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：當dang它ta貼tie著zhe鋼gang管guan表biao麵mian掃sao查zha時shi
，鋼gang管guan缺que陷xian產chan生sheng的de漏lou磁ci場chang會hui引yin起qi穿chuan過guo線xian圈quan的de磁ci通tong量liang變bian化hua，從cong而er使shi電dian磁ci線xian圈quan中zhong產chan生sheng感gan生sheng電dian動dong勢shi
，形xing成cheng缺que陷xian信xin號hao。當dang檢jian測ce用yong的de電dian磁ci線xian圈quan與yu鋼gang管guan做zuo相xiang對dui運yun動dong時shi，檢jian測ce漏lou磁ci場chang的de線xian圈quan所suo產chan生sheng的de感gan應ying電dian動dong勢shiUc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(yu)Stein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。