基于LabVIEW的电磁超声无损检测系统的设计
★中国电工技术学会出品★
致力于产业界与学术界融合创新的品牌会议
①浏览会议通知，请戳下面标题 ☟
☞会议通知︱2018第十二届中国电工装备创新与发展论坛暨第八届电工技术前沿问题学术论坛（第一轮）
②了解大会征文详情，请戳下面标题 ☟
☞两大技术论坛联合征文︱《电工技术学报》《电气技术》两刊携手打造学术盛宴
③参会注册，请长按识别下方二维码 ☟（先注册网站会员，然后提交报名信息）
正文共2000 字，预计阅读时间4 分钟
省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学）、河北省电磁场与电器可靠性省部共建重点实验室（河北工业大学）、天津工业大学电工电能新技术天津市重点实验室的研究人员刘素贞、饶诺歆等，在2018年第10期《电工技术学报》上撰文，针对无损检测技术智能化的需求，提出一种基于LabVIEW的缺陷在线识别方法。
对电磁超声信号进行时域、频域及时频域结构的特征提取，并采用基于类内类间平均距离和序列前向选择相结合的方法进行特征选择；构建基于支持向量机（SVM）的监督学习模型和多种半监督学习模型，并分别进行缺陷识别。
结果表明S4VM（S4VM）是一个相对安全的半监督支持向量机；搭建电磁超声无损检测系统，并进行缺陷在线识别实验，实验结果验证了系统的可靠性，并可实现电磁超声缺陷识别的图像化、数字化、智能化和系统化。
随着我国大型工程和重大项目的大量建设，对构件进行在役无损检测和健康监测的要求越来越高，检测过程智能化、操作过程傻瓜化、信号采集和处理系统化成为当今无损检测发展的趋势。
虚拟仪器（Virtual Instrument, VI）将计算机硬件与仪器硬件通过软件结合起来，具有模块化、数字化、方便共享等优点[1]。它与无损检测相结合，既可以扩展检测设备的功能、又可以使检测设备趋于小型化，并且便于实现自动检测[2,3]。
近几年，国内在基于虚拟仪器的无损检测技术上取得了一定的发展。文献[4]利用神经网络进行钢轨缺陷信号分类，并通过LabVIEW语言编程实现了用户登录数据分析等功能；文献[5]研发了基于LabVIEW的焊缝缺陷检测与识别系统，并将基于D-S理论和模糊综合的识别技术应用于焊缝的定性分析中；文献[6]开发了一种基于LabVIEW的铁磁性材料损伤检测系统；文献[7]设计了基于虚拟仪器LabVIEW的超声信号上位分析系统，实现了超声回波信号的去噪处理、数据保存、频谱分析等功能，并将基于小波包频谱能量特征和BP神经网络相结合实现了缺陷定性识别。
上述研究利用虚拟仪器显示波形和信号处理，但没有实现信号处理、特征提取以及缺陷识别的系统化和智能化，难以实现缺陷在线识别。而在实时性要求较高的缺陷检测中，在线识别能够改善工人工作环境、提高检测效率。
传统的机器学习分为监督学习和无监督学习，它们分别利用标记数据和未标记数据进行分类学习。基于支持向量机的分类是一种监督学习，即训练网络的样本都为已标记样本。而实际应用中对数据进行标记代价很高，需要花费大量的人力、时间等，通常不能获取大量有着正确类别标签的样本，特别是在实时性要求较高的缺陷识别中。所以，近几年利用标签数据和未标签数据提高分类准确率和训练速度的半监督学习成为了当前模式识别领域的研究热点。
因此，进行基于虚拟仪器的电磁超声无损检测系统的研究，把先进的信号处理技术、模式识别技术、半监督增量学习技术以及虚拟仪器技术等结合起来，实现缺陷在线识别及检测智能化，对提高我国的无损检测水平具有实质性的意义。
本文结合小波包分解（Wavelet Packet Transform, WPT）和集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）分析非平稳信号的优势、类内类间距离和序列前向选择（Sequential Forward Section, SFS）相结合的特征选择的方法、支持向量机的分类及半监督学习的灵活性，对电磁超声无损检测系统进行设计，在工控机内的LabVIEW软件下进行开发，最终实现对电磁超声信号的实时采集、储存、分析以及在线网络训练、在线增量训练和在线缺陷识别。
图1 电磁超声无损检测系统
图9 电磁超声无损检测系统的主程序框架
图10 缺陷在线识别的程序主面板
结论
本文以电磁超声无损检测系统的设计为核心，从信号处理技术、模式识别技术及软件编程技术三个方面对系统的搭建进行了研究。
1）建立了电磁超声检测信号的特征选择模型。对电磁超声信号进行时域、频域、WPT分解及EEMD分解的多种特征的提取，并且引入了基于类内类间平均距离和序列浮动前向选择相结合的算法，对最优的特征子集进行了选择。
2）建立了基于SVM的缺陷识别模型，并对半监督支持向量机算法进行了研究。对H80标准裂纹试块上0.5mm、1mm、1.5mm等六种缺陷进行了SVM网络训练，基于SVM的缺陷识别模型对缺陷数据进行了识别，识别率达到了100%。
对如何综合利用少量已标签样本和大量的未标签样本来提高学习性能的半监学习算法进行了研究。通过实验对比SVM、S3VM、S3VM-c、S3VM-p及S4VM算法的准确率，得出S4VM算法是一个比较安全的半监督支持向量机算法。
3）搭建了基于LabVIEW的电磁超声检测系统，并通过裂纹缺陷在线识别实验对系统的性能进行了验证，实验结果表明，可以对缺陷进行实时的在线识别，并且识别率达到了95%以上。该系统结构简洁，运行性能稳定，易于操作，具有较高的检测精度和可靠性。