[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

本發明公開了一種基于神經網絡的超聲檢測缺陷定性識別方法，采用小波分析算法中小波包閾值降噪算法對損傷信號進行預處理，盡可能地保留首個固有模態分量中的有用信號，再利用互補集合經驗模態分解算法對信號進行模態分解，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，就可以得到最終的信號，其次提取不同損傷狀況的特征向量組成多變量插值的徑向基函數的學習樣本。本發明可以對采集到的信號進行降噪處理，收斂速度較快，簡單有效，經過學習訓練后的徑向基函數神經網絡具有超聲檢測缺陷定性識別的能力，能準確地識別器件損傷及損傷程度大小，并能實現損傷定位。

技術領域

本發明涉及一種基于神經網絡的超聲檢測缺陷定性識別方法，尤其涉及回波信號的處理和器件的損傷檢測，屬于損傷信號識別處理技術領域。

背景技術

隨著現代工業的發展，許多設備、器件等制品變得更加精密，其生產和加工過程也就更加復雜，且往往不能精確控制其技術參數，會在產品內部和表面產生一定的缺陷，進而影響產品的使用性能甚至安全性。因此，產品能否安全應用的關鍵在于，對內部及表面缺陷的合理檢測，以及避免使用存在潛在危險缺陷的產品，通常人們會對產品進行無損檢測以確定其可用性及安全性。

現有技術中，對器件的檢測一般采用聲發射法，檢測聲波一般采用Lamb波，由于Lamb波對損傷較敏感，且分析較容易，一般采用短時傅立葉變換、小波變換及上述的HHT變換等方法。常規傅里葉分析理論在時頻聯合分析方面存在局限，只能簡單的將時域信號轉化為頻域信號，而不能得到具體頻率段數據出現的時間，這在數據處理中具有嚴重弊端；HHT變換在分解復雜信號時存在求解結果精度不高、計算時間長的不足，同時還存在邊端效應、越界問題、停止準則和虛假低頻成分過濾的問題。短時傅里葉變換在提取包絡時對設定的頻率處效果較好，對其他頻率的信號處理效果較差。小波變換能將數據分為n段處理，但是單純的小波變換不夠智能，需要專業人士才能識別信號，在超聲無損檢測中，噪聲往往夾雜在有用信號中，因而得到缺陷信息的關鍵在于要對回波信號進行降噪。對比RBF網絡和BP網絡的誤差收斂曲線不難發現，RBF網絡訓練簡潔而且學習收斂速度快，而BP網絡的訓練時間大大多于RBF網絡，比RBF網絡慢很多。

發明內容

本發明的目的在于提供一種基于神經網絡的超聲檢測缺陷定性識別方法在對超聲回波信號進行降噪的基礎上，基于RBF神經網絡的超聲檢測缺陷定性識別方法。實現器件損傷識別和定位，以及損傷程度的判定。

本發明為解決上述技術問題采用以下技術方案：

一種基于神經網絡的超聲檢測缺陷定性識別方法，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噪信號進行預處理,再經過互補集合經驗模態分解即CEEMD分解降噪；

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；

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。

作為本發明所述的基于神經網絡的超聲檢測缺陷定性識別方法，步驟二中對含噪信號進行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；

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；

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。