基于VMD的超声无损检测缺陷识别方法研究

发布时间：2021-04-16 01:43

　　超声无损检测技术由于其快速、便捷、检测效率高等优势在检测领域中得到广泛使用。而在超声检测领域,兰姆波经常被用来检测板材表面以及内部的缺陷问题。但是,由于兰姆波本身存在多模态及频散效应,因此接收到的信号常常含有多个模态,而且接收到的回波信号幅值容易缺失,难以实现对缺陷的精准定位与识别。因此,如何解决这些问题,并实现对板材缺陷信号的识别就成为本文的研究课题。由于超声兰姆波信号具有非线性、非平稳的特征,故不可以采用常见的时频域信号方法来处理。变分模态分解方法是一种结合维纳滤波与希尔伯特变换的新型信号处理方法,常用来处理非线性、非平稳的混频信号,可以有效地将缺陷信号从接收到的原始信号中分离出来。本文对超声无损检测缺陷识别方法进行研究,使用变分模态分解方法来对含有缺陷信息的超声信号进行分解,并通过对处理后的超声信号进行特征提取和成像来达到识别板材缺陷的目的。本文对变分模态分解过过中的分解中中与中中因中的的取进行优进:通过K与瞬时频率均值之间的关系与互信息值大小来确定变分模态分解的中中,使用粒中群优进算法来实现对变分模态分解过过中中中因中的优进。在优进过过中对联合特征参中包含的信噪比、平滑度与均方... 

【文章来源】：大连海洋大学辽宁省

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

VMD算法流程图

基于VMD的超声无损检测缺陷识别方法研究14动态惯性因子w的引入，使得PSO算法在对变分模态分解输入参数的优化过程中表现更加灵活，使分解后的效果有很大的提升。由于在VMD分解之前需要确定输入参数，PSO可以利用适应度函数来优化参数组合，能够有效地避免不当的参数组合导致的模态混叠与虚假成分问题，在保证完整提取缺陷信号的同时又不会使信号被噪声所淹没。算法流程图如下图:图2-2粒子群优化算法流程图Figure2-2Flowchartofparticleswarmoptimizationalgorithm2.3本章小结本章节对变分模态分解理论进行理论分析与研究，针对超声信号非线性、非平稳的特征，主要选取两种自适应的信号分析处理方法来进行分析，分别是经验模态分解方法与变分分解方法。与经验模态分解方法相比，变分模态分解方法能够去除在缺陷信号采集过程中由于环境、噪音、温度等不可控条件产生的噪声及其它突发变量，能够得到有效的缺陷信息，找到缺陷信号的准确频率。该方法鲁棒性更好、收敛速度快，在超声检测信号分解及缺陷信号识别研究上具有一定的研究价值。

基于VMD的超声无损检测缺陷识别方法研究16幅值第三章基于变分模态分解的超声信号处理本章基于变分模态分解方法来对信号进行处理，处理信号为两组仿真信号与一组实测信号。通过对分解过程中的分解层数K与惩罚因子进行优化来获得更优的分解效果，并与经验模态分解方法进行比较来验证本文算法的有效性。使用K与瞬时频率均值之间的关系来确定信号的分解层数，使用粒子群算法来优化惩罚因子。最后通过设置对比实验对含微小缺陷的超声检测信号进行处理来验证变分模态方法对含微小缺陷信号的检测能力。3.1.基于经验模态分解的处理信号3.1.1仿真信号处理（1）根据Lamb波信号的多频散的特性，本文采用模拟调频信号：tpitpif22))*50**2cos(5.0*400**2cos(）（仿真信号的采样频率为10kHz，调频模拟信号主要包括三个频率分量：400Hz的主频部分、350Hz和450Hz的噪声部分信号。模拟信号及其频谱如图3-1所示：图3-1仿真信号的时域图Fig.3-1Time-domaindiagramofsimulatedsignals频率/Hz图3-2仿真信号的频域图Fig.3-2Frequencydomaindiagramofsimulationsignal幅值时间/s


本文编号：3140497