铜-钢熔敷焊接头超声检测缺陷特征提取与智能识别研究

摘要

本文主要针对目前超声检测中缺陷性质判定困难，判定结果缺乏准确性和可靠性的问题,以铜-钢熔敷焊超声检测缺陷性质的判定为研究对象，对缺陷波形的特征参数提取、缺陷类型的可分性比较、智能化识别方法的选择及识别结果的综合评定等进行了分析和研究。
　　 采用机械加工和调整相关焊接工艺参数的方法分别制作了不同的人工缺陷对比试块和自然缺陷试样，分别采用手动超声初检、射线探伤、自动超声复检以及破坏性试验(如剪切、车削等)的方法对不同类型的缺陷波形样本进行了采集和验证。
　　 根据超声检测信号复杂多变的特征，对缺陷波形进行了信号截取和幅值归一化预处理，采用Daubechies8小波基函数对预处理后的缺陷波形进行了3层小波包分解，提取了不同类型缺陷的时域特征(波形特征Bx、波峰特征Bf)和频域特征(能量分布Ef、能量百分比E)共四个特征参量；利用欧式距离公式对时域、频域以及时频域三种不同的特征向量下缺陷类型的可分性进行了比较，选择可分性较好的时频特征向量作为缺陷识别和分类的特征值。
　　 选用人工神经网络对铜-钢熔敷焊中常见的气孔、夹渣、缩松及未熔合四种不同类型缺陷的特征值进行了训练、测试和识别。从样本及网络参数的选择等角度对神经网络的结构进行了优化设计，针对两种改进型BP学习算法Scaled Conjugate Gradient(SCG)和Levenberg-Marquardt(L-M)对缺陷性质进行识别时，网络泛化能力差、缺乏稳定性的问题，选用不同结构的BP集成神经网络对网络识别性能进行了改进，试验结果表明采用三组SCG算法BP子网络组成的集成神经网络的泛化能力得到了显著提高，对单一类型缺陷的平均识别正确率达到了95％以上，综合识别正确率达到了96.25％，满足了铜-钢熔敷焊超声检测缺陷性质的识别要求。
　　 在Matlab Graphical User Interface(GUI)基础上编写了铜-钢熔敷焊超声检测智能分析系统，该系统主要由数据处理、数据管理和智能识别三大模块组成，利用该分析系统实现了铜-钢熔敷焊超声检测缺陷的波形数据预处理分析、缺陷特征信息库的查询与管理以及缺陷性质的离线智能识别功能。在此基础上，结合自动超声C扫检测初步实现了铜-钢熔敷焊超声检测缺陷的智能化定性与定量分析。

目录

文摘

英文文摘

声明

1绪论

1.1课题背景及意义

1.2本课题国内外发展现状

1.2.1超声检测存在的问题及主要解决方法

1.2.2超声检测缺陷回波信号处理方法

1.2.3超声检测缺陷信号的智能识别

1.3论文主要研究内容

2试验原理及缺陷样本的采集

2.1试验原理介绍

2.2试验设备介绍

2.3缺陷试样制作

2.4缺陷样本采集

2.4.1手动超声初检

2.4.2射线检测

2.4.3自动超声复检

2.4.4破坏性试验验证

2.5本章小结

3基于小波包分析的特征参量提取

3.1铜钢熔敷焊超声检测信号特征分析

3.2超声检测信号数据预处理

3.3超声检测信号小波包分析

3.3.1小波包相关理论介绍

3.3.2小波基函数的选择

3.3.3分解层数的确定

3.3.4基于小波包分析的超声检测信号特征参量提取

3.4铜钢熔敷焊超声检测缺陷特征信息库的建立

3.5本章小结

4铜钢熔敷焊超声检测缺陷的智能识别

4.1 BP神经网络简要介绍

4.2网络参数的选择与优化设计

4.2.1样本数的选取与分配

4.2.2网络层数、输入及输出节点数的确定

4.2.3传递函数的确定

4.2.4隐含层神经元数目的确定

4.2.5网络的性能评价

4.2.6训练算法的选择

4.3缺陷模式识别分析

4.3.1 L-M算法与SCG算法下最佳神经元数目的确定

4.3.2 L-M算法与SCG算法下缺陷识别分类性能比较分析

4.3.3神经网络性能改进

4.4试验验证分析

4.5本章小结

5铜钢熔敷焊超声检测智能分析系统的设计

5.1铜钢熔敷焊超声检测智能分析系统设计思想

5.2铜钢熔敷焊超声检测智能分析系统模块功能介绍

5.2.1数据处理模块功能

5.2.2数据管理模块功能

5.2.3智能识别模块功能

5.3铜钢熔敷焊超声检测智能分析系统各模块的程序实现

5.3.1系统主界面

5.3.2数据处理模块程序实现

5.3.3数据管理模块

5.3.4智能识别模块

5.4本章小结

6结论与展望

致 谢

参考文献