0 引　言

目前船用耐腐蚀材料主要以金属为主，且此类材料主要应用于舰船的管道、螺旋桨、驱动轴等结构之中，并长时间浸泡于海水中。海洋环境因气象、流体、化学等多因素存在多变性，在海水侵蚀下，船用耐腐蚀材料内部结构存在缺陷时，便会导致材料腐蚀速率加快，从而影响其耐腐蚀性能。

针对检测材料缺陷这一问题，张人杰等^[1]针对舰船焊缝缺陷检测问题，提出使用AP聚类算法与深度卷积网络从视觉角度完成分类检测，此方法虽被证实具备可用性，但只能检测焊缝此类表面缺陷问题，不能检测材料内部缺陷。吴连生等^[2]使用疲劳裂纹扩展模拟方法，检测TC4ELI钛合金裂纹缺陷，但此方法分析过程较为复杂，且检测手段以模拟为主。

近几年激光超声技术被大量使用在材料缺陷检测问题中，其属于无损检测技术，操作简单且具备对材料内部损伤检测能力。为此，本文提出基于激光超声技术的船用耐腐蚀材料内部缺陷检测方法。该方法能够使用激光超声技术，提取材料的内部超声回波信号，通过特征提取、特征分类的方式完成缺陷检测。

1 船用耐腐蚀材料内部缺陷检测方法 1.1 基于激光超声的材料内部信息采集方法

在现实应用中，热弹与烧蚀属于激发超声波的核心模式^[3]，如果入射激光功率密度大于船用耐腐蚀材料内部缺陷损伤阈值，材料内部损伤位置便可吸收激光超声波能量，此时便会出现热膨胀状态，会衍生回波（见图1）。

在激光超声回波信息中，纵波与横波可作为检测船用耐腐蚀材料内部缺陷。纵波与横波的声场指向性分析方法为：

$ {B_1} \propto \frac{{r_1^3\cos \rho \sin \rho \left( {r_1^2 - r_1^2\cos \rho } \right)}}{{4r_t^3{{\cos }^2}\rho \sin \rho \left( {r_1^2 - r_1^2\cos \rho } \right) + \left( {r_t^3 - r_1^2{{\cos }^2}\rho } \right)}}，$

(1)

$ {B_t} \propto \frac{{ - r_1^4\cos 2\rho \sin 2\rho }}{{r_t^4{{\left( {1 - 2{{\cos }^2}\rho } \right)}^2} + 2r_t^3{{\cos }^2}\rho \sin \rho \left( {r_t^3 - r_1^2\cos \rho } \right)}}。$

(2)

其中： $ {r_1} $ ， $ {r_t} $ 依次为船用耐腐蚀材料内部纵波与横波的密度； $ \rho $ 为指向角信息。

结合已有研究资料可知，纵波与横波的声场指向性分析结果显示，横波指向性集中性更为凸显，在缺陷检测中具备应用优势。为此，使用横波作为检测船用耐腐蚀材料内部缺陷的依据。横波超声波与材料之间的距离一定时，缺陷位置的横波信号变化幅度最明显^[4-6]。在横波信号里，材料内部缺陷二次回波距表面回波的距离，一般都是缺陷一次回波距离表面回波距离的双倍，且一次回波与二次回波波动峰值异常时，便表示回波位置存在损伤缺陷。所以，结合缺陷二次回波信号出现的频域信息与时域信息，能够分类识别材料内部是否存在缺陷。

$ {h_{F1}} = \frac{{{h_{F2}} - {t_l}}}{2}，$

(3)

$ {L_F} = \frac{{{h_{F1}}}}{2} \times {b_L}。$

(4)

其中： $ {h_{F1}} $ ， $ {h_{F2}} $ 依次为缺陷一次回波、二次回波的出现时刻； $ {t_l} $ ， $ {L_F} $ 依次为表面回波出现时间与缺陷深度； $ {b_L} $ 是横波声速。

1.2 基于经验模式分解的激光超声波特征提取方法

缺陷一次回波、二次回波变化特征，可用于体现材料内部缺陷与否。为此，必须提取船用耐腐蚀材料激光超声回波中，每个横波频段信号特征^[7]，从而获取缺陷一次回波、二次回波变化特征，才可准确检测船用耐腐蚀材料缺陷。

经验模式分解法能将激光超声横波各个频段信号转换为内模函数IMF，内模函数IMF约束条件是：内模函数IMF的极值数等于过零点数，且在任意时间段中，用于判断IMF局部极大值与极小值的包络线均值为0。激光超声波信号分解过程如下：

1)设置激光超声回波中横波频段信号为 $ y\left( t \right) $ ，分析 $ y\left( t \right) $ 全部局部极值点，为获取信号上、下包络线，需要先使用3次样条线，把全部激光超声横波频段信号局部极大值点相连，再把全部局部极小值点相连^[8]。设置 $ y\left( t \right) $ 的上下包络线均值是 $ {n_1} $ ，则

$ y\left( t \right) = {n_1} + {k_1}，$

(5)

其中， $ {k_1} $ 为 $ y\left( t \right) $ 的1个IMF分量。

2)若 $ {k_1} $ 与上文IMF约束条件不符，将 $ {k_1} $ 设成原始的激光超声横波信号，跳转至步骤1，获取上下包络线均值矩阵 $ {n_{11}} $ ，然后设置IMF分量矩阵是 $ {k_{11}} = {k_1} - {n_{11}} $ 。分析此分量条件是否符合IMF约束条件，若符合，便设置 $ {k_{11}} = {d_1} $ ，那么 $ {d_1} $ 为 $ y\left( t \right) $ 中符合IMF约束条件的分量。

3)将 $ {d_1} $ 从 $ y\left( t \right) $ 中分离，可获取激光超声回波中，横波频段信号 $ y\left( t \right) $ 剩下分量特征：

$ {s_1} = y\left( t \right) - {d_1} 。$

(6)

其中， $ {s_1} $ 属于信号 $ y\left( t \right) $ 的特征残量。对 $ {s_1} $ 再次执行第步骤1与步骤2操作，获取 $ y\left( t \right) $ 中其他符合IMF约束条件的特征分量 $ {d_2} $ ，多次循环，便可获取信号 $ y\left( t \right) $ 中 $ m $ 个符合约束条件的特征残量 $ {s_m} $ 。若 $ {s_m} $ 变成一个单调函数，便停止IMF分量提取，则激光超声回波信号特征提取结果为：

$ x\left( t \right) = \sum\limits_{i = 1}^m {{d_i} + s_m^{}}。$

(7)

此时信号便被分解成 $ i $ 个基本特征分量 $ {d_i} $ 与一个特征残量 $ s_m^{} $ 之和， $ {d_1},{d_2},...,{d_m} $ 依次是体现信号从大到小 $ m $ 个频率区间的特征信息，主要体现用于缺陷检测的一次回波、二次回波频率区间变化，属于频域特征。 $ s_m^{} $ 可体现信号 $ y\left( t \right) $ 中一次回波、二次回波变化的中心趋势，属于时域特征。

1.3 基于改进支持向量机的内部缺陷检测模型

将提取的激光超声回波特征，输入基于改进支持向量机的内部缺陷检测模型，以特征分类识别的方式，完成船用耐腐蚀材料缺陷检测。SVM分类器惩罚因子 $ a $ 设置的合理性，直接影响其泛化能力。为此，本文构建基于改进支持向量机的内部缺陷检测模型，使用遗传算法寻优设置惩罚因子 $ a $ ，优化支持向量机对缺陷的检测精度。

将提取的特征 $ x\left( t \right) $ 输入支持向量机，设置船用耐腐蚀材料的激光超声波特征 $ x\left( t \right) $ 样本集合是 $ \left( {{v_j},{u_j}} \right) $ ， $ j \in m $ ， $ m $ 是样本数量； $ {v_j} $ 、 $ {u_j} $ 依次是船用耐腐蚀材料激光超声波特征的类属性、类标记。支持向量机将输入样本集合投影至高维空间，设置船用耐腐蚀材料缺陷检测的最优超平面。则船用耐腐蚀材料缺陷检测时，最优分类超平面为：

$ o\left( {x\left( t \right)} \right) = a\sum\limits_{j = 1}^m {{u_j}{c_j}k\left( {v,{v_j}} \right) + w} 。$

(8)

其中： $ {c_j} $ ， $ k\left( {v,{v_j}} \right) $ ， $ w $ 依次为拉格朗日乘子、核函数、偏置， $ a $ 为惩罚因子。本文选择的核函数是径向基核函数。通过式(8)可以检测出船用耐腐蚀材料内部存在缺陷以及不存在缺陷2种情况。

将求解最优分类面问题变成式(9)所示的优化问题：

$ \left\{ {\begin{aligned} &{\mathop {\min }\limits_{\varpi ,w} \frac{1}{2}{{\left\| \varpi \right\|}^2} + a\sum\limits_{j = 1}^m {{\mu _j}} } ，\\ &{{\rm{s.t.}}{u_j}\left( {{\varpi ^{\rm{T}}}{v_j} + w} \right) \geqslant 1 - {\mu _j},j = 1,2,...,m} 。\end{aligned}} \right. $

(9)

其中： $ \varpi $ 为权重向量； $ {\mu _j} $ 为松弛变量；右上标 T为转置计算。

遗传算法在寻优 $ a $ 时，操作流程如下：

1)初始化。设置遗传算法中的种群为 $ a $ 、 $ k\left( {v,{v_j}} \right) $ 可行域；种群中个体为 $ a $ 的可行解。设置迭代次数最大值是50次，种群数量最大值是10；交叉概率与变异概率依次是0.5，0.02；

2)构建初始可行域，把支持向量机训练的缺陷检测结果均方误差 $ MSE $ ，设成遗传算法中个体优劣的初始适应度：

$ \varOmega = MSE = \frac{1}{m}\sum\limits_{j = 1}^m {{{\left( {{o_j} - {{\tilde o}_j}} \right)}^2}} 。$

(10)

式中： $ {o_j} $ ， $ {\tilde o_j} $ 为实际材料内部状态、分类检测结果。

3)结合适应度对代表 $ a $ 可行域的种群，执行选择、变异、交叉处理，进化获取下一代新种群。

4)使用新种群再次训练支持向量机模型，当迭代次数为最大值，便可输出目前适应度最小的最优种群，此种群中个体即为最优 $ a $ ，将寻优结果输入式(8)，分类检测船用耐腐蚀材料内部缺陷。

2 实验结果与分析

为测试本文方法应用效果，使用图2所示的实验装置，通过激光超声技术检测船用耐腐蚀材料内部缺陷问题。图2中所用激光超声波可视化无损检测仪波长为543 nm。激光超声波信号穿过分光镜a，一部分反射光在能量探头中处理为激发光能量，一部分光在分光镜b与柱面镜中聚焦处理后，变成激光超声光源发射至铝制船用耐腐蚀材料样品上。材料的回波信息在三棱镜中折射至激光探头，激光探头把回波信息传输至测振仪。测振仪提取回波变化幅度信息后，反馈在示波器，示波器将横波波动信息传输至计算机，在计算机端执行回波信息特征提取与缺陷分类检测。

实验中所检测的船用耐腐蚀材料为金属铝，此材料的热膨胀系数与弹性模量较大，和其他钢、铁类材料相比，铝材料的激光超声波反射能力存在优势，可降低实验难度，节省实验时间。表1为实验所分析的铝制船用耐腐蚀材料物性参数。

图3为本文方法提取的铝制船用耐腐蚀材料缺陷回波特征。可知，缺陷回波特征回波特征提取结果中，二次回波距表面回波的距离，至少是缺陷一次回波距离表面回波距离的双倍距离，符合常理，提取结果准确。说明本文方法对船用耐腐蚀材料的激光超声波具备特征提取能力。

设置10个铝制船用耐腐蚀材料内部缺陷检测样本，其中4个属于缺陷样本，6个属于无缺陷样本，本文方法使用改进支持向量机，对此组样本完成缺陷检测，检测结果如图4所示。可知，本文方法检测结果显示缺陷样本与无缺陷样本的数量依次是4个、6个，符合实际。

3 结　语

针对舰船耐腐蚀材料内部缺陷检测问题，提出基于激光超声技术的船用耐腐蚀材料内部缺陷检测方法，并在通过实验验证本文方法对缺陷回波信号特征的提取能力、缺陷识别检测能力，为船用耐腐蚀材料内部缺陷检测分析提供新的思路。