基于EMD和神经网络的超声缺陷信号分类识别研究

摘要

超声无损检测是一种应用最广的无损检测方法，在无损检测领域占有极其重要的地位。在超声无损检测领域，超声频谱分析法，可以得到多于常规检测方法的可用信息，为提高检测结果的客观性和可靠性提供了可能。同时传统超声法难以识别缺陷的种类，即便采用各种扫描方法，对缺陷种类的判别仍需有高度熟练的人工技术。因此如何利用频谱分析法所获得的这些信息进行缺陷模式识别及缺陷的定性评价、自动识别、以及智能化方面，还需要进一步的研究工作，这对超声无损检测的发展具有十分重要的意义。 本文首先介绍了EMD分解方法和神经网络的基本原理，利用EMD对超声回波信号进行了时域和频域的分析，归纳分析了回波信号在时域和频域的特征参数，在此基础上分析了神经网络输入特征参数的选择原则以及如何选取部分时、频域特征参数作为神经网络输入，并得出了较理想的特征参数组合。 其次，在阐述神经网络技术的基本原理基础上，结合分析得出的神经网络输入特征向量，针对超声回波缺陷信号识别的具体特点，构建了基于BP神经网络的超声回波缺陷信号诊断系统，内容包括：设计超声回波信号缺陷识别BP神经网络的具体结构。 最后本文利用前续课题研究所获得的超声回波信号实测数据，分别构造了基于回波信号时频域特征参数的训练样本和验证样本，在MATLAB软件平台上对本文构建的BP神经网络进行了训练，并用训练好的神经网络对超声回波信号实测数据进行了仿真诊断试验。试验结果表明本文构建的超声回波信号缺陷分类诊断BP神经网络能够根据实际数据准确地判断出超声回波信号的缺陷类型，分类诊断效果良好。

目录

文摘

英文文摘

声明

1绪论

1.1课题研究目的与意义

1.2国内外研究现状

1.2.1超声波信号处理技术发展现状

1.2.2经验模态分解法

1.2.3神经网络与缺陷模式识别

1.3本文研究的主要内容

2超声信号的时频特点及信号处理方法比较

2.1常规分析方法的特点与不足

2.1.1时域特点分析

2.1.2频域特点分析

2.2经验模态分解(EMD)方法的特点及可行性

2.2.1 END的基本原理

2.2.2几种信号分析方法的不足

2.2.3 END方法和小波分解方法的比较研究

3基于EMD与欧氏距离的超声回波缺陷信号识别研究

3.1基于EMD的超声缺陷信号的分析

3.1.1用EMD方法分解标准缺陷信号

3.1.2对IMF分量的分析

3.2缺陷特征参数的选取

3.3基于END与欧氏距离的超声回波缺陷信号识别试验研究

3.3.1缺陷分类诊断

3.3.2诊断结果分析

4基于人工神经网络的超声缺陷信号识别模型

4.1人工神经网络在超声回波缺陷诊断中的适应性分析

4.1.1人工神经网络的基本特性

4.1.2人工神经网络的能力

4.1.3人工神经网络对超声回波信号缺陷的分类诊断能力

4.2 BP神经网络的基本理论

4.2.1神经元的基本模型

4.2.2激活转移函数介绍及其选取

4.2.3误差反转算法(BP)介绍及选用

4.2.4 BP算法改进的探讨

4.2.5 BP算法的选用

4.3超声回波信号缺陷特征提取分析

4.4神经网络的输入样本分析与输出样本表示

4.4.1输入样本的提取和表示

4.4.2输入样本数据的预处理

4.4.3输出样本的表示

4.5网络的训练与测试

4.6神经网络结构的确定

4.6.1神经网络层数的确定

4.6.2各层节点数的确定

4.6.3初始权值的选取

4.6.4期望误差和学习速率的选取

5基于EMD与BP神经网络的超声缺陷信号识别试验研究

5.1试验系统介绍

5.1.1采集超声缺陷回波信号的试验装置

5.1.2工件缺陷模拟

5.1.3数据及波形的采集与传输

5.2缺陷分类诊断

5.2.1 BP神经网络训练样本选取及其规范化

5.2.2训练网络

5.2.3 BP神经网络缺陷诊断

6结论与展望

6.1本课题的研究结论

6.2展望

参考文献

攻读硕士学位期间发表的论文

致谢