超声检测缺陷分类的小波分析与神经网络方法.pdf

第 “卷 第期中国矿业大学学报 2 . 9/ 9 文章编号 A B A “ C D E F B “ B * 超声检测缺陷分类的 小波分析与神经网络方法 G 吴 淼AH张海燕H孙 智H刘 旭 E A ’中国矿业大学 机电工程系H北京A I J ’同济大学 声学研究所H上海 “ J ’中国矿业大学 机电工程学院H江苏 徐州 A I F 摘要根据金属超声检测中缺陷脉冲回波为非稳态信号的特点H提出了一种基于小波变换和模 式识别技术的缺陷定性分类方法’重点研究了利用小波变换提取反映缺陷性质的特征值以及运 用模式识别技术对特征值进行缺陷定性识别的方法’为验证上述方法H设计了实验系统H同时对 信号的采集K异常信号的剔除等问题进行了研究’利用实际焊接试样进行了实验H经小波变换提 取缺陷特征值H然后采用L M E N / OP - P / ; / 8 3 . F神经网络H使缺陷的定性分类获得了较高的准确 率’研究结果表明该方法可在一定程度上降低人为因素对缺陷定性识别的影响H获得较好的缺陷 分类效果’ 关键词超声检测J定性识别J小波分析J特征提取J模式识别 中图分类号 “ A A ’ C文献标识码Q 超声检测的回波信号中含有大量与缺陷性质 有关的信息’实现缺陷分类的关键在于能否有效地 将反映缺陷性质的信息E特征F从超声回波中提取 出来H并给予正确的解释’缺陷定性的准确与否很 大程度上受到探伤人员经验的影响H因此一直被认 为是难度很大的问题H同时也是研究的热点之一R 超声波探伤中使用的一般是持续时间很短的脉冲 超声波H可看作是由无限多个不同频率的谐波迭加 而成’超声脉冲遇缺陷反射后H谐波的变化将造成 其频谱的变化H从而提供了反映缺陷性质的信息’ 由于超声回波信号具有时变特性H在数学上不满足 傅氏分析的条件H因而不易获得较好的频谱H而且 其频谱也不能反映出缺陷的时域特征H如缺陷回波 的宽窄等’而小波分析在时域和频域都具有良好的 分析能力H可以将缺陷回波的时域和频域特征同时 展现出来H适用于对超声回波信号的分析’ 本文针对超声回波信号的特点H提出应用小波 变换方法提取缺陷信号的特征H并将缺陷特征值作 为人工神经网络的输入从而实现缺陷的分类J进而 以焊接缺陷为对象进行了实验H验证了上述方法的 有效性’ S 实验 S ’ S 实验系统组成 计算机K超声波探伤仪及探头K QT U采样卡等 构成了实验系统硬件部分’在系统软件支持下H完 成回波信号的采集K缺陷波的特征提取以及神经网 络模式分类等项任务H图A为系统组成框图 VVV W X YYYYY YYYYY YYYYYYYYYYYY YYYYYYYYYYYY W ’ 缺陷波截取K去噪 幅值归一化 小波变换提取特征值 神经网络模式识别 软件 试样 探头 缺陷分类计算机 Q T U 采样卡 超声波 探伤仪 图A缺陷分类实验系统框图 Z 3 ; ’ A 2 67 9 7 8 6 [ \ 3 / ; - / [ 0 0 应用小波变换提取特征值 小波变换可在 E 8 A 9 F F G 5 0 8 7 H 68 D 5 7 5 8 9 8 7 I F F 2 J3 K A 9 A 9 1K A 9 L C8 9 M 0 5 9 N 08 9 O 5 0 P 9 0 8 7 “ Q Q , Q R , OH A 9 8 7 “ Q Q , 3 徐州1中国矿业大学机电工程学院 “ Q Q 5 G 8 C5 9 A N J5 0 P 8 9 0 8 7 H 0 9 5 5 9 L a UJO f 5 g 9 L “ ] ] .a P 9 8 h X 9 F B 5A N 0 A B F 0 F O A 9 L g U9 D 5 F I M P 8 9 L P 8 ] ] ] Q a P 9 8 h , a A 7 7 5 L 5A N J5 0 P 8 A 9 0 9 5 5 9 L a UJO e B V P A B W 8 9 L F B “ ] ] . a P 9 8 i j k l m n o l 10 0 A 9 L A P 59 A 9 F 8 A 9 8 IA N G B 7 F 55 0 P AF L 9 8 7 FA N N 7 8 6 9B 7 8 F A 9 0 5 F 9 L 8C5 P A A N N 7 8 6 0 7 8 F F N 0 8 A 9E 8 F 5 A 9 P 50 A CE 9 8 A 9A N68 D 5 7 5 8 9 F N A C 6 PG 8 5 9 5 0 A L 9 A 968 FG 5 F 5 9 5 J5 P A A N5 p 8 0 9 L0 P 8 8 0 5 F 0D 8 7 B 5 F 5 N 7 5 0 9 L P 5N 7 8 6 G A G 5 5 FB F 9 L68 D 5 7 5 8 9 F N A C 8 9 P 5 C5 P A A N q B 8 7 8 D 5 7 I 5 0 A L 9 V 9 L P 5 0 P 8 8 0 5 F 0 D 8 7 B 5 F B F 9 LG 8 5 9 5 0 A L 9 A 965 5 F B 5 95 p G 5 R C5 9 8 7 F I F 5 C68 F B F 5 A 5 F P 5 C5 P A 8 E A D 5 E I6P 0 PF A C5 5 8 7 65 7 N 7 8 6F 65 5 G A 0 5 F F 5 ‘ F 7 I P 5 N 5 8 B 5D 8 7 B 5 F A N N 7 8 6F 65 5 5 p 8 0 5 6 P68 D 5 7 5 8 9 F N A C P 5 9 P 5 N 7 8 6F 65 5 0 7 8 F F N 5 6 PE 8 0 \G A G R 8 L 8 A 99 5 B 8 7 9 5 6A \ F O P 5 G A E 7 5 CF A N F L 9 8 7 8 8 8 0 q B F A 98 9 P 5 5 7 C 9 8 9 LA N G B 7 F 5 9 5 N 5 5 9 0 5 F L R 9 8 7 FE A B L P A B N A C 8 8 8 0 q B F A 965 5 8 7 F A0 A 9 F 5 5 0 8 5 N B 7 7 I B 9 L P 5 5 p G 5 C5 9 O P 5 5 F B 7 F F P A 6 P 8 E I P F C5 P A P B C8 95 N N 5 0 F A 9q B 8 7 8 D 5 5 0 A L 9 A 9A N N 7 8 6F 0 8 9E 5 5 B 0 5 AF A C5 5 p 5 9 8 9 P L P 8 0 0 B 8 0 IA N N 7 8 60 7 8 F F N 0 8 A 90 8 9E 5A E 8 9 5 rs tu v m w k 1B 7 8 F A 9 0 5 F 9 L hN 7 8 60 7 8 F F N 0 8 A 9 h68 D 5 7 5 8 9 8 7 I F F hN 5 8 B 55 p 8 0 A 9 hG 8 5 9 5 0 A L 9 A 9 ,- 第,期吴 淼等1超声检测缺陷分类的小波分析与神经网络方法 万方数据