基于优化变分模态分解的磁瓦内部缺陷检测

针对磁瓦内部缺陷声振检测存在的信号处理和特征识别问题,提出结合变分模态分解（VMD）、粒子群优化（PSO）和随机森林（RF）的信号分析方法. 该方法以模态能量和相邻模态中心频率差值构建代表VMD处理性能的适应度函数,其中以VMD的分解层数和惩罚因子2个参数作为该适应度函数的变量;通过PSO在VMD参数选择空间中搜索该函数的最小值以执行VMD的参数优化,最小值所对应的参数设置即为VMD的最优参数;利用得到的参数实现信号的最优VMD分解并通过计算模态分量的能量来筛选特征模态,从中提取过零率、谱质心和最大峰值频点以联合反映磁瓦内部缺陷的特征信息;经RF分类器对这些特征进行识别进而对内部缺陷的存在情况做出判断. 实验证明所提出的方法能够准确、高效地实现不同类型磁瓦的内部缺陷检测.     

基于卷积神经网络和声振图像的磁瓦内部缺陷检测

磁瓦作为永磁电机中的关键部件,其产品质量易受到内部缺陷的影响而下降。然而传统的声振检测手段在面对快速、精准的检测需求下已暴露出一些低效率的问题,因此开发一种针对磁瓦内部缺陷的高效智能化检测方法具有重要的现实意义。文中结合深度学习的优势,提出了一种基于卷积神经网络的磁瓦内部缺陷声振检测方法。在该方法中,磁瓦的一维声振信号首先被转换为二维声振图像,再输入针对信号特点所设计的卷积神经网络进行学习训练,以完成从声振图像中自主学习和提取能区分内部缺陷有无的信号特征,最后由softmax完成对应特征的识别。4类磁瓦样本的检测实验结果表明,提出的方法可实现准确率为99.38%的磁瓦内部缺陷检测,单片磁瓦的检测时间低于0.031 s,模型具有良好的鲁棒性。