焊接裂纹金属磁记忆信号的特征提取与应用

金属磁记忆检测技术是一种新兴的对铁磁性材料进行早期损伤诊断的无损检测方法.通过对焊接裂纹磁记忆信号的小波能量谱特征进行研究表明,与无裂纹时相比,含有焊接裂纹信息的金属磁记忆信号,其尺度-小波能量谱的分布范围广,能量水平高,且能量达到峰值以后,呈指数规律下降,据此可以判定被测试件中是否含有裂纹缺陷;其空间-小波能量集中程度较无裂纹时高,而能量集中的位置恰好就是焊接裂纹存在的位置.     

油气管道焊接裂纹金属磁记忆定量化分析系统

金属磁记忆检测技术是一种新型的无损检测方法,在焊接裂纹的检测和监测方面具有独特的优势.在提取焊接裂纹金属磁记忆信号特征的基础上,建立了用于焊接裂纹定量化分析识别的BP神经网络,利用Visual Basic和Matlab混合编程技术建立了焊接裂纹的金属磁记忆定量化分析软件.     

基于金属磁记忆法的焊接缺陷特征值提取

研究了磁记忆检测技术在焊缝检测中的应用情况。采集了有缺陷和无缺陷试件分别在无应力作用下和加载后的磁记忆信号,并进行对比分析。以小波包变换为理论基础,对磁记忆信号进行小波包分解和小波包能量谱特征分析。试验证明,采用磁记忆信号的能量集中位置来判断缺陷的区域是可行的。     

磁记忆技术在焊缝缺陷检测中的量化研究

为解决磁记忆技术不能定量分析焊缝缺陷的问题,本文针对Q345R钢焊板试件,测取了沿焊缝方向和垂直焊缝方向的2种磁记忆信号,分析焊缝裂纹长度与深度对磁记忆信号的影响,建立焊缝裂纹尺寸与磁记忆信号间的量化关系。探索并提出了利用组合测量路线进行焊缝裂纹量化识别的新途径。结果说明,2条测量路线检测得到的磁记忆信号均存在明显的焊缝裂纹定位特征,但单独1条测量路线的磁记忆信号是不能反映裂纹的全部尺寸信息的,需综合沿焊缝方向和垂直焊缝方向磁记忆信号进行焊缝裂纹尺寸的量化识别。此外,本文还用BP神经网络方法对此课题进行了深入研究,结果表明BP神经网络可以实现焊缝裂纹尺寸的量化评价。     

基于小波分析的油气管道缺陷磁记忆检测研究

金属磁记忆检测技术是目前唯一能对铁磁性构件早期损伤进行诊断的无损检测手段,能检测识别油气管道早期损伤以及以应力集中为特征的裂纹缺陷。小波分析由于具有良好的时频局部性,能很好地克服傅里叶变换的不足,得到广泛的应用。针对目前金属磁记忆检测技术以过零点作为缺陷判定准则存在的不足,利用小波尺度谱和再分配的尺度谱对磁记忆信号进行分析。试验结果表明,小波再分配尺度谱能有效应用于管道缺陷的磁记忆检测之中。     

基于微分方法的焊接裂纹金属磁记忆特征研究

针对金属磁记忆检测技术的瓶颈问题,以X70钢为研究对象,通过对预制焊接裂纹一阶微分处理后的金属磁记忆信号进行分析,可区别焊接裂纹引起的应力集中与其它缺口效应引起的应力,并可确定焊接裂纹存在的定位信号特征.现场检测表明,利用一阶微分处理后的磁记忆信号定位特征,可准确地对焊接裂纹进行检测.     

金属磁记忆检测信号的二维谱熵特征

金属磁记忆检测技术是能够对焊接裂纹进行早期诊断的最具有潜力的无损检测方法之一.以X70管线钢为主要研究对象,研究了其拉伸条件下金属磁记忆检测信号的二维特征谱熵分布规律,通过支持向量机模型,可以实现幅值谱熵和重心频率确定点的位置的分类,结合检测实例,得到了对焊缝中应力集中状态的诊断方法.结果表明,通过磁记忆信号二维特征谱熵的分布可以诊断出材料内部的应力集中状态,从而为利用金属磁记忆检测技术对裂纹萌生状态的诊断提供了依据.     

磁记忆检测技术对焊缝强度匹配检测研究

为快速准确检测钢材焊缝质量的力学性能,结合磁记忆检测机理,试验探索了磁记忆检测技术对焊缝质量强度匹配的检测方法。对不同材料焊接试件进行拉伸试验、磁信号测量和射线检测分析,研究了拉伸过程中磁记忆信号变化规律与焊件不同材料强度匹配之间的关系。结果表明,不同材料匹配的良好焊接构件具有不同的力学性能和磁记忆特征,匹配状况、力学性能和磁记忆信号特征具有内在的联系,其焊接强度和断裂位置与材料匹配状况有关。依据金属磁记忆检测技术的基本原理,以焊接强度为宏观特征,采用不同应力作用下的磁信号梯度信息和平均磁信号信息为检测参量,运用双参数信息融合技术,可以有效判断焊缝构件的强度匹配问题。     

承压构件缺陷磁记忆检测信号的量化分析

将金属磁记忆检测技术应用于含埋藏缺陷承压构件的检测中,将承压构件简化为平板结构,对平板试件进行单向拉伸的有限元模拟试验,分析了不同裂纹尺寸和载荷对检测信号的影响以及构件焊缝缺陷磁记忆信号的变化规律,得到了磁记忆信号特征参数与缺陷的关系。结合磁记忆检测试验,对磁记忆信号特征参数与缺陷参数、加载结果进行了量化分析。试验结果表明,磁记忆信号可以对承压构件缺陷进行有效表征,并可以对裂纹扩展趋势进行预测。研究为金属磁记忆检测技术在承压构件检测中的应用提供了理论支持。     

基于超声相控阵对焊缝缺陷的检测研究

为了解决超声相控阵检测过程中人为造成的缺陷误判及达到对缺陷准确分类的结果,首先对风电塔筒Q345E焊接试板内部预制人工缺陷-气孔、夹杂及裂纹;然后用超声相控阵设备对预制的三种缺陷分别进行检测,提取超声相控阵检测A扫数据。结合超声相控阵信号、小波包自适应分析信号的特点和不同小波基对采集信号的处理效果,选取dB10小波为最优小波基,提取缺陷"频率-能量"特征。最后利用小波包分解的第三层各个节点的缺陷特征能量比例作为BP神经网络输入参数,其缺陷分类结果的精度可达到90%。研究结果表明:以上方法对于Q345E焊接缺陷区分度明显,神经网络分类效果较好。     

基于小波神经网络的液压泵故障类型识别

根据液压泵发生故障所表现出来的特征,采用小波包能量值提取的办法作为故障类型识别的特征量,采用BP神经网络对输入的特征量进行识别。实验结果表明:采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。     

基于小波包变换预处理的铝电解槽针振信息元分析与诊断

简述了小波包变换的基本原理及利用小波包对电压信号进行分解的方法。针对铝电解槽电压波动信号的频谱特点。采用小波包分析方法提取了电压信号的特征向量。将信号分解到8个频段内。进行预处理得到频段能量特征向量。应用BP神经网络建立了特征向量到振针信息元之间的映射。仿真结果表明，小波包分析能够有效地将隐藏在正常电压信号之中的早期弱故障信号提取出来，从而发现槽子的早期不良症状。     

微间隙焊缝磁光检测神经网络修正

针对激光焊接微间隙焊缝（间隙小于0.1 mm）,研究提高磁光传感检测焊缝精度的BP神经网络修正方法.以碳钢平板对接激光焊为试验对象,利用磁光传感器检测焊缝区域磁场分布并成像.通过分析焊缝处磁场成像并应用BP神经网络修正磁光传感器得到焊缝中心数据,有效避免焊缝磁光图像低对比度和强噪声干扰问题.经过在不同焊接速度试验下的测试,四组神经网络试验的焊缝位置误差的绝对平均值都在0.015 mm左右,BP神经网络测量误差比磁光成像直接测量平均减少约28%.BP神经网络修正磁光成像测量技术可有效识别微间隙焊缝,为解决激光焊接微间隙焊缝过程自动识别和跟踪焊缝的难题提供了一种新方法.     

基于小波分解和BP神经网络的磁巴克豪森噪声信号分层分析研究

因小波变换具有多尺度分析的特点,在时频两域都有表征信号局部特征的能力,因此采用小波分解方法研究了不同时频成分的磁巴克豪森（MBN）信号随温度和应力变化的灵敏度问题。采用db5小波对MBN信号进行6层小波分解,提取各层分解系数的均值和均方根,并讨论分析了各特征值随所加应力以及温度变化的相对变化关系。研究表明,在试样的弹性范围内,低频系数和各层高频系数的均值和均方根都随压应力的增加而减小;各层高频系数的均值和均方根随温度的升高而降低,低频系数的均值和均方根随温度的升高而升高。最后将温度、原始MBN信号以及各分解系数的均值和均方根作为神经网络的输入,压应力作为其输出建立神经网络模型,结果表明该神经网络模型与之前没有用小波分解时的神经网络模型相比,检测应力的准确性更高。     

基于遗传小波神经网络MIG焊熔透状态模式识别

通过对已有的人工神经网络、小波分析、遗传算法的建模方法进行组合利用并加以改进,建立了基于电弧声信号特征的MIG焊熔透状态诊断网络模型.声波信号经小波去噪和小波包频带能量特征提取后,作为小波神经网络模型的输入特征向量,网络训练中采用具有全局优化能力的遗传算法动态修改网络结构和参数,避免了神经网络训练速度慢、容易陷入局部极值的缺点,从而完成数据挖掘和复杂的非线性建模功能.结果表明,将网络模型用于熔透状态诊断,证实了方案的可行性和有效性.     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于神经网络的铝合金裂纹缺陷识别

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。