铁磁材料漏磁信号处理与缺陷重构

漏磁检测是铁磁材料常用的无损检测方法,检测的重点是根据测量的漏磁信号重构缺陷轮廓.提出了分别利用径向基神经网络和广义回归神经网络,建立由缺陷漏磁信号到缺陷深度的非线性映射.训练样本为三维有限元仿真数据,而测试样本为经过平滑滤波、小波消噪预处理,后经过径向基神经网络精确插值的漏磁检测数据.用训练数据对这两种神经网络分别进...     

人工神经网络在电磁无损检测中的应用

介绍人工神经网络在电磁无损检测领域的应用现状，重点讨论BP(误差反向传播)神经网络、模糊BP神经网络和径向基函数(RBF)神经网络，分别以应用实例讨论了它们在漏磁和涡流无损检测中的应用。人工神经网络是实现电磁无损检测定量化的有效途径。     

基于直流电位法的泡沫金属定量无损检测方法

提出一种基于直流电位法的泡沫金属定量无损检测方法。该方法采用主元分析前馈神经网络求解逆问题,对内部缺陷进行定量。正问题求解采用有限元方法。为解决三维直流电场分析中庞大的节点数及神经网络所需大量训练数据带来的计算资源问题,开发了一种基于知识库的快速直流电位分布计算方法。算例结果表明,神经网络可有效用于泡沫金属的定量无损检测;所提出的快速算法可大大缩短计算时间且具有较高计算精度。     

基于SIFT特征与多层BP神经网络的钢板缺陷检测算法

为了解决当前钢板表面缺陷在对比度弱、边缘复杂和光照不均干扰下易导致检测能力较低的问题,文章提出了基于SIFT特征与多层BP神经网络的钢板缺陷检测算法。首先,引入高斯差分和Hessian矩阵,对钢板图像进行空间尺度函数计算,统计SIFT深度向量特征,完成缺陷特征的检测与收集。然后,基于神经网络原始模型,计算其第五层输出结果,优化缺陷检测结果,并最小化输出层与期望值的差异平方,滤除伪SIFT特征的干扰,建立多层BP神经网络拓扑分析算子,准确识别钢板缺陷。最后,基于软件工程,设计检测系统软件,对文中算法的缺陷检测精度进行测试。实验测试结果显示:与当前主流钢板缺陷检测技术相比,文中算法拥有更高的准确性与鲁棒性。     

锁相加热红外无损检测有限元模拟及分析

锁相热成像是一种应用越来越多的无损检测技术。为了更好的进行锁相红外无损检测,必须全面了解物体内部结构改变对表面相位的影响,更准确地得到锁相红外无损检测各参数设置。本文通过有限元分析方法模拟了锁相加热红外无损检测过程,重点分析了频率对锁相加热红外无损检测的影响,并用法国CEDIP红外成像系统进行实验验证,为进一步进行定量化锁相红外无损检测提供借鉴。     

基于BP神经网络的钢丝绳电涡流无损定量检测技术

钢丝绳在建筑、旅游、运输等行业中已得到了广泛应用,由其断丝、磨损等缺陷所引起的安全隐患备受人们关注。采用双探头低频透射式钢丝绳电涡流无损检测方案,选取感应信号相对于激励信号的峰-峰值差和相位差作为特征量,采用数字式峰-峰值算法和占空比原理计算信号特征量。应用BP神经网络对钢丝绳缺陷进行自动识别,以钢丝绳型号及其缺陷特征量为网络输入,以是否存在断丝及断丝数量为网络输出,通过离线训练方法获取神经网络辨识模型。对实验数据进行识别,结果表明BP神经网络能对断丝缺陷及其数量进行有效的定性及定量识别。     

改进遗传BP网络在涡流检测中的应用

针对传统的BP算法存在收敛性能差,易陷入局部最小的缺点,在涡流无损检测的缺陷快速识别中,提出采用遗传算法(GA)作为神经网络的学习算法。为避免网络的过早收敛,对传统的遗传BP网络进行了改进,应用自适应算法选择遗传算子值。结果表明,与BP神经网络相比,改进GA神经网络的收敛性能和推广能力都有了显著提高。     

基于有限元仿真的核电站传热管涡流检测

核电是公认的清洁能源,但核电安全问题日益引起人们的高度关注。采用有限元仿真的方法研究了核电站蒸汽发生器传热管缺陷特征与涡流阻抗信号之间的关系。利用内穿式差动Bobbin线圈对传热管缺陷进行了数值模拟检测。研究了缺陷形状结构对缺陷信号特征的影响,分析了检测频率、裂纹宽度和裂纹深度对缺陷信号特征的影响。通过对仿真试验结果的分析,发现不同缺陷结构、不同缺陷宽度、不同缺陷深度及不同检测频率对涡流阻抗信号影响具有各自明显的规律。该研究成果对核电站在役管道的涡流无损检测具有重要的实用价值和理论意义。     

基于镜面反射的红外无损检测技术

针对红外无损检测技术在某类工程应用中遇到的可达性不足的问题,提出了一种利用镜面反射以扩大可检测范围的方法。介绍了该方法的检测原理及检测系统,并设计制备了不同材料的人工缺陷试块,分别采用常规红外无损检测与镜面反射的红外无损检测方法,对人工缺陷试块进行了试验。对各组试验结果进行对比,阐述了影响试验结果的确定因素,分析了影响检测灵敏度的其他相关因素,并对试验的改进方向提出建议。     

人工神经网络技术在无损检测中的应用

介绍神经网络技术在无损检测领域的应用现状 ,包括神经网络技术应用于设备缺陷特征的确定和设备缺陷评判、设备运行的状态监测以及数据融合等 ,并对这项技术在无损检测中的进一步应用作了展望     

进化神经网络及多目标进化算法在红外无损检测中的应用

针对红外相位法无损检测缺陷定量化要求和试验参数的确定,提出采用进化神经网络及多目标进化算法进行分析,通过对含多缺陷信息的预埋试件进行试验,以试件表面像素点的时间-温度信息作为特征参数进行网络训练,结果表明,经过训练的网络误差在5%以内,试验证实多目标进化算法得到的参数与实际试验最优效果参数相符,可为工程应用提供参数参考。     

玻璃钢试件红外热波检测能力研究

红外热波无损检测的检测能力是一个受到普遍关注的问题，所谓检测能力一般是指对某种特定材料所能检测到缺陷的最小尺寸和最大深度。笔者采用航空航天常用玻璃钢材料，设计出六个形状相同、深度不同的斜槽型空气缺陷的试件，这样的设计能够体现缺陷尺寸和深度的线性变化。试验通过调整加热能量和热像仪采样频率探索该试件检测能力的最佳试验条件，分析在不同深度下所能检测到的最小缺陷的尺寸。     

漏磁检测信号的反演

针对漏磁检测中缺陷特征参数的评估问题，分析了依据漏磁测量结果反演缺陷参数的研究方法及步骤，并分别应用基于有限元模型和人工神经网络的方法实现漏磁检测缺陷参数的反演，取得了较好的反演效果。     

红外检测中的点阵加热方法

红外热像检测中的热激励方式直接影响检测结果。提出了点阵加热热激励方法。采用有限元软件ANSYS,对存在表面裂纹和内部气孔缺陷的试件分别进行点阵加热下的热传导计算,分析温度分布规律。将计算结果与同样缺陷下热波检测的结果进行对比。试验表明,点阵加热不仅能用于检测构件的内部缺陷,同时也能用于发现其表面裂纹缺陷。     

小波神经网络在缺陷数据压缩和信号重构中的应用

首先介绍了小波神经网络理论,并在BP(反向传播)算法的神经网络学习方法的基础上,将小波神经网络应用到基于频率扫描技术的交变磁场无损检测系统中,通过神经网络提取相应的权重因子以及构成小波基的尺度参数和与之对应的平移参数实现缺陷有用数据的压缩;在缺陷数据重构中,利用上述特性参数并结合信号的特征值,对信号进行拟合,解决了缺陷场大量数据的保存问题以及缺陷识别模型神经网络学习样本资源不足的问题。     

玻璃纤维复合材料分层缺陷的红外热波检测

基于红外热波无损检测技术的基本原理,运用脉冲式主动红外热波检测技术对玻璃纤维试件分层缺陷进行了检测试验,在对试件分层缺陷的热图序列进行深入研究的基础上,对图像进行了校正、滤波、增强、分割等处理,提取了丰富的有用信息,进而应用相关算法对缺陷的大小和深度进行定量。试验研究结果表明,该技术可对玻璃纤维复合材料的分层缺陷进行快速有效的检测和判别。     

边界元法用于兰姆波与表面缺陷相互作用的研究

介绍一种将传统边界元法和兰姆波的本征模式函数相结合的混合边界元法，以此计算兰姆波在板材内部传播时遇到障碍物或不连续界面时所发生的反射（或透射）问题，得到了若干频率入射兰姆波与板中不同深度缺陷相互作用的关系。数值计算结果表明，兰姆波与板中不连续体相互作用后存在模式转换现象，此工作对板材兰姆波的快速无损检测有一定的借鉴作用。     

混凝土强度无损检测数据处理的混沌优化神经网络模型

依据混凝土标准试块强度检测数据，建立了混沌优化的神经网络计算模型，从而克服传统BP网络收敛速度慢、易出现麻痹现象等不足。与混凝土无损检测现行规程规定的方法相比较，谊计算模型简单可行，搜索速度快，预测结果可靠、精度高。     

An application of back propagation neural network for the steel stress detection based on Barkhausen noise theory

A new method for stress testing based on the theory of Barkhausen noise has been introduced using changing feature values for monitoring stress and temperature. However, changes in temperature not only have an effect on the stress but also the MBN signal itself. In order to get the accurate stress value and eliminate the temperature effect, we proposed a data processing method for stress testing based on MBN. The study found that within the steel elastic range, the Barkhausen noise feature values, including mean value, RMS value, ring numbers, peak value and the ratio of envelope peak and full peak width at half of maximum amplitude decrease with increasing temperature, there is a fixed monotonic relationship which provides a theoretical basis for building the back propagation (BP) neural network model, with stress as the output value and temperature, mean value, RMS value, ring numbers, peak value and the ratio of peak and full width of half maximum as the input values. The MATLAB 7.8.0 neural network toolbox was used to model and simulate the neural network and samples used to validate the trained BP neural network. The results showed that the network had a high degree of accuracy and generalization ability, to get the values of stress.