基于GASA-BP的轧辊内部缺陷检测方法

摘要

为了准确识别轧辊内部缺陷,采用超声波探伤仪对轧辊进行检测,并提出一种融合灰狼算法、遗传算法、模拟退火算法和BP神经网络的超声检测信号分类方法。对超声检测信号进行小波降噪,采用自适应灰狼优化阈值法确定最优的小波阈值;根据轧辊内部不同缺陷检测信号的时域和频域信息差异,从三层、四层和五层小波包分解中选择最优的分解层数,以实现对去噪检测信号的最佳处理,在此基础上构建检测信号的能量特征向量;采用经过遗传模拟退火算法优化的BP神经网络模型(GASA-BP)进行特征向量的识别,进而完成轧辊内部缺陷的分类。实验结果表明,该模型的识别准确率可达到97.41%,并且运算速度得到极大提高,能满足大部分企业对轧辊缺陷分类精度及效率的要求,为轧辊的进一步检测、修复及再制造提供了可靠信息。