本文關(guān)鍵詞：基于多特征數(shù)據(jù)融合的金屬缺陷超聲智能檢測(cè)研究

  更多相關(guān)文章： 金屬缺陷 多特征 超聲檢測(cè) 數(shù)據(jù)融合 固有時(shí)間尺度分解

【摘要】：金屬材料在使用過程中由于長(zhǎng)時(shí)間積累疲勞和應(yīng)力,會(huì)逐漸出現(xiàn)裂紋、腐蝕等缺陷,進(jìn)行必要的檢測(cè)和識(shí)別,采取一定的安全措施可以有效防止材料突然斷裂,減少事故發(fā)生。一般工程現(xiàn)場(chǎng)金屬缺陷的評(píng)判是由工程師通過肉眼和經(jīng)驗(yàn)觀察超聲檢測(cè)回波信號(hào)來進(jìn)行,具有效率低、準(zhǔn)確率差和工作量大的缺點(diǎn)。而隨著人工智能和計(jì)算機(jī)大數(shù)據(jù)處理能力的不斷發(fā)展,采用計(jì)算機(jī)輔助缺陷識(shí)別的措施越來越重要,既可減輕工作人員的工作量,又可以提高識(shí)別準(zhǔn)確率,保證缺陷評(píng)價(jià)結(jié)果的一致性。超聲檢測(cè)信號(hào)作為一種非線性、不平穩(wěn)信號(hào),本身含有很多突變量,加之檢測(cè)材料的結(jié)構(gòu)復(fù)雜性,傳統(tǒng)適合于平穩(wěn)信號(hào)的分析方法存在很多弊端,而缺陷回波信號(hào)的特征提取和選擇是缺陷識(shí)別的前提,特征的優(yōu)劣直接影響著缺陷識(shí)別的正確性和可靠性。通過制造平底孔、通孔和平底槽三種缺陷試塊,進(jìn)行超聲波無損檢測(cè)獲得缺陷回波信號(hào),對(duì)其進(jìn)行固有時(shí)間尺度分解(ITD),提取每階分量的時(shí)頻域特征參數(shù)和小波包能量作為缺陷特征向量�？紤]到神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)值和閾值的敏感性,用果蠅算法進(jìn)行參數(shù)優(yōu)化,得到識(shí)別模型,對(duì)以上兩種特征參數(shù)進(jìn)行訓(xùn)練識(shí)別得到對(duì)應(yīng)的判斷值,通過D-S論據(jù)理論對(duì)所有判斷值進(jìn)行決策級(jí)融合,得到每種缺陷的綜合識(shí)別率。驗(yàn)證結(jié)果對(duì)比表明:本文方法對(duì)該實(shí)驗(yàn)中所有金屬缺陷識(shí)別率接近100%,對(duì)工程現(xiàn)場(chǎng)的金屬缺陷識(shí)別具有很好的輔助作用。
【關(guān)鍵詞】：金屬缺陷 多特征 超聲檢測(cè) 數(shù)據(jù)融合 固有時(shí)間尺度分解
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TB559
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-14
• 1.1 課題背景9
• 1.2 研究概況9-12
• 1.2.1 無損檢測(cè)技術(shù)研究概況9-10
• 1.2.2 超聲缺陷信號(hào)處理研究概況10-11
• 1.2.3 金屬缺陷智能識(shí)別技術(shù)研究概況11-12
• 1.3 課題的意義與內(nèi)容12-14
• 第2章 超聲信號(hào)常規(guī)分析方法14-21
• 2.1 短時(shí)傅立葉變換14
• 2.2 小波包分解14-15
• 2.3 經(jīng)驗(yàn)?zāi)B(tài)分解15-16
• 2.4 固有時(shí)間尺度分解16-20
• 2.4.1 固有時(shí)間尺度分解原理16-17
• 2.4.2 固有時(shí)間尺度分解優(yōu)點(diǎn)17-20
• 2.5 本章小結(jié)20-21
• 第3章 超聲缺陷信號(hào)特征提取21-33
• 3.1 試塊制作21-24
• 3.2 金屬缺陷超聲檢測(cè)與信號(hào)采集24-28
• 3.2.1 超聲波檢測(cè)原理和參數(shù)選擇27-28
• 3.2.2 超聲缺陷回波信號(hào)采集28
• 3.3 ITD分解時(shí)頻域特征28-31
• 3.3.1 超聲信號(hào)ITD分解28-30
• 3.3.2 時(shí)域特征提取30
• 3.3.3 頻域特征提取30-31
• 3.4 小波包分解能量特征31-32
• 3.4.1 超聲信號(hào)小波包分解31
• 3.4.2 小波包能量特征提取31-32
• 3.5 本章小結(jié)32-33
• 第4章 金屬缺陷智能檢測(cè)33-39
• 4.1 金屬缺陷特征歸一化33-34
• 4.2 BP神經(jīng)網(wǎng)絡(luò)缺陷初步識(shí)別34-36
• 4.3 果蠅神經(jīng)網(wǎng)絡(luò)缺陷識(shí)別36-38
• 4.3.1 基于果蠅算法的參數(shù)尋優(yōu)36-37
• 4.3.2 ITD分解時(shí)頻域特征缺陷識(shí)別37-38
• 4.3.3 小波包分解能量特征缺陷識(shí)別38
• 4.4 本章小結(jié)38-39
• 第5章 基于數(shù)據(jù)融合的金屬缺陷智能檢測(cè)39-45
• 5.1 D-S證據(jù)理論39-40
• 5.2 決策級(jí)數(shù)據(jù)融合缺陷識(shí)別40-44
• 5.2.1 決策級(jí)數(shù)據(jù)融合40-43
• 5.2.2 決策級(jí)數(shù)據(jù)融合缺陷識(shí)別結(jié)果43-44
• 5.3 本章小結(jié)44-45
• 第6章 結(jié)論與展望45-47
• 參考文獻(xiàn)47-51
• 攻讀碩士學(xué)位期間發(fā)表的論文及其他成果51-52
• 致謝52

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 周鵬;徐科;劉順華;;基于剪切波和小波特征融合的金屬表面缺陷識(shí)別方法[J];機(jī)械工程學(xué)報(bào);2015年06期

2 張W，

本文編號(hào)：981699