基于BP和NNRS模型的超声缺陷信号识别研究

发布时间：2017-04-09 15:21

  本文关键词：基于BP和NNRS模型的超声缺陷信号识别研究，，由笔耕文化传播整理发布。

【摘要】：超声波无损检测技术作为五大常用无损检测方法之一,它具有可以检测不同种类材料的缺陷,对缺陷的深度容忍度高,可以准确的定位缺陷的位置,检测灵敏度较高;且该技术的成本较低,使用非常方便;检测缺陷的速度快,对人体无害,便于现场使用等特点,成为国内外应用最广泛、使用频率最高且发展较快的一种无损检测技术。超声波缺陷信号不稳定性和非线性特征使得对缺陷种类的判别需要高度的人工技术,如何利用先进的科学技术对缺陷信息进行自动识别以及缺陷的定性评价,还需要更多的科研工作者贡献力量。人工神经网络是一个自适应、自学习和并行分布式的信息处理网络结构,自20世纪80年代以来,人们对人工神经网络的研究理论上取得了很大的进展,目前已经有上百种人工神经网络模型,它们的网络结构,性能,算法及应用领域各异,广泛地应用在信号处理、模式识别、图像处理、医学、气象、自动控制、金融预测等领域,在系统故障诊断识别中有优异的表现。本文利用实验获得的激光超声表面缺陷的反射波和透射波信号数据,提取能够表征超声缺陷信号的特征,利用神经网络人工智能技术,用BP神经网络模型、改进BP神经网络模型和神经网络权转换模型(Neural Network Regime Switching,简称NNRS)构建缺陷诊断系统,逐步提高缺陷诊断系统的准确率、稳定性和泛化能力,缩短算法的时间复杂度。本文主要研究内容包括:1.第三章中介绍了梅尔频率倒普系数法(Mel Frequency Cepstral Coefficient method,简称MFCC)的基本原理,利用MFCC法提取激光超声表面缺陷的反射波和透射波信号的频域特征,将高维小样本信号数据转换成低维多样本高维特征数据,用归一化方法消除高频特征量纲,为神经网络模型输入数据提供支持。2.在第四章中阐述神经网络技术的发展与基本原理,利用BP神经网络构建缺陷诊断系统,探讨了网络结构构造,特征参数选取等问题,并从BP的不足和局限性出发,应用附加动量法改进BP模型,避免网络在修正权值时可能陷入局部极小值的问题,用实际测得数据训练测试,对比BP和附加动量BP两种网络模型性能。在单组激光超声波缺陷信号数据的测试中,改进BP网络性能优于BP网络模型,缺陷信号分类正确率达80%左右,诊断率可达100%。3.第五章讨论前馈型神经网络结构及其改进方法,提出引进NNRS神经网络模型构建超声波表面缺陷信号诊断系统,NNRS模型在网络输入层和输出层间增加线性连接,并增加隐含层层数,增强模型非线性映射能力和稳定性能等,阐述模型拓扑结构,优化参数。用五组激光超声波缺陷检测实验数据反复验证,NNRS神经网络模型分类正确率高达90%多,诊断率为100%。NNRS神经网络模型的非线性映射能力和稳定性都较附加动量的BP网络模型强,且通过五组实验数据反复验证,其泛化能力更好。4.第六章考虑NNRS模型的算法时间复杂度与空间复杂度,为优化模型时间复杂度,在数据层面做主成分分析(PCA)降维处理,压缩数据。用PCA法处理反射波缺陷信号五组实验数据,再应用NNRS网络模型分类缺陷信号,诊断系统分类准确率高达97%,算法运行时间也缩减为原来的50%。
【关键词】：超声波无损检测 MFCC法 BP网络 NNRS网络 PCA法
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP183;TB559
【目录】：

• 摘要4-6
• Abstract6-11
• 1 绪论11-21
• 1.1 课题研究背景及意义11-12
• 1.2 研究现状12-19
• 1.2.1 缺陷识别特征提取的一般方法12-14
• 1.2.2 缺陷识别模型14-16
• 1.2.3 人工神经网络原理16-19
• 1.3 本文研究的主要内容及结构19-21
• 2 信号数据来源与波形分析21-24
• 2.1 激光超声波缺陷检测实验21-22
• 2.2 反射波和透射波信号波形分析22-23
• 2.3 本章小结23-24
• 3 信号特征提取与预处理24-28
• 3.1 MFCC原理24-26
• 3.2 提取特征预处理26-27
• 3.3 本章小结27-28
• 4 BP神经网络模型及其改进28-36
• 4.1 BP神经网络原理28-31
• 4.1.1 BP网络结构28-29
• 4.1.2 BP网络的工作原理29-30
• 4.1.3 改进的BP网络30-31
• 4.2 表面波缺陷探测实验对比31-35
• 4.4 本章小结35-36
• 5 NNRS神经网络模型在缺陷识别中的应用36-44
• 5.1 前馈型神经网络模型及其改进36-39
• 5.1.1 带跳跃的前馈型神经网络模型37-38
• 5.1.2 多隐含层前馈型神经网络模型38-39
• 5.2 神经网络权转换模型39-40
• 5.3 实验结果与分析40-42
• 5.4 本章小结42-44
• 6 基于PCA法对模型的进一步改进44-50
• 6.1 PCA原理44-48
• 6.1.1 主成分定义44-45
• 6.1.2 主成分的几何意义45-46
• 6.1.3 贡献率的定义46-47
• 6.1.4 主成分分析法算法步骤47-48
• 6.2 实验结果48-49
• 6.3 本章小结49-50
• 7.总结与展望50-52
• 7.1 本文研究主要内容和成果50-51
• 7.2 存在的问题及对以后工作的展望51-52
• 参考文献52-57
• 读硕士学位期间发表的论文57-58
• 致谢58-60

【相似文献】

中国期刊全文数据库 前10条

1 孙林岩;陈亮;;高教发展速度预测的神经网络模型[J];预测;1996年02期

2 朱晓峰;统计分析和预测的神经网络模型[J];统计教育;2000年02期

3 谭艳华,王林山;关于《一类具有时滞的神经网络模型的收敛性》的注记[J];生物数学学报;2001年01期

4 陈红军;周建平;王林山;;一类时滞静态神经网络模型的全局渐近稳定性[J];聊城大学学报(自然科学版);2006年01期

5 曹进德;梁金玲;;非自治Cohen-Grossberg神经网络模型的动力学——解的有界性和稳定性[J];科学观察;2007年05期

6 杨巍;张春蕊;;时滞三元离散神经网络模型的稳定性与分岔分析[J];哈尔滨理工大学学报;2010年02期

7 莫道宏;杨慧;;一个离散神经网络模型的稳定性与分支分析[J];合肥学院学报(自然科学版);2010年03期

8 朱俊峰;;基于PCA-ANN模型中存在的问题及改进[J];合肥学院学报(自然科学版);2010年03期

9 宋江艳;李华胜;;时间尺度上具脉冲的神经网络模型周期解的存在性[J];科技信息;2012年17期

10 刘崎峰;王琦;;关于恒流状态下膜堵塞定律与神经网络模型的比较研究[J];内蒙古大学学报(自然科学版);2012年05期

中国重要会议论文全文数据库 前10条

1 孙宝成;刘锡荟;;时间序列神经网络模型[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

2 周金荣;胡泽新;黄道;;一种多层混合型神经网络模型的研究[A];1995中国控制与决策学术年会论文集[C];1995年

3 王阿明;刘天放;;高阶神经网络模型特性研究[A];中国地球物理学会年刊2002——中国地球物理学会第十八届年会论文集[C];2002年

4 屈景怡;王如彬;;大脑皮层神经网络模型同步问题研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年

5 张美恋;林熙;;经济增长的神经网络模型[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 陈昭炯;叶东毅;;一个改进的竞争神经网络模型[A];1996中国控制与决策学术年会论文集[C];1996年

7 郭成安;李建华;李明伟;;从观测数据学习后验概率函数:一种最佳神经网络模型的设计与分析[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

8 李媛;康春艳;于亚芳;;交指型缺陷接地结构共面波导的神经网络模型[A];2009年全国微波毫米波会议论文集（上册）[C];2009年

9 禹建丽;苏中义;杨卫平;;牵引传动中润滑油牵引系数的神经网络模型[A];2005年中国智能自动化会议论文集[C];2005年

10 胡金亮;李建生;余学庆;沈建京;周涛;王永炎;;用于中医证候量化诊断的神经网络模型的探索[A];计算机在诊法中的应用与研究论文汇编[C];2005年

中国重要报纸全文数据库 前1条

1 自治区交通厅养路费征稽处 程爱娟;应用“神经网络模型”预测妇女的平均工资水平[N];新疆科技报(汉);2000年

中国博士学位论文全文数据库 前10条

1 袁朝晖;二元离散神经网络模型的动力学分析[D];湖南大学;2003年

2 王军平;几类离散神经网络模型的动力学分析[D];复旦大学;2006年

3 南晋华;决策神经网络模型及应用研究[D];华中科技大学;2008年

4 周日贵;量子神经网络模型研究[D];南京航空航天大学;2008年

5 刘艳青;时滞神经网络模型的稳定性研究[D];天津大学;2005年

6 赵灵晓;基于部件神经网络模型的制冷系统混合仿真方法及应用[D];上海交通大学;2010年

7 朱红;高速（HS-K-WTA）神经网络模型[D];南京理工大学;2003年

8 熊佩英;几类神经网络模型的动力学分析[D];湖南大学;2013年

9 刘开宇;几类二元神经网络模型的动力学性质研究[D];湖南大学;2004年

10 黄振坤;几类神经网络模型的动力学分析[D];浙江大学;2007年

中国硕士学位论文全文数据库 前10条

1 杨巍;三元离散神经网络模型的稳定性与分岔分析[D];东北林业大学;2010年

2 孙文渊;基于BP神经网络模型下预测吉林省GDP[D];延边大学;2015年

3 李波;一类带有分段连续控制项的非线性递推关系的渐近周期性[D];延边大学;2015年

4 巩云野;两类具有时滞项的Cohen-Grossberg神经网络模型的稳定性分析[D];东北林业大学;2015年

5 王薇;一类离散时间双极人工神经网络模型的周期性[D];延边大学;2015年

6 李辰风;改进遗传BP网络的地表沉降预测方法研究[D];江西理工大学;2015年

7 尤军;民用建筑沉降监测与预报方法应用研究[D];宁夏大学;2015年

8 吴娇娇;基于时空神经网络模型的瓦斯浓度预测研究[D];中国矿业大学;2015年

9 李灵光;细长导轨加工变形分析与参数优化技术[D];北京理工大学;2015年

10 王鹏;切换Cohen-Grossberg神经网络模型的动力学分析[D];长沙理工大学;2014年

  本文关键词：基于BP和NNRS模型的超声缺陷信号识别研究，由笔耕文化传播整理发布。

本文编号：295564