基于BP和NNRS模型的超声缺陷信号识别研究

摘要

超声波无损检测技术作为五大常用无损检测方法之一，它具有可以检测不同种类材料的缺陷，对缺陷的深度容忍度高，可以准确的定位缺陷的位置，检测灵敏度较高；且该技术的成本较低，使用非常方便；检测缺陷的速度快，对人体无害，便于现场使用等特点，成为国内外应用最广泛、使用频率最高且发展较快的一种无损检测技术。超声波缺陷信号不稳定性和非线性特征使得对缺陷种类的判别需要高度的人工技术，如何利用先进的科学技术对缺陷信息进行自动识别以及缺陷的定性评价，还需要更多的科研工作者贡献力量。人工神经网络是一个自适应、自学习和并行分布式的信息处理网络结构，自20世纪80年代以来，人们对人工神经网络的研究理论上取得了很大的进展，目前已经有上百种人工神经网络模型，它们的网络结构，性能，算法及应用领域各异，广泛地应用在信号处理、模式识别、图像处理、医学、气象、自动控制、金融预测等领域，在系统故障诊断识别中有优异的表现。本文利用实验获得的激光超声表面缺陷的反射波和透射波信号数据，提取能够表征超声缺陷信号的特征，利用神经网络人工智能技术，用BP神经网络模型、改进BP神经网络模型和神经网络权转换模型(Neural Network Regime Switching，简称NNRS)构建缺陷诊断系统，逐步提高缺陷诊断系统的准确率、稳定性和泛化能力，缩短算法的时间复杂度。
　　本研究主要内容包括：⑴介绍了梅尔频率倒普系数法(Mel Frequency Cepstral Coefficient method，简称MFCC)的基本原理，利用MFCC法提取激光超声表面缺陷的反射波和透射波信号的频域特征，将高维小样本信号数据转换成低维多样本高维特征数据，用归一化方法消除高频特征量纲，为神经网络模型输入数据提供支持。⑵阐述了神经网络技术的发展与基本原理，利用BP神经网络构建缺陷诊断系统，探讨了网络结构构造，特征参数选取等问题，并从BP的不足和局限性出发，应用附加动量法改进BP模型，避免网络在修正权值时可能陷入局部极小值的问题，用实际测得数据训练测试，对比BP和附加动量BP两种网络模型性能。在单组激光超声波缺陷信号数据的测试中，改进BP网络性能优于BP网络模型，缺陷信号分类正确率达80％左右，诊断率可达100%。⑶讨论前馈型神经网络结构及其改进方法，提出引进NNRS神经网络模型构建超声波表面缺陷信号诊断系统，NNRS模型在网络输入层和输出层间增加线性连接，并增加隐含层层数，增强模型非线性映射能力和稳定性能等，阐述模型拓扑结构，优化参数。用五组激光超声波缺陷检测实验数据反复验证，NNRS神经网络模型分类正确率高达90%多，诊断率为100%。NNRS神经网络模型的非线性映射能力和稳定性都较附加动量的BP网络模型强，且通过五组实验数据反复验证，其泛化能力更好。⑷考虑NNRS模型的算法时间复杂度与空间复杂度，为优化模型时间复杂度，在数据层面做主成分分析(PCA)降维处理，压缩数据。用PCA法处理反射波缺陷信号五组实验数据，再应用NNRS网络模型分类缺陷信号，诊断系统分类准确率高达97%，算法运行时间也缩减为原来的50%。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究背景及意义

1.2研究现状

1.3 本文研究的主要内容及结构

2 信号数据来源与波形分析

2.1 激光超声波缺陷检测实验

2.2 反射波和透射波信号波形分析

2.3 本章小结

3 信号特征提取与预处理

3.1 MFCC原理

3.2 提取特征预处理

3.3 本章小结

4 BP神经网络模型及其改进

4.1 BP神经网络原理

4.2 表面波缺陷探测实验对比

4.4 本章小结

5 NNRS神经网络模型在缺陷识别中的应用

5.1 前馈型神经网络模型及其改进

5.2 神经网络权转换模型

5.3 实验结果与分析

5.4本章小结

6 基于PCA法对模型的进一步改进

6.1 PCA原理

6.2 实验结果

6.3 本章小结

7.总结与展望

7.1 本文研究主要内容和成果

7.2 存在的问题及对以后工作的展望

参考文献

读硕士学位期间发表的论文

致谢