基于LBP-KPCA特征提取的焊缝超声检测缺陷分类方法

焊缝缺陷影响结构安全,缺陷定性是实现结构安全评价的重要基础.研究了一种基于一维局部二元模式（one-dimensional local binary pattern,1-D LBP）算法结合核主成分分析（kernel principal component analysis,KPCA）提取焊缝缺陷回波信号特征的方法.采用1-D LBP算法提取缺陷回波信号的LBP特征,通过KPCA对此LBP特征集进行主成分分析,选取贡献率之和超过90%的前N个主成分作为缺陷分类的特征向量,利用基于径向基核函数的支持向量机（support vector machine,SVM）实现了缺陷类型的自动分类.以夹渣、气孔和未焊透三类焊缝缺陷为对象,开展了缺陷特征提取及分类试验.结果表明,使用LBP-KPCA特征进行缺陷分类时,准确率达到96.7%,优于常规特征,为焊缝缺陷分类及无损评价提供了重要参考.     

焊接机器人焊缝完整程度图像识别算法研究

焊接机器人存留的焊缝缺陷会给生产企业造成安全威胁,为了让机器人有效识别焊缝缺陷,设计了一种焊接机器人焊缝完整程度图像识别方法。该方法根据采集的焊接机器人焊缝图像,采用暗通道先验理论对采集结果实施图像增强处理操作,从而达到提升图像清晰度的目的;以此为基础采用Contourlet变换将图像分解为低频分量及高频分量图像,并采用KPCA方法提取焊缝高频分量图像纹理特征,达到提高图像完整度识别效果的目的;最终将提取结果输入到构建的支持向量机模型内,结合典型缺陷焊缝纹理特征,以此识别出焊缝的完整度,完成了对焊接机器人焊缝完整程度的全面识别。试验结果表明：通过对该方法开展了焊接机器人对焊缝的裂纹、小孔、夹渣、未焊透等完整度识别测试及识别性能测试,验证了该方法的有效性强、可行性高。     

一种改进鲁棒KPCA算法及其在齿轮泵故障诊断中的应用

核主元分析(KPCA)是一种有效的非线性特征提取方法,但其缺点是对样本中的野点比较敏感.为了消除野点对KPCA算法的影响,介绍一种鲁棒KPCA算法,通过修改特征空间中映射样本的最小重构误差表达式,并预先定义训练样本集中的野点数目,实现了在特征空间剔除野点的目的.将改进后的鲁棒KPCA算法应用于齿轮泵故障特征提取,试验结果表明:该算法的抗噪性比经典KPCA算法明显增强,能有效区分齿轮泵的不同故障模式.     

基于改进MF-DFA的零件特征提取与缺陷识别

针对现代工业制造背景下的个性化机械零件,通常具有不规则和一定自相似性的分形特性,提出一种基于改进多重分形去趋势波动分析(MF-DFA)法的零件特征提取与缺陷识别方法。首先,选用三角形覆盖模块替代传统MF-DFA法中的正方形覆盖模块,解决传统MF-DFA法存在过度覆盖的问题,为零件图像缺陷识别提供更精准的数据;其次,利用改进MF-DFA法计算零件图像的多重分形谱;再利用核主成分分析(KPCA)方法提取零件图像的缺陷特征值;最后通过支持向量机(SVM)对零件缺陷进行识别。实验结果表明,三角覆盖二维MF-DFA算法能够准确提取零件特征,提高零件缺陷识别的准确率。     

基于贝叶斯图像模式识别技术的点焊质量评估

提出一种将点焊过程动态电极位移信号转化为二值图像的方法.基于图像特征分析,从焊点样本电极位移二值图像中提取出15个隐含特征.针对一系列对应不同焊接质量焊点样本电极位移二值图像特征,利用主成分分析消除图像特征间的互相关性,建立了基于最小风险贝叶斯图像识别技术的焊点质量分类器.分类器有效性测试结果表明,电极位移信号二值图像尽可能多的保留了焊点质量信息,特征提取算法简单、高效、易于实现;同时在小数据样本情况下,贝叶斯图像识别技术能够快速、准确地评判焊点质量,有较好的应用前景.     

基于贝叶斯图像模式识别技术的点焊质量评估

提出一种将点焊过程动态电极位移信号转化为二值图像的方法.基于图像特征分析,从焊点样本电极位移二值图像中提取出15个隐含特征.针对一系列对应不同焊接质量焊点样本电极位移二值图像特征,利用主成分分析消除图像特征间的互相关性,建立了基于最小风险贝叶斯图像识别技术的焊点质量分类器.分类器有效性测试结果表明,电极位移信号二值图像尽可能多的保留了焊点质量信息,特征提取算法简单、高效、易于实现;同时在小数据样本情况下,贝叶斯图像识别技术能够快速、准确地评判焊点质量,有较好的应用前景.     

SUS304奥氏体不锈钢板点焊接头的超声成像分析

利用超声波水浸聚焦入射法对1 mm厚的SUS304奥氏体不锈钢板点焊接头进行超声C扫描成像检测.分析了不同焊接工艺参数下的C扫描图像特征,甄别了飞溅、焊穿等典型焊接缺陷,并提取其对应的A扫描信号.基于C扫描图像对焊核直径进行了测量,并与焊核切口端面尺寸进行了比较.结果表明,基于超声波水浸聚焦入射法得到的C扫描图像,能有效观测焊核内部形貌特征.焊接电流超过8 kA,电极力小于2 700 N时,超声波C扫描图像中清晰反映出飞溅、焊穿等缺陷,其对应区域的A扫描信号与正常熔核区波形特征有明显差异;借助超声C扫描图像测得的焊核直径为4.39~5.25 mm.     

盘型激光焊接状态多传感信息融合分析

针对大功率盘型激光焊接状态,研究一种基于支持向量机的多传感信息融合分析方法. 使用紫外、可视和红外波段的两个高速摄像机同时获取激光焊接过程中金属蒸气、飞溅和熔池动态图像. 通过模式识别技术提取焊接过程多传感信息特征及进行数据主成分特征分析,并以焊缝宽度变化作为衡量焊接状态稳定性的参数. 运用支持向量机融合各特征,通过网格搜索和粒子群算法优化支持向量机参数,建立基于支持向量机的多传感信息融合模型. 结果表明,支持向量机多传感信息融合方法能够有效预测焊缝宽度变化趋势,为大功率盘型激光焊接状态的实时监控提供试验依据.     

基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法

为了有效解决储油罐底板焊缝缺陷检测过程中存在速度慢、检测结果不准确等问题，提出一种基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法。分析相机捕获的储油罐底板焊缝图像各像素之间的相关性和椒盐噪声特点，通过支持向量机(SVM)分类器识别图像中的噪声，重构图像，完成去噪处理。通过基于泛化的增量式二维主成分分析的特征提取方法(GI2DPCA)提取储油罐底板焊缝图像的特征，引入前馈神经网络，构建基于前馈神经网络的储油罐底板焊缝表面缺陷检测模型，将提取到的特征输入到模型完成缺陷检测。试验测试结果表明，所提方法能以较短的时间和较高的检测精度完成缺陷检测。     

基于KPCA和优化ELM的齿轮箱故障诊断

针对齿轮箱的故障表征不明显且传统分类方法精度低等问题,提出一种基于核主成分分析(KPCA)特征提取和蚁群算法优化极限学习机神经网络(ACA-ELM)分类识别相结合的齿轮箱故障诊断方法。首先,从齿轮箱的原始信号中提取时域与频域特征构成特征矩阵,利用KPCA方法降低维度,剔除冗余信息,提取有效的特征指标;其次,利用蚁群算法(Ant Colony Algorithm, ACA)对极限学习机(Extreme Learning Machine, ELM)的网络初始权值与偏置进行优化,得到最优权值与偏置组合;最后,利用ACA-ELM进行齿轮箱故障诊断实验,同时与ELM、BP、ACA-BP、GA-ELM模型对比。实验结果表明,该方法进行故障诊断的准确率可以达到98.3%,能够有效地进行齿轮箱故障诊断。     

Feature extraction of welding defect based on machine vision

There are many flaws in welding images such as noise, low contrast, and blurred edges, which affect feature extraction from welding defect regions and impede classification and recognition of welding defects. To deal with the complexity of welding defect images, this paper proposes an effective method for extracting the features of welding defect regions. Firstly, image preprocessing, image segmentation and image background removal are carried out to a welding image in order to extract welding defect region; and then an 8-connected-component labeling method is used to mark defect regions. Finally, it extracts geometric characteristic parameters including perimeter, area, circularity and others. The experimental result shows that the method proposed in the paper can accurately extract the features of welding defect regions. It has good adaptability and practicability.     

声-固耦合模型下自适应高维特征焊缝缺陷超声检测

针对焊缝缺陷种类识别精度有待提高的问题,提出了一种将随机森林与变分模态分解相结合的算法,以结合二者的自适应特征提取能力及对于高维特征的强适应特性。利用多物理场仿真软件建立含缺陷焊缝的声-固耦合模型,进行超声波无损检测仿真,得到含缺陷超声回波信号。利用变分模态分解求出其各IMF能量分布系数,并以其作为特征向量建立随机森林模型,进行焊缝缺陷识别。结果表明,利用该方法提取的缺陷回波信号特征能有效表征焊缝缺陷,以其建立随机森林模型可以对其进行准确识别。     

基于空间位置和轮廓线距离的船舶焊缝特征参数提取

为了实现船舶焊接件数字模型中焊缝特征参数的精确提取,进而完成机器人数据库系统中焊接工艺的自适应快速匹配和快速选择,提出了基于空间位置和轮廓线距离的船舶焊缝特征参数提取算法.首先基于海伦公式识别待判定面来确定接头空间位置关系,并结合最小轮廓线距离完成焊缝特征识别;然后基于轮廓线总条数和最小轮廓线距离的两端点,识别出焊缝坡口处特征点及线;最后基于三类焊接接头所建的数学模型提取出与焊接工艺相关的焊缝特征参数.测试结果表明,文中焊缝特征参数提取算法能准确识别4类接头形式和10种坡口类型,以及准确提取焊缝间隙、坡口夹角和焊接件板厚等参数,具有焊缝特征识别广且信息提取齐全的优点.与其他相关识别算法相比,文中算法的识别率达到100%,而识别效率提升了16.06%,从而进一步验证了算法的有效性.     

基于经验小波变换和流形学习的滚动轴承故障诊断研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于经验小波变换(EWT)和流形学习约简的故障特征提取方法。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数(IMF),然后从包含故障信息的IMFs中提取滚动轴承的时域统计特征、频域统计特征、AR模型自回归系数和功率谱熵,构造高维特征集;再利用线性局部切空间排列(LLTSA)流形学习算法将构造的高维特征集约简为故障区分度更好的低维特征集;最后利用支持向量机(SVM)对提取特征进行故障识别。实验结果表明该特征提取方法对滚动轴承故障诊断准确率更高。     

量子傅里叶变换在齿轮模式识别中的应用

量子傅里叶变换是量子算法的基础,也是指数式效率的关键。提出了一种基于量子傅里叶变换的特征提取算法,该算法搭建了量子计算的运行路线;构建了实施量子傅里叶变换的特征提取步骤,并构造了峰值评价函数,用于评价提取出的特征值;利用该算法对齿轮的正常、齿面磨损、齿根裂纹和断齿等状态进行模式识别。实验结果验证了该算法的有效性和实用性。     

基于神经网络的焊接缺陷智能化超声模式识别与诊断

以三种焊接缺陷为对象,研究了缺陷回波特征的评价与模式识别。在实验研究与理论分析的基础上,从每个缺陷回波样本中提取了26个特征值,采用基于统计学假设检验的特征评价和最佳特征子集选择方法,实现了特征空间的降维处理。作者采用B-P型反向传播神经元网络构成了智能化模式分类器,研究了网络模型的学习效果和对未知缺陷的分类识别能力。还探讨了用Dempster方法进行超声检测信息融合处理的可行性。实验结果表明,采用最佳特征子集作为样本的特征向量,获得了良好的识别结果,三类缺陷的平均正确识别率约为87.6％,最佳识别率为97％。     

Evaluation of echo features of ultrasonic flaws and its intelligent pattern recognition

In this paper, three types of weld flaw were taken as target, evaluation and recognition of flaw echo features were studied. On the basis of experimental study and theoretical analysis, 26 features have been extracted from each echo samples.A method which is based on the statistical hypothesis testing and used for feature evaluation and optimum subset selection was explored Thus. the dimensionality reduction of feature space was brought out, and simultaneously, the amount of calculation was decreased. An intelligent pattern classifier with B-P type neural network was constructed which was characterized by high speed and accuracy for learning. Using a half of total samples as training set and others as testing set, the learning efficiency and the classification ability of network model were studied. The results of experiment showed that the learning rate of different training samples was about 100％. The results of recognition was satisfactory when the optimum feature subset was taken as the sample's feat     

基于VMD和流形学习的滚动轴承故障诊断研究

针对轴承早期故障信号非线性、非平稳和故障特征难以提取的问题,提出一种变分模态分解(VMD)与流形学习相结合的特征提取方法。该方法应用VMD将信号分解成包含不同故障信息的固有模态分量,然后从中提取特征并构建高维的混合域特征集。最后,应用流形学习等度规映射算法将高维的特征集约简为故障区分度更好的低维混合域特征集,并利用支持向量机实现故障分类识别。滚动轴承实验结果表明该方法能准确清晰地提取故障特征信息,与传统方法相比诊断准确率更高。