中心議題:

• 多傳感器數據融合技術能對缺陷信號作智能化處理
• 電磁感應式傳感器和霍爾傳感器的工作原理
• 采用小波去噪的方法，並利用RBF神經網絡的數據融合技術對缺陷信號進行檢測處理並得出仿真結果

解決方案：

• 采用漏磁傳感器陣列，提高檢測靈敏度，減小鋼管表麵接觸噪聲和溫度影響
• 對信號預處理，保證測試準確性
• 選用RBF神經網絡作為融合中心的特征層融合器

隨著電子技術、神(shen)經(jing)網(wang)絡(luo)和(he)人(ren)工(gong)智(zhi)能(neng)處(chu)理(li)技(ji)術(shu)的(de)發(fa)展(zhan)，國(guo)內(nei)外(wai)都(dou)在(zai)開(kai)展(zhan)新(xin)的(de)漏(lou)磁(ci)信(xin)號(hao)處(chu)理(li)方(fang)法(fa)的(de)研(yan)究(jiu)。由(you)於(yu)傳(chuan)統(tong)方(fang)法(fa)受(shou)人(ren)為(wei)因(yin)素(su)影(ying)響(xiang)嚴(yan)重(zhong)，容(rong)易(yi)產(chan)生(sheng)漏(lou)檢(jian)誤(wu)檢(jian)，大(da)大(da)影(ying)響(xiang)了(le)檢(jian)測(ce)準(zhun)確(que)度(du)，因(yin)此(ci)特(te)別(bie)需(xu)要(yao)一(yi)種(zhong)對(dui)缺(que)陷(xian)信(xin)號(hao)的(de)智(zhi)能(neng)化(hua)處(chu)理(li)方(fang)法(fa)。多(duo)傳(chuan)感(gan)器(qi)數(shu)據(ju)融(rong)合(he)技(ji)術(shu)是(shi)近(jin)年(nian)來(lai)形(xing)成(cheng)和(he)發(fa)展(zhan)起(qi)來(lai)的(de)一(yi)種(zhong)自(zi)動(dong)化(hua)信(xin)息(xi)綜(zong)合(he)處(chu)理(li)技(ji)術(shu)，它(ta)充(chong)分(fen)利(li)用(yong)多(duo)源(yuan)信(xin)息(xi)的(de)互(hu)補(bu)性(xing)和(he)計(ji)算(suan)機(ji)的(de)高(gao)速(su)運(yun)算(suan)能(neng)力(li)來(lai)提(ti)高(gao)結(jie)果(guo)信(xin)息(xi)的(de)質(zhi)量(liang)。由(you)於(yu)多(duo)傳(chuan)感(gan)器(qi)數(shu)據(ju)融(rong)合(he)可(ke)以(yi)對(dui)來(lai)自(zi)多(duo)個(ge)傳(chuan)感(gan)器(qi)的(de)數(shu)據(ju)進(jin)行(xing)多(duo)級(ji)別(bie)、多方麵
、多層次的處理,從而產生新的有意義的信息,而這種信息是任何單一傳感器所無法獲得的, 並且它還能有效地消除由於單一類型傳感器失效而引起的誤差


，因而多傳感器數據融合在信號處理領域得到了廣泛的關注[1]。本文利用小波閾值降噪算法來突出信號缺陷特征，並將處理後的信號送入RBF神經網絡數據融合中心，利用兩類傳感器之間的信息冗餘來提高檢測精度，消除測量中的不確定性，獲得更準確可靠的測量結果。

數據融合傳感器陣列
多傳感器數據融合在運用過程的各階段(例如模型建立
、特征提取

、目標識別等)需(xu)要(yao)各(ge)種(zhong)各(ge)樣(yang)的(de)傳(chuan)感(gan)器(qi)。由(you)於(yu)沒(mei)有(you)哪(na)一(yi)類(lei)傳(chuan)感(gan)器(qi)的(de)各(ge)種(zhong)性(xing)能(neng)指(zhi)標(biao)都(dou)絕(jue)對(dui)比(bi)其(qi)他(ta)類(lei)型(xing)傳(chuan)感(gan)器(qi)好(hao)，因(yin)此(ci)在(zai)一(yi)個(ge)係(xi)統(tong)中(zhong)

，需(xu)要(yao)同(tong)時(shi)采(cai)用(yong)多(duo)種(zhong)類(lei)型(xing)的(de)傳(chuan)感(gan)器(qi)，以(yi)提(ti)高(gao)係(xi)統(tong)檢(jian)測(ce)
、識別、分類和決策能力。本文根據係統的需要使用了兩類傳感器：電磁感應式傳感器和霍爾傳感器

，利用它們之間產生的冗餘信息進而檢測出缺陷信號。數據融合係統結構如圖1所示。
 
 

根據缺陷信號的特點以及環境要求
，采用漏磁傳感器陣列進行數據采集[2]。為提高檢測靈敏度，減小鋼管表麵接觸噪聲和溫度影響,由32個傳感器組成的傳感器陣列，貼敷在與鋼管表麵吻合的耐磨塊內，形成探頭。傳感器被分為兩組
，每組16個。一組由16個電磁感應式傳感器組成，另一組由16個霍爾傳感器組成

，兩組交替分配在探頭表麵。傳感器陣列傳送出來的兩組32路信號經過預處理之後被送到融合中心進行數據融合。

電磁感應式傳感器
電磁感應式傳感器的工作原理是：dangtatiezhegangguanbiaomiansaozhashi，gangguanquexianchanshengdeloucichanghuiyinqichuanguoxianquandecitongliangbianhua，congershidiancixianquanzhongchanshengganshengdiandongshi
，xingchengquexianxinhao。dangjianceyongdediancixianquanyugangguanzuoxiangduiyundongshi，jianceloucichangdexianquansuochanshengdeganyingdiandongshiUc為：

式中,n為線圈匝數
，φ為線圈中通過的漏磁場磁通量；B為漏磁場的磁通量密度


；S為線圈的橫截麵積，t為線圈運動時間。電磁感應式傳感器能夠在很大的溫度範圍中應用
，且工作壽命長、抗灰塵、抗水和抗油汙的能力強，即能耐受各種環境條件及外部噪聲。

霍爾傳感器
霍爾傳感器檢測漏磁信號的工作原理是：當電流I沿與磁場B的垂直方向通過時，在與電流和磁場垂直的霍爾傳感器兩側便產生霍爾電勢Hr：

    
式中，RH為霍爾係數；KH為霍爾係數RH與霍爾傳感器厚度t之比
，稱為霍爾元件靈敏度。當霍爾係數RH與電流一定時
，霍爾電勢Hr隻取決於磁場B的強度而與漏磁場的運動速度無關，因此，霍爾傳感器不會受到管線檢測的非勻速性的影響。

信號預處理
對(dui)於(yu)多(duo)傳(chuan)感(gan)器(qi)測(ce)量(liang)的(de)漏(lou)磁(ci)缺(que)陷(xian)信(xin)號(hao)數(shu)據(ju)，為(wei)了(le)保(bao)證(zheng)測(ce)試(shi)的(de)準(zhun)確(que)性(xing)，係(xi)統(tong)取(qu)得(de)信(xin)號(hao)之(zhi)後(hou)，首(shou)先(xian)要(yao)對(dui)信(xin)號(hao)進(jin)行(xing)預(yu)處(chu)理(li)
，濾(lv)除(chu)各(ge)種(zhong)外(wai)界(jie)幹(gan)擾(rao)和(he)各(ge)種(zhong)噪(zao)聲(sheng)，獲(huo)得(de)正(zheng)確(que)的(de)測(ce)量(liang)粗(cu)值(zhi)。一(yi)般(ban)有(you)兩(liang)種(zhong)方(fang)法(fa)：一是進行平滑處理，實際算法可通過滑動中值平滑器來實現;二是剔除粗大誤差，可采取數據相關剔除法與信號平滑法同時進行,將來自多傳感器具有相關性、互補性和冗餘性的數據進行數據融合。這種方法可以充分利用被測目標在時間與空間上的信息，對被測量進行精確描述[4]。因此
，多傳感器融合的結果比單個傳感器的測量值更為準確。

benwenduilouciquexianxinhaoshiyongxiaobojiangzaosuanfa，gaifangfashouxianjiangmeigechuanganqideceliangzhiyongxiaoboyuzhidefangfaquzao，yijianxiaozaoshengduichuanganqiceliangzhideyingxiang。weilegenghaodizhongjianchuanganqixinhao，kejianggegechuanganqiceliangzhijinxingguiyihuachuli，ranhouzaisongruRBF神(shen)經(jing)網(wang)絡(luo)的(de)數(shu)據(ju)融(rong)合(he)中(zhong)心(xin)進(jin)行(xing)融(rong)合(he)。對(dui)缺(que)陷(xian)信(xin)號(hao)采(cai)取(qu)小(xiao)波(bo)分(fen)析(xi)可(ke)以(yi)突(tu)出(chu)缺(que)陷(xian)點(dian)，經(jing)過(guo)小(xiao)波(bo)分(fen)析(xi)後(hou)可(ke)將(jiang)缺(que)陷(xian)信(xin)號(hao)的(de)局(ju)部(bu)模(mo)極(ji)大(da)值(zhi)及(ji)其(qi)位(wei)置(zhi)以(yi)及(ji)漏(lou)磁(ci)信(xin)號(hao)的(de)波(bo)形(xing)特(te)征(zheng)等(deng)作(zuo)為(wei)特(te)征(zheng)信(xin)息(xi)，用(yong)來(lai)區(qu)分(fen)不(bu)同(tong)的(de)缺(que)陷(xian)。

信號模型
在漏磁信號采集過程中
，假設有N個傳感器對同一缺陷的不同位置進行測量
，每個傳感器得到的漏磁信號測量值記為Xj(j=1,2,3...N)
，在測量過程中存在內部和外部噪聲影響，測量值可以表示為：

    
式中，S(n)為真實的被測量值，ej(n)(j=1,2,3...N)為第j個傳感器在n時刻的加性噪聲
，Xj(n)為第j個傳感器在n 時刻的實際測量值。由於每個傳感器受到噪聲幹擾的程度不同，所以實際測量值偏離真實的被測量值的程度也是不同的。

小波閾值去噪
小xiao波bo去qu噪zao的de方fang法fa主zhu要yao通tong過guo設she置zhi閾yu值zhi來lai實shi現xian，對dui漏lou磁ci信xin號hao的de離li散san小xiao波bo變bian換huan
，計ji算suan所suo有you小xiao波bo係xi數shu，剔ti除chu被bei認ren為wei與yu噪zao聲sheng有you關guan的de小xiao波bo係xi數shu
，然ran後hou通tong過guo小xiao波bo變bian換huan的de逆ni變bian換huan得de到dao信xin號hao。對dui於yu給gei定ding的de信xin號hao，選xuan取qu閾yu值zhi的de方fang法fa很hen多duo
，本ben文wen使shi用yong的de是shi基ji於yuStein無偏風險估計值最小化(SURE)的方法：

    
式中的閾值t，得到它的是似然函數，然後使似然函數最小化，得到所需閾值。在VISU的方法中閾值的選取固定不變，而在SURE方法中,閾值是自適應變化的，可以更好地降低噪聲對缺陷信號的影響[4]。根gen據ju經jing過guo小xiao波bo處chu理li後hou的de漏lou磁ci信xin號hao缺que陷xian波bo形xing，可ke以yi提ti取qu出chu缺que陷xian的de特te征zheng向xiang量liang，用yong以yi作zuo為wei神shen經jing網wang絡luo融rong合he中zhong心xin的de輸shu入ru。數shu據ju融rong合he可ke根gen據ju融rong合he的de層ceng次ci和he實shi際ji內nei容rong將jiang其qi分fen成cheng像xiang素su層ceng融rong合he
、特征層融合和決策層融合。本文把經過小波降噪處理後的信號通過RBF神經網絡融合中心進行特征級融合，以對信號進行定量分析。

RBF神經網絡融合算法
常用的數據融合方法包括神經網絡、聚類算法或模板法。其中,人工神經網絡具有學習、記憶
、聯想、容錯、並行處理等卓越功能,在拓撲結構、權重自適應等方麵應用靈活,已在計量測試儀器標定、故障診斷中獲得廣泛應用。在多傳感器測量係統中，采用數據融合技術可為係統帶來多方麵的益處[5]
，如增強係統的穩定性、增加係統的可信度及提高係統的檢測能力。由於BP神經網絡收斂速度慢,網絡訓練時間較長,且存在局部極小值的問題，RBF神經網絡比BP神經網絡具有更快的學習特征，其逼近能力更強。因此
，本係統選用RBF神經網絡作為融合中心的特征層融合器進行融合訓練。

RBF神經網絡結構
RBF神經網絡結構圖如圖2所示
，第一層為輸入層，用作特征信息融合信息采集
，構成輸入樣本空間X；第二層為隱含層，用作將輸入樣本空間映射為高維的徑向基函數空間，即對輸入信息空間X進行特征提取。隱含層節點參數向量包括中心值Ci和標準偏差δi；第三層為輸出層
，ωi為第i個基函數與輸出節點的連接權值，輸出為Y，徑向基函數選擇高斯函數，如下：

式中，m為隱含層節點數， ‖•‖為歐幾裏德範數。

RBF神經網絡學習過程分為兩個階段：第一階段，根據所有的輸入樣本確定徑向基函數及其參數，即確定隱含層各節點的高斯函數的中心值和標準偏差；第二階段
，在確定隱含層各參數後，根據樣本，采用梯度下降算法
，求出輸出層的權值。

RBF神經網絡算法主要是通過調整連接權值，使輸出層與期望輸出逐漸趨於一致。根據最小均方差原理(MSE)

，當誤差指標處於某一個範圍之內時，則可以停止運算，表示網絡訓練成功。

神經RBF網絡參數選取及權值更新
在融合中心，RBF神經網絡的結構參數有徑向基函數的隱含層節點數、中(zhong)心(xin)值(zhi)和(he)標(biao)準(zhun)偏(pian)差(cha)。節(jie)點(dian)數(shu)越(yue)多(duo)，學(xue)習(xi)能(neng)力(li)越(yue)強(qiang)

，合(he)理(li)的(de)節(jie)點(dian)數(shu)可(ke)通(tong)過(guo)訓(xun)練(lian)得(de)到(dao)最(zui)佳(jia)值(zhi)。確(que)定(ding)中(zhong)心(xin)值(zhi)和(he)標(biao)準(zhun)偏(pian)差(cha)可(ke)采(cai)用(yong)簡(jian)單(dan)有(you)效(xiao)的(de)聚(ju)類(lei)算(suan)法(fa)K-均值聚類算法。該方法具有實現簡便、運算量較小、抗(kang)噪(zao)聲(sheng)能(neng)力(li)強(qiang)以(yi)及(ji)識(shi)別(bie)率(lv)高(gao)等(deng)優(you)點(dian)，可(ke)以(yi)很(hen)好(hao)地(di)解(jie)決(jue)建(jian)模(mo)樣(yang)本(ben)分(fen)布(bu)不(bu)合(he)理(li)的(de)問(wen)題(ti)。標(biao)準(zhun)偏(pian)差(cha)的(de)大(da)小(xiao)影(ying)響(xiang)徑(jing)向(xiang)基(ji)函(han)數(shu)對(dui)輸(shu)入(ru)的(de)響(xiang)應(ying)
，標(biao)準(zhun)偏(pian)差(cha)太(tai)小(xiao)則(ze)基(ji)函(han)數(shu)隻(zhi)能(neng)對(dui)輸(shu)入(ru)數(shu)據(ju)附(fu)近(jin)的(de)很(hen)小(xiao)區(qu)域(yu)做(zuo)出(chu)響(xiang)應(ying)，標(biao)準(zhun)偏(pian)差(cha)過(guo)大(da)則(ze)可(ke)能(neng)丟(diu)失(shi)固(gu)有(you)的(de)局(ju)部(bu)信(xin)息(xi)，模(mo)型(xing)精(jing)度(du)也(ye)較(jiao)差(cha)，因(yin)此(ci)標(biao)準(zhun)偏(pian)差(cha)的(de)選(xuan)取(qu)應(ying)在(zai)一(yi)個(ge)穩(wen)定(ding)區(qu)間(jian)內(nei)進(jin)行(xing)。

本文利用梯度下降算法確定連接權值。假設總誤差為：
    

式中，p(xj)為第j個訓練樣本的期望輸出；y(xj)為網絡實際輸出
，n為訓練樣本總數。
    
式中，Yi(xj)為隱含層第i個基函數的輸出； 為連接權值ωi的更新值；η為學習步長
，一般為在0.2～0.9之間選取[7]。

實驗仿真分析
本文采用MATLAB軟件進行仿真實驗，通過提供的40組人工裂縫的樣本
，對RBF神經網絡係統進行訓練學習和模式識別，並在學習初期對輸入數據進行了預處理，通過樣本訓練逐漸生成最佳的RBF期網絡[8]。另取10組測試樣本數據作為輸入，用MATLAB軟件進行模擬仿真，同時利用RBF神經網絡對其進行深度評估
，並與常規BP神經網絡進行對比，其實驗仿真結果如表1所示。

仿真實驗結果表明：利用RBF神經網絡融合能比較精確地檢測到信號缺陷深度
，在學習能力和檢測精度上，RBF神經網絡均優於常規BP神經網絡，該方法的平均絕對誤差一般為2.69％，而常規BP神經網絡的平均絕對誤差為5.47％。可見
，前者檢測效果明顯好於後者。

    在漏磁缺陷信號中，利用小波降噪預處理可以在有效降低噪聲影響的同時，最大程度上保留了缺陷的特征信息
；采用漏磁傳感器陣列,一定程度上克服了原有單傳感器係統的檢測誤差；基於RBF神經網絡的漏磁信號數據融合處理，可對裂紋深度檢測的同時進行定量分析。實驗結果表明，RBF 神經網絡不僅具有很快的學習速度, 而且能夠有效地提高檢測的精度和準確率，消除信息的不確定性，提高傳感器的可靠性。