本文關鍵詞：基于多特征數據融合的金屬缺陷超聲智能檢測研究

  更多相關文章： 金屬缺陷 多特征 超聲檢測 數據融合 固有時間尺度分解

【摘要】：金屬材料在使用過程中由于長時間積累疲勞和應力,會逐漸出現裂紋、腐蝕等缺陷,進行必要的檢測和識別,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。一般工程現場金屬缺陷的評判是由工程師通過肉眼和經驗觀察超聲檢測回波信號來進行,具有效率低、準確率差和工作量大的缺點。而隨著人工智能和計算機大數據處理能力的不斷發(fā)展,采用計算機輔助缺陷識別的措施越來越重要,既可減輕工作人員的工作量,又可以提高識別準確率,保證缺陷評價結果的一致性。超聲檢測信號作為一種非線性、不平穩(wěn)信號,本身含有很多突變量,加之檢測材料的結構復雜性,傳統(tǒng)適合于平穩(wěn)信號的分析方法存在很多弊端,而缺陷回波信號的特征提取和選擇是缺陷識別的前提,特征的優(yōu)劣直接影響著缺陷識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,進行超聲波無損檢測獲得缺陷回波信號,對其進行固有時間尺度分解(ITD),提取每階分量的時頻域特征參數和小波包能量作為缺陷特征向量�？紤]到神經網絡對初始權值和閾值的敏感性,用果蠅算法進行參數優(yōu)化,得到識別模型,對以上兩種特征參數進行訓練識別得到對應的判斷值,通過D-S論據理論對所有判斷值進行決策級融合,得到每種缺陷的綜合識別率。驗證結果對比表明:本文方法對該實驗中所有金屬缺陷識別率接近100%,對工程現場的金屬缺陷識別具有很好的輔助作用。
【關鍵詞】：金屬缺陷 多特征 超聲檢測 數據融合 固有時間尺度分解
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 無損檢測技術研究概況9-10
• 1.2.2 超聲缺陷信號處理研究概況10-11
• 1.2.3 金屬缺陷智能識別技術研究概況11-12
• 1.3 課題的意義與內容12-14
• 第2章 超聲信號常規(guī)分析方法14-21
• 2.1 短時傅立葉變換14
• 2.2 小波包分解14-15
• 2.3 經驗模態(tài)分解15-16
• 2.4 固有時間尺度分解16-20
• 2.4.1 固有時間尺度分解原理16-17
• 2.4.2 固有時間尺度分解優(yōu)點17-20
• 2.5 本章小結20-21
• 第3章 超聲缺陷信號特征提取21-33
• 3.1 試塊制作21-24
• 3.2 金屬缺陷超聲檢測與信號采集24-28
• 3.2.1 超聲波檢測原理和參數選擇27-28
• 3.2.2 超聲缺陷回波信號采集28
• 3.3 ITD分解時頻域特征28-31
• 3.3.1 超聲信號ITD分解28-30
• 3.3.2 時域特征提取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32-33
• 第4章 金屬缺陷智能檢測33-39
• 4.1 金屬缺陷特征歸一化33-34
• 4.2 BP神經網絡缺陷初步識別34-36
• 4.3 果蠅神經網絡缺陷識別36-38
• 4.3.1 基于果蠅算法的參數尋優(yōu)36-37
• 4.3.2 ITD分解時頻域特征缺陷識別37-38
• 4.3.3 小波包分解能量特征缺陷識別38
• 4.4 本章小結38-39
• 第5章 基于數據融合的金屬缺陷智能檢測39-45
• 5.1 D-S證據理論39-40
• 5.2 決策級數據融合缺陷識別40-44
• 5.2.1 決策級數據融合40-43
• 5.2.2 決策級數據融合缺陷識別結果43-44
• 5.3 本章小結44-45
• 第6章 結論與展望45-47
• 參考文獻47-51
• 攻讀碩士學位期間發(fā)表的論文及其他成果51-52
• 致謝52

【參考文獻】

中國期刊全文數據庫 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別方法[J];機械工程學報;2015年06期

2 張W，

本文編號：981699