基于遗传算法的涡流热成像检测系统中激励参数优化

发布时间：2017-09-14 03:25

  本文关键词：基于遗传算法的涡流热成像检测系统中激励参数优化

  更多相关文章： 涡流热成像 遗传算法 偏最小二乘 激励参数

【摘要】：影响涡流热成像检测效果的激励因素有多种,而不同激励参数的选择会导致不同检测效果,为了充分发挥涡流热成像检测技术的检测结果直观、检测速度快等优势,研究激励参数的激励规律和优化激励参数的激励水平很有必要。研究以45号钢板为对象,构建内部含缺陷的钢板电磁-热耦合场有限元仿真模型,对激励参数的因素和水平进行设计,结合实验分析仿真模型的可靠性,在此基础上采用遗传算法优化仿真模型的激励条件,使钢板缺陷区与正常区温度差异度最大化,使钢板缺陷更易检测。首先设计了线圈匝数、激励时间、提离距离三个激励参数的正交实验,基于正交实验数据建立并修正三维感应加热模型,结果表明:实验数据与仿真数据的最高温度、最低温度和平均温度的误差均小于6.60%。此外,利用偏最小二乘回归方法构建了各参数与激励热效应指标(温度差值)的回归方程,定量分析了影响电磁激励热效应的三个激励参数对激励热效应的影响程度,由偏最小二乘方法得出的模型观测值与钢板背面平均温度的预测值之间误差都在8.91%以内,表明所构建的数学模型可以比较准确的表征电磁激励参数与激励热效应之间的关系。其次,由于三维模型网格数量较大,后续遗传算法结合有限元仿真优化激励参数时耗时较多,所以对三维感应加热模型进行降维,建立含缺陷的二维感应加热模型,与四因素四水平的16组正交实验进行对比,结果表明:对比五个不同区域的温度和钢板表面的平均温度,仿真和实验结果的误差均小于7.23%,验证了模型的有效性,可用于后续激励参数优化中目标函数的构建。最后,以缺陷与正常区域温度差异最大为目标建立遗传算法优化模型,确定参数优化的约束条件,并基于前期建立的有限元仿真模型构建目标函数。优化结果表明:经历30次迭代后,获得最优激励参数为匝数为8匝、位置为0.005米、提离为0米、时间为70秒。并通过多组对比实验,验证了该优化结果的效果。
【关键词】：涡流热成像 遗传算法 偏最小二乘 激励参数
【学位授予单位】：华东交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TG115.28;TP18
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-13
• 1.1 研究背景及意义8-9
• 1.2 国内外研究现状及分析9-11
• 1.2.1 国外研究现状9
• 1.2.2 国内研究现状9-11
• 1.3 研究内容及技术路线11
• 1.3.1 研究内容11
• 1.3.2 研究重点11
• 1.4 论文的结构安排11-13
• 第二章 无缺陷钢板的电磁激励参数研究13-28
• 2.1 涡流热成像检测技术原理13
• 2.2 电磁-热耦合三维有限元数学模型13-18
• 2.2.1 数值模拟方法的种类13-14
• 2.2.2 电磁场数学模型14-15
• 2.2.3 温度场数学模型15-17
• 2.2.4 ANSYS耦合场分析17-18
• 2.3 数值仿真模型的验证18-20
• 2.3.1 参数的选择18
• 2.3.2 模型建立18-19
• 2.3.3 实验设计19-20
• 2.3.4 实验结果验证20
• 2.4 基于偏最小二乘的电磁激励参数之间关系建模20-27
• 2.4.1 设计正交实验20-23
• 2.4.2 基于偏最小二乘的建模分析23-26
• 2.4.3 结果分析26-27
• 2.5 本章小结27-28
• 第三章 含缺陷钢板的电磁激励参数研究28-40
• 3.1 电磁-热耦合二维有限元数学模型28-34
• 3.1.1 模型建立28-30
• 3.1.2 网格划分30-31
• 3.1.3 边界设置和计算时间步设置31-33
• 3.1.4 激励参数的确定33-34
• 3.2 模型的验证34-39
• 3.3 本章小结39-40
• 第四章 基于遗传算法的激励参数优化40-49
• 4.1 优化模型的建立40-43
• 4.1.1 遗传算法概述40-41
• 4.1.2 激励参数的目标函数确定41-43
• 4.1.3 参数优化约束条件43
• 4.2 遗传算法的步骤43-44
• 4.2.1 激励参数编码43
• 4.2.2 创建初始种群43
• 4.2.3 适应度的确定43-44
• 4.2.4 选择操作44
• 4.2.5 交叉操作44
• 4.2.6 变异操作44
• 4.2.7 算法终止条件44
• 4.3 激励参数的优化结果及实验验证44-48
• 4.3.1 激励参数优化结果44-45
• 4.3.2 优化结果实验验证45-48
• 4.4 本章小结48-49
• 第五章 总结与展望49-51
• 5.1 总结49
• 5.2 展望49-51
• 参考文献51-54
• 附件一54-56
• 附件二56-62
• 个人简历 在读期间发表的学术论文62-63
• 致谢63

【相似文献】

中国期刊全文数据库 前10条

1 刘坤,刘伟波,吴忠强;基于模糊遗传算法的电液位置伺服系统控制[J];黑龙江科技学院学报;2005年04期

2 李华昌,谢淑兰,易忠胜;遗传算法的原理与应用[J];矿冶;2005年01期

3 冯锦春;杨林建;;遗传算法在机械工程方面的应用研究[J];煤矿机械;2008年08期

4 李凯;田双亮;耿丽君;张喜;;基于改进遗传算法在分析企业客户群中的应用[J];河南理工大学学报(自然科学版);2009年06期

5 刘铁男,姜建国,陈继刚,张长江,于镝;遗传算法的收敛性分析[J];大庆石油学院学报;2000年03期

6 乐慧丰,林家骏,俞金寿;投影遗传算法[J];华东理工大学学报;2000年05期

7 苑进,孙忠林,刘雪美;改进遗传算法在齿轮减速器优化中的应用[J];山东科技大学学报(自然科学版);2001年04期

8 李春利,郭章红,杨振生;基于遗传算法的分子设计初探[J];化学工业与工程;2002年01期

9 董军芳,曾颖,林金清;应用遗传算法推算多元溶液热力学数据[J];吉首大学学报(自然科学版);2002年01期

10 唐雪萍,何绪全;遗传算法在流体识别中的应用[J];天然气勘探与开发;2002年01期

中国重要会议论文全文数据库 前10条

1 陈家照;廖海涛;张中位;罗寅生;;一种改进的遗传算法及其在路径规划中的应用[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

2 李国云;刘颖;薛梅;邬志敏;;遗传算法在高温空冷冷凝器优化设计中的应用[A];第五届全国制冷空调新技术研讨会论文集[C];2008年

3 王志军;李守春;张爽;;改进的遗传算法在反演问题中的应用[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年

4 任燕翔;姜立;刘连民;从滋庆;;改进遗传算法在三维日照方案优化中的应用[A];工程三维模型与虚拟现实表现——第二届工程建设计算机应用创新论坛论文集[C];2009年

5 韩娟;;遗传算法概述[A];第三届河南省汽车工程科技学术研讨会论文集[C];2006年

6 庞国仲;王元西;;基于遗传算法控制步长的定性仿真方法[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

7 张忠华;杨淑莹;;基于遗传算法的聚类设计[A];全国第二届信号处理与应用学术会议专刊[C];2008年

8 何翠红;区益善;;遗传算法及其在计算机编程中的应用[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年

9 靳开岩;张乃尧;;几种实用遗传算法及其比较[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

10 王宏刚;曾建潮;李志宏;;摄动遗传算法[A];1996年中国智能自动化学术会议论文集（下册）[C];1996年

中国重要报纸全文数据库 前1条

1 林京;《神经网络和遗传算法在水科学领域的应用》将面市[N];中国水利报;2002年

中国博士学位论文全文数据库 前10条

1 蔡美菊;交互式遗传算法及其在隐性目标决策问题中的应用研究[D];合肥工业大学;2015年

2 张士伟;三维声学快速多极基本解法在机械噪声预测中的应用研究[D];沈阳工业大学;2016年

3 高军;无铅焊料本构模型及其参数识别方法研究[D];南京航空航天大学;2015年

4 Amjad Mahmood;半监督进化集成及其在网络视频分类中的应用[D];西南交通大学;2015年

5 周辉仁;递阶遗传算法理论及其应用研究[D];天津大学;2008年

6 郝国生;交互式遗传算法中用户的认知规律及其应用[D];中国矿业大学;2009年

7 侯格贤;遗传算法及其在跟踪系统中的应用研究[D];西安电子科技大学;1998年

8 马国田;遗传算法及其在电磁工程中的应用[D];西安电子科技大学;1998年

9 唐文艳;结构优化中的遗传算法研究和应用[D];大连理工大学;2002年

10 周激流;遗传算法理论及其在水问题中应用的研究[D];四川大学;2000年

中国硕士学位论文全文数据库 前10条

1 张英俐;基于遗传算法的作曲系统研究[D];山东师范大学;2006年

2 钟海萍;原对偶遗传算法与蚁群算法的一种融合算法[D];暨南大学;2013年

3 李志添;模糊遗传算法与资源优化配置的预测控制[D];华南理工大学;2015年

4 王琳琳;新型双层液压轿运车车厢的设计研究[D];上海工程技术大学;2015年

5 李海全;基于遗传算法的建筑体形系数及迎风面积比优化方法研究[D];华南理工大学;2015年

6 彭骞;基于遗传算法的山区高等级公路纵断面智能优化方法研究[D];昆明理工大学;2015年

7 周玉林;基于小波分析和遗传算法的配电网故障检测[D];昆明理工大学;2015年

8 郭颂;基于粗糙集和遗传算法的数字管道生产管理系统研究[D];昆明理工大学;2015年

9 吴南;数值逼近遗传算法的研究应用[D];华南理工大学;2015年

10 于光帅;一类优化算法的改进研究与应用[D];渤海大学;2015年

，

本文编号：847592