針對金屬管道腐蝕問題,提出了一種基于支持向量機（Support vector machine,SVM）與粒子群優(yōu)化（Particle swarm optimization,PSO）相結合的管道腐蝕缺陷的分類方法。對預處理后的超聲缺陷信號進行經驗模態(tài)分解（Empirical mode decomposition, EMD）,提取相應的時域無量綱參數作為特征向量;建立SVM缺陷分類模型,并采用PSO算法優(yōu)化SVM參數,提高模型的缺陷分類準確率。實驗證明,該方法建立的模型針對不同深度的超聲缺陷信號的識別率達到87.5%,優(yōu)于相同試驗樣本下BP神經網絡和RBF神經網絡的分類準確率。 

【文章來源】：機械科學與技術. 2020,39(05)北大核心CSCD

【文章頁數】：7 頁

【部分圖文】：

PSO-SVM算法流程圖

為驗證該模型的有效性,對內壁包含人工缺陷的管道進行了超聲檢測。超聲檢測采用一個超聲探頭,一個RIGOL DS1102D型示波器和TUD210型超聲波探傷儀,實驗裝置如圖2a)所示。超聲探頭是2.5 Hz,?20 mm縱波直探頭。在超聲檢測實驗中,通過超聲探傷儀和超聲探頭采集到的超聲信號在示波器上顯示和存儲。該試驗臺由管道缺陷樣本,超聲探傷儀,?20 mm、頻率為2.5 MHz超聲直探頭組成。實驗所用人工缺陷樣本如圖2b)所示。本研究中將考察基于PSO-SVM建立的缺陷識別模型對管道缺陷深度的分類效果。實驗缺陷樣本包括2 mm, 5 mm和8 mm深度的缺陷,并引入無缺陷的樣本作為對照組。每種深度的缺陷樣本集中,同時包含四種最大橫截面積和四種形狀的人工缺陷。缺陷回波信號數據是在100 MHz 采樣頻率下,通過超聲直探頭采集的。本研究使用的缺陷樣本情況見表2。

無缺陷和3種含缺陷信號的時域圖見圖3。對預處理后的缺陷超聲回波信號進行EMD分解,并完成相應的信號特征提取,缺陷信號(第25號缺陷)分解效果如圖4所示。

【參考文獻】：
期刊論文
[1]基于PCA和SVM的管道腐蝕超聲內檢測[J]. 唐東林,魏子兵,潘峰,唐圳雄,李茂揚,胡琳.  傳感技術學報. 2018(07)
[2]基于內積延拓LMD及SVM的軸承故障診斷方法研究[J]. 姜久亮,劉文藝,侯玉潔,仲召明,陳思瑤.  振動與沖擊. 2016(06)
[3]基于MF-DFA與PSO優(yōu)化LSSVM的滾動軸承故障診斷方法[J]. 熊慶,張衛(wèi)華.  振動與沖擊. 2015(11)
[4]基于經驗模式分解和主元分析的滾動軸承故障診斷方法研究[J]. 徐卓飛,劉凱,張海燕,王丹,張明龍,吳欣陽.  振動與沖擊. 2014(23)
[5]基于經驗模態(tài)分解去噪的粗晶材料超聲檢測[J]. 李秋鋒,黃攀,施倩,陳果,陳振華.  應用基礎與工程科學學報. 2014(03)
[6]基于小波包分解和支持向量機的石油套管缺陷智能識別[J]. 丁攀,呂福在,項占琴.  鋼鐵研究學報. 2012(05)
[7]超聲檢測信號多特征SVM-Bayes融合識別[J]. 車紅昆,呂福在,項占琴.  振動與沖擊. 2011(12)
[8]基于支持向量機的管道腐蝕超聲波內檢測[J]. 戴波,趙晶,周炎.  化工學報. 2008(07)
[9]應用經驗模式分解法處理超聲無損檢測信號[J]. 趙永林,劉桂雄,周德光,陳鐵群.  現代制造工程. 2006(04)
[10]基于支持向量機和特征選擇的超聲缺陷識別方法研究[J]. 劉清坤,闕沛文,郭華偉,宋壽鵬.  中國機械工程. 2006(01)



本文編號：3368942