超聲無(wú)損檢測(cè)技術(shù)由于其快速、便捷、檢測(cè)效率高等優(yōu)勢(shì)在檢測(cè)領(lǐng)域中得到廣泛使用。而在超聲檢測(cè)領(lǐng)域,蘭姆波經(jīng)常被用來(lái)檢測(cè)板材表面以及內(nèi)部的缺陷問(wèn)題。但是,由于蘭姆波本身存在多模態(tài)及頻散效應(yīng),因此接收到的信號(hào)常常含有多個(gè)模態(tài),而且接收到的回波信號(hào)幅值容易缺失,難以實(shí)現(xiàn)對(duì)缺陷的精準(zhǔn)定位與識(shí)別。因此,如何解決這些問(wèn)題,并實(shí)現(xiàn)對(duì)板材缺陷信號(hào)的識(shí)別就成為本文的研究課題。由于超聲蘭姆波信號(hào)具有非線性、非平穩(wěn)的特征,故不可以采用常見(jiàn)的時(shí)頻域信號(hào)方法來(lái)處理。變分模態(tài)分解方法是一種結(jié)合維納濾波與希爾伯特變換的新型信號(hào)處理方法,常用來(lái)處理非線性、非平穩(wěn)的混頻信號(hào),可以有效地將缺陷信號(hào)從接收到的原始信號(hào)中分離出來(lái)。本文對(duì)超聲無(wú)損檢測(cè)缺陷識(shí)別方法進(jìn)行研究,使用變分模態(tài)分解方法來(lái)對(duì)含有缺陷信息的超聲信號(hào)進(jìn)行分解,并通過(guò)對(duì)處理后的超聲信號(hào)進(jìn)行特征提取和成像來(lái)達(dá)到識(shí)別板材缺陷的目的。本文對(duì)變分模態(tài)分解過(guò)過(guò)中的分解中中與中中因中的的取進(jìn)行優(yōu)進(jìn):通過(guò)K與瞬時(shí)頻率均值之間的關(guān)系與互信息值大小來(lái)確定變分模態(tài)分解的中中,使用粒中群優(yōu)進(jìn)算法來(lái)實(shí)現(xiàn)對(duì)變分模態(tài)分解過(guò)過(guò)中中中因中的優(yōu)進(jìn)。在優(yōu)進(jìn)過(guò)過(guò)中對(duì)聯(lián)合特征參中包含的信噪比、平滑度與均方... 

【文章來(lái)源】：大連海洋大學(xué)遼寧省

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

VMD算法流程圖

基于VMD的超聲無(wú)損檢測(cè)缺陷識(shí)別方法研究14動(dòng)態(tài)慣性因子w的引入，使得PSO算法在對(duì)變分模態(tài)分解輸入?yún)?shù)的優(yōu)化過(guò)程中表現(xiàn)更加靈活，使分解后的效果有很大的提升。由于在VMD分解之前需要確定輸入?yún)?shù)，PSO可以利用適應(yīng)度函數(shù)來(lái)優(yōu)化參數(shù)組合，能夠有效地避免不當(dāng)?shù)膮?shù)組合導(dǎo)致的模態(tài)混疊與虛假成分問(wèn)題，在保證完整提取缺陷信號(hào)的同時(shí)又不會(huì)使信號(hào)被噪聲所淹沒(méi)。算法流程圖如下圖:圖2-2粒子群優(yōu)化算法流程圖Figure2-2Flowchartofparticleswarmoptimizationalgorithm2.3本章小結(jié)本章節(jié)對(duì)變分模態(tài)分解理論進(jìn)行理論分析與研究，針對(duì)超聲信號(hào)非線性、非平穩(wěn)的特征，主要選取兩種自適應(yīng)的信號(hào)分析處理方法來(lái)進(jìn)行分析，分別是經(jīng)驗(yàn)?zāi)B(tài)分解方法與變分分解方法。與經(jīng)驗(yàn)?zāi)B(tài)分解方法相比，變分模態(tài)分解方法能夠去除在缺陷信號(hào)采集過(guò)程中由于環(huán)境、噪音、溫度等不可控條件產(chǎn)生的噪聲及其它突發(fā)變量，能夠得到有效的缺陷信息，找到缺陷信號(hào)的準(zhǔn)確頻率。該方法魯棒性更好、收斂速度快，在超聲檢測(cè)信號(hào)分解及缺陷信號(hào)識(shí)別研究上具有一定的研究?jī)r(jià)值。

基于VMD的超聲無(wú)損檢測(cè)缺陷識(shí)別方法研究16幅值第三章基于變分模態(tài)分解的超聲信號(hào)處理本章基于變分模態(tài)分解方法來(lái)對(duì)信號(hào)進(jìn)行處理，處理信號(hào)為兩組仿真信號(hào)與一組實(shí)測(cè)信號(hào)。通過(guò)對(duì)分解過(guò)程中的分解層數(shù)K與懲罰因子進(jìn)行優(yōu)化來(lái)獲得更優(yōu)的分解效果，并與經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)行比較來(lái)驗(yàn)證本文算法的有效性。使用K與瞬時(shí)頻率均值之間的關(guān)系來(lái)確定信號(hào)的分解層數(shù)，使用粒子群算法來(lái)優(yōu)化懲罰因子。最后通過(guò)設(shè)置對(duì)比實(shí)驗(yàn)對(duì)含微小缺陷的超聲檢測(cè)信號(hào)進(jìn)行處理來(lái)驗(yàn)證變分模態(tài)方法對(duì)含微小缺陷信號(hào)的檢測(cè)能力。3.1.基于經(jīng)驗(yàn)?zāi)B(tài)分解的處理信號(hào)3.1.1仿真信號(hào)處理（1）根據(jù)Lamb波信號(hào)的多頻散的特性，本文采用模擬調(diào)頻信號(hào)：tpitpif22))*50**2cos(5.0*400**2cos(）（仿真信號(hào)的采樣頻率為10kHz，調(diào)頻模擬信號(hào)主要包括三個(gè)頻率分量：400Hz的主頻部分、350Hz和450Hz的噪聲部分信號(hào)。模擬信號(hào)及其頻譜如圖3-1所示：圖3-1仿真信號(hào)的時(shí)域圖Fig.3-1Time-domaindiagramofsimulatedsignals頻率/Hz圖3-2仿真信號(hào)的頻域圖Fig.3-2Frequencydomaindiagramofsimulationsignal幅值時(shí)間/s


本文編號(hào)：3140497