Page 131 - 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

刑海燕等近年来将以下机器学习算法应用于 3. 66%。
金属磁记忆信号定量识别中 [29-34] ：① 基于免疫算 各类机器学习算法在金属磁记忆检测应用中的
法结合动态模糊聚类算法相似准则提出损伤识别 优缺点比较如表1所示，可见，除常用的支持向量机
模型，该模型很好地避免了单一聚类算法易陷入 法、神经网络算法，其他机器学习方法也能够很好地
局部最优值的问题，能够有效地识别焊缝疲劳损 应用于信号处理分析，例如梯度算法、主成分分析、
伤各阶段，模型预测准确率达 90%；② 基于模糊 聚类分析算法等。这些方法能够根据金属磁记忆信
C 均值聚类算法的焊缝等级定量识别模型，焊缝 号特点和缺陷特征参数建立针对性的识别方案，不
损伤识别准确率达 90％；③ 基于粒子群优化模糊 但能很好地定位铁磁性材料缺陷位置，还能提高缺
C 均值聚类算法 （FCM）焊缝等级定量识别模型， 陷识别准确率及缺陷尺寸的检测精度。所以在进行
模型分类识别率达 97. 93%；④ 改进的最大似然 信号处理时，应综合考虑环境、设备、人为干扰等情
估计（MLE）定量识别模型，其平均不确定度为 况，提出有针对性的缺陷评估方法。
表1 各类机器学习算法在金属磁记忆检测应用中的优缺点比较
机器学习算法 优点 缺点
处理大数据样本效率不高；对非线性问题缺乏通用解
可以解决高维问题、小样本下机器学习问题；能够处理
支持向量机法 [21-23] 决方案，寻找合适的核函数比较困难；对核函数的高维映
非线性特征的相互作用；无局部极小值问题；相对于神经 射解释力不强，尤其是径向基函数；只支持二分类；对缺
网络等算法无需依赖整体数据；泛化能力比较强。
失数据敏感。
分类的准确度高；良好的并行分布处理能力、分布式存
储和学习能力，对含噪声的神经数据具有强大的鲁棒性和 需要输入大量样本进行学习，学习时间过长；无法观察
神经网络算法 [24-28] 中间的学习过程，难以解释所得到的输出结果，从而影响
容错性，能有效逼近复杂的非线性关系，同时还具备联想 结果的可信度和可接受度。
记忆能力。
降维效果明显，使得数据集更易使用；降低算法的计算 对异常值敏感，可能会导致主成分偏离；特征值分解存
主成分分析 [27] 开销；能够有效去除噪声；使得结果容易理解；完全无参数 在限制，变换矩阵须是方阵；数据集在不满足高斯分布的
限制。 情况下，所求得主元在非高斯分布可能并非最优。
节省了多重迭代的重复计算过程，效率明显提高；可提 m值（确定数据点隶属权值的指数）具有不确定性，人
[30-31] 取数据库中的数据形成模糊相似矩阵，无需反复扫描数据
模糊C均值聚类算法 为设置m值可能影响试验结果；初始聚类中心存在敏感
库；适用于高维度数据的处理，具有较好的伸缩性，便于找 性，易陷入局部最优。
出异常点。
原理简单应用范围广，样本数据越大，对参数的估计
对数据分布的假设要求较高，训练数据较少时会发生
最大似然估计法 [32-33] 值越接近真实值，并且估计值的极限分布也越接近正态 过拟合，估计的参数可能不准确。
分布。
低泛化误差；容易实现，分类准确率较高，没有太多参 易陷入局部极小值；对异常值比较敏感；训练时间过
梯度下降算法 [34]
数可以调整。 长，执行效果依赖于弱分类器的选择。
2.3 机器学习应用于金属磁记忆剩余寿命预测 寿命仿真分析，提取零件疲劳危险区中表征疲劳损
剩余寿命预测是设备服役过程中的重要工序， 伤程度的金属磁记忆信号法向分量梯度最大值、裂
通过了解设备状况、预测其失效机制和剩余寿命能 纹长度、应力强度因子、应力集中度等作为参数，建
够有效地预防疲劳损伤破坏所带来的损失。目前大 立了基于支持向量机法的寿命预测模型。吴家风 [36]
多数研究仍然依靠较为系统和全面的疲劳试验，并 开展了基于GM（1，1）模型的灰色疲劳寿命预测模
基于试验数据使用传统疲劳寿命预测方法进行剩余 型，有效地预估了疲劳寿命。SU等 [37] 基于朴素贝
寿命预测，不仅耗费巨大的时间成本与人力成本，而 叶斯分类算法建立模型，实现了腐蚀桥梁钢归一化
且难以作为技术基准来对在役机械设备、构件疲劳 疲劳寿命统计评估。GAO等 [38] 提出了一种基于金
损伤状况进行检测评估。通过提取金属磁记忆信号 属磁记忆检测的优化支持向量机新模型，建立了基
特征参数进行机器学习，总结发现损伤规律，可精准 于支持向量机模型的再制造抽油杆剩余寿命预测模
有效地对剩余寿命进行预测，为金属构件疲劳损伤 型，并采用遗传算法、粒子群算法和网格搜索算法依
状态评估提供更高效的技术支撑。 次对径向基函数核参数和惩罚因子进行优化，预测
为了评估油井套管的危险程度，LIU等 [25] 对12 值与实测值的平均偏差在5%以内。
组油井套管的金属磁记忆信号降噪处理后进行特征 通过支持向量机法、贝叶斯分类法以及多种算
值提取，建立了磁特征参数和危险程度间的支持向 法融合的金属磁记忆信号机器学习方法建立寿命预
量机识别模型，准确率达 100%。黄海鸿等 [35] 使用 测模型，能够有效、准确地预测铁磁性材料的剩余寿
ABAQUS软件建模进行汽车车桥桥壳有限元疲劳 命。但在工程实践中，寿命预测准确率和金属磁记
93
2024 年 第 46 卷 第 8 期
无损检测