基于DR的封头电子束焊缝缺陷自动识别方法研究

在现有的DR焊缝缺陷自动识别方法中,一般都是通过大数据分析缺陷特征得出缺陷模型,而此类方法在样本数目不够的情况下误判率很高。为解决此类问题,提出了一种DR图像本体比较自动识别新方法。首先对检测原始图像进行预处理使图像满足评片要求。其次截取焊缝区域图像进行处理,放大缺陷特征,再将图像灰度化处理并滤波,利用三西格玛准则对缺陷位置进行判定,并可根据缺陷位置像素点得出缺陷面积。检测结果表明焊缝区域DR图像经图像处理及滤波后能放大缺陷特征,可以实现对封头电子束焊缝X射线DR图像的缺陷自动识别,最小可发现直径在0.4mm的气孔及宽度在0.2mm的裂纹缺陷,为此类电子束焊DR检测提供了图像缺陷自动识别的解决方案。     

基于敏感特征评估的退火窑辊道轴承故障诊断方法

针对玻璃生产线退火窑辊道轴承振动信号存在强噪声污染,故障诊断准确率低,效率差等问题,提出了一种基于灰关联熵分析和敏感特征评估的辊道轴承故障智能诊断方法。首先,将原故障信号用经验模态分解为多个IMF分量,采用灰关联熵分析法筛选IMF分量并进行小波阈值降噪,重构故障信号。其次,选择时域和频域特征,定义基于故障特征类间、类内距离的敏感特征评估因子,筛选出敏感特征集。最后,使用RBF神经网络对故障特征集进行识别。滚动轴承故障测试实验结果表明,该方法能够有效提升故障轴承振动信号的信噪比,并评估筛选出敏感特征,从而实现对滚动轴承的智能诊断。     

滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

基于多源数据融合的掘进机截割岩壁硬度识别方法

针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。该方法首先对各类信号进行小波包分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再利用LDA算法实现数据特征级融合,得到类可分性更好的低维特征。为解决概率神经网络(PNN)平滑参数无法确定和网络结构复杂的问题,提出了基于差分进化算法(DE)和QR分解的PNN优化方法,并通过优化PNN对低维特征进行硬度识别。实验结果表明:所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化PNN在掘进机三种工况下均有更高的硬度识别准确率。     

奥氏体厚壁焊缝超声扫描检测成像

采用自行研制的超声换能器和透声楔块,对99mm厚奥氏体焊缝进行了超声扫描成像检测。为消除透声楔块中超声的散射噪声,将检测信号与楔块中的信号进行了相消处理。利用基于匹配追踪和小波分析的信号处理方法,有效消除了焊缝中粗大晶粒造成的材料噪声信号,提高了厚壁焊缝超声检测的信噪比。基于经过信号预处理的超声扫描信号,生成了焊缝的超声扫描图像,并对图像分辨率、缺陷定位精度进行了分析。结果表明:该方法可检测到焊缝试块中2人工横孔,实现了奥氏体厚壁焊缝缺陷的超声检测成像。     

ERW管焊缝缺陷漏磁检测方法可行性分析

介绍了现有由轴向磁化和周向磁化检测技术组合构成的相对螺旋扫查式钢管漏磁检测方法,分析了该方法对ERW管焊缝缺陷检测的困难所在:相对螺旋扫查方式所形成的周期性焊缝信号掩盖了其上的缺陷信号,并且在漏磁叠加场的根源上难以区分.针对此问题,提出一种单一轴向磁化下的轴向直线扫查式ERW管焊缝漏磁检测方法,并通过实验和有限元法对其可行性进行了论证分析,在发现单一轴向磁化下钢管纵向伤可形成漏磁场并被观察出的基础上,对ERW管焊缝上最难以检出的人工纵向伤进行检测试验,最终表明:ERW管焊缝缺陷在单一轴向磁化下的漏磁检测方法具有可行性.     

基于Wigner-Ville分布的焊缝特征导波信号分析方法

超声导波信号的波形具有多模态、波包混叠严重的问题,因此寻找有效的信号分析和模态识别方法成为超声导波焊缝检测技术中的重要研究内容。利用时-频分析方法中的Wigner-Ville分布及其改进方法对实验获得的焊缝特征导波回波信号进行处理,分析各波包对应的导波模态,有效识别缺陷回波信号,提取焊缝的结构和缺陷信息,实现模态分离和缺陷识别。分析结果与焊缝的实际结构和尺寸参数相吻合,该分析方法可为焊缝特征导波信号的分析处理提供现实依据。     

焊缝余高引起的一种超声检测回波信号的正确辨识

焊缝余高引起的非缺陷回波信号可能会出现在一次波声程以内,影响对缺陷回波信号的正确辨识.分析了一个可疑的回波信号,总结了一种正确辨识缺陷回波信号的方法.结果表明:该焊缝中的反射回波为非主声束轴线入射到内焊缝焊角上的反射回波,而非缺陷回波.当检测过程判断缺陷的信息量少时,发现可疑缺陷后,应首先对回波信息进行正确定位,不能确...     

基于冲击回波的原木内部空洞位置检测方法研究

为了沿原木轴向快速检测内部空洞位置,提出一种基于原木应力波信号分解的冲击回波法。首先对原木内部采集的应力波信号进行集合经验模态(EEMD)分解,然后基于时域特征和分量相关系数相结合的方法找出对空洞敏感的固有模态函数(IMF)分量,最后对该固有模态函数进行傅里叶变换,根据频域特征实现原木内部空洞径向缺陷定位。实验结果表明,该方法能够较准确的对原木内部空洞进行定位。     

基于经验模态分解和相关系数对玻璃纤维增强聚合物复合材料板的损伤识别及扫查成像

针对外界环境噪声等因素造成损伤因子不敏感，导致复合材料损伤识别困难和成像误差大等问题，提出了一种基于经验模态分解（Empirical mode decomposition, EMD）和相关系数的损伤因子。用空气耦合探头采集损伤前后的Lamb波信号进行EMD分解获取多个本征模态分量（Intrinsic mode function, IMF）。根据相关系数获取与信号相关性最大的IMF分量，并定义其能量值的相对变化为损伤因子。在模拟噪声环境前后，分别对玻璃纤维增强聚合物复合材料（GFRP）板中的分层缺陷进行识别和扫查成像，验证了该损伤因子的有效性。结果表明:信号经过EMD分解后，与其相关性最大的IMF分量对损伤最敏感，能够定义为识别损伤的损伤因子。将该损伤因子结合概率成像方法进行空耦Lamb波扫查，不仅能够有效对复合材料中的缺陷进行成像，而且在模拟强噪声环境中具有良好的抗噪性。      

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

基于变分模式分解的行星齿轮箱齿轮组合故障频率解调分析

行星齿轮箱组合故障振动信号具有多源调制特点,在频域内边带结构复杂,通过常规Fourier频谱分析难以有效提取故障特征;组合故障振动信号的调频部分包含故障信息,且不受传递路径影响。为了准确提取行星齿轮箱组合故障特征,提出基于变分模式分解的频率解调分析方法。根据采样频率和载波频率确定单分量个数,通过变分模式分解将多分量信号自适应地分解为一系列本质模式函数;计算本质模式函数的瞬时频率,根据中心频率和啮合频率的匹配关系选取敏感单分量;通过分析敏感单分量瞬时频率频谱诊断组合故障。通过仿真信号和实验信号分析验证了方法的有效性,诊断了太阳轮与行星轮、太阳轮与齿圈、行星轮与齿圈的组合故障。     

海洋平台油气管道疲劳裂纹AE信号特征提取及识别研究

为了将声发射(AE)技术实际应用到监测海洋平台油气管道疲劳裂纹中,需要解决管道振动干扰以及疲劳裂纹AE信号有效特征提取的问题,而问题的关键在于对管道结构疲劳裂纹AE信号特征提取及识别算法的研究。在已有研究的基础上,提出了一种基于经验模态分解(EMD)为特征提取的疲劳裂纹识别方法,将管道振动干扰问题和疲劳裂纹AE信号有效特征提取问题联系在一起,对特征元素进行优化并剔除无效噪声干扰信息,通过概率神经网络(PNN)对疲劳裂纹信号进行识别。试验结果表明,PNN结合基于EMD为特征提取的疲劳裂纹识别法能够取得良好的效果,为声发射技术监测海洋平台油气管道疲劳裂纹提供了试验和理论依据。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

基于增强的低对比度印品缺陷的识别技术研究

目的 针对当前印刷缺陷检测系统中存在的低对比度印刷缺陷检测精度不高等问题,基于HSV颜色空间,提出一种增强的低对比度印刷缺陷识别方法。方法 首先,将标准样张图像与采集到的印刷图像由RGB颜色空间转换到HSV颜色空间,并提取视觉上变化敏感的亮度分量V作为待检测对象;其次,将对比度受限的局部直方图均衡（CLAHE）与数学形态学相结合,来增强显现待检测图像中的缺陷;再次,使用连通域分析方法来获取缺陷的面积、周长、离心率、长宽比和圆形度等5种特征信息,并以此建立15个特征模型;最后,构建基于PNN的印刷缺陷识别神经网络,并在Matlab中实现对低对比度印刷缺陷的识别。结果 15个模型的平均耗时为475 ms,都控制在毫秒级别,满足了现代印刷缺陷检测对于实时性的要求。其中模型2的测试正确率为95%,能够识别污点等点缺陷,模型3和模型12的测试正确率为93%和93.3%,能够识别刮痕等线缺陷,模型5的测试正确率为93.1%,能够识别墨迹等面缺陷,且测试正确率高于基于BP神经网络的缺陷识别方法。结论 从缺陷检测的实时性和精确性上来讲,提出的方法能够对低对比度印刷缺陷进行实时和精确的检测。     

电阻点焊质量Hopfield神经网络在线评估方法

目的 电阻点焊广泛应用于汽车、家电等领域,但目前少有准确的无损质量评价方法。为此,研究一种基于低碳钢板焊接功率信号的焊接质量在线评估方法,并探索利用该信号来评价电阻点焊焊点质量的可能性。方法 对焊接电流、电压信号进行测量和分析,研究功率信号表征焊接质量的可靠性,提出一种有效的模式特征提取方法,将动态功率信号转换为二值图像并用二值矩阵表征,该方法避免特征提取和选择,且尽可能保留焊点质量信息。通过拉剪试验将焊接样本分为6种不同的焊接等级,利用Hopfield关联记忆神经网络建立焊接质量分类器,将具有不同焊接质量水平的焊接样本模式特征矩阵记忆为稳定状态。结果 将焊接样本的模式特征矩阵输入分类器,通过Hopfield网络关联记忆将其收敛到最相似的稳定状态,最终锁定了稳定状态对应的焊接质量。60个测试样本中59个样本都可以被正确分类,该分类器的分类准确率达到98%。结论 分类性能试验结果表明,所提出的模式特征提取方法快速、有效,并能可靠地在线评估低碳钢板的焊接质量。     

基于小波变换的轧机振动信号降噪技术研究

由于轧机振动信号受到强烈的噪声干扰,给故障特征的有效识别和准确提取带来很大困难。直接采用频域分析方法诊断早期故障的收效甚微。利用小波分析的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解后的单层重构可以将噪声与可用信号进行成功分离;根据预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的。对于现场采集的轧机振动信号,多种方式的消噪结果表明,含有故障特征的低频信息被成功提取。     

基于声发射信号EMD-WPD特征融合的航天器在轨泄漏辨识方法

长期运行在空间环境中的航天器可能由于撞击、振动、老化等因素而发生气体泄漏,在轨泄漏辨识对航天器安全保障具有重要意义.提出了一种基于声发射信号经验模态分解(empirical mode decomposition,EMD)和小波包分解(wavelet packet decomposition,WPD)特征融合的航天器泄漏...     

基于EMD多尺度威布尔分布与HMM的轴承性能退化评估方法

轴承作为旋转机械中的重要部件,对其性能退化状态进行准确评估是开展预测性维护的重要前提.针对现有性能退化指标在鲁棒性和敏感性上的不足,提出一种基于多尺度威布尔分布与隐马尔可夫模型(Hidden Markov model,HMM)的滚动轴承性能退化评估方法.首先,采用经验模态分解(empirical mode decomp...