基于神经网络的铝合金裂纹缺陷识别（英文）

发布时间：2021-01-13 04:47

　　将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。 

【文章来源】：机床与液压. 2020,48(12)北大核心

【文章页数】：5 页

【文章目录】：
1 Water immersion ultrasonic detection system
2 Feature extraction and probabilistic neural network algorithm（PNN）
    2.1 Feature extraction
    2.2 PNN neural network algorithm
    2.3 Neural network simulation and comparison
3 Recognition and diagnosis of alumi-num alloy crack defects
    3.1 Data acquisition
    3.2 Feature signal extraction
    3.3 Defect recognition based on PNN network
4 Conclusion


【参考文献】：
期刊论文
[1]基于集成学习概率神经网络的电机轴承故障诊断[J]. 张习习,顾幸生.  华东理工大学学报(自然科学版). 2020(01)
[2]基于HHT和概率神经网络的变压器局部放电故障识别[J]. 公茂法,魏景禹,姜文,接怡冰,公政,王万乐.  现代电子技术. 2018(09)
[3]导电结构亚表面缺陷电涡流/超声复合检测方法[J]. 刘半藤,骆旭伟,黄平捷,侯迪波,张光新.  浙江大学学报(工学版). 2017(04)
[4]基于特征评估和概率神经网络的超声焊缝缺陷识别[J]. 阮晴,罗飞路,罗诗途,王鹏.  测试技术学报. 2012(02)
[5]基于小波包和概率神经网络的焊接缺陷识别[J]. 陈渊.  仪表技术与传感器. 2010(08)



本文编号：2974243