特征值评价对回波信号识别效果的影响

应用单因素及主成分分析方法对超声回波信号的统计特征值进行选择，并以两类方法得到的最佳特征子集对实验样本进行识别。结果表明，利用特征值评价进行回波信号的识别是切实可行的。单因素分析中各个特征对回波信号的识别能力有所不同，标准偏差、最大幅值及方均根的识别率依次是67％，33％和67％。相比之下，主成分分析法得到的识别效果最好，可达97％。     

超声检测缺陷模糊识别模型

提出了用缺陷回波信号包络作为超声检测的缺陷模糊识别模型并根据此模型建立缺陷模糊识别用的缺陷模糊子集的方法。给出了用实验方法建模的结果和缺陷模糊模式识别应用示例。     

基于超声信号和图像融合的焊缝缺陷识别

超声无损检测已被广泛用来检测材料内部的缺陷,然而对缺陷性质的识别始终是检测的难点,为此研究了一种基于超声信号和图像融合的焊缝缺陷识别新方法.该方法充分利用检测数据,通过对缺陷回波信号特征与缺陷形态特征的数据融合,实现了焊缝缺陷的有效识别.利用自主研制的超声成像手动检测系统对含有气孔、夹渣、裂纹、未焊透和未熔合五类典型焊接缺陷的焊件进行了检测,分别提取缺陷的超声回波信号特征和缺陷图像的形态特征,构建神经网络实现超声信号和图像特征的数据融合.结果表明,该方法实现了多类缺陷的识别,提高了缺陷识别率,有助于焊缝质量评定.     

超声信号处理法检测表面缺陷

本文以无缺陷时的表面回波为参考信号，用信号处理方法，识别表面缺陷回波，从而实现对表面缺陷的检测，文中给出了该方法的原理及实验结果。     

二进制PSO算法在刀具磨损状态识别中的应用

特征选择是刀具磨损状态识别的重要问题之一。文章以端面铣刀为研究对象,提出了一种基于二进制粒子群算法的铣削力信号特征优选方法。该算法采用相关准则给定适应度函数,以此计算粒子适应值。通过二进制编码方式,寻找全局最优解作为最优特征构成特征子集。最后将优选的铣削力信号特征子集输入到三层BP神经网络进行模式识别。实验结果表明,二进制粒子群算法优选的铣削力信号特征子集可以提高刀具磨损状态识别精度和缩短识别时间。     

注射制品表面缺陷在线检测与自动识别

基于机器视觉技术的注射制品表面缺陷检测与识别可有效解决人工抽样检测问题,为克服现有缺陷识别算法对于不同的制品需分别进行样本训练、图像质量要求高、可操作性差等难题,在采用图像处理技术对制品表面缺陷进行检测的同时,提出一种基于缺陷区域轮廓、制品轮廓、区域灰度等特征的缺陷自动识别算法,避免了大量制品图像样本的训练过程,提高了可操作性。基于该方法,开发了一套注射制品表面缺陷在线检测与识别系统,试验表明,对短射、飞边、裂纹3种常见表面缺陷的识别率为91.8%。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

距离判别在超声探伤缺陷识别中的应用

提出了距离判别在超声探伤缺陷识别中的应用，提取时域空间特征量：上升时间（Tvp）、下降时间（Tdown）、波宽（Width）、上升角度（Angle）及峰度系数（KU）和波形下面积（S），通过计算检测缺陷与样本的马氏距离，比较马氏距离大小来对缺陷进行分类识别，识别率达到87．5％，对以后超声缺陷识别具有一定的理论指导意义。     

基于CEEMD的冲击回波分析方法研究

冲击回波法检测混凝土结构缺陷过程中由于存在面波和噪声干扰，反射层纵波难以从频谱特征直接识别出来。针对该问题，本研究将完备集成经验模态分解（CEEMD）方法引入冲击回波检测信号分析中，提出基于CEEMD冲击回波信号分析方法。通过对模拟和实验的冲击回波信号分析和研究，结果表明:CEEMD方法从冲击回波信号分解出的特征模态函数IMF1~IMF10，中间模态IMF5、IMF6的频谱反映出混凝土内部缺陷位置和板厚信息，据此频谱能准确确定内部夹层缺陷位置和混凝土板厚。CEEMD方法能分离面波和噪声干扰，可作为处理冲击回波信号的一种常规方法。     

基于Morlet小波的超声缺陷分类识别方法研究

超声缺陷自动识别是目前无损评判领域内研究的热点。采用改进的Morlet小波对超声缺陷信号进行降噪处理,为获得更全面的缺陷特征,在建立的参数空间基础上为缺陷信号构建特征向量,将这些缺陷信号输入RBF神经网络对获得的超声检波信号进行缺陷分类。实验结果表明:小波降噪算法充分利用超声回波信号的特征信息,降噪效果明显,有利于提高缺陷分类的准确性;RBF神经网络缺陷识别法能有效提取同类别缺陷信号的共同特征,提高缺陷分类准确度。     

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     

Intelligent pattern recognition and diagnosis of ultrasonic inspection of welding defects based on neural network and information fusion

Abstract

The detection of defects in real manual metal arc welds using ultrasonic non-destructive testing has been investigated. Twenty-six features, extracted from three domains, were applied for recognition of defect type. To increase the reliability and accuracy of identification and classification, statistical analysis was used to evaluate the features extracted from ultrasonic defect echoes. The subset of optimum feature was then selected using the method of discriminant analysis. An intelligent defect evaluation method derived from the study is presented. The results show that statistical analysis is an effective method for feature evaluation. The uncertainty of defect diagnosis can be decreased by the information fusion method, and for three specific defect types, defects were correctly identified in approximately 93% of cases.     

小波变换和模糊模式识别技术在金属超声检测缺陷分类中的应用

基于金属超声检测中的缺陷脉冲回波为非稳态信号的特点,提出了一种缺陷定性特征值的提取是模式识别的关键,因此提出用小波变换提取特征值,多面手用模式识别的方法对小波变换的特征值提取结果进行定性分类,从而确定缺陷类型。采用上述上种不同性质的缺陷进行分析和处理。结果表明,用小流变换提取特征值的方法是有效的,而模糊模式识别算法也得到了较好的分类效果。     

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.     

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。     

小波变换和神经网络在漏磁缺陷信号识别中的应用

利用小波变换和RBF（Radius Basis Function）神经网络技术对漏磁检测系统中的缺陷信号进行分类。重点设计了试验系统，采集了四种缺陷信号，首先应用小波变换提取信号特征值，然后利用RBF神经网络训练，采用模糊聚类算法寻找基函数的中心，使缺陷的定性分类获得了很高的准确率。试验获得了较好的缺陷分类效果。     

基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断

针对复杂工况下齿轮箱多故障信号诊断准确率低的问题，提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征；从宏观角度提取故障信号时域特征，将3种特征进行融合，并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明：在2种不同工况下，对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度，且所构建的分类模型综合性能上均高于文中其他对比模型，因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。     

基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

Merging subsets of attributes to improve a hybrid consistency-based filter: a case of study in product unit neural networks

This paper presents a quality enhancement of the selected features by a hybrid filter-based jointly on feature ranking and feature subset selection (FR-FSS) using a consistency-based measure via merging new features which are obtained applying other FR-FSS evaluated with a correlation metric. The goal is to overcome the accuracy of a neural network classifier containing product units as hidden nodes combined with a feature selection pre-processing step by means of a single consistency-based FR-FSS filter. Neural models are trained with a refined evolutionary programming approach called two-stage evolutionary algorithm. The experimentation has been carried out in eight complex classification problems, seven out of them from UCI (University of California at Irvine) repository and one real-world problem, with high test error rates (around 20%) with powerful classifiers such as 1-nearest neighbour or C4.5. Non-parametric statistical tests revealed that the new proposal significantly improves the accuracy of the neural models.