基于BP和NNRS模型的超聲缺陷信號識別研究.pdf

1、超聲波無損檢測技術作為五大常用無損檢測方法之一，它具有可以檢測不同種類材料的缺陷，對缺陷的深度容忍度高，可以準確的定位缺陷的位置，檢測靈敏度較高；且該技術的成本較低，使用非常方便；檢測缺陷的速度快，對人體無害，便于現場使用等特點，成為國內外應用最廣泛、使用頻率最高且發(fā)展較快的一種無損檢測技術。超聲波缺陷信號不穩(wěn)定性和非線性特征使得對缺陷種類的判別需要高度的人工技術，如何利用先進的科學技術對缺陷信息進行自動識別以及缺陷的定性評價，還需要更

2、多的科研工作者貢獻力量。人工神經網絡是一個自適應、自學習和并行分布式的信息處理網絡結構，自20世紀80年代以來，人們對人工神經網絡的研究理論上取得了很大的進展，目前已經有上百種人工神經網絡模型，它們的網絡結構，性能，算法及應用領域各異，廣泛地應用在信號處理、模式識別、圖像處理、醫(yī)學、氣象、自動控制、金融預測等領域，在系統(tǒng)故障診斷識別中有優(yōu)異的表現。本文利用實驗獲得的激光超聲表面缺陷的反射波和透射波信號數據，提取能夠表征超聲缺陷信號的特征

3、，利用神經網絡人工智能技術，用BP神經網絡模型、改進BP神經網絡模型和神經網絡權轉換模型(Neural Network Regime Switching，簡稱NNRS)構建缺陷診斷系統(tǒng)，逐步提高缺陷診斷系統(tǒng)的準確率、穩(wěn)定性和泛化能力，縮短算法的時間復雜度。
　　本研究主要內容包括：⑴介紹了梅爾頻率倒普系數法(Mel Frequency Cepstral Coefficient method，簡稱MFCC)的基本原理，利用MFCC法

4、提取激光超聲表面缺陷的反射波和透射波信號的頻域特征，將高維小樣本信號數據轉換成低維多樣本高維特征數據，用歸一化方法消除高頻特征量綱，為神經網絡模型輸入數據提供支持。⑵闡述了神經網絡技術的發(fā)展與基本原理，利用BP神經網絡構建缺陷診斷系統(tǒng)，探討了網絡結構構造，特征參數選取等問題，并從BP的不足和局限性出發(fā)，應用附加動量法改進BP模型，避免網絡在修正權值時可能陷入局部極小值的問題，用實際測得數據訓練測試，對比BP和附加動量BP兩種網絡模型性能

5、。在單組激光超聲波缺陷信號數據的測試中，改進BP網絡性能優(yōu)于BP網絡模型，缺陷信號分類正確率達80％左右，診斷率可達100%。⑶討論前饋型神經網絡結構及其改進方法，提出引進NNRS神經網絡模型構建超聲波表面缺陷信號診斷系統(tǒng)，NNRS模型在網絡輸入層和輸出層間增加線性連接，并增加隱含層層數，增強模型非線性映射能力和穩(wěn)定性能等，闡述模型拓撲結構，優(yōu)化參數。用五組激光超聲波缺陷檢測實驗數據反復驗證，NNRS神經網絡模型分類正確率高達90%多，