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

【摘要】：電渦流檢測(cè)技術(shù)作為無(wú)損檢測(cè)技術(shù)的一種,為導(dǎo)電結(jié)構(gòu)材料提供了一種高效精確的缺陷檢測(cè)方法,提高了導(dǎo)電結(jié)構(gòu)材料在實(shí)際運(yùn)用中的可靠性。實(shí)際運(yùn)用過(guò)程中,良好的缺陷特征提取與分類識(shí)別方法是導(dǎo)電結(jié)構(gòu)材料電渦流檢測(cè)的關(guān)鍵,對(duì)缺陷信號(hào)進(jìn)行特征提取的方法進(jìn)行研究,以定量化地分類評(píng)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(cè)以及反問(wèn)題求解的難點(diǎn)。本文以導(dǎo)電結(jié)構(gòu)材料作為電渦流檢測(cè)對(duì)象,開展了針對(duì)導(dǎo)電結(jié)構(gòu)材料電渦流檢測(cè)的缺陷信號(hào)稀疏特征提取方法及缺陷定量化分類識(shí)別研究,具有重要的研究意義及應(yīng)用價(jià)值。本文以電磁學(xué)理論及電渦流檢測(cè)原理作為基礎(chǔ),分析推導(dǎo)了電渦流檢測(cè)的關(guān)鍵技術(shù)及數(shù)學(xué)模型;借助ANSYS有限元仿真軟件,針對(duì)導(dǎo)電結(jié)構(gòu)材料的特性對(duì)電渦流檢測(cè)有限元模型進(jìn)行了搭建;針對(duì)不同缺陷尺寸及不同檢測(cè)探頭的設(shè)置方式進(jìn)行了電渦流缺陷檢測(cè)有限元分析計(jì)算,分析研究了計(jì)算結(jié)果同缺陷類型及檢測(cè)探頭形式變化之間的相互關(guān)聯(lián),總結(jié)各因素改變所帶來(lái)的檢測(cè)結(jié)果變化規(guī)律。針對(duì)導(dǎo)電結(jié)構(gòu)材料電渦流檢測(cè)信號(hào),提出一種基于稀疏信號(hào)處理的拉格朗日乘子K奇異值分解(K-SVD)信號(hào)特征提取方法;以鋁合金材料作為被測(cè)對(duì)象進(jìn)行電渦流檢測(cè)實(shí)驗(yàn),設(shè)置不同的缺陷長(zhǎng)度與缺陷深度,在改變激勵(lì)頻率的條件下獲取檢測(cè)得到的阻抗信號(hào);對(duì)不同缺陷條件及不同激勵(lì)頻率的檢測(cè)信號(hào)運(yùn)用拉格朗日乘子K-SVD算法進(jìn)行信號(hào)特征提取,計(jì)算上述條件改變下的特征分布結(jié)果,歸納不同缺陷與激勵(lì)頻率產(chǎn)生的探頭阻抗變化規(guī)律,驗(yàn)證拉格朗日乘子K-SVD算法在缺陷信號(hào)特征提取方面的可行性及高效性。搭建SVM計(jì)算模型,針對(duì)鋁合金材料電渦流檢測(cè)缺陷特征,優(yōu)化SVM算法模型;運(yùn)用SVM分類識(shí)別方法對(duì)不同缺陷尺寸及不同激勵(lì)頻率下的缺陷特征進(jìn)行定量化分類識(shí)別計(jì)算研究;歸納缺陷變化與頻率變化產(chǎn)生的缺陷成功識(shí)別概率的變化規(guī)律;分析對(duì)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(shí)別的性能,驗(yàn)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(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TM24

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孟滔;周新志;雷印杰;;基于自適應(yīng)遺傳算法的SVM參數(shù)優(yōu)化[J];計(jì)算機(jī)測(cè)量與控制;2016年09期

2 劉雅莉;馬杰;王曉云;苑煥朝;;一種改進(jìn)的K-SVD字典學(xué)習(xí)算法[J];河北工業(yè)大學(xué)學(xué)報(bào);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(shù)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(jī)的圖像分割算法設(shè)計(jì)[J];科技情報(bào)開發(fā)與經(jīng)濟(jì);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(yīng)用[J];計(jì)算機(jī)科學(xué);2014年08期

6 黃鳳;;電磁場(chǎng)邊值關(guān)系的討論[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年02期

7 張思全;胡盛斌;陸文華;;多層導(dǎo)電結(jié)構(gòu)隱藏腐蝕渦流檢測(cè)的有限元仿真[J];計(jì)算機(jī)仿真;2012年05期

8 王秋萍;趙利利;;無(wú)損檢測(cè)專業(yè)課程建設(shè)與探索[J];內(nèi)江科技;2011年09期

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

10 董向成;郭中華;;關(guān)于電磁場(chǎng)邊界條件的討論[J];甘肅高師學(xué)報(bào);2011年02期

相關(guān)博士學(xué)位論文 前5條

1 蘇杭;過(guò)完備字典下的稀疏信號(hào)重構(gòu)研究[D];武漢理工大學(xué);2012年

2 葉波;多層導(dǎo)電結(jié)構(gòu)深層缺陷電渦流檢測(cè)和定量化評(píng)估研究[D];浙江大學(xué);2009年

3 曾志強(qiáng);支持向量分類機(jī)的訓(xùn)練與簡(jiǎn)化算法研究[D];浙江大學(xué);2007年

4 唐發(fā)明;基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)算法研究[D];華中科技大學(xué);2005年

5 王明祥;獨(dú)立分量分析方法及在圖像處理中的應(yīng)用研究[D];上海大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

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

2 劉敏;基于K-SVD的字典學(xué)習(xí)算法及應(yīng)用研究[D];西南科技大學(xué);2016年

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

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

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

7 來(lái)超;多涂層厚度渦流無(wú)損檢測(cè)技術(shù)及其實(shí)現(xiàn)方法研究[D];電子科技大學(xué);2015年

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

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

10 李慧蕾;基于壓縮感知的信道估計(jì)技術(shù)研究[D];電子科技大學(xué);2014年

，

本文編號(hào)：1821589