本文選題：電渦流檢測 + 缺陷　； 參考：《昆明理工大學》2017年碩士論文

【摘要】：電渦流檢測技術作為無損檢測技術的一種,為導電結構材料提供了一種高效精確的缺陷檢測方法,提高了導電結構材料在實際運用中的可靠性。實際運用過程中,良好的缺陷特征提取與分類識別方法是導電結構材料電渦流檢測的關鍵,對缺陷信號進行特征提取的方法進行研究,以定量化地分類評估和研究缺陷的形狀、大小以及材料等,一直都是電渦流檢測以及反問題求解的難點。本文以導電結構材料作為電渦流檢測對象,開展了針對導電結構材料電渦流檢測的缺陷信號稀疏特征提取方法及缺陷定量化分類識別研究,具有重要的研究意義及應用價值。本文以電磁學理論及電渦流檢測原理作為基礎,分析推導了電渦流檢測的關鍵技術及數學模型;借助ANSYS有限元仿真軟件,針對導電結構材料的特性對電渦流檢測有限元模型進行了搭建;針對不同缺陷尺寸及不同檢測探頭的設置方式進行了電渦流缺陷檢測有限元分析計算,分析研究了計算結果同缺陷類型及檢測探頭形式變化之間的相互關聯,總結各因素改變所帶來的檢測結果變化規(guī)律。針對導電結構材料電渦流檢測信號,提出一種基于稀疏信號處理的拉格朗日乘子K奇異值分解(K-SVD)信號特征提取方法;以鋁合金材料作為被測對象進行電渦流檢測實驗,設置不同的缺陷長度與缺陷深度,在改變激勵頻率的條件下獲取檢測得到的阻抗信號;對不同缺陷條件及不同激勵頻率的檢測信號運用拉格朗日乘子K-SVD算法進行信號特征提取,計算上述條件改變下的特征分布結果,歸納不同缺陷與激勵頻率產生的探頭阻抗變化規(guī)律,驗證拉格朗日乘子K-SVD算法在缺陷信號特征提取方面的可行性及高效性。搭建SVM計算模型,針對鋁合金材料電渦流檢測缺陷特征,優(yōu)化SVM算法模型;運用SVM分類識別方法對不同缺陷尺寸及不同激勵頻率下的缺陷特征進行定量化分類識別計算研究;歸納缺陷變化與頻率變化產生的缺陷成功識別概率的變化規(guī)律;分析對比主成份分析法與拉格朗日乘子K-SVD算法在特征提取與分類識別的性能,驗證拉格朗日乘子K-SVD算法的優(yōu)越性。
[Abstract]:As a kind of nondestructive testing technology, eddy current testing provides an efficient and accurate method for defect detection of conductive structure materials, and improves the reliability of conductive structure materials in practical application. In the process of practical application, good defect feature extraction and classification recognition method is the key of eddy current detection of conductive structure materials. The method of feature extraction of defect signal is studied to quantitatively classify and evaluate and study the shape of defect. The size and material are always the difficulties of eddy current detection and inverse problem solving. In this paper, conducting structure materials are taken as the object of eddy current detection, and the methods of extracting the sparse feature of defect signals and the quantitative classification and recognition of defects for eddy current detection of conductive structure materials are carried out, which have important research significance and application value. Based on the theory of electromagnetism and the principle of eddy current testing, this paper analyses and deduces the key technology and mathematical model of eddy current testing, and makes use of ANSYS finite element simulation software. The finite element model of eddy current testing is built according to the characteristics of conductive structure materials, and the finite element analysis calculation of eddy current defect detection is carried out according to different defect sizes and different detection probe settings. The correlation between the calculation result and the type of defect and the change of the detection probe's form is analyzed and studied, and the rule of the change of the detection result caused by the change of each factor is summarized. Based on sparse signal processing, a signal feature extraction method based on Lagrange multiplier K singular value decomposition (SVD) is proposed for eddy current detection of conductive materials. By setting different defect length and depth, the impedance signal is obtained under the condition of changing the excitation frequency, and the detection signal with different defect condition and different excitation frequency is extracted by the Lagrange multiplier K-SVD algorithm. The results of characteristic distribution under the above conditions are calculated and the law of impedance variation of probe caused by different defects and excitation frequencies is summarized. The feasibility and high efficiency of Lagrange multiplier K-SVD algorithm in feature extraction of defect signals are verified. The SVM calculation model is built to optimize the SVM algorithm model for eddy current detection of aluminum alloy materials, and the quantitative classification and calculation of defect characteristics under different defect sizes and different excitation frequencies are carried out by using SVM classification method. Induces the change rule of the probability of defect recognition caused by the change of defect and frequency, analyzes and compares the performance of principal component analysis method and Lagrange multiplier K-SVD algorithm in feature extraction and classification recognition, and analyzes and compares the performance of principal component analysis method and Lagrange multiplier K-SVD algorithm in feature extraction and classification recognition. The superiority of Lagrange multiplier K-SVD algorithm is verified.
【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TM24

【參考文獻】

相關期刊論文 前10條

1 孟滔;周新志;雷印杰;;基于自適應遺傳算法的SVM參數優(yōu)化[J];計算機測量與控制;2016年09期

2 劉雅莉;馬杰;王曉云;苑煥朝;;一種改進的K-SVD字典學習算法[J];河北工業(yè)大學學報;2016年02期

3 陳祖慶;王靜波;;基于壓縮感知的稀疏脈沖反射系數譜反演方法研究[J];石油物探;2015年04期

4 楊永紅;;基于支持向量機的圖像分割算法設計[J];科技情報開發(fā)與經濟;2014年20期

5 欒悉道;王衛(wèi)威;謝毓湘;張芯;李琛;;非線性稀疏表示理論及其應用[J];計算機科學;2014年08期

6 黃鳳;;電磁場邊值關系的討論[J];安慶師范學院學報(自然科學版);2012年02期

7 張思全;胡盛斌;陸文華;;多層導電結構隱藏腐蝕渦流檢測的有限元仿真[J];計算機仿真;2012年05期

8 王秋萍;趙利利;;無損檢測專業(yè)課程建設與探索[J];內江科技;2011年09期

9 林俊明;;電磁無損檢測技術的發(fā)展與新成果[J];工程與試驗;2011年01期

10 董向成;郭中華;;關于電磁場邊界條件的討論[J];甘肅高師學報;2011年02期

相關博士學位論文 前5條

1 蘇杭;過完備字典下的稀疏信號重構研究[D];武漢理工大學;2012年

2 葉波;多層導電結構深層缺陷電渦流檢測和定量化評估研究[D];浙江大學;2009年

3 曾志強;支持向量分類機的訓練與簡化算法研究[D];浙江大學;2007年

4 唐發(fā)明;基于統(tǒng)計學習理論的支持向量機算法研究[D];華中科技大學;2005年

5 王明祥;獨立分量分析方法及在圖像處理中的應用研究[D];上海大學;2005年

相關碩士學位論文 前10條

1 周飛飛;基于過完備字典表示的稀疏分解算法研究[D];南京郵電大學;2016年

2 劉敏;基于K-SVD的字典學習算法及應用研究[D];西南科技大學;2016年

3 方琪;基于字典學習的圖像超分辨率重建算法及研究[D];合肥工業(yè)大學;2016年

4 王星;渦流檢測系統(tǒng)與缺陷信號處理研究[D];西安科技大學;2015年

5 李鑫;基于稀疏表示的圖像去噪方法研究[D];陜西師范大學;2015年

6 李朝夕;基于特征量分析的脈沖渦流檢測技術研究[D];南昌航空大學;2015年

7 來超;多涂層厚度渦流無損檢測技術及其實現方法研究[D];電子科技大學;2015年

8 張磊;基于快速原子分解的電能質量擾動分析方法研究[D];湖南大學;2015年

9 劉佳;電磁熱無損檢測缺陷特征建模與表征算法研究[D];電子科技大學;2015年

10 李慧蕾;基于壓縮感知的信道估計技術研究[D];電子科技大學;2014年

，

本文編號：1821589