Page 129 - 无损检测2024年第八期

王慧鹏，等：

机器学习在金属磁记忆检测中的应用与展望

小波分解方法在使用时需要预先设定基函数，当提取 的增加，传统数学模型计算得到的损伤结果的准确
特征维数较高时，易出现存储空间增加和分类识别计 性显著降低。机器学习由统计学和人工智能发展
算过于复杂的问题。小波变换、小波包能量、傅里叶 而来，能够克服传统数学模型的不足。该方法通过
变换等方法适用于大部分信号，对信号高频部分具有 应用机器学习算法使计算机对大量数据进行自我
较高的时间分辨率，对低频部分具有较高的频率分辨 学习分析，从数据中找到规律，利用所发现规律构
率，非常适合用于检测正常信号中夹带的瞬变反常信 建新的计算模型对数据进行自动分析处理。金属
号并分析其成分，但是对于复杂工况下的微弱金属磁 磁记忆检测信号微弱，易受到环境噪声等因素影
记忆信号问题，还需要结合其他统计方法进行分析。 响，致使直接采集到的信号数据存在离散性和非线
1.2 基于谱熵分析的特征提取方法 性。机器学习方法处理金属磁记忆信号可以有效
信息熵是系统状态不确定性的定量评价指标， 剔除外部因素对于磁记忆信号的影响，能够有效提
将信息论思想与不同信号分析方法相结合，综合提 升检测效率与准确度 [16] 。
取信息熵特征，即能够得到系统整体的识别评价指 2.1 基于机器学习的金属磁记忆特征提取
标。相比于时频分析特征提取方法，谱熵分析特征 传统特征提取方法虽然能够适用于大部分金属
提取方法弥补了无法提取小部分信号特征的缺点。 磁记忆检测信号特征提取，但是对于复杂工况下的
因而谱熵分析特征提取在金属磁记忆检测信号特征 金属磁记忆检测信号，则存在着函数选取困难或不
提取中具有显著的应用价值。 具备自适应性等问题。机器学习方法可以通过数据
王太勇等 [13] 应用信息熵理论提取金属磁记忆检 融合将金属磁记忆信号内部多个特征进行融合再提
测信号特征，并分析了一、二维谱熵方法的可行性及 取新的特征参量，能够更加精准地识别铁磁材料损
存在的局限性。邢海燕等 [14] 引入奇异谱熵、功率谱熵 伤状态。
和小波空间能谱熵反映焊缝损伤程度，建立了基于信 朱达荣等 [17] 以小波算法作为多尺度工具，结合
息熵带和D-S证据理论联合的焊缝等级磁记忆评价 金属磁记忆信号小波包能量、奇异性指数以及梯度
模型，其比单一信息熵能够更有效地降低识别结果的 峰值，融合多特征量来评估疲劳损伤，弥补了单一特
不确定度。刘涛等 [15] 通过对金属磁记忆信号特征和 征量的不足，实现了疲劳损伤的量化评估。ZHANG
表面纹理特征建模，对信号及其梯度的样本熵参数以 等 [18] 采集了不同温度应力下的无缝钢轨表面的磁记
及表面纹理的熵、能量及相关参数进行特征提取，通 忆信号，将钢轨应力温度曲线中包含的信息敏感范
过融合评估成功进行了再制造毛坯损伤预测。 围和标准差作为时域特征，同时提取磁记忆信号小
谱熵分析既包含了相位信息，又能够抑制高斯 波包能量信息作为频域特征，结合时频和频域特征，
白噪声，同时能够有效描述信号偏移过程的信息，非 能够准确地检测不同应力分区的三个工况段温度应
常适用于非高斯信号及非线性信号的特征提取。而 力。胥永刚等 [19] 选择采用二进递推法构造磁记忆
小波分解、经验模态分解及高阶谱分析等过程的信 信号矩阵，通过多次重复奇异值分解获得不同分辨
号识别率相对比较低，计算复杂度也更高，限制了这 率的近似信号和细节信号，实现了磁记忆信号的降
些方法的实际应用。普通情况下一维谱熵和二维谱 噪。邢海燕 [20] 等结合切向梯度和法向梯度值提出了
熵可自动识别缺陷，但是缺陷定量识别有时需要利 对磁损伤信号更为敏感的正交矢量合成梯度比K r ，
用三维谱熵来提高准确率。因此，基于金属磁记忆 并基于模糊隶属度函数和无偏灰色预测理论建立模
信号的谱熵分析特征提取方法，可对融合信息谱熵、 糊加权的马尔科夫链预测模型，使最大相对误差从
功率谱熵、奇异谱熵、包络谱熵等进行分析，并融合 38. 492 5%降低到5. 046 4%，能够有效地对焊缝隐
其他时频变换方法，最终找出适合于金属磁记忆检 形损伤进行识别。
测信号特征提取的分析方法,来进行铁磁性材料缺 目前针对金属磁记忆信号的微弱性和非线性，
陷自动识别和缺陷损伤等级定量识别，保证铁磁性 多采用基于算法的多特征参量数据融合方法，其能
材料产品的服役安全。 够把应力集中特征和缺陷信息相互融合以突出所需
信号信息，提升疲劳损伤检测识别的准确率。未来
2 机器学习应用于金属磁记忆信号处理
除了融合同源数据进行非线性信号过程的特征提取
随着检测系统的复杂性以及环境的不确定性 之外，还可以在算法和多源数据融合方法上加以提
91
2024 年 第 46 卷 第 8 期
无损检测