基于FOA-SVM的超聲信號(hào)端點(diǎn)檢測(cè)

李大中，趙　杰

（華北電力大學(xué)自動(dòng)化系，河北 保定 071003）

基于FOA-SVM的超聲信號(hào)端點(diǎn)檢測(cè)

李大中，趙杰

（華北電力大學(xué)自動(dòng)化系，河北 保定 071003）

在超聲缺陷識(shí)別系統(tǒng)中，端點(diǎn)檢測(cè)是確保缺陷準(zhǔn)確識(shí)別的重要環(huán)節(jié)。為提高在實(shí)際探傷過(guò)程中端點(diǎn)檢測(cè)的準(zhǔn)確率，提出一種以果蠅算法優(yōu)化支持向量機(jī)的端點(diǎn)檢測(cè)方法。針對(duì)超聲檢測(cè)信號(hào)的特點(diǎn)，采用小波包變換提取反映該信號(hào)性質(zhì)的特征向量。鑒于傳統(tǒng)方法檢出率不高及支持向量機(jī)（SVM）參數(shù)難確定的問(wèn)題，利用果蠅算法（FOA）優(yōu)化SVM的懲罰子和核參數(shù)，提高支持向量機(jī)建模準(zhǔn)確度。試驗(yàn)結(jié)果表明：FOA-SVM模型的平均檢出率達(dá)到97.5%，端點(diǎn)檢測(cè)效果明顯優(yōu)于傳統(tǒng)的雙門(mén)限法、普通SVM模型和GA-SVM模型。

端點(diǎn)檢測(cè)；果蠅算法；支持向量機(jī)；小波變換

0　引　言

對(duì)材料及時(shí)檢測(cè)和缺陷識(shí)別，并采取一定的預(yù)防措施可以減少事故發(fā)生。目前，端點(diǎn)檢測(cè)是提高缺陷識(shí)別準(zhǔn)確率的重要環(huán)節(jié)，由于超聲檢測(cè)信號(hào)是一種具有突變性的非線性、不平穩(wěn)信號(hào)，端點(diǎn)檢測(cè)需要排除噪聲段或無(wú)用回波段，找出包含真實(shí)缺陷信號(hào)的起止點(diǎn)，從而準(zhǔn)確提取出有用的缺陷回波信號(hào)。

文獻(xiàn)［1］通過(guò)短時(shí)能量與過(guò)零率雙門(mén)限對(duì)光纖周界安防系統(tǒng)中擾動(dòng)信號(hào)進(jìn)行端點(diǎn)檢測(cè)，提高了系統(tǒng)準(zhǔn)確度。文獻(xiàn)［2］采用基于希爾伯特-黃變換和順序統(tǒng)計(jì)濾波的檢測(cè)方法，在低信噪比情況下有效檢測(cè)語(yǔ)音信號(hào)。近年來(lái)，隨著非線性理論不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等算法被應(yīng)用到端點(diǎn)檢測(cè)中，但神經(jīng)網(wǎng)絡(luò)檢測(cè)率并不高，而且支持向量機(jī)參數(shù)難以確定［3］。文獻(xiàn)［4］利用小波分析提取語(yǔ)音信號(hào)能量，并用粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行端點(diǎn)檢測(cè)，有效降低了虛檢率和漏檢率。文獻(xiàn)［5］采用支持向量機(jī)和復(fù)合特征進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)，比傳統(tǒng)語(yǔ)音端點(diǎn)檢測(cè)效果更好。目前主要有遺傳算法、粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)或者支持向量機(jī)的參數(shù)來(lái)提高檢測(cè)率，但均存在很多缺陷。

神經(jīng)網(wǎng)絡(luò)在訓(xùn)練模型時(shí)容易陷入局部最優(yōu)，而支持向量機(jī)具有模型穩(wěn)定和預(yù)測(cè)精度高的優(yōu)點(diǎn)，在優(yōu)化時(shí)遺傳算法應(yīng)用最多，但具有收斂速度慢和容易局部最優(yōu)等缺點(diǎn)，粒子群算法雖然收斂速度快，但同樣存在局部最優(yōu)問(wèn)題。果蠅算法［6］源于果蠅覓食行為，計(jì)算簡(jiǎn)單、收斂速度快、準(zhǔn)確度高，已經(jīng)成功應(yīng)用到很多領(lǐng)域。與粒子群算法相比，由于尋優(yōu)過(guò)程不同，要獲得最優(yōu)解的迭代次數(shù)也不相同，為提高超聲檢測(cè)信號(hào)端點(diǎn)檢測(cè)率，本文采用果蠅算法優(yōu)化支持向量機(jī)應(yīng)用到端點(diǎn)檢測(cè)領(lǐng)域，采用果蠅算法對(duì)支持向量機(jī)的兩個(gè)參數(shù)進(jìn)行全局尋優(yōu)，提出一種小波包變換和果蠅算法優(yōu)化支持向量機(jī)的端點(diǎn)檢測(cè)模型，通過(guò)建立端點(diǎn)檢測(cè)模型和果蠅過(guò)程尋優(yōu)，驗(yàn)證該方法的可行性和有效性。

1　傳統(tǒng)雙門(mén)限端點(diǎn)檢測(cè)方法

現(xiàn)代端點(diǎn)檢測(cè)方法主要分為時(shí)域方法和頻域方法。而傳統(tǒng)采用的雙門(mén)限法就是時(shí)域方法，即短時(shí)能量和短時(shí)過(guò)零率兩個(gè)參數(shù)。通過(guò)設(shè)定兩個(gè)門(mén)限，對(duì)輸入信號(hào)進(jìn)行端點(diǎn)檢測(cè)，當(dāng)輸入信號(hào)參數(shù)大于設(shè)定門(mén)限，并且可以持續(xù)一段時(shí)間則認(rèn)為該點(diǎn)為起點(diǎn)；當(dāng)參數(shù)小于設(shè)定門(mén)限，并且同樣持續(xù)一段時(shí)間，那么認(rèn)為該點(diǎn)為終點(diǎn)，從而確定端點(diǎn)檢測(cè)位置。

1.1短時(shí)能量法

在現(xiàn)場(chǎng)探傷過(guò)程中，超聲檢測(cè)信號(hào)是有用回波信號(hào)和無(wú)用噪聲信號(hào)的結(jié)合，而噪聲信號(hào)能量往往較大程度低于超聲回波信號(hào)，因此在保證檢測(cè)時(shí)信噪比不變的情況下，通過(guò)設(shè)定短時(shí)能量作為門(mén)限值就可以將有用的超聲回波信號(hào)提取出來(lái)。n時(shí)刻的短時(shí)能量［7］定義為

式中：x（m）——原始信號(hào)采樣序列；

w（n-m）——窗函數(shù)；

N——窗長(zhǎng)。

但在實(shí)際中往往需要結(jié)合短時(shí)能量和短時(shí)過(guò)零率，進(jìn)行端點(diǎn)檢測(cè)來(lái)降低誤檢率。

1.2短時(shí)過(guò)零率法

短時(shí)過(guò)零率法是信號(hào)頻域分析方法，是指每幀信號(hào)內(nèi)過(guò)零點(diǎn)的次數(shù)，即采用信號(hào)點(diǎn)正負(fù)符號(hào)的變換次數(shù)，通過(guò)反應(yīng)其頻譜特性的方法將有用超聲回波信號(hào)提取出來(lái)。n時(shí)刻短時(shí)過(guò)零率［8］計(jì)算公式為

式中：m——窗的起點(diǎn)；

N——幀的長(zhǎng)度；

sgn——符號(hào)函數(shù)。

傳統(tǒng)上將短時(shí)能量和短時(shí)過(guò)零率結(jié)合起來(lái)進(jìn)行端點(diǎn)檢測(cè)，在超聲波探傷過(guò)程中，如果檢測(cè)缺陷太小，反射回波與噪聲相差不大時(shí)，該方法往往誤檢率很高，因此本文采用一種非線性端點(diǎn)檢測(cè)方法FOA-SVM模型，來(lái)提高整體檢測(cè)性能。

2　FOA-SVM端點(diǎn)檢測(cè)模型

端點(diǎn)檢測(cè)包括數(shù)據(jù)預(yù)處理、提取特征值、建立模型和優(yōu)化模型。首先將數(shù)據(jù)進(jìn)行分幀，人工挑選出噪聲信號(hào)幀和有用信號(hào)幀，采用小波變換提取各幀特征值，并用建立好的端點(diǎn)檢測(cè)模型進(jìn)行訓(xùn)練與測(cè)試，模型結(jié)構(gòu)如圖1所示。

圖1　FOA-SVM模型結(jié)構(gòu)

2.1信號(hào)預(yù)處理及特征提取

2.1.1信號(hào)預(yù)處理

為采集真實(shí)的超聲檢測(cè)缺陷信號(hào)，通過(guò)超聲波發(fā)生接收器CTS-8077PR與示波器DPO2012連接，用中心頻率為5MHz，直徑為10mm的直探頭采集5組平底孔缺陷信號(hào)，其中一組信號(hào)如圖2所示。

由圖可知，超聲檢測(cè)到的原信號(hào)包含始波、缺陷波和反射底波。為進(jìn)行缺陷識(shí)別需要將始波和反射底波去除，只對(duì)缺陷波進(jìn)行處理。由于超聲檢測(cè)信號(hào)是非線性、不平穩(wěn)信號(hào)，在短時(shí)間內(nèi)看作是相對(duì)平穩(wěn)的，對(duì)采集到的超聲信號(hào)序列數(shù)據(jù)進(jìn)行分幀處理，幀長(zhǎng)為50，幀移為25，該信號(hào)數(shù)據(jù)長(zhǎng)度為2 000，因此一組數(shù)據(jù)共分80幀。

圖2　平底孔缺陷信號(hào)

2.1.2小波特征提取

為取得超聲檢測(cè)信號(hào)的特征值，本文采用db2小波對(duì)每幀采樣數(shù)據(jù)進(jìn)行3層小波包分解，并計(jì)算不同尺度上的各頻帶平均能量［9］作為特征值：

式中：si（n）——各頻帶小波系數(shù)；

N——小波系數(shù)個(gè)數(shù)。

通過(guò)小波分析可以提取8個(gè)特征數(shù)，人工整理得到代表無(wú)用信號(hào)的幀數(shù)為50幀，超聲回波信號(hào)的幀數(shù)為30幀，分別構(gòu)建特征向量：Z（n）=［E1，E2，…，E8］T。

2.2FOA-SVM模型

本文在建立支持向量機(jī)模型時(shí)，采用果蠅算法對(duì)支持向量機(jī)進(jìn)行優(yōu)化，取最終測(cè)試集數(shù)據(jù)和預(yù)測(cè)集數(shù)據(jù)誤差最小時(shí)的c和g兩個(gè)參數(shù)，并對(duì)采樣數(shù)據(jù)進(jìn)行端點(diǎn)檢測(cè)驗(yàn)證。

2.2.1FOA-SVM模型建立

Vapnik等提出的支持向量機(jī)結(jié)構(gòu)較簡(jiǎn)單、學(xué)習(xí)速度快、全局最優(yōu)、泛化性好，但是SVM的性能與核參數(shù)的選取密切相關(guān)，通常調(diào)整參數(shù)的方法是采用交叉驗(yàn)證法，該方法不僅計(jì)算量大，推廣性差，而且當(dāng)核參數(shù)的個(gè)數(shù)超過(guò)2個(gè)時(shí)，該方法是難以奏效的。

1）數(shù)學(xué)模型。支持向量機(jī)是一種適合研究在有限樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，可以較好地解決小樣本、高維數(shù)、非線性和局部極小點(diǎn)等實(shí)際問(wèn)題。當(dāng)對(duì)n個(gè)樣本進(jìn)行兩類(lèi)分類(lèi)時(shí)，設(shè)樣本集為（xi，yi），i=1，2，…，n，xi∈Rm，yi∈｛+1，-1｝。其中xi為類(lèi)屬性，yi為類(lèi)標(biāo)記，n為數(shù)據(jù)個(gè)數(shù)。

支持向量機(jī)就是把輸入向量映射到高維空間，尋找最優(yōu)的超平面，最優(yōu)準(zhǔn)則為兩類(lèi)之間間隔的寬度最大。分類(lèi)超平面定義為［10］

式中：ai——拉格朗日乘子；

k（x，xi）——核函數(shù)，本文支持向量機(jī)核函數(shù)選

b——偏置。

2）果蠅優(yōu)化算法。果蠅優(yōu)化算法是基于果蠅覓食行為演化而來(lái)的群智能全局優(yōu)化方法。果蠅在覓食過(guò)程中依靠嗅覺(jué)捕捉彌漫在空氣中的氣味，通過(guò)果蠅位置計(jì)算味道濃度，然后以群體思維向味道濃度最大的位置集合，并通過(guò)反復(fù)迭代提高優(yōu)化性能。

2.2.2參數(shù)的尋優(yōu)

SVM核函數(shù)參數(shù)選擇的好壞將直接影響最終的SVM分類(lèi)器泛化能力的優(yōu)劣。理論研究表明，參數(shù)的選擇能很大程度影響支持向量機(jī)的識(shí)別率。目前參數(shù)尋優(yōu)方法有交叉驗(yàn)證尋優(yōu)、PSO尋優(yōu)等，傳統(tǒng)的參數(shù)選取方法具有一定的不足，如人為選取參數(shù)取決個(gè)人經(jīng)驗(yàn)，受人為影響較大；交叉驗(yàn)證法選取參數(shù)一般計(jì)算量比較大，程序也復(fù)雜。而果蠅優(yōu)化算法具有很強(qiáng)的適應(yīng)性，是一種全局最優(yōu)化算法，具有很好的魯棒性能和搜索能力，在諸多領(lǐng)域逐步開(kāi)始應(yīng)用。

影響支持向量機(jī)性能的主要參數(shù)是懲罰因子c和RBF的參數(shù)g。果蠅優(yōu)化參數(shù)過(guò)程如下：

1）參數(shù)初始化。對(duì)果蠅群體位置初始化為X1和Y1都為隨機(jī)數(shù)，果蠅種群規(guī)模個(gè)數(shù)為m，迭代次數(shù)為100，設(shè)定SVM參數(shù)初始值。

2）賦予每只果蠅利用自身嗅覺(jué)搜尋食物的能力，此后果蠅飛行位置為（Xi，Yi）。

式中，Rraan為隨機(jī)數(shù)，i=1，2，…，m。

3）計(jì)算果蠅位置的味道濃度。此時(shí)無(wú)法得知事物的確定位置，通過(guò)果蠅位置與原點(diǎn)的距離D（i，：），計(jì)算味道濃度判定值S（i，：）。

因SVM參數(shù)為c和g，定義c=20S（i，：），g=S（i，2）。

4）對(duì)訓(xùn)練樣本進(jìn)行2折交叉驗(yàn)證，避免局部最優(yōu)，由訓(xùn)練樣本中每只果蠅的位置代入味道濃度判定函數(shù)（fitniss function），可以求出果蠅味道濃度［11］。

式中：m1——交叉驗(yàn)證時(shí)每個(gè)訓(xùn)練樣本中的果蠅個(gè)數(shù)；

yij——定義類(lèi)型標(biāo)簽；

f（xij）——交叉驗(yàn)證樣本的預(yù)測(cè)值。

5）尋找果蠅味道濃度中最低的果蠅max（F），并保存最佳味道濃度Fbest和相應(yīng)位置。

6）其他果蠅利用嗅覺(jué)尋找該位置后以捷徑飛往最佳味道濃度位置，尋找完畢，進(jìn)行迭代尋優(yōu)。重復(fù)步驟3）～步驟5），每迭代一次，判斷該次味道濃度是否優(yōu)于前次，若是則執(zhí)行步驟6），否則繼續(xù)循環(huán)直到最大迭代次數(shù)結(jié)束。

本文分別用交叉驗(yàn)證法、遺傳算法和果蠅算法對(duì)參數(shù)進(jìn)行尋優(yōu)，取最終測(cè)試集數(shù)據(jù)和預(yù)測(cè)集數(shù)據(jù)誤差最小時(shí)的c和g兩個(gè)參數(shù)如表1所示。

表1　3種尋優(yōu)方法結(jié)果對(duì)比

2.3FOA-SVM模型端點(diǎn)檢測(cè)

通過(guò)對(duì)支持向量機(jī)參數(shù)進(jìn)行3種方法尋優(yōu)，分別得到不同的端點(diǎn)檢測(cè)模型，應(yīng)用到5組信號(hào)的每幀數(shù)據(jù)中進(jìn)行檢測(cè)識(shí)別，有用信號(hào)共150幀，無(wú)用信號(hào)共250幀，隨機(jī)取100幀信號(hào)進(jìn)行訓(xùn)練，對(duì)所有幀信號(hào)進(jìn)行識(shí)別，其中FOA-SVM模型訓(xùn)練時(shí)間為2.40s，用時(shí)最短，可見(jiàn)果蠅算法對(duì)支持向量機(jī)的缺點(diǎn)進(jìn)行了改善，收斂速度快，識(shí)別結(jié)果如表2所示。

表2　采集樣本實(shí)驗(yàn)結(jié)果

通過(guò)3種模型對(duì)400幀數(shù)據(jù)進(jìn)行檢測(cè)識(shí)別，本文提出的FOA-SVM檢測(cè)模型用時(shí)最短，識(shí)別率最高，對(duì)訓(xùn)練樣本可以完全識(shí)別，綜合識(shí)別率達(dá)97.5%。

3　實(shí)驗(yàn)結(jié)果對(duì)比

針對(duì)所有樣本數(shù)據(jù)進(jìn)行了3種方法識(shí)別檢測(cè)后，得到不同的識(shí)別準(zhǔn)確率。為了評(píng)價(jià)本文端點(diǎn)檢測(cè)方法的性能，將3種方法和傳統(tǒng)雙門(mén)限法對(duì)原始采樣信號(hào)進(jìn)行端點(diǎn)檢測(cè)，4種方法端點(diǎn)檢測(cè)結(jié)果如圖3所示。

圖3　4種方法端點(diǎn)檢測(cè)結(jié)果

圖中藍(lán)色豎線為檢測(cè)起點(diǎn)，紅色豎線為檢測(cè)終點(diǎn)，對(duì)比以上不同端點(diǎn)檢測(cè)方法，雙門(mén)限法端點(diǎn)檢測(cè)得到的缺陷段信號(hào)丟失大量有用信號(hào)；交叉驗(yàn)證法SVM模型端點(diǎn)檢測(cè)引入較多無(wú)用信號(hào)，甚至與底波檢測(cè)端點(diǎn)交叉，效果較差；GA-SVM模型端點(diǎn)檢測(cè)效果較好，但仍有部分缺陷回波信號(hào)丟失；FOA-SVM模型不僅有效檢測(cè)出缺陷回波信號(hào)段，始波和底波信號(hào)段的端點(diǎn)檢測(cè)效果也較好。

4　結(jié)束語(yǔ)

本文提出一種以果蠅算法優(yōu)化支持向量機(jī)的端點(diǎn)檢測(cè)方法。針對(duì)采集的平底孔缺陷超聲檢測(cè)信號(hào)，采用小波包變換提取特征向量，利用果蠅算法（FOA）優(yōu)化支持向量機(jī)（SVM）的懲罰因子和核參數(shù)，成功地提高了支持向量機(jī)模型的精度，平均檢出率達(dá)到97.5%，端點(diǎn)檢測(cè)效果仍明顯優(yōu)于傳統(tǒng)的雙門(mén)限法、普通交叉驗(yàn)證法SVM模型和GA-SVM模型，具有一定的工程參考價(jià)值。但果蠅算法作為新的優(yōu)化算法，與其他算法一樣會(huì)存在“早熟”，局部最優(yōu)問(wèn)題難以完全避免，具體的改進(jìn)優(yōu)化方法還需在理論和實(shí)踐中進(jìn)一步探索。

［1］劉琨，何暢，劉鐵根，等.一種用于光纖周界安防系統(tǒng)的端點(diǎn)檢測(cè)方法［J］.光電子·激光，2014，25（11）：2136-2140.

［2］盧志茂，金輝，張春祥，等.基于HHT和OSF的復(fù)雜環(huán)境語(yǔ)音端點(diǎn)檢測(cè)［J］.電子與信息學(xué)報(bào)，2012，34（1）：213-217.

［3］SHIN J，CHANG J，KIM N.Voice activity detection based on statistical models and machine learning approaches［J］.Computer Speech&Language，2010，24（3）：515-530.

［4］張鐵威.基于小波分析與神經(jīng)網(wǎng)絡(luò)的語(yǔ)音端點(diǎn)檢測(cè)研究［J］.電子測(cè)量與儀器學(xué)報(bào)，2013，27（6）：528-534.

［5］張曉雷，吳及，呂萍.基于支持向量機(jī)與多觀測(cè)復(fù)合特征矢量的語(yǔ)音端點(diǎn)檢測(cè)［J］.清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，51（9）：1209-1214.

［6］WANG L，ZHENG X L，WANG S Y.A novel binary fruit fly optimization algorithm for solving the multidimensional knapsackproblem［J］.Knowledge Based Systems，2013，48（2）：17-23.

［7］馬強(qiáng)，榮命哲，賈申利.基于振動(dòng)信號(hào)小波包提取和短時(shí)能量分析的高壓斷路器合閘同期性的研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2015，25（13）：149-154.

［8］WEIY，ZHANG J.Application of finite-state vector quantizationinspeech endpoint detection［J］.Computer Engineering&Applications，2012，48（17）：161-163.

［9］馬杰，劉璐璐，姚勇.小波變換超高壓輸電線路雷電干擾識(shí)別判據(jù)研究［J］.中國(guó)測(cè)試，2013，39（5）：34-38.

［10］康守強(qiáng)，王玉靜，姜義成，等.基于超球球心間距多類(lèi)支持向量機(jī)的滾動(dòng)軸承故障分類(lèi)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2014，34（14）：2319-2325.

［11］王長(zhǎng)喜，王海云，王維慶，等.基于FOA和LS-SVM的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究［J］.可再生能源，2014，32（9）：1312-1318.

［12］郭海帆，陳建華，陳鑫友，等.基于矢量網(wǎng)絡(luò)分析儀功率測(cè)量的噪聲系數(shù)測(cè)量方法［J］.中國(guó)測(cè)試，2014，40（6）：35-38.

（編輯：劉楊）

Ultrasonic signal endpoint detection based on FOA optimized SVM

LI Dazhong，ZHAO Jie
（Dept of Automation，North China Electric Power University，Baoding 071003，China）

Endpointdetectionisanimportantsteptoensureaccurateidentificationinthe ultrasonic defect recognition system.In order to improve the accuracy of endpoint detection during actual flaw detection，an endpoint detection method using fruit fly optimization Algorithm（FOA）-support vector machine（SVM）has been proposed.Based on the characteristics of ultrasonic detection signals，wavelet transform was applied to extract the feature vector that reflects the nature of these signals.As the common double-threshold method is low in detection rate and the parameters of the SVM are difficult to determine，the FOA was used to optimize the penalty factor and kernel parameter of the SVM to improve the precision of the SVM.The experimental results show that the average detection rate of FOA-SVM is 97.5%.The endpoint detection effect significantly outperforms that of the traditional double threshold method and common SVM and GA-SVM models.

endpoint detection；FOA；SVM；wavelet transform

A

1674-5124（2016）05-0103-04

10.11857/j.issn.1674-5124.2016.05.022

2015-10-15；

2015-12-28

李大中（1961-），男，內(nèi)蒙古包頭市人，教授，博士，研究方向?yàn)樾履茉窗l(fā)電系統(tǒng)控制、智能優(yōu)化理論及應(yīng)用、分布式新能源發(fā)電及冷電聯(lián)產(chǎn)控制系統(tǒng)。