信息熵在缺陷漏磁信号量化中的应用

缺陷漏磁信号的量化问题是漏磁信号研究领域中的一个重要方向.对缺陷漏磁信号进行FFT变换,根据变换后缺陷信号的幅值谱序列,对漏磁信号的信息熵进行了特征提取.利用提取的信号特征量,结合BP网络,完成了缺陷信号长度、深度的量化,量化精度分别达到了88.48%和84.17%.理论分析与试验研究证明了信息熵应用于漏磁信号量化过程...     

基于Hilbert—Huang变换的振动信号特征提取

采用Hilbert-Huang变换,提取高压齿轮泵泵壳振动信号故障特征.该方法先对信号进行EMD分析和Hilbert变换,再提取信号Hilbert谱及谱熵.Hilbert谱刻画了信号的能量随时间和频率的变化规律,而谱熵刻画了信号能量分布的复杂性.分析结果表明,提取的特征有效地刻画了故障信号,为故障模式的识别奠定了基础.     

刀具磨损切削力功率谱特征多分辨分析

根据小波变换具有多分辨分析的特点，利用小波变换对不同刀具磨损状态下的切削力信号功率谱进行分解与重构处理。获得了切削力信号功率谱在不同分辨率下的变化特征，分析了各尺度重构信号功率谱谱峰及方差随刀具磨损的变化规律，实验结果表明：采用小波分析技术可有效实现切削力信号功率谱特征信息提取，提取的信号功率谱特征对刀具磨损状态的变化十分敏感，为刀具磨损提供了有效的监测方法。     

基于小波变换的管道漏磁检测信号处理

介绍了管道漏磁检测的原理，给出了管道检测装置框图。在小波变换Mallet快速算法的基础上，结合缺陷信号的特点，对实验室模拟状况下的采集信号进行了分析和处理，有效消除了信号噪声，提取了缺陷信号的特征值。     

电磁导波检测信号瞬时特征提取研究

针对电磁导波检测信号的缺陷识别问题,首先对信号进行离散小波包分解,提取出变化明显的子频带小波包系数进行重构,然后分析该重构信号瞬时相位和幅值的特征信息,通过对比不同缺陷情况下瞬时相位和幅值的变化趋势,得到缺陷特征,完成缺陷识别.     

基于DWT-DSCNN-SVM的轴承故障诊断

在故障诊断过程中,为了更好地提取特征以及提高故障识别率,提出了一种基于离散小波变换和深度可分离神经网络算法以及SVM分类器的滚动轴承故障诊断方法。首先,模型利用离散小波变换对原始振动信号提取特征,形成多通道样本;然后对样本进行深度可分离卷积神经网络训练,最后在全连接层后接SVM分类器实现对故障信号的分类。实验所用数据来自CTU-2实验平台,故障标签共有10类。实验结果表明,相比较单一使用小波变换提取特征或者CNN卷积神经网络分类的方法,该模型的诊断效果更加优秀。     

基于时频判别特征的焊缝超声检测缺陷分类

根据超声检测信号的瞬变特性,针对焊缝检测的缺陷分类问题,提出用判别追踪算法提取缺陷信号的局部时频判别特征,并结合概率神经网络实现了焊缝超声检测信号的缺陷分类.在提取时频判别特征时,提出考虑新选原子与已选原子的相关性的判别基提取方案,以降低特征之间的冗余,使提取出的特征能更有效地鉴别不同类别的缺陷.用该方法对一电子束焊缝试块中的缺陷进行了分类,结果表明,时频判别特征适合超声信号的缺陷分类,并能有效地抑制晶粒噪声的影响,考虑判别原子间相关性后可获得更高的分类正确率.     

基于Morlet小波的超声缺陷分类识别方法研究

超声缺陷自动识别是目前无损评判领域内研究的热点。采用改进的Morlet小波对超声缺陷信号进行降噪处理,为获得更全面的缺陷特征,在建立的参数空间基础上为缺陷信号构建特征向量,将这些缺陷信号输入RBF神经网络对获得的超声检波信号进行缺陷分类。实验结果表明:小波降噪算法充分利用超声回波信号的特征信息,降噪效果明显,有利于提高缺陷分类的准确性;RBF神经网络缺陷识别法能有效提取同类别缺陷信号的共同特征,提高缺陷分类准确度。     

基于小波变换的混凝土超声探伤信号处理

将混凝土超声探伤信号的小波变换进行特征分析,提取了各级小波分解信号的谱特征,最后将这些特征输入模糊前向神经网络进行训练和分类,实验表明,这种方法具有良好的效果.     

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。     

小波变换和神经网络在漏磁缺陷信号识别中的应用

利用小波变换和RBF（Radius Basis Function）神经网络技术对漏磁检测系统中的缺陷信号进行分类。重点设计了试验系统，采集了四种缺陷信号，首先应用小波变换提取信号特征值，然后利用RBF神经网络训练，采用模糊聚类算法寻找基函数的中心，使缺陷的定性分类获得了很高的准确率。试验获得了较好的缺陷分类效果。     

Eddy current flaw characterization in tubes by neural networks and finite element modeling

For quantitative flaw characterization in steam generator tubes, inversion of eddy current testing (ECT) signals in an automated fashion is strongly desired. In this paper, we report our effort to develop a systematic approach for flaw characterization in tubes by the novel combination of neural networks and finite element modeling.Specifically, the finite element model that can predict ECT signals from axisymmetric flaws in tubes was developed, and its accuracy was verified experimentally. Using this model, an abundant synthetic database with 400 ECT signals generated from 200 axisymmetric machined grooves in four types has been constructed with two test frequencies per flaw.For the automated inversion of ECT signals, a total of 22 features have been extracted from each flaw. Then, a set of 10 features has been selected for flaw classification, while the other set of 10 features for flaw sizing. For the determination of the flaw type and the flaw size parameters, we have proposed an intelligent flaw characterization system that adopts two different paradigms of neural networks: probabilistic neural networks for flaw classification and back propagation neural networks for flaw sizing.The performance of this system has been investigated using the synthetic ECT signals in the database. The excellent performance presented here, even though it has been obtained from synthetic flaws representing machined grooves in tubes, demonstrates the high potential of this system to serve as a robust tool for practical flaw characterization in tubes.     

基于小波变换的超声信号自适应消噪方法研究

超声检测中，特定的缺陷回波信号一般都有一定的相关性，因而可利用自适应噪声抵消来增强缺陷回波信号。针对最小均方（LMS）算法自适应噪声抵消的缺点，提出了基于小波变换的自适应噪声抵消方法，通过Matlab软件将该算法应用于超声缺陷信号的仿真处理。结果表明，该算法大大提高了缺陷回波信号的信噪比，且具有较高的缺陷定位精度和纵向分辨率。     

基于小波变换的缺陷数据库网络存储技术的研究

根据交变磁场测量信号的特点,利用小波变换能表征信号突变特征这一优势,采用多分辨分析方法提取缺陷信号的特征量,并在此基础上提出了利用数据库网络存储技术保存交变磁场测量中的缺陷信息,分析了该种存储方式对信号无损压缩的原理,解决了无损检测中海量缺陷数据的保存问题,并为无损检测仪器系统的网络化提供了新途径。     

基于相关技术的超声检测信号处理

超声检测中,特定的缺陷回波与发射信号一般都具有一定相关性,因而可利用相关技术来增强缺陷回波信号。针对脉冲回波法的缺点,介绍了相关技术在超声检测中的应用原理,通过基于相关技术的超声缺陷信号处理的应用实例表明,在获得较好的运算经济性的情况下,能够把湮没在噪声中的信号提取出来,从而大大提高了缺陷信号的信噪比。     

Time frequency and wavelet transform applied to selected problems in ultrasonics NDE

In this paper, we contribute by the development of some signal processing in order to enhance the sensibility of flaw detection, to measure thin materials thickness and to characterize defects in nature (planar or volumetric). Features for discrimination of detected echos are extracted in time domain, spectral domain and discrete wavelet representation. Compact feature vector obtained is then classified by different methods: K nearest neighbour algorithm, statistical Bayesian algorithm and artificial neural network. Mallat decomposition algorithm is also developed in order to enhance flaw detectability. Finally, time frequency algorithms based on STFT, Wigner–Ville, Gabor transform are developed and applied to thickness measurements of materials with small thickness.     

疲劳断口分析的Fourier变换方法

对疲劳断口图象进行恰当的图象变换处理，可以从其丰富而复杂的图像信息中提取重要的有用特征，实现疲劳断口的定量分析，本文应用二维离散Ｆｏｕｒｉｅｒ变换对疲劳断口表面像进行分析处理后，再通过二次特征提取将二维图像分析转化为对两个一维特征波形的分析，从而有利于获得明确的有关疲劳断口的纹理特征和疲劳条纹的方向特征，研究结果表明，利用二维离散Ｆｏｕｒｉｅｒ空换在空频域上对疲劳断口图象进行分析，可以获得单纯空间     

On-line detection of the breakage of small diameter drills using current signature wavelet transform

This paper presents on-line tool breakage detection of small diameter drills by monitoring the AC servo motor current. The continuous wavelet transform was used to decompose the spindle AC servo motor current signal and the discrete wavelet transform was used to decompose the feed AC servo motor current signal in time–frequency domain. The tool breakage features were extracted from the decomposed signals. Experimental results show that the proposed monitoring system possessed an excellent on-line capability; in addition, it had a low sensitivity to change of the cutting conditions and high success rate for the detection of the breakage of small diameter drills.     

小波变换与近似熵原理在桩基检测中的应用

桩基混凝土质量评级常采用PSD多参数综合方法,但由于随机扰动的存在和混凝土本身的不连续特性,在检测过程中会混入奇异信号,导致对缺陷产生漏判或者误判。文章利用小波变换对桩基的疑似缺陷信号进行分解,同时引入近似熵定量表征信号的无序程度。结果表明缺陷信号经过小波分解后,在高频段上信号幅值衰减且波形杂乱、近似熵值大。该方法特别适合判别疑似缺陷,工程实践证明了其在桩基检测中的有效性。