灵，等.基于声发射的X80管线钢塑性损伤评估技术研究[J].塑性工程学报，2023，30（9）：204-210.
[18] 裴志鹏.基于小波变换的图像阈值去噪算法[J].科技视界，2017（14）：105.
[19] 左腾腾.天然气管道内涂层超声检测数值模拟与缺陷识别研究[D].东营：中国石油大学（华东），2019.
[20] 荣佑珍，刘仁培，魏艳红.航空专用焊接数据库及专家系统[J].航空制造技术，2017，60（12）：43-47.
[21] 周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（6）：1229-1251.
[22] 陈先昌.基于卷积神经网络的深度学习算法与应用研究[D].杭州：浙江工商大学，2014.
[23] 杨德宸.基于LabVIEW的超声C扫数据采集成像系统研制[D].南昌：南昌航空大学，2021.
[24] 黎唐东.基于LabVIEW超声检测系统的焊缝缺陷研究[D].广州：广东工业大学，2021.
【通联编辑：唐一东】
基金项目：2022 年度甘肃省高等学校创新基金项目“基于PLC 技术的埋弧自动焊接质量监控系统研究”（2022B-477）
