煤矿液压支架缸体环焊缝缺陷超声检测与评价研究

摘要

液压支架是煤矿综合机械化开采的主要设备，对现代煤矿生产具有举足轻重的意义。液压缸是液压支架完成各种运动和承载顶板压力的关键元件，它的质量直接影响着液压支架的可靠性，进而影响到煤矿的安全和正常生产。
　　 针对液压缸环焊缝质量检验的难题，为了克服目前手动超声A 扫描检测方式的缺点和不足，保证焊接质量，以数字超声探伤仪为基础，以计算机为核心，以虚拟仪器编程语言LabWindows/CVI为软件平台，以现有自动焊接装置为工件装夹平台，借助于计算机技术、超声无损检测与评价技术、机电一体化技术，成功地开发了一个超声自动检测系统，实现了液压缸环焊缝检测的数字化、自动化和图像化，提高了超声检测的可靠性和效率。
　　 研究了横波斜探头超声扫描成像的原理和方法，给出了斜探头超声B、C 扫描成像的定义，建立了人工缺陷超声B 扫描和C 扫描成像的数学模型，解决了超声扫描成像软件实现的关键技术问题，实现了超声B 扫描和C 扫描成像功能。
　　 针对焊接缺陷超声回波信号的特点，深入研究了小波阈值去噪法的原理和方法，在软、硬阈值函数的基础上，构造了一种新的阈值处理函数，提出了基于改进阈值函数的提升小波变换去噪算法。实验结果表明，该方法改进了软、硬阈值去噪法的缺点，获得了更好的去噪性能和更高的信噪比，而且在实时信号去噪方面具有很好的应用前景。
　　 以焊接缺陷的常见类型为对象，研究了基于小波包变换的多尺度空间能量特征提取方法，对实测的超声缺陷回波信号进行了特征提取实验，并利用基于距离的类别可分性判据对提取的特征向量进行了评价。结果表明，该方法对焊接缺陷超声回波信号的特征提取是有效的。
　　 为了克服人工神经网络需要大量训练样本，且网络结构确定困难等缺点和不足，在对比分析支持向量机常用多值分类方法的基础上，提出了基于ν-SVM的二叉树多值分类方法，实验结果表明其分类正确率高，在训练时间和测试时间方面均优于其它的支持向量机多值分类方法。
　　 基于RBF 神经网络与支持向量机的结构等价性，提出了基于ν-SVM-BTMC的RBF神经网络焊接缺陷识别方法，实验结果表明该方法比RBF 神经网络、基于ν-SVM的二叉树多值分类方法的分类正确率更高，其训练和测试速度最快。