基于多特征数据融合的金属缺陷超声智能检测研究

发布时间：2017-10-06 08:15

  本文关键词：基于多特征数据融合的金属缺陷超声智能检测研究

  更多相关文章： 金属缺陷 多特征 超声检测 数据融合 固有时间尺度分解

【摘要】：金属材料在使用过程中由于长时间积累疲劳和应力,会逐渐出现裂纹、腐蚀等缺陷,进行必要的检测和识别,采取一定的安全措施可以有效防止材料突然断裂,减少事故发生。一般工程现场金属缺陷的评判是由工程师通过肉眼和经验观察超声检测回波信号来进行,具有效率低、准确率差和工作量大的缺点。而随着人工智能和计算机大数据处理能力的不断发展,采用计算机辅助缺陷识别的措施越来越重要,既可减轻工作人员的工作量,又可以提高识别准确率,保证缺陷评价结果的一致性。超声检测信号作为一种非线性、不平稳信号,本身含有很多突变量,加之检测材料的结构复杂性,传统适合于平稳信号的分析方法存在很多弊端,而缺陷回波信号的特征提取和选择是缺陷识别的前提,特征的优劣直接影响着缺陷识别的正确性和可靠性。通过制造平底孔、通孔和平底槽三种缺陷试块,进行超声波无损检测获得缺陷回波信号,对其进行固有时间尺度分解(ITD),提取每阶分量的时频域特征参数和小波包能量作为缺陷特征向量。考虑到神经网络对初始权值和阈值的敏感性,用果蝇算法进行参数优化,得到识别模型,对以上两种特征参数进行训练识别得到对应的判断值,通过D-S论据理论对所有判断值进行决策级融合,得到每种缺陷的综合识别率。验证结果对比表明:本文方法对该实验中所有金属缺陷识别率接近100%,对工程现场的金属缺陷识别具有很好的辅助作用。
【关键词】：金属缺陷 多特征 超声检测 数据融合 固有时间尺度分解
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TB559
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-14
• 1.1 课题背景9
• 1.2 研究概况9-12
• 1.2.1 无损检测技术研究概况9-10
• 1.2.2 超声缺陷信号处理研究概况10-11
• 1.2.3 金属缺陷智能识别技术研究概况11-12
• 1.3 课题的意义与内容12-14
• 第2章 超声信号常规分析方法14-21
• 2.1 短时傅立叶变换14
• 2.2 小波包分解14-15
• 2.3 经验模态分解15-16
• 2.4 固有时间尺度分解16-20
• 2.4.1 固有时间尺度分解原理16-17
• 2.4.2 固有时间尺度分解优点17-20
• 2.5 本章小结20-21
• 第3章 超声缺陷信号特征提取21-33
• 3.1 试块制作21-24
• 3.2 金属缺陷超声检测与信号采集24-28
• 3.2.1 超声波检测原理和参数选择27-28
• 3.2.2 超声缺陷回波信号采集28
• 3.3 ITD分解时频域特征28-31
• 3.3.1 超声信号ITD分解28-30
• 3.3.2 时域特征提取30
• 3.3.3 频域特征提取30-31
• 3.4 小波包分解能量特征31-32
• 3.4.1 超声信号小波包分解31
• 3.4.2 小波包能量特征提取31-32
• 3.5 本章小结32-33
• 第4章 金属缺陷智能检测33-39
• 4.1 金属缺陷特征归一化33-34
• 4.2 BP神经网络缺陷初步识别34-36
• 4.3 果蝇神经网络缺陷识别36-38
• 4.3.1 基于果蝇算法的参数寻优36-37
• 4.3.2 ITD分解时频域特征缺陷识别37-38
• 4.3.3 小波包分解能量特征缺陷识别38
• 4.4 本章小结38-39
• 第5章 基于数据融合的金属缺陷智能检测39-45
• 5.1 D-S证据理论39-40
• 5.2 决策级数据融合缺陷识别40-44
• 5.2.1 决策级数据融合40-43
• 5.2.2 决策级数据融合缺陷识别结果43-44
• 5.3 本章小结44-45
• 第6章 结论与展望45-47
• 参考文献47-51
• 攻读硕士学位期间发表的论文及其他成果51-52
• 致谢52

【参考文献】

中国期刊全文数据库 前10条

1 周鹏;徐科;刘顺华;;基于剪切波和小波特征融合的金属表面缺陷识别方法[J];机械工程学报;2015年06期

2 张W，

本文编号：981699