管道腐蚀缺陷超声信号的PSO-SVM模式识别研究

发布时间：2021-08-28 17:28

　　针对金属管道腐蚀问题,提出了一种基于支持向量机（Support vector machine,SVM）与粒子群优化（Particle swarm optimization,PSO）相结合的管道腐蚀缺陷的分类方法。对预处理后的超声缺陷信号进行经验模态分解（Empirical mode decomposition, EMD）,提取相应的时域无量纲参数作为特征向量;建立SVM缺陷分类模型,并采用PSO算法优化SVM参数,提高模型的缺陷分类准确率。实验证明,该方法建立的模型针对不同深度的超声缺陷信号的识别率达到87.5%,优于相同试验样本下BP神经网络和RBF神经网络的分类准确率。 

【文章来源】：机械科学与技术. 2020,39(05)北大核心CSCD

【文章页数】：7 页

【部分图文】：

PSO-SVM算法流程图

为验证该模型的有效性,对内壁包含人工缺陷的管道进行了超声检测。超声检测采用一个超声探头,一个RIGOL DS1102D型示波器和TUD210型超声波探伤仪,实验装置如图2a)所示。超声探头是2.5 Hz,?20 mm纵波直探头。在超声检测实验中,通过超声探伤仪和超声探头采集到的超声信号在示波器上显示和存储。该试验台由管道缺陷样本,超声探伤仪,?20 mm、频率为2.5 MHz超声直探头组成。实验所用人工缺陷样本如图2b)所示。本研究中将考察基于PSO-SVM建立的缺陷识别模型对管道缺陷深度的分类效果。实验缺陷样本包括2 mm, 5 mm和8 mm深度的缺陷,并引入无缺陷的样本作为对照组。每种深度的缺陷样本集中,同时包含四种最大横截面积和四种形状的人工缺陷。缺陷回波信号数据是在100 MHz 采样频率下,通过超声直探头采集的。本研究使用的缺陷样本情况见表2。

无缺陷和3种含缺陷信号的时域图见图3。对预处理后的缺陷超声回波信号进行EMD分解,并完成相应的信号特征提取,缺陷信号(第25号缺陷)分解效果如图4所示。

【参考文献】：
期刊论文
[1]基于PCA和SVM的管道腐蚀超声内检测[J]. 唐东林,魏子兵,潘峰,唐圳雄,李茂扬,胡琳.  传感技术学报. 2018(07)
[2]基于内积延拓LMD及SVM的轴承故障诊断方法研究[J]. 姜久亮,刘文艺,侯玉洁,仲召明,陈思瑶.  振动与冲击. 2016(06)
[3]基于MF-DFA与PSO优化LSSVM的滚动轴承故障诊断方法[J]. 熊庆,张卫华.  振动与冲击. 2015(11)
[4]基于经验模式分解和主元分析的滚动轴承故障诊断方法研究[J]. 徐卓飞,刘凯,张海燕,王丹,张明龙,吴欣阳.  振动与冲击. 2014(23)
[5]基于经验模态分解去噪的粗晶材料超声检测[J]. 李秋锋,黄攀,施倩,陈果,陈振华.  应用基础与工程科学学报. 2014(03)
[6]基于小波包分解和支持向量机的石油套管缺陷智能识别[J]. 丁攀,吕福在,项占琴.  钢铁研究学报. 2012(05)
[7]超声检测信号多特征SVM-Bayes融合识别[J]. 车红昆,吕福在,项占琴.  振动与冲击. 2011(12)
[8]基于支持向量机的管道腐蚀超声波内检测[J]. 戴波,赵晶,周炎.  化工学报. 2008(07)
[9]应用经验模式分解法处理超声无损检测信号[J]. 赵永林,刘桂雄,周德光,陈铁群.  现代制造工程. 2006(04)
[10]基于支持向量机和特征选择的超声缺陷识别方法研究[J]. 刘清坤,阙沛文,郭华伟,宋寿鹏.  中国机械工程. 2006(01)



本文编号：3368942