焊接裂纹金属磁记忆信号的神经网络识别

金属磁记忆检测技术是一种新型的利用铁磁材料内在信息对材料进行检测和评价的无损检测方法,对裂纹类缺陷进行早期检测具有潜在的优势.利用小波包分析技术,对水压试验条件下API 5L X70管线钢焊缝中有无焊接裂纹的金属磁记忆信号能量特征进行了分析,确定了焊接裂纹金属磁记忆信号的小波包能量特征,并利用其作为输入特征向量建立了BP(back propagation)神经网络,对焊缝中是否含有裂纹等缺陷进行智能识别.结果表明,利用小波包能量和神经网络技术可以较好的实现焊接裂纹的识别.     

铝合金厚壁管中热裂纹化合物填充缺陷的超声检测

空心铝合金铸锭铸造过程中若有冷却速率过大等因素,在由其热挤压成型的铝合金厚壁管的端部附近,就可能产生细长的热裂纹化合物填充缺陷。大量的生产检测实例表明,当化合物聚集颗粒平均尺寸大于50μm时,采用合适频率和折射角的斜探头可检测该类缺陷,使管材筛选变得更为便捷。     

基于BP神经网络的复合材料超声波检测缺陷类型识别

以碳纤维复合材料的分层、孔隙和疏松缺陷的超声波检测信号为研究对象，对包含缺陷信息的复合材料超声波检测信号进行小波包变换，从近似系数及细节系数提取样本的特征值。建立并训练了一种用于实现缺陷识别的BP神经网络，该网络使用Levenberg-Marquardt算法可以快速地完成对数据的处理。使用该网络可进行缺陷类型的识别。     

基于神经网络及数据融合的管道缺陷定量识别

分析了管道缺陷的特征参数与漏磁信号的关系，研究显示管道缺陷的深度和长度分别与漏磁信号的幅值和宽度呈近似线性关系。将实际漏磁信号预处理以消除传感器提离值不同带来的影响，然后用已训练好的BP神经网络进行了管道缺陷的定量识别，识别结果的误差〈10％，完全满足实际检测要求。分别用加权平均和自适应加权平均两种方法将轴向和径向漏磁信号进行信号级融合，融合后基于BP神经网络的缺陷定量识别的精度和可靠性得到了明显提高，其中加权平均法更优。     

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.     

相控阵超声数据图像处理与缺陷识别技术研究进展

图像处理和缺陷识别是PAUT自动检测的技术关键。PAUT图像处理技术可归纳为噪声去除、直通波处理、曲线拟合和图像分割,PAUT缺陷识别技术可归纳为特征提取和模式分类,本文详细介绍了国内外的相关研究成果,展望了PAUT图像分割、特征提取和缺陷分类识别的研究重点。     

核电主管道锻件心部裂纹缺陷性质分析

核电主管道锻造毛坯在中心棒套料加工过程中发现中心棒的一段出现裂纹,并伴有大量碎块。对中心棒及碎块金属进行化学成分分析、低倍、高倍检验和能谱分析,并采用Jmatpro对316LN钢平衡析出相进行了计算。结果表明,裂纹区域存在的大量条状和粒状α-Cr析出相导致局部塑性降低,变形不协调,在锻造过程中形成了裂纹。     

基于图嵌图卷积神经网络的复合材料缺陷定位

针对复合材料层合板结构缺陷的快速检测定位,提出了一种基于超声导波的复合材料缺陷检测图嵌图卷积神经网络模型(G-GCN)。G-GCN通过构建导波信号相互关系的时空特征高级表征图,由局部-全局变换构建局部图,以表征单个导波信号内的相互关系信息;再基于局部图构建全局图,表征多个导波信号之间的相互关系信息;然后利用全局图输入图卷积神经网络模型训练学习,输出相应的复合材料缺陷预测,实现极少量传感器条件下的快速精准缺陷检测与定位。最后搭建了超声导波复合材料检测试验平台,验证了G-GCN的先进性和可靠性。     

脉冲涡流技术对飞机结构内层裂纹缺陷的检测识别

如何检测老龄化飞机多层结构中的裂纹缺陷一直是无损检测领域的一个难点。脉冲涡流技术是一种可以对多层结构中缺陷进行有效检测的电磁无损检测技术。理论推导了脉冲涡流渗透深度的公式,得出适当的减小脉冲激励频率与增加占空比有利于检测深层缺陷。设计了实验系统与矩形传感器,对激励信号的频率与占空比进行了优化设计。对多层结构中的内层缺陷进行了实验,并对微弱的检测信号进行了必要的数据处理。实验结果证明脉冲涡流检测技术可以对内层裂纹缺陷进行有效的检测。脉冲涡流技术将会在航空无损检测领域发挥重大的作用。     

Approach into the use of probabilistic neural networks for automated classification of tool malfunctions in broaching

The condition of broaching tools has crucial importance for the surface quality of the machined components. If undetected, tool malfunctions such as wear, chipping and breakage of cutting teeth can result in severe damage or even scrapping expensive components, with direct implications on increasing the overall manufacturing costs. In contrast with other machining operations, broaching is characterised by non-symmetric distributions of cutting forces vs. time, making more difficult the task of recognising tool malfunctions. The paper reports on a methodology to automatically detect and classify tool malfunctions in broaching. The method was demonstrated through the use of time domain distribution of the push-off cutting force as a key sensory signal to monitor broaching tool condition when machining a nickel-based aerospace alloy. The characteristic features of the sensory signals have been extracted using in-house-developed programs and, afterwards, used to train and test a probabilistic neural network that enables automated classification of tools with fresh, worn, chipped and broken teeth. Inputting new pattern characteristics to the main categories of tool malfunctions, the system successfully classified them even when variations of signal amplitude and ranking of malfunctioned teeth occurred.     

基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法

针对卷积神经网络(CNN)应用于焊缝探伤图像识别时,目标区域占比小,局部信息冗余,激活函数小于零时出现硬饱和区导致模型对输入变化较敏感、网络参数难以训练的问题,采用超像素分割算法(SLIC)和改进的ELU激活函数构建CNN模型进行焊缝探伤图像缺陷识别. 首先,在CNN模型中使用ELU激活函数,在缓解梯度消失时对输入噪声产生更好的鲁棒性,同时,利用SLIC算法对图像像素进行像素块处理的特点,增大焊缝探伤图像中感兴趣区域的占比,降低局部冗余信息,提高模型在训练过程中的特征提取能力. 通过对焊缝探伤图像感兴趣区域提取并与所述CNN模型进行对比试验. 结果表明,该方法在焊缝探伤图像特征提取、训练耗时及识别准确率方面较传统卷积神经网络有更好的表现.     

Quality assessment for resistance spot welding based on binary image of electrode displacement signal and probabilistic neural network

To improve the efficiency of acquiring monitored features and present a reliable quality assessment method for resistance spot welding, a novel method for converting the electrode displacement signal into binary image is proposed. The probabilistic neural network is adopted to provide a probabilistic viewpoint and a deterministic classification result of weld quality when the image characteristic of displacement signal is selected as monitored features. Test results of the classifier demonstrate that it is feasible and reliable to utilise binary image of the displacement signal to evaluate weld quality. The method reserves weld quality information as much as possible and it avoids complex algorithm for extracting and selecting monitored features. At the same time, when there are small samples, the classifier can identify good or bad weld rapidly and accurately even though the weld is from abnormal welding process, such as expulsion, current shunting and small edge distance condition.     

基于BP神经网络的铝合金板料弯曲回弹控制研究

针对铝合金板料在弯曲成形后回弹的现象,分析了板料弯曲时回弹的力学原理,采用变压边力法,利用数值模拟软件对板料弯曲的回弹进行了模拟。利用BP神经网络技术对变压边力下,板料的弯曲回弹量进行了预测。通过优化后的神经网络模型,找到了最佳的弯曲成形工艺参数。与实际情况对比,预测的板料弯曲回弹量具有一定的准确性和适用性。     

基于BP神经网络的2D70铝合金本构关系模型

利用Thermecmastor-Z型热加工模拟试验机对2D70铝合金进行等温恒应变速率压缩试验,获得了不同变形温度、不同应变速率和不同真应变下的流动应力数据.结合实验数据和神经网络知识,建立了具有BP算法的人工神经网络,训练结束后的神经网络即成为2D70铝合金的一个知识基的本构关系模型.误差分析表明,该神经网络本构关系模型具有较高的精度,可用于指导2D70铝合金热加工工艺的制定,并可用于2D70铝合金热变形过程的有限元模拟.     

基于神经网络的汽车防锈铝水下搅拌摩擦焊工艺优化

以合金牌号、搅拌头旋转速度、焊接速度和轴肩下压量为输入层参数,接头效率为输出层参数,构建了汽车防锈铝水下搅拌摩擦焊工艺优化神经网络模型并进行了训练和验证,此外还对最佳工艺参数下获得的3003、5005和5052三种防锈铝水下搅拌摩擦焊接头进行X光无损检测、显微组织和拉伸性能测试。结果表明,该神经网络模型具有较强的预测能力和较高的预测精度,输出的接头效率相对预测误差为0.8%~2.6%;在最佳工艺参数下获得的3003、5005和5052三种防锈铝水下搅拌摩擦焊接头效率实测值分别为97.9%、96.5%和97.6%。     

基于卷积神经网络X射线环焊缝缺陷检测

针对工业X射线焊缝图像对比度低、缺陷模糊且相对面积较小及难以识别的问题,设计了结合卷积神经网络的识别框架。根据缺陷图像特点,设计了对应的神经网络结构、卷积模板及池化模板的大小。在分析确定神经网络结构的基础上,卷积神经网络的灵敏度和训练算法也在文中一并给出。通过实例对神经网络结构进行了有效性的验证,缺陷检测准确率达97%,误报率仅为3%。同时,对适用于卷积神经网络进行识别的X射线焊缝图像进行了分析,发现灰度直方图有效信息跨度范围在50之上的卷积神经网络可以有效识别。文中所设计的神经络对X射线焊缝缺陷图像的识别可行、有效。创新点：(1)卷积神经网络结构设定为4级6层,卷积核大小尺寸为3×3,原始图像深度为1。经过第一次卷积操作后,有4个通道;经过3×3卷积核卷积后,有3个通道能够识别缺陷,则可以初步确认疑似缺陷区域。经过第二次卷积操作后,有16个通道;再次经过3×3卷积核卷积后,可以识别出缺陷图像。(2)通过对识别成功和识别失败图像灰度直方图进行分析,当灰度图跨度低于50时,图像检测目标与背景之间的对比度相对较低,卷积神经网络中卷积层难以提取目标特征,此时神经网络的识别失效,无法判定缺陷。当局部图像灰度直方图跨度高于50时,识别目标较背景突出,图像整体对比度较高,卷积层可以提取识别目标的特征,此时的卷积神经网络对焊缝图像有较好的识别效果。     

基于BP神经网络的铝型材挤压模具优化设计

采用三层BP神经网络建立挤压模具的数学模型,利用三维刚塑性有限元模拟获得神经网络的样本信号,对神经网络模型进行训练。利用神经网络函数逼近功能,以U形铝型材在挤压工作带出口处具有最均衡的轴向挤压速度为目标,最终对U形铝型材挤压模具合理模孔位置进行了优化设计,并采用计算机模拟仿真对优化结果进行验证,表明优化结果是有效的。     

基于神经网络的TC21合金本构关系模型(英文)

本构方程是描述材料变形和有限元模拟基本信息必要的数学模型,它反映流动应力与应变、应变率和温度综合作用的高度非线性关系。基于Gleeble-1500热模拟机上进行等温压缩试验获得的实验数据,系统研究TC21钛合金的流变行为,并采用BP人工神经网络建立该合金的本构关系模型。在该模型中,输入变量为应变、应变速率和变形温度,输出变量为流动应力。与传统方法相比,利用BP人工神经网络所建立的本构关系模型能够更好地表征试验数据及描述整个变形过程。