基于小波分析与神经网络的混凝土缺陷超声定量检测

为了准确确定混凝土缺陷的类型、范围及大小,利用小波分析方法,将采集的超声波信号进行小波包分解,分别提取各个频率成分的信号特征,并对小波包进行分解系数重构,求出各频带信号的能量与信号总能量的比值。基于此构造的特征向量作为神经网络输入向量,再由其对信号进行缺陷的识别判断。试验表明,该方法不但对识别缺陷位置和范围效果较好,而且对识别缺陷类型也有较高精度。     

基于小波分析的点焊过程喷溅特征信息提取

研究了用小波分析方法从电极压力曲线上提取判定铝合金冲击波点焊过程发生喷溅的特征信息的方法.采用db5小波对发生喷溅焊点的电极压力曲线信号上的不规则信号突变进行了检测.结果表明,小波分解中高频部分重构信号可准确检测到电极压力曲线上信号发生突变时的位置及突变程度,也就是说能够将发生喷溅缺陷的时刻准确地表现出来.利用超过一定阈值的小波分解高频重构信号的全局最大值作为判定点焊过程发生喷溅缺陷的特征信息是准确可靠的,从而实现了将电极压力曲线上的信号特征转化为计算机容易识别的数值特征.     

基于小波包分析的超声铜-钢感应熔敷焊焊接界面缺陷特征参量提取

通过信号截取和幅值归一化对铜一钢感应熔敷焊焊接界面超声检测信号进行了预处理研究。采用Db8小波基函数对预处理后的典型缺陷波形进行了3层小波包分解,提取了典型缺陷的时域特征和频域特征;利用欧式距离公式对时域、频域及时频域3种不同的特征向量下缺陷类型的可分性进行了比较。结果表明:选择时频域特征向量作为缺陷性质判定的依据,能确保缺陷分类的准确性与可靠性。     

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

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。     

基于小波包分解的刀具磨损特征分析

为了高效准确地在线监测加工高温合金过程中的刀具磨损,有效地提取刀具磨损相关特征显得尤为重要。文章提出了基于小波包分解的刀具磨损特征提取方法,将刀具切削过程中的切削力信号在时频域下分解重构,分析了各频段重构信号能量值与刀具磨损的相关性,提取了信号分解重构后小波包系数能量值中与刀具磨损相关的两个频段信号作为刀具磨损监测的特征参数,最后通过试验结果表明,采用小波包分解方法在切削力信号中提取的切削力特征和切削振动特征可作为刀具磨损特征,从而为后续研究刀具磨损在线监测提供有效输入。     

构件裂纹缺陷的超声识别

将小波包多分辨率分析与能量谱相结合,提出了两种金属材料缺陷特征提取的方法,即能量-裂纹法和小波包-功率谱法.能量-裂纹法选取最能反映缺陷特征的能量特征向量作为特征参数,进行缺陷的识别.小波包-功率谱法需要找到小波包分解中对裂纹缺陷最敏感的结点,然后对其进行功率谱分析,从而可以很明显地区分出有无裂纹的信号以及裂纹类型.以航天发射塔架钢连接构件疲劳裂纹超声信号为例,对这两种方法进行验证,表明是行之有效的特征提取方法,为金属材料缺陷检测与识别开拓了新的思路.     

小波分析结合神经网络的桩基缺陷检测

引入一种小波分析结合神经网络的桩基检测方法,根据桩基中超声波传播的特点,利用小波分析对采集的超声波信号进行小波包分解,对分解后的信号进行归一化处理,将超声波信号矩阵化,构建表征桩基缺陷信息的特征向量;再取多组特征向量作为神经网络的训练样本,对特征向量进行训练学习,并将未诊断样本输入神经网络进行识别验证。试验数据表明,通过小波分析方法获取超声波信号特征向量并构建的神经网络可以有效识别出桩基缺陷以及缺陷类型。     

核燃料包壳管涡流检测的相位特性

为确保核燃料包壳管涡流检测的可靠性,利用涡流检测中的缺陷信号,研究了频率对检测信号幅值和相位的影响。首先根据涡流检测原理,得出包壳管的涡流密度及其与标准渗透深度的关系,然后通过试验得到包壳管的相位滞后曲线。试验结果表明,涡流检测时,结合缺陷信号的相位信息,能够较为准确地评估缺陷深度。     

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。     

基于小波包分解的航空涡轮盘超声相控阵检测图像降噪技术

针对航空涡轮盘难检区域缺陷的超声相控阵检测技术,分析了检测信号及图像特征,提出了检测信号的小波包软阈值降噪方法,并对小波阈值进行改进,最后基于降噪后的信号进行了相控阵图像重构。结果表明:缺陷特征信号几乎分布于检测信号的整个频域范围,单纯的频域滤波必然导致缺陷信号的损失;基于改进的小波包阈值,并且有针对性地选择部分分解信号进行滤波降噪,可在较好保留有用信号的同时滤除噪声信号,有效地提高了检测信号信噪比及检测图像分辨率,对于提高涡轮盘的超声相控阵检测能力具有重要作用。     

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.     

一种基于小波包和主成分分析的超声信号特征提取方法

为了有效识别不同类型的超声缺陷信号,提出了一种基于小波包分解和主成分分析(Principal Component Analysis,PCA)的信号特征提取方法。首先,提取缺陷信号小波包分解后的能量系数组成多维特征向量集;然后,使用PCA方法对多维特征向量进行降维得到融合特征量;最后,输入BP神经网络对不同类型的缺陷信号进行分类测试,并与未经PCA处理的特征量分类测试结果进行对比。试验结果证明,该特征量提取的方法能够有效地对缺陷进行分类,且测试速度明显得到提高。     

不同熔滴过渡类型电弧声小波包频带能量特征提取

利用LabVIEW虚拟仪器设计了电弧声信号采集系统,并以MIG射滴过渡和射流过渡电弧声信号作为研究对象,采用小波包分解和重构电弧声信号,提取不同频带能量特征,构造识别射滴过渡和射流过渡的特征向量。研究表明:射滴过渡和射流过渡电弧声频谱主要集中在0~7 k Hz,射滴过渡电弧声能量在低频段(0~1.5 k Hz)有较高幅值,射流过渡在高频段(2~5 k Hz)有较高幅值,射滴过渡和射流过渡电弧声信号在S_(4,0)、S_(4,2)、S_(4,3)频带能量百分比差异明显,可作为识别射滴过渡和射流过渡的特征向量。     

焊缝超声TOFD检测信号及图像降噪技术研究

超声TOFD检测信号中混入的无关噪声常导致从检测图像中难以分辨缺陷特征。本研究通过小波包分解技术分析缺陷衍射波特征信号的时、频域分布特征,采用小波包统一阈值对超声TOFD检测信号进行降噪处理,对比软、硬阈值函数对检测信号的降噪结果。研究结果表明:采用软、硬阈值对长度10 mm、深度5 mm的裂纹缺陷信号降噪,其信噪比由原始的22.88 dB分别提高至186.66、176.65 dB,对长度28 mm、深度8 mm的夹杂缺陷信号降噪,其信噪比由原始的16.62 dB分别提高至33.74、28.16 dB;基于小波包软、硬阈值去噪后信号进行图像重构可有效抑制干扰条纹并提高缺陷特征图像的分辨力,而采用软阈值法几乎完全去除了原始超声TOFD检测图像中的噪声条纹。     

改进的希尔伯特-黄变换(HHT)在多模式Lamb波检测中的应用

Lamb波的主要特点在于它的多模式和频散,在任一给定的激发频率下,至少存在两种Lamb波模式。各模式的频散特性使Lamb波检测变得非常复杂,所以,Lamb波检测的关键在于缺陷信号特征参数的提取和精确的信号解释。首先采用HHT直接对多模式Lamb波检测信号进行了分析,通过分析,得出了直接对多模式Lamb波信号进行EMD分解来得到信号的瞬时频率和瞬时幅值的方法是不适合的结论。采用改进后的HHT方法进行分析,有效消除了噪声干扰和各模式Lamb波的相互干扰,得到的信号时频集聚性较好,有利于特征参数的提取和进一步分析。针对不同大小和深度的孔型人工缺陷的检测试验,分别提取了信号瞬时幅值的峰值和瞬时频率的均值作为检测信号的特征参数进行线性回归分析,发现采用瞬时幅值的峰值作为孔型缺陷检测的特征参数比采用瞬时频率的均值这一参数要好。同时提出可采用瞬时幅值的峰值回归直线的斜率K来标定特征参数对缺陷孔径变化的敏感性,从而可对未知缺陷的大小进行预判。     

基于小波包与概率神经网络的液压泵故障模式识别

小波包具有良好的去噪效果和高频分析能力,而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号,并提取第三层各频率段的节点能量作为特征向量,将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别,证明了将该方法用在液压泵故障模式识别上,能取得良好的效果。     

基于MCKD与小波包熵的齿轮箱轴承微弱故障信号提取

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD(最大相关峭度解卷积)和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。     

基于小波分析和支持向量机的刀具故障诊断

为了有效地进行刀具状态监测,提出了一种基于小波分析和支持向量机相结合的刀具故障诊断方法。首先运用小波包对AE信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行学习训练,完成对刀具磨损状态的有效识别。仿真结果表明该方法是有效的。     

小波包-AR谱在钛合金材料声发射监测技术中的应用

鉴于钛合金材料的声各向异性和高声波衰减系数使疲劳试验过程中的声发射监测十分困难。提出了小波包与AR谱相结合对钛合金材料声发射信号进行分析的方法。即对输出信号进行小波包分解,然后分频段对信号进行重构得到包含不同频率成分的时域信号,再进行AR谱分析,从而提取出频谱特征。分析表明,该方法对利用声发射信号分析钛合金材料部件的损伤和裂纹扩展是有效的。可为钛合金部件损伤和裂纹扩展的识别提供可靠的依据。