基于经验模态分解和奇异值分解的振动声调制信号分析方法研究

针对振动声调制特征信号被强噪声淹没无法有效提取的问题,提出一种基于经验模态分解与奇异值分解相结合的振动声调制信号分析方法。先对振动声调制信号进行经验模态分解,选取imf分量,然后将imf分量进行奇异值分解降噪,得到非线性特征信号,最后对特征信号进行Kolmogorov熵计算。将该算法应用于实际碳纤维复合材料的检测,利用Kolmogorov熵进行损伤评估。该方法成功提取了特征信号,实现了损伤诊断和定量评估,而且具有较强的自适应能力。     

面向软磁铁氧体去毛刺的超声波变幅杆设计

为了去除软磁铁氧体毛刺且不损伤工件,设计了一种复合高斯变幅杆。介绍了超声波去毛刺的原理。将超声波去毛刺的振动过程近似为由两根劲度系数不同的弹簧组成的质点弹簧系统受迫振动模型,得到毛刺断裂条件,以此计算复合高斯变幅杆的最小放大倍数,经理论计算,在满足最小放大倍数的条件下,高斯变幅杆的形状因数比指数杆高40%,大大改善应力集中问题。最后,通过有限元分析验证了上述设计过程的正确性。     

基于形态学的超声C扫描图像缺陷边缘检测

针对传统基于形态学的边缘检测算法自适应降噪能力差、计算效率低的问题,提出了一种基于边缘比率和多结构的自适应边缘检测算法,根据超声C扫描图像的边缘比率将超声C扫描图像分为3种不同复杂度的图像,针对不同复杂度的超声C扫描图像自适应选取结构元素进行边缘检测,再根据不同边缘图像的信息熵进行融合处理得到最后的边缘。实验结果表明：该算法有效抑制噪声的干扰,且较好地保持图像边缘细节,提高了超声C扫描图像缺陷边缘检测的效率和准确率。