基于稀疏化LS-SVM的漏磁缺陷三维轮廓重构

漏磁缺陷轮廓重构是指由检测到的漏磁信号重构缺陷轮廓及参数，是实现漏磁反演的关键。将最小二乘支持向量机( LS-SVM)应用于漏磁缺陷的三维轮廓重构中，并对LS-SVM采取了稀疏化处理，将漏磁信号磁通密度法向分量Bz作为支持向量机网络的输入，缺陷的几何参数长度、宽度、深度作为输出，由实验测量数据和三维有限元仿真计算得到的仿真数据组建样本库。建立了由缺陷的漏磁信号到缺陷三维轮廓图的映射关系，实现了缺陷三维轮廓的重构。实验结果表明：该方法具有很高的精度和很好的泛化能力，同时对噪声也有一定容忍能力。     

双小波神经网络迭代的漏磁缺陷轮廓重构技术

在二维漏磁缺陷重构中,建立基于径向基小波神经网络(RWBF)的正演和反演模型,提出了一个反馈形式的双小波神经网络迭代模型,通过迭代使目标函数最小化,实现对缺陷轮廓的快速逼近。用仿真和实验获取的训练样本分别对正演和反演模型的RWBF进行训练。为了提高径向基神经网络的适应性和精度,提出了一种新的训练算法。首先确定最优分解层数,然后利用梯度下降法修正网络的权值。对不同分辨率和不同信噪比下的漏磁信号进行了重构,并与其他方法进行了比较。结果表明,双小波神经网络迭代模型能够实现漏磁缺陷的精确逼近,具有良好的鲁棒性,是有效的二维轮廓重构方法。     

基于BP神经网络的漏磁定量化检测

漏磁检测是由铁磁材料制作的兵器部件的常用无损检测方法之一,检测中的难点是根据被测漏磁信号反演缺陷的几何参数。将BP神经网络应用于漏磁信号的反演中,对神经网络进行训练,建立了漏磁信号与缺陷几何参数之间的数学模型,利用测量漏磁信号和仿真数据对模型进行了检验。试验结果表明,BP神经网络能根据漏磁信号精确地预测缺陷的几何参数,为漏磁定量化检测提供了一种可行的方法。     

一种消除材料属性对脉冲涡流缺陷轮廓重构影响的方法

采用脉冲涡流技术对缺陷轮廓进行重构时,不同属性材料中相同尺寸缺陷的检测信号特征存在较大的差别,缺陷轮廓重构的精度会受被测试件材料属性的影响,为有效地消除其影响,提出了一种基于不变函数的缺陷轮廓重构方法。该方法通过采用表征同一缺陷的两个不同特征量构建了能够消除材料属性影响的不变函数,而后通过建立由检测信号到缺陷轮廓的非线性映射关系模型,实现了不同属性材料的缺陷轮廓重构。将该方法应用于不同材料的缺陷重构实验,结果表明：该方法不仅可以有效地消除材料属性对缺陷轮廓重构的影响,而且具有较高的重构精度和较强的抗噪声干扰能力,是一种有效可行的缺陷重构方法。     

一种漏磁信号不变特征提取方法

为了提高漏磁缺陷的重构精度,提出一种基于径向基函数(RBF)的漏磁信号不变特征提取的方法。该方法在对漏磁检测过程中速度影响进行全面分析的基础上,建立二维有限元模型,采集不同速度下的漏磁信号,将速度影响下的漏磁信号作为RBF网络的输入,静态下的漏磁信号作为输出进行训练。实验结果表明:这种方法实现了速度效应的补偿,提取出了漏磁信号的不变特征,而且具有较高的精度,是一种有效的方法。     

基于小波神经网络的火炮裂纹形状重构

介绍了漏磁无损检测的原理和漏磁场数学模型,提出了用小波神经网络对裂纹形状重构。在仿真试验中,用训练样本对小波神经网络进行训练逼近裂纹形状,训练采用随机梯度下降算法。训练样本来自漏磁场数学模型数据和测量的火炮漏磁信号,用测量数据重构裂纹形状。小波神经网络是多分辨率逼近,通过改变网络的分辨率控制输出精度。结果表明,小波神经网络能够精确地重构裂纹。     

基于Laplace先验和稀疏块相关性的旋转机械振动信号贝叶斯压缩重构

为通过无线传输实时监测装备状态,针对机械振动信号采样频率较高导致压缩重构困难的问题,将Laplace先验模型和振动信号周期性稀疏块相结合,提出一种改进的贝叶斯压缩感知算法。建立基于Laplace分布的贝叶斯先验模型,相对于高斯先验具有更强的稀疏促进作用。根据机械设备转速和采样频率计算振动信号类周期,对信号进行周期性分块,并基于多稀疏块共享相同超参数的特点,采用快速相关向量机迭代估计出原始信号期望。选取两级平行轴齿轮箱作为研究对象,进行压缩重构仿真实验。结果表明,该方法在相同稀疏基下能有效改善机械振动信号的重构效果。     

火炮身管缺陷漏磁信号的识别

在对火炮身管缺陷进行漏磁检测时,由于内表面膛线的存在,漏磁信号中除缺陷信号外,还有系统噪声和膛线干扰信号。说明了自适应滤波方法和小波变换分别去除膛线干扰信号和系统噪声的原理。在仿真试验中,自适应滤波的权值学习算法采用最小均方算法,自适应滤波的原始输入和参考输入信号来自于不同的两个传感器;选取二阶样条小波为小波函数,选用硬阈值函数和固定阈值的方法处理小波系数。结果表明,自适应滤波方法和小波变换很好地去除了膛线干扰信号和系统噪声,提取出了缺陷信号。     

基于磁记忆梯度张量信号的缺陷二维反演研究

金属磁记忆检测技术是一种能对铁磁材料早期微观损伤及应力集中进行有效诊断的无损检测方法,针对二维反演方法难以准确得到缺陷分布的问题,提出了磁记忆梯度张量分析方法。分析磁梯度张量的测量要素,设计了磁记忆梯度张量信号测量方案;将磁记忆信号水平梯度模量作为缺陷边界反演的特征量,通过水平梯度模量的极大值位置来确定缺陷的边界及分布。裂纹二维反演实验结果表明,该方法不受检测方向影响,可对缺陷二维分布进行准确反演。     

基于子空间加权的多重信号分类时延估计算法

针对水下探测通信一体化干扰抑制中时延估计误差对主动干扰抑制性能的影响,以及常规多重信号分类(MUSIC)时延估计方法因数据长度有限、信噪比低使得信号与噪声子空间不完全正交,导致时延估计性能下降的问题,提出了基于子空间加权的MUSIC时延估计方法。该方法通过重构噪声子空间,并利用信号特征值与噪声功率构造加权值,对子空间进行加权,实现对MUSIC时延估计谱的修正。仿真结果表明,所提方法较互相关法、MUSIC算法和SSMUSIC算法具有更高的时延估计精度,以及更优的时延分辨率。     

基于残差重构网络的射频信号个体识别

针对主流方法对信号个体识别效率低、误识别的问题,提出一种基于残差重构网络的射频信号个体识别 方法。通过傅里叶变换得到侦收信号的频域特征,作为神经网络的输入向量;利用残差网络能够解决网络退化和梯 度消失的优势,重构残差网络,并将其作为射频信号个体识别的核心网络模型;通过固定每层网络的通道数,实现 减少模型参数量,达到神经网络轻量化目的。实验结果表明：与ResNet18 方法相比,该方法针对30 个目标信号的 个体识别率提升了约3.8%,模型大小降低了13 倍,能较好地解决模型压缩与识别算法性能无法平衡的问题。     

考虑区间不确定性的某弹丸提升装置参数优化

针对某自动装填系统弹丸提升装置在使用过程中出现的性能下降问题,提出一种考虑区间不确定性的提升装置参数优化方法。基于动力学分析软件ADAMS建立提升装置的机电液耦合模型,将液压系统参数和摩擦系数作为区间不确定量,利用区间数序关系将构件载荷及其波动区间最小转化为确定性优化目标。采用拉丁超立方抽样(LHS)技术进行抽样仿真,基于径向基函数(RBF)神经网络方法构建了提升装置的近似模型,大大提高了优化求解效率。基于多岛遗传算法和序列二次规划法的双层嵌套优化方法求得系统的鲁棒解,仿真结果与试验结果均验证了该方法在解决自动装填系统等复杂问题中的有效性和适用性。     

基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模与预测

机枪枪管初速衰减预测是一个复杂的非线性问题。广义回归神经网络方法被广泛应用于非线性问题的建模,但其平滑因子取值对神经网络的预测性能有较大影响。采用果蝇算法对广义回归神经网络的参数进行优化选取,提出了基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模方法。基于机枪枪管初速衰减试验数据,建立在不同使用环境下随着累计射弹量的增加,以初速降为特征量的机枪枪管初速衰减预测模型,预测结果与试验结果基本一致,证实了所提方法的可行性。通过与未经优化的广义回归神经网络方法和反向传播神经网络方法建立的预测模型进行比较,其性能明显优于另外两种方法,验证了基于果蝇算法优化的广义回归神经网络方法在建立机枪枪管初速衰减模型中的有效性。     

Quantitative Testing of Defect for Gun Barrels

The magnetic flux leakage （MFL） method is commonly used in the nondestructive evaluation （NDE） of gun barrels. The key point of MFL testing is to estimate the crack geometry parameters based on the measured signal. The analysis of magnetic leakage fields can be obtained by solving Maxwell＇s equations using finite element method （FEM）. The radial component of magnetic flux density is measured in MFL testing. The peak-peak value, the separation distance between positive and negative peaks of signal and the lift-off value of Hall-sensor are used as the main features of every sample. This paper establishes the multi-regression equations related to the width （the depth） of crack and the main characteristic values. The regression model is tested by use of the magnetic leakage data. The experimental results indicate that the regression equations can accurately predict the 2-D defect geometry parameters and the MFL quantitative testing can be achieved.