Page 130 - 无损检测2024年第八期
P. 130
王慧鹏，等：
机器学习在金属磁记忆检测中的应用与展望
升与应用，如结合其他无损检测特征参数和磁记忆 应用较多的机器学习方法之一。
检测信号数据建立多源数据融合模型。这样提取 BP神经网络是目前应用最广泛的多层感知神
的特征不仅具有更高的可压缩性和更高的分类准确 经网络，最常用的三层BP神经网络由输入层、隐含
性，而且更有利于构建高效的损伤评估模型。 层和输出层构成，其核心是通过输入和输出层的传
2.2 基于机器学习的金属磁记忆定量识别 递与修正误差来调节参数逼近期望的输入输出映射
金属磁记忆检测的显著优势是能够对以应力集 关系。史小东等 [24] 将金属磁记忆多特征参数作为输
中为特点的损伤进行检测，但是难以通过其单一特 入层建立3层BP神经网络模型进行学习，发现训练
征量准确判断损伤程度与损伤位置。应用机器学习 样本与测试样本重合度高，且不同损伤部位及不同
方法对金属磁记忆信号进行特征分析并构建损伤分 信号的分布差异较大。LIU等 [25] 建立 3 层BP神经
析模型，可以显著提升其准确度。目前磁记忆定量 网络模型对管道裂纹的几何参数进行了量化识别，
化检测中应用较为广泛的方法有支持向量机算法与 识别准确率达95%。
神经网络方法。 BP神经网络虽然收敛过程稳定，但数据量大
2.2.1 支持向量机法的应用 时，其计算过程中收敛速度过慢，以及存在易陷入局
朱红运等 [21] 采用类别可分性准则，基于金属磁记 部最优而无法求解的问题。小波神经网络在BP神
忆信号小波能量谱特征变换提取最优特征向量，可减 经网络的基础上，引入小波函数作为中间隐含层的
少小波能量谱特征的冗余性和相关性，最优特征向量 神经元激励函数，收敛速度、逼近精度以及泛化能
识别率为81. 7％。采用类别可分性准则虽然能够直 力等方面均得到了显著提升。王连华等 [26] 建立了基
接进行特征参数提取，但支持向量选取精度过低或存 于小波神经网络的缺陷量化方法，效果较传统BP神
在不稳定问题，通过参数寻优法可以避免上述问题， 经网络的更加理想。为实现磁记忆检测中对缺陷承
提升抗噪性、鲁棒性和分类识别率。邢海燕等 [22] 结合 受的拉伸载荷、缺陷宽度及深度的识别，王帅等 [27]
支持向量机和KNN（K-邻近算法）隶属度建立了金 将主成分分析与遗传算法优化神经网络法进行有
属磁记忆定量识别模型，并采用参数组合寻优法对模 机结合，同时利用遗传算法改进神经网络对其求解
型核函数参数g与惩罚因子c进行寻优，分类识别准 优化，实现了对磁记忆信号的定量识别。考虑到神
确率达91. 67％。GONG等 [23] 将自适应遗传算法与 经网络机器学习模型总是在实验室中（通过高性能
支持向量机算法结合建立了新的定量识别模型，用于 计算机硬件系统）实施，以MENG等 [28] 基于智能图
识别管道是否处于应力集中状态或是否存在裂纹，径 像识别和磁记忆技术，开发了一种嵌入轻量级深度
向基函数核准确率达到95. 52％。 学习模型并配备微磁传感器的电缆检测方法，利用
传统金属磁记忆检测方法对一些较浅的显性 SqueezeNet卷积神经网络模型，结合图像去噪算法
损伤或隐形损伤进行检测时，得到的金属磁记忆信 和迁移学习方法，识别出5种斜拉索表面缺陷及其
号切向分量和法向分量曲线表现出离散性和不确定 特征，识别准确率达97. 18%。
性，直接用于评估损伤时的准确率较低。支持向量 神经网络方法能有效地识别处理金属磁记忆检
机法可以在计算过程中抓住关键样本、剔除大量冗 测数据，但要求较多的学习样本才能够保证其准确
余样本，其计算复杂度取决于支持向量数目，能够有 性，而金属磁记忆检测方法在检测环境准备和数据
效避免维数灾难，算法应用简单且具有较好的鲁棒 采集方面工作量较大，当神经元的数目较多时，神经
性，非常适合用于金属磁记忆检测信号处理，但是支 网络模型训练时间也会较长。因此在训练过程中往
持向量机法对参数和核函数选择敏感，可在支持向 往需要进行一些人为的参数调整。利用神经网络机
量机法的基础上融合其他算法或者进行算法改进， 器学习方法首先要解决金属磁记忆信号特征超参数
以弥补单种方法的不足。 问题、优化调参和减少模型训练时间，从而提高铁磁
2.2.2 神经网络的应用 性材料疲劳损伤状态定量识别率。
神经网络是近年发展起来的一种高效特征识别 2.2.3 其他机器学习算法的应用
和分类方法，其通过对生物神经系统网络行为特征 近年来除了支持向量机、神经网络这些经典算
进行模仿，进行分布式并行监督数据处理，拥有较强 法，还有许多学者将其他机器学习算法应用于金属
的自适应能力以及学习能力，是金属磁记忆检测中 磁记忆检测定量识别中，并且取得了良好的效果。
92
2024 年 第 46 卷 第 8 期
无损检测
