本发明公开了一种基于遗传算法的超声传感器阵列参数的分析方法，用于对GIS壳体焊缝内部缺陷进行检测，属于无损检测领域。该方法以全聚焦成像法则为目标函数，通过遗传算法对超声传感器阵列的中心频率和孔径尺寸进行优化。该方法的优势在于通过与优化算法相结合对超声传感器阵列参数进行优化，可以在全局范围内找出最佳的检测参数组合，克服以往根据经验来多次调整阵列参数，且未必得到最优的阵列参数下的检测结果。由于焊缝中缺陷要比各向同性材料中的缺陷检测难度大，通过该方法找到最优的检测参数，更有利于焊缝内缺陷的检出；因此，此方法具有很强的实用性，并可提高GIS壳体焊缝内部缺陷的检出率。
1.一种基于遗传算法的超声传感器阵列参数的分析方法，其特征在于：首先，确定超声传感器阵列的优化参量即中心频率和孔径尺寸，目标函数即全聚焦成像法则；然后，构建N个初始种群，确定复制、交叉和变异因子，设定迭代终止条件；当遗传算法不满足迭代终止条件时，根据遗传算法规则产生新的种群，当遗传算法满足终止条件时，则迭代截至，最后发现中心频率和孔及尺寸会收敛于它们的最优解，从而确定两者的最优组合；
假设一维线性传感器阵列的阵元个数为N，i表示激励阵元，j表示接收阵元；由激励阵元i激励的声束到达待测试件成像区域聚焦点坐标(x,z)处，然后由此聚焦点反射为接收阵元j所接收；
对于x-z平面内采用线阵相控阵超声换能器直接耦合试件的检测，假设在试件内部坐标为(x,z)处存在一点状缺陷，则全矩阵数据中由第i个阵元激发，第j个阵元接收得到的信号表示为其中，D(xi,x,z,ω)和D(xj,x,z,ω)是分别表示激励阵元和接收阵元的指向性函数，E(xi,x,z,ω)和E(xj,x,z,ω)分别表示声波由激发阵元传播至缺陷以及由缺陷传播至接收阵元的幅值衰减量的频谱，A(ω)是接收信号的频谱，S(xi,xj,x,z,ω)是缺陷的散射系数；D(xi,x,z,ω)和E(xi,x,z,ω)分别表示为式中a为阵元晶片的宽度，c为材料声速，k为超声波的波数， ri表示激励阵元到缺陷的距离，θi表示激励阵元到缺陷的连线与竖直方向的夹角；S(xi,xj,x,z,ω)表示缺陷的散射系数，由解析法获得；
全聚焦成像算法针对试件成像网格区域内的每一个离散坐标点采用阵列超声换能器上的所有阵元进行虚拟聚焦，在虚拟聚焦所得回波数据中选择与该坐标点相对应时间的回波幅值进行成像，其表达式如式(4)所示：I(xi,xj,x,z,ω)＝|∑H(xi,xj,x,z,ω)exp(-jω(ri+rj)/c)| (4)在使用超声检测焊缝内部缺陷时，由于焊缝内部的晶粒粗大，这使得超声在焊缝内部传播时衰减较大，由于激励信号频率越高，在介质中传播时的衰减越大，而当频率较小时则由于对缺陷的分辨率不够，而使得有些焊缝内部实际存在的缺陷得不到很好的检测效果；
同时，孔径尺寸的选择对超声阵列的检测效果也有较大的影响作用；因此，有必要通过遗传算法选择出最佳的中心频率和孔径尺寸的组合参数；进而，在遗传算法当中选择激励信号的中心频率f和阵列的孔径尺寸NA作为遗传算法的输入变量；中心频率f的和孔径尺寸NA的取值范围分别为3—7MHz和0.6—19.1mm。
2.根据权利要求1所述的一种基于遗传算法的超声传感器阵列参数的分析方法，其特征在于：用长度为10位的二进制编码串来表示中心频率f，用长度为5位的二进制编码串来表示孔径尺寸NA；
10位的二进制编码串表示从0到1023之间的1024个不同的数，故将f的定义域离散化
1023个均等的区域，包括两个端点在内的共有1024个不同的离散点；从离散点3MHz到离散点7MHz，依次让它们分别对应于从00000,00000(0)到11111,11111(1023)之间的二进制编码；
5的二进制编码串表示从0到31之间的32个不同的数，分别对应0号阵元、1号阵元、…、
故将NA的定义域离散化16个均等的区域，包括两个端点在内的共有16个不同的离散点；
从离散点0.5mm到离散点19.1mm，依次让它们分别对应于从00000(0)到11111(16)之间的二进制编码；
分别将来表示中心频率f的10位的二进制编码串和来表示孔径尺寸NA的5位的二进制编码串连接在一起，组成一个5位长的二进制编码，这样就构成了对目标函数编码的；
X:0000000000|01111的编码表示中心频率f和孔径尺寸NA分别为3MHz和9.5mm的组合；
解码时先将15位长的二进制编码切断为一个10位长的二进制的编码串和一个5位长的二进制编码串，然后分别将其转换成对应的十进制整数代码，分别用y1和y2表示。
3.根据权利要求1所述的一种基于遗传算法的超声传感器阵列参数的分析方法，其特征在于：采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量；其具体操作过程是：
2)其次计算出每一个体的相对适应度的大小Fi/∑Fi，它即为每一个体被遗传到下一代群体中的概率；
4)最后再产生一个0到1之间的随机数，依据该随机数出现在哪一个概率区域内来确定各个体被选中的次数；
交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体；采用单点交叉的方法，其具体操作过程是：
变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法；采用基本位变异的方法来进行变异运算，其具体操作过程是：
1)首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处；
变异概率的值不应过大，取值范围为0.001～0.1。
一种基于遗传算法的超声传感器阵列参数的分析方法
技术领域
[0001] 本发明是基于遗传算法的超声传感器阵列参数分析方法。该方法以全聚焦成像法则为目标函数，通过遗传算法对超声传感器阵列的中心频率和孔径尺寸进行优化，得到最优的中心频率和孔径尺寸，以此提高GIS壳体焊缝内部缺陷的检出率，属于无损检测领域。
背景技术
[0002] 随着现在工业水平的迅猛发展，焊接技术已经被广泛应用于压力容器、船舶、航空航天、电力系统等工业领域中。目前焊接的工艺方法有很多种，主要包括熔焊、钎焊、压焊等焊接方式。焊缝在焊接过程中受焊接设备、焊接工艺、材料残余应力及材料尺寸等因素的影响，可能产生多种不同的焊接缺陷。另外，在长期的服役过程中可能经受高温、高压或腐蚀等环境的影响，在焊缝内部也会产生缺陷。焊缝内部常见的缺陷类型有裂纹、未融合、未焊透、气孔和夹渣等。焊缝缺陷严重影响焊缝质量，使其安全性和可靠性降低，易引发安全生产事故。因此，焊缝的安全问题是焊接领域中非常重要的问题。
[0003] 近年来，超声相控阵技术以其灵活的声束聚焦和方向控制能力，使其在复杂构件缺陷检测领域(例如焊缝中)的应用日渐广泛。超声相控阵检测技术采用由多个阵元组成的阵列换能器，通过电子技术控制各阵元的超声激励接收延时，实现声束在试件内部的定向偏转及聚焦。目前，超声相控阵技术主要沿两个方向发展：一个方向是相控阵后处理技术，超声相控阵后处理成像技术是通过对采集到的全矩阵数据进行离线处理，进而获得高精度的成像效果，其中最常用的为全聚焦和矢量全聚焦等成像方法。另一研究方向是超声传感器阵列的参数的优化研究，通过全局优化算法如模拟退火算法、遗传算法等对传感器阵列的某些参数进行优化。本方法的特点是将当前相控阵技术的两个研究方向相结合，即将遗传算法和全聚焦成成像法则相结合，以超声阵列的中心频率和孔径尺寸为优化变量，全聚焦成像法则为目标函数，通过多次优化迭代，在计算精度达到要求时迭代运算停止；最终，得到超声传感器阵列的最优的中心频率和孔径尺寸。
[0004] 遗传算法(GA)是60年代初期由美国学者Holland提出的它是模拟生物学的自然遗传和达尔文进化理论的随机优化算法，本质上是一种求解问题的高效并行的全局搜索方法，能在搜索中自动获取和积累有关搜索空间的知识，自适应地控制搜索过程，以求得最优解。每个个体表示空间中的一个解点，利用某种编码技术把个体称作染色体的数串，并模拟由这些数串组成群体的进化过程。GA从任一初始化群体出发，通过随机选择、交叉和变异等遗传操作，使群体一代代进化到搜索空间中越来越好的区域，直至最优解，其固有的并行性和不易陷入局部最优的特点，使之非常适合于大规模搜索空间的寻优。
[0005] 全聚焦成像法则是一种最常用的虚拟聚焦技术，通过对全矩阵数据进行延时、加权合成等数据处理，模拟常规相控阵超声检测技术对试件内部某一特定点进行声束的偏转聚焦，并获得声束与内部缺陷相互作用后回波信号的幅值。研究结果表明，在一种称为“阵列换能器性能指示器(Array performance indicator，API)”的评价系数标准下TFM的成像质量远远优于常规相控阵超声成像方法。
发明内容
[0006] 本发明的内容在于提出一种适用于焊缝内部缺陷检测的基于遗传算法和全聚焦成像法则的超声传感器阵列参数分析的方法。首先，确定超声传感器阵列的优化参量(中心频率和孔径尺寸)和目标函数(全聚焦成像法则)；然后，构建N个初始种群，确定复制、交叉和变异因子，设定迭代终止条件；当遗传算法不满足迭代终止条件时，根据遗传算法规则产生新的种群，当遗传算法满足终止条件时，则迭代截至，最后发现中心频率和孔及尺寸会收敛于它们的最优解，从而确定两者的最优组合。
[0007] 假设一维线性传感器阵列的阵元个数为N，i表示激励阵元，j表示接收阵元。由激励阵元i激励的声束到达待测试件成像区域聚焦点坐标(x,z)处，然后由此聚焦点反射为接收阵元j所接收。
[0008] 对于x-z平面内采用线阵相控阵超声换能器直接耦合试件的检测，如图1所示，假设在试件内部坐标为(x,z)处存在一点状缺陷，则全矩阵数据中由第i个阵元激发，第j个阵元接收得到的信号表示为
[0009]
[0010] 其中，D(xi,x,z,ω)和D(xj,x,z,ω)是分别表示激励阵元和接收阵元的指向性函数，E(xi,x,z,ω)和E(xj,x,z,ω)分别表示声波由激发阵元传播至缺陷以及由缺陷传播至接收阵元的幅值衰减量的频谱，A(ω)是接收信号的频谱，S(xi,xj,x,z,ω)是缺陷的散射系数。D(xi,x,z,ω)和E(xi,x,z,ω)分别表示为
[0011]
[0012]
[0013] 式中a为阵元晶片的宽度，c为材料声速，k为超声波的波数， ri表示激励阵元到缺陷的距离，θi表示激励阵元到缺陷的连线与竖直方向的夹角。S(xi,xj,x,z,ω)表示缺陷的散射系数，由解析法获得。
[0014] 全聚焦成像算法针对试件成像网格区域内的每一个离散坐标点采用阵列超声换能器上的所有阵元进行虚拟聚焦，在虚拟聚焦所得回波数据中选择与该坐标点相对应时间的回波幅值进行成像，其表达式如式(4)所示：
[0015] I(xi,xj,x,z,ω)＝|∑H(xi,xj,x,z,ω)exp(-jω(ri+rj)/c)| (4)[0016] 在使用超声检测焊缝内部缺陷时，由于焊缝内部的晶粒粗大，这使得超声在焊缝内部传播时衰减较大，由于激励信号频率越高，在介质中传播时的衰减越大，而当频率较小时则由于对缺陷的分辨率不够，而使得有些焊缝内部实际存在的缺陷得不到很好的检测效果；同时，孔径尺寸的选择对超声阵列的检测效果也有较大的影响作用。因此，有必要通过遗传算法选择出最佳的中心频率和孔径尺寸的组合参数。进而，在遗传算法当中选择激励信号的中心频率f和阵列的孔径尺寸NA作为遗传算法的输入变量。中心频率f的和孔径尺寸NA的取值范围分别为3—7MHz和0.6—19.1mm(1-32个阵元)。
[0017] 用长度为10位的二进制编码串来表示中心频率f，用长度为5位的二进制编码串来表示孔径尺寸NA。
[0018] 10位的二进制编码串可以表示从0到1023之间的1024个不同的数，故将f的定义域离散化1023个均等的区域，包括两个端点在内的共有1024个不同的离散点。从离散点3MHz到离散点7MHz，依次让它们分别对应于从00000,00000(0)到11111,11111(1023)之间的二进制编码。
[0019] 5的二进制编码串可以表示从0到31之间的32个不同的数，分别对应0号阵元、1号阵元、…、32号阵元，
[0020] 故将NA的定义域离散化16个均等的区域，包括两个端点在内的共有16个不同的离散点。从离散点0.5mm到离散点19.1mm，依次让它们分别对应于从00000(0)到11111(16)之间的二进制编码。
[0021] 分别将来表示中心频率f的10位的二进制编码串和来表示孔径尺寸NA的5位的二进制编码串连接在一起，组成一个5位长的二进制编码，这样就构成了对目标函数编码的。
[0022] X:0000000000|01111的编码表示中心频率f和孔径尺寸NA分别为3MHz和9.5mm的组合。
[0023] 解码时先将15位长的二进制编码切断为一个10位长的二进制的编码串和一个5位长的二进制编码串，然后分别将其转换成对应的十进制整数代码，分别用y1和y2表示。
[0024] 依据前面所述的研究变量的研究方法对他们各自定义域的离散化方法可知，将代码y1和y2。
[0025] 中心频率f的解码公式，单位MHz：
[0026]
[0027] 孔径尺寸NA的解码公式，单位mm：
[0028]
[0029] 将遗传法则的目标函数确定为全聚焦成像法则，如式(4)所示。
[0030] 遗传算法所研究的目标函数如式(5)所示
[0031] F＝max(ITFM(e',f,NA)min) (5)
[0032] 在每一组的(f,NA)组合当中，在多个全聚焦成像的多个值当中必然存在ITFM(e',f,NA)min。在确定种群时，种群中存在多组(f,NA)，经种群多组(f,NA)可以有多个ITFM(e',f,NA)min，选取其中最大的ITFM(e',f,NA)min作为目标函数。
[0033] F＝max(ITFM(e',f,NA)min)
[0034] 遗传因子是用来确定当代种群和下一代种群的，它的设置主要基于生物学中的遗传和变异的学科，其中的基因存在选择、交叉和变异。
[0035] 选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。要求适应度高的个体将有更多的机会遗传到下一代群体中。
[0036] 采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是：
[0037] 1)先计算出群体中所有个体的适应度的总和∑Fi；
[0038] 2)其次计算出每一个体的相对适应度的大小Fi/∑Fi，它即为每一个体被遗传到下一代群体中的概率；
[0039] 3)每个概率值对应一个区域，全部概率值之和为1；
[0040] 4)最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个体被选中的次数。
[0041] 交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。采用单点交叉的方法，其具体操作过程是：
[0042] 1)先对群体进行随机配对；
[0043] 2)其次随机设置交叉点位置；
[0044] 3)最后再相互交换配对染色体之间的部分基因。
[0045] 交叉概率的取值范围一般取0.4～0.99，本例的交叉概率取0.6。
[0046] 变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法。采用基本位变异的方法来进行变异运算，其具体操作过程是：
[0047] 1)首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处；
[0048] 2)然后依照某一概率将变异点的原有基因值取反。
[0049] 变异概率的值不应过大，它一般的取值范围为0.001～0.1，本例的取值为0.05。
附图说明
[0050] 图1是全聚焦成像的原理图；
[0051] 图2是全聚焦成像的结果图；
[0052] 图3是遗传算法的流程图；
[0053] 图4是目标函数的遗传算法迭代过程图；
[0054] 图5是中心频率的遗传算法迭代过程图；
[0055] 图6是孔径尺寸的遗传算法迭代过程图；
[0056] 其中：i—激励阵元；j—接收阵元；a—阵元宽度；p—阵元间距；
[0057] 具体实施步骤
[0058] 如图3所示，基于遗传算法下的超声阵列优化方法的具体实施步骤如下：
[0059] 1)确定超声阵列的优化变量——中心频率f和孔径尺寸NA，以及它们的取值范围(此处的它们的取值范围分别为3～7MHz和0.6～19.1mm)。
[0060] 2)根据优化变量的取值范围，使用二进制编码对优化变量组合进行编码，并随机产生随机建立M个初始种群；
[0061] 3)确定遗传算法的目标函数——全聚焦成像法则I；
[0062] 4)确定交叉因子概括和变异因子概率的取值，产生出代表新的解集的种群；
[0063] 5)对新的种群进行解码，得到对应的待优化变量的参数；
[0064] 6)设定迭代终止条件，当遗传算法不满足终止条件式，则跳转到步骤(2)，否则，迭代终止，并寻找出最优的优化变量——中心频率f和孔径尺寸NA的最佳组合。
[0065] 上述步骤中，换能器阵列数目N为32。
[0066] 上述步骤中，超声阵列的遗传变量为中心频率f和孔径尺寸NA，目标函数为全聚焦成像法则I。
[0067] 上述步骤只是本发明的一个典型实施例，本发明的实施不限于此。
