基于概率神经网络的钛钢爆炸复合棒材拉剪性能分类

摘要

cqvip:研究基于超声信号的机器学习方法在钛钢爆炸复合棒材拉剪性能分类中应用。提出基于超声信号特征值的概率神经网络(Probabilistic neural network,PNN)评估分类方法,首先获取120组工件样本的水浸超声检测全序列A扫信号,对该信号进行时域分析和改进的协方差功率谱密度估计,得到钛钢上结合层深度、上复合层的反射频率、频谱能量、下复合层的反射频率、频谱能量以及下表面二次反射波衰减等6种特征值作为PNN输入;然后进行拉伸试验得到拉剪强度值作为PNN输出;最后以96个样本特征信号和拉剪强度值建立分类训练模型,其余24个样本超声特征信号作为测试集,对这些样本的拉剪强度值进行分类预测。实验结果表明,连续24次预测准确率为94.35%。本文研究为实现钛钢爆炸复合棒材拉剪性能快速、全覆盖检验找到新思路。