共查询到17条相似文献,搜索用时 375 毫秒
1.
2.
3.
4.
电磁超声换能器(EMAT)因其非接触式的检测特点被广泛应用于无损检测和无损评估中,但如何用其判定裂纹的活性尚未见报道。因电磁声发射技术能够对微细裂纹进行检测并判定其活性,在考虑磁致伸缩效应的基础上,根据EMAT和电磁声发射两种检测方法的原理特性,实现EMAT对铁磁材料的电磁声发射检测。对EMAT进行仿真分析和实验,结合凯瑟效应和声发射理论,给出裂纹活性的判定依据。仿真和实验结果表明,EMAT可在铁磁材料中激发声发射信号,并实现对铁磁材料的损伤评定,为EMAT在实际检测中判定裂纹活性提供了理论和实践指导。 相似文献
5.
6.
电磁声发射是一种新型的无损检测技术,其通过对金属构件进行电磁加载,在缺陷处产生声发射信号,根据信号特征对金属构件进行缺陷检测。针对该技术在测定缺陷位置和类型时连续多次加载而产生的大量数据问题,引入信号的压缩感知理论,基于正交匹配追踪算法分别对两种不同类型的声发射信号和电磁声发射信号进行压缩重构,选取不同的测量值,研究其对信号重构效率的影响,从波形和频谱两方面分析重构效果。实验结果表明:压缩感知理论能够达到压缩电磁声发射信号的目的,并且测量值和重构误差之间呈指数衰减关系,与重构时间呈线性增长关系,综合考虑压缩重构的各方面因素,当测量值取8~10倍的信号稀疏度时,电磁声发射信号能够获得较高的重构效率。 相似文献
7.
8.
电磁声发射技术是一种新型的无损检测技术,通过对导电部件进行电磁加载产生洛仑兹力,进而激发声发射效应,并通过这个效应来进行无损检测。传统的电磁声发射技术使用电极直接加载的方式引入电磁激励,存在激励电流过高、加载不方便等缺点。本文使用电磁线圈引入电磁激励,利用电磁线圈激发的瞬时电磁场加载在缺陷处,激发缺陷自身产生声发射信号,以提高对金属薄板中微细缺陷的检测能力。针对电磁声发射技术要求电源的输出功率较大、输出脉冲数可以调整并且电路的输出频率变化较大的特点,本文设计了一种基于直接数字频率合成技术的新型涡流激励电源。该电源主要包括信号产生、功率放大、串联谐振三部分,其中控制电路为核心部分。实验结果证明,该系统工作稳定,参数调节方便,能够满足电磁声发射检测对激励源提出的要求。 相似文献
9.
涡流式电磁声发射检测由于其局部非接触式加载方式,适用于恶劣环境下对金属构件损伤在线检测,同时也是对传统声发射技术的有利补充。针对不同电磁载荷条件下电磁声发射产生的声波响应问题进行深入研究。通过引入电致塑性理论和自由电子运动理论,分析涡流加载下裂纹尖端位错滑移速率变化及声发射能量释放机理,探究不同磁场方向加载下电子的定向移动对声发射响应影响,利用希尔伯特黄变换方法实现对声发射信号的特性分析。实验结果表明:电磁声发射过程中应力波特征与电磁加载条件密切相关。因此,电磁声发射过程为定向移动电子越过障碍势垒产生的特定声波响应。 相似文献
10.
11.
人工神经网络是特征识别的有力工具。在研究对驻极体麦克图像识别方法的基础上,本文提出了一种用改进的BP神经网络进行图像特征的识别和学习算法,并给出了动量系数和学习率的调整方法。对比传统方法测定的结果,使用改进的BP神经网络在识别不规则特征时:减少了输入信息冗余,网络结构相对简单;神经网络输出的各项指标明显提高了精度,对麦克图像特征的平均识别正确率达到92.7%;识别速度也满足在线实时检测的要求。理论分析和实验均表明该算法能实时有效地检测出驻极体麦克图像的特性。本文为研究图像不规则特征的识别提供了一种新的方法。 相似文献
12.
为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。 相似文献
13.
基于小波能量与神经网络的断路器振动信号识别方法 总被引:3,自引:1,他引:2
高压断路器出现机械故障不仅会引起振动冲击事件的时间漂移,还会引起时域波形中一些波峰幅值的变化。依据同一类型断路器振动信号相似的特点,在对高压断路器故障振动信号进行特征分析的基础上,提出了一种识别高压断路器振动信号的新方法:将小波包提取算法和径向基神经网络模式识别功能相结合,利用小波包分解与重构原理将断路器合闸振动信号分解到不同频段中,提取每个频带能量作为断路器状态监测的特征向量,作为径向基神经网络的输入向量;基于径向基神经网络的故障诊断方法在系统参数未知的情况下自动建立动态模型,对于线性系统和非线性系统都有很好的跟踪能力,通过实验室断路器典型合闸振动信号的监测及识别分析验证了该方法的有效性。 相似文献
14.
局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。 相似文献
15.
针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在 Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。 相似文献
16.
超声检测缺陷是一种主流的缺陷识别手段,二维卷积神经网络一直是该领域的主要技术,一般从二维C扫、D扫等图像中提取属性特征来进行识别分类,这些研究主要采用二维卷积层,会产生较大的资源消耗。在所有类型的缺陷识别方法中,超声回波信号分析是最主要和有用的工具之一,本研究从原始时域超声信号中提取特征,首先使用来自实验室的JPR-600C空气耦合超声波无损检测系统采集数据;然后通过使用不同的超参数进行实验、t-sne可视化等手段构建并优化一维CNN网络模型;最后实现超声信号缺陷识别分类。实验结果表明,所提出的CNN模型的性能令人满意,缺陷识别准确率为97.57%,高于其他机器学习方法,为实现缺陷识别自动化的需要提供辅助。 相似文献
17.
为了提高动态手势的识别准确率,并避免动态手势的数据预分割和后输出处理过程,设计了一种融合卷积神经网络(CNN)和双向长短时记忆(BiLSTM),引入连接主义时间分类(CTC)作为损失函数的串联型网络模型。使用CTC训练网络来判断输入流中的类标签,以完成动态手势的识别工作。在公开视频手势数据集Jester和通过Kinect自建的包含9个动态手势的数据集上进行了实验验证,结果表明提出的串联型融合网络模型在Jester上能得到较高的识别率,并且引入CTC算法用于手势识别领域是可行的,该方法高效且具有很高的识别率,对9个动态手势最好识别正确率可达98.11%。 相似文献