射频信号在超声检测缺陷识别中的应用研究

针对工业超声检测过程中缺陷难以准确定性的问题，基于射频回波对缺陷分类中的信号处理等方法进行了研究。分析了射频和检波信号的特点，在对所采集的缺陷信号进行处理的基础上，利用类内、类间距离和可分性测度比较了两类信号的类别可分性，同时采用ＢＰ神经网络和ＲＢＦ神经网络作为分类器，对缺陷信号的小波均方幅值特征进行了学习和识别研究     

应用集成神经网络识别超声检测缺陷

超声检测缺陷识别一直是无损检测领域研究的热点。提出采用小波包分析方法来提取缺陷的故障特征,应用集成神经网络对缺陷进行识别。实验表明,集成神经网络的识别效果明显优于单神经网络,该方法为缺陷模式分类问题的解决提供了一条有效途径。     

基于S变换与PNN的电能质量多扰动检测

针对电能质量检测与分类需求,提出了一种基于S变换与概率神经网络的电能质量扰动检测和分类方法,应用S变换对电能质量扰动样本信号进行时频分析,提取信号的特征量,利用获得的特征量训练概率神经网络,并进行分类.仿真实验证明基于S变换与概率神经网络融合的电能质量多扰动分类方法训练速度快、分类准确度高,在训练样本数少、噪声影响大和多扰动信号并存时分类识别效果好.在此基础上研制了基于虚拟仪器的电能质量扰动检测系统,给出了系统构成与工作流程,现场试验验证了系统的准确性.     

基于调频激励和细化谱分析的多频涡流检测技术研究

常规多频涡流检测技术在谱分析时,一般采用多个频率的正弦信号同时工作,其激励信号峰值因数较大且检测信号频谱为离散谱.文中提出了一种基于调频信号激励和检测信号细化谱分析的多频涡流检测技术,它不仅降低了激励信号峰值因数,而且检测信号频谱为连续谱.对检测信号施加Tukey窗函数改善谱图,采用Chirp-Z变换计算检测信号频谱,提高谱图的频率分辨率.定义谱图能量、谱图重心、谱图峰度和谱图偏度4个特征量应用于缺陷识别和分类.对于内部缺陷,采用谱图差峰值频率点,定量检测内部缺陷的位置.理论分析和实验结果相一致,验证了所采用方法的正确性.     

小波神经网络在摩擦焊缺陷识别中的应用

针对摩擦焊接头超声检测信号,介绍了一种用于信号分类的小波神经网络结构及其学习算法,用小波包分析工具提取信号特征作为网络输入,实现了宏观焊接缺陷和微观焊接缺陷的分类识别.实验结果表明,较BP网络小波神经网络获得良好的识别结果.     

超声缺陷回波信号的小波包降噪及特征提取

根据非稳态超声检测信号的特点，将小波包变换用于缺陷信号的降噪及特征提取问题的研究，并利用类别可分性判据和RBF神经网络分别对特征值提取结果进行评价。引入了平均阈值的概念，在此基础上研究了小波包降噪效果。提出了以选取小波包分解频带的能量作为缺陷信号特征值的方法。实际焊接缺陷的实验结果表明，小波包降噪效果明显；在特征数据得以压缩的同时，分类的可分性较高。     

超声波检测中缺陷的智能识别

为了实现超声检测对缺陷的智能识别,引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解,提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络,该网络使用Levenberg—Marquardt算法。实验分析表明,小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。     

管道腐蚀缺陷超声信号的PSO-SVM模式识别研究

针对金属管道腐蚀问题,提出了一种基于支持向量机(Support vector machine,SVM)与粒子群优化(Particle swarm optimization,PSO)相结合的管道腐蚀缺陷的分类方法。对预处理后的超声缺陷信号进行经验模态分解(Empirical mode decomposition, EMD),提取相应的时域无量纲参数作为特征向量;建立SVM缺陷分类模型,并采用PSO算法优化SVM参数,提高模型的缺陷分类准确率。实验证明,该方法建立的模型针对不同深度的超声缺陷信号的识别率达到87.5%,优于相同试验样本下BP神经网络和RBF神经网络的分类准确率。     

对偶树复小波分析及其在楔横轧轧件缺陷检测中的应用

针对轧件内部微小缺陷可能出现漏检的现象,提出一种基于对偶树复小波变换（DT-CWT）的超声信号检测方法;通过构造新的对偶树复小波,并利用对偶树复小波的平移不变性,改进现有的基于常规离散正交小波变换的超声回波信号处理方法。试验结果证实了该方法的优点和有效性。     

炭素制品缺陷X射线自动检测关键技术的研究

以炭素制品X射线检测图像为对象,对其关键技术进行了研究。设计了目标边界提取算法和基于小波变换的图像增强算法等预处理方法。采用数学形态学和迭代阈值分割相结合的方法进行缺陷提取,取得了良好的效果。制定了一套用于特征描述的参数,设计了基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行了模式分类。实验结果表明,本文提出的方法比较有效,可以用于实际缺陷的自动提取与识别。     

Investigation of deep neural network with drop out for ultrasonic flaw classification in weldments

Ultrasonic signal classification of defects in weldment, in automatic fashion, is an active area of research and many pattern recognition approaches have been developed to classify ultrasonic signals correctly. However, most of the developed algorithms depend on some statistical or signal processing techniques to extract the suitable features for them. In this work, data driven approaches are used to train the neural network for defect classification without extracting any feature from ultrasonic signals. Firstly, the performance of single hidden layer neural network was evaluated as almost all the prior works have applied it for classification then its performance was compared with deep neural network with drop out regularization. The results demonstrate that given deep neural network architecture is more robust and the network can classify defects with high accuracy without extracting any feature from ultrasonic signals.     

超声检测缺陷分类中信号处理方法的探讨

根据检波信号与射频信号所含信息量的不同，针对超声检测缺陷回波中的这两种信号进行了实验分析：用典型的金属缺陷信号来做比较，把同时采集到的两类信号分别进行特征提取，并用“类别可分性判剧”做定量对比；分别用BP网络和RBF网络对检波信号提取的特征值为依据进行缺陷分类，来比较这两种网络的性能差异。最后实验表明；基于射频和检测输出的缺陷信号，其可分性指标之间的差别并不明显；RBF网络比BP网络具有更快的学习速度，同时能够有效的提高分类器的泛化分类准确率。     

A hybrid signal pre-processing approach in processing ultrasonic signals with noise

Ultrasonic techniques have the potential to be used to detect sub-surface defects in aluminium castings. However, ultrasonic sensing techniques have not been successfully used to detect sub-surface defects in aluminium die castings with rough surfaces or in the ‘as-cast’ state due to the poor quality of signals. Ultrasonic signal noise caused by rough surfaces and grain size variations of the castings is difficult to eliminate. Hence, there is a need to process noisy ultrasonic signals to identify defects within the rough surface castings. This paper documents an investigation of ultrasonic signal analysis using artificial neural networks and hybrid signal pre-processing approaches for the purpose of detecting defects from noisy ultrasonic signals. In this investigation, ultrasonic signals were obtained from aluminium castings with different levels of surface roughness. The signals were first pre-processed using hybrid signal analysis techniques and then classified using an artificial neural network classifier. The hybrid pre-processing techniques utilised various combinations of fast Fourier transform (FFT), wavelet transform (WT) and principal component analysis. The best signal classification performance was generally achieved with a hybrid WT/FFT signal pre-processing technique.     

小波分析和神经网络在社区健康监护系统中的应用

针对监护对象状态难判定问题,对小波分析和神经网络相结合的方法判定、预测监护对象所处状态进行了研究,并实现自动报警,以便医护人员做出更准确的诊断决策.采用串联方法将两者相结合,用小波分析对用户的多生理参数进行预处理并提取特征值,然后将处理后的信号作为神经网络的输入向量,状态信息作为输出,实现监护对象状态判定及预测.     

On-line fan blade damage detection using neural networks

This paper presents a methodology for monitoring the on-line condition of axial-flow fan blades with the use of neural networks. In developing this methodology, the first stage was to utilise neural networks trained on features extracted from on-line blade vibration signals measured on an experimental test structure. Results from a stationary experimental modal analysis of the structure were used for identifying global blade mode shapes and their corresponding frequencies. These in turn were used to assist in identifying vibration-related features suitable for neural network training. The features were extracted from on-line blade vibration and strain signals which were measured using a number of sensors.The second stage in the development of the methodology entails utilising neural networks trained on numerical Frequency Response Function (FRF) features obtained from a Finite Element Model (FEM) of the test structure. Frequency domain features obtained from on-line experimental measurements were used to normalise the numerical FRF features prior to neural network training. Following training, the networks were tested using experimental frequency domain features. This approach makes it unnecessary to damage the structure in order to train the neural networks.The paper shows that it is possible to classify damage for several fan blades by using neural networks with on-line vibration measurements from sensors not necessarily installed on the damaged blades themselves. The significance of this is that it proves the possibility to perform on-line fan blade damage classification using less than one sensor per blade. Even more significant is the demonstration that an on-line damage detection system for a fan can be developed without having to damage the actual structure.     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于特征降维和神经网络的电能表内异物声音自动识别

电能表是国家强制检定的电能计量工具,其计量的精确性影响着千家万户的利益。传统的人工检测方式不仅效率低而且检测结果不稳定。随着声学检测技术的日趋成熟,采用声学检测的方式来检测电能表内的异物已成为实现工厂自动化的大势所趋。针对现有半自动的人工检测电能表异物方式,提出一种基于特征降维和神经网络的电能表内的异物声音自动识别方法。该方法充分利用声音的时、频域特征系数和倒谱系数,先对声音信号进行通道转换、预处理和数字降噪,再对声音信号进行时、频域和倒谱分析,并同时提取其短时特征系数及改进后MFCC系数。将声音特征通过PCA降维后输入基于Adaboost算法聚类后BP神经网络分类识别,并与传统的BP神经网络分类进行比较,证明了该方法的有效性。这里给出了电能表异物自动识别技术实现的具体步骤,并通过MATLAB仿真实验证明了该方法的有效性,BP神经网络的平均识别率较高,可达到95%以上,并且计算复杂度小易于实现。     

基于形态特征判别超声图像中乳腺肿瘤的良恶性

乳腺肿瘤超声图像的形态特征对判别肿瘤的良恶性具有重要的价值。为提高乳腺肿瘤超声诊断的准确率,提出一种基于其形态特征进行分类判别的计算机辅助诊断系统。该系统首先采用灰度阈值分割和动态规划相结合的方法提取超声图像中乳腺肿瘤的边缘,然后对所得边缘计算相应的三种形态参数,最后分别采用Fisher线性判据、误差反向传播神经网络和径向基函数神经网络对形态参数进行分类。该系统在157幅乳腺肿瘤(包括良性81例、恶性76例)超声图像上训练和测试,三种分类器均能取得较高的判别精度,其中误差反向传播神经网络和径向基函数神经网络的判别准确率、敏感性和特异性分别高达94.95 %、95.74%和94.23%。结果表明,基于乳腺肿瘤超声图像的形态特征建立的神经网络系统对肿瘤的良恶性具有较好的判别能力。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。