[發明專利]基于神經網絡的超聲檢測缺陷定性識別方法

有效

• 申請號: 202011441675.1
• 申請日: 2020-12-08
• 公開（公告）號: CN112697887B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 曾慶軍;朱穎
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G01N29/44
• 分類號: G01N29/44;G01N29/46;G01N29/50
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐澍

1.一種基于神經網絡的超聲檢測缺陷定性識別方法，其特征在于，包括以下步驟：

步驟一、采集含噪超聲信號；

步驟二、采用小波分析算法中小波包閾值降噪算法對含燥信號進行預處理,再經過互補集合經驗模態分解即CEEMD分解降噪；對含噪信號進行CEEMD分解降噪的步驟為：

1)向含噪信號中加入一對正負白噪聲組成的輔助白噪聲，生成有用信號和噪聲信號兩個信號；

2)對步驟1)中的有用信號和噪聲信號分別進行經驗模態分解即EMD分解，得到兩組固有模態函數IMF分量，這些IMF分量都是以頻率大小排列整齊的，對應著不同的頻率特征，每組n個IMF；

對于超聲回波信號的EMD降噪算法的改進，利用超聲信號回波數學模型來檢驗算法的效果，選取一個帶有高斯白噪聲的三重回波信號作為原始含噪信號，然后使用小波包降噪算法對其進行處理，再經過CEEMD分解為一系列固有模態分量，利用歸一化自相關函數的特性，確定一個臨界的固有模態分量，將其全部分為噪聲主導部分和有用信號主導的兩部分，接著對這兩部分固有模態分量分別進行軟閾值降噪和rigrsure規則降噪，最后再對處理后的兩部分固有模態分量進行疊加重構，得到最終的信號；

3)根據設置的CEEMD分解次數N，重復N次步驟1)和步驟2)，每次加入的都是一組隨機的輔助白噪聲；

通過CEEMD算法進行模態分解后，得到一系列IMF,對噪聲主導模態進行軟閾值降噪，選取合適的閾值函數，增加衰減系數ε，0.95＜ε＜1，減少震蕩，達到快速收斂的目的，改進的軟閾值函數如下所示：

將軟閾值函數和改進的軟閾值函數用MATLAB繪制，考察改進的軟閾值函數式(2)當|d_jk|≥δ，函數式如公式(3)所示，

當d_jk＞δ時：

當d_jk＜-δ時：

當|d_jk|≥δ時，通過求解函數的左右極限可知，該函數以為漸近線，隨著d_jk的增大，逐漸接近d_jk，即重構的系數與真實的系數之間偏差逐漸的減小，解決了軟閾值函數與d_jk之間的存在恒定偏差的問題；當d_jk＝±δ，在|d_jk|＜δ時，即重構的系數全部被置為零和規則閾值法相當；

4)將得到的2N組IMF分量進行平均，即得到經過CEEMD分解后生成的n個IMF；

步驟三、選取徑向基函數即RBF神經網絡學習樣本，并建立損傷識別RBF神經網絡模型；

以步驟二獲取的敏感特征組作為其輸入，實現超聲缺陷的初步識別，

①將超聲檢測缺陷頻譜能量特征表中數據進行分組，組成為訓練樣本集和測試樣本集；

②用訓練樣本集訓練構造好的三層RBF神經網絡；

③用測試樣本集對訓練完成的RBF網絡進行檢驗，驗證網絡的有效性；

步驟四、超聲信號損傷輸出：經過M次訓練后RBF神經網絡達到收斂，基于學習訓練好RBF神經網絡對器件進行損傷檢測，并輸出損傷結果。