基于神经网络的超声检测缺陷定性识别方法技术

本发明专利技术公开了一种基于神经网络的超声检测缺陷定性识别方法，采用小波分析算法中小波包阈值降噪算法对损伤信号进行预处理，尽可能地保留首个固有模态分量中的有用信号，再利用互补集合经验模态分解算法对信号进行模态分解，进行软阈值降噪和rigrsure规则降噪，最后再对处理后的两部分固有模态分量进行叠加重构，就可以得到最终的信号，其次提取不同损伤状况的特征向量组成多变量插值的径向基函数的学习样本。本发明专利技术可以对采集到的信号进行降噪处理，收敛速度较快，简单有效，经过学习训练后的径向基函数神经网络具有超声检测缺陷定性识别的能力，能准确地识别器件损伤及损伤程度大小，并能实现损伤定位。并能实现损伤定位。并能实现损伤定位。

【技术实现步骤摘要】
基于神经网络的超声检测缺陷定性识别方法


[0001]本专利技术涉及一种基于神经网络的超声检测缺陷定性识别方法，尤其涉及回波信号的处理和器件的损伤检测，属于损伤信号识别处理


技术介绍

[0002]随着现代工业的发展，许多设备、器件等制品变得更加精密，其生产和加工过程也就更加复杂，且往往不能精确控制其技术参数，会在产品内部和表面产生一定的缺陷，进而影响产品的使用性能甚至安全性。因此，产品能否安全应用的关键在于，对内部及表面缺陷的合理检测，以及避免使用存在潜在危险缺陷的产品，通常人们会对产品进行无损检测以确定其可用性及安全性。
[0003]现有技术中，对器件的检测一般采用声发射法，检测声波一般采用Lamb波，由于Lamb波对损伤较敏感，且分析较容易，一般采用短时傅立叶变换、小波变换及上述的HHT变换等方法。常规傅里叶分析理论在时频联合分析方面存在局限，只能简单的将时域信号转化为频域信号，而不能得到具体频率段数据出现的时间，这在数据处理中具有严重弊端；HHT变换在分解复杂信号时存在求解结果精度不高、计算时间长的不足，同时还存在边端效应、越界问题、停止准则和虚假低频成分过滤的问题。短时傅里叶变换在提取包络时对设定的频率处效果较好，对其他频率的信号处理效果较差。小波变换能将数据分为n段处理，但是单纯的小波变换不够智能，需要专业人士才能识别信号，在超声无损检测中，噪声往往夹杂在有用信号中，因而得到缺陷信息的关键在于要对回波信号进行降噪。对比RBF网络和BP网络的误差收敛曲线不难发现，RBF网络训练简洁而且学习收敛速度快，而BP网络的训练时间大大多于RBF网络，比RBF网络慢很多。

技术实现思路

[0004]本专利技术的目的在于提供一种基于神经网络的超声检测缺陷定性识别方法在对超声回波信号进行降噪的基础上，基于RBF神经网络的超声检测缺陷定性识别方法。实现器件损伤识别和定位，以及损伤程度的判定。
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]一种基于神经网络的超声检测缺陷定性识别方法，包括以下步骤：
[0007]步骤一、采集含噪超声信号；
[0008]步骤二、采用小波分析算法中小波包阈值降噪算法对含噪信号进行预处理,再经过互补集合经验模态分解即CEEMD分解降噪；
[0009]步骤三、选取径向基函数即RBF神经网络学习样本，并建立损伤识别RBF神经网络模型；
[0010]步骤四、超声信号损伤输出：经过M次训练后RBF神经网络达到收敛，基于学习训练好RBF神经网络对器件进行损伤检测，并输出损伤结果。
[0011]作为本专利技术所述的基于神经网络的超声检测缺陷定性识别方法，步骤二中对含噪
信号进行CEEMD分解降噪的步骤为：
[0012]1)向含噪信号中加入一对正负白噪声组成的辅助白噪声，生成有用信号和噪声信号两个信号；
[0013]2)对步骤1)中的有用信号和噪声信号分别进行经验模态分解即EMD分解，得到两组固有模态函数IMF分量，这些IMF分量都是以频率大小排列整齐的，对应着不同的频率特征，每组n个IMF；
[0014]3)根据设置的CEEMD分解次数N，重复N次步骤1)和步骤2)，每次加入的都是一组随机的辅助白噪声；
[0015]4)将得到的2N组IMF分量进行平均，即得到经过CEEMD分解后生成的n个IMF。
[0016]上述的一种基于神经网络的超声检测缺陷定性识别方法，所述步骤2)，
[0017]对于超声回波信号的EMD降噪算法的改进，利用超声信号回波数学模型来检验算法的效果，选取一个带有高斯白噪声的三重回波信号作为原始含噪信号，然后使用小波包降噪算法对其进行处理，再经过CEEMD分解为一系列固有模态分量，利用归一化自相关函数的特性，确定一个临界的固有模态分量，将其全部分为噪声主导部分和有用信号主导的两部分，接着对这两部分固有模态分量分别进行软阈值降噪和rigrsure规则降噪，最后再对处理后的两部分固有模态分量进行叠加重构，得到最终的信号。
[0018]上述的一种基于神经网络的超声检测缺陷定性识别方法，所述步骤3)，
[0019]通过CEEMD算法进行模态分解后，得到一系列IMF,对噪声主导模态进行软阈值降噪，选取合适的阈值函数是阈值去噪的一个关键环节，传统软阈值函数如下所示，当系数的绝对值大于或等于阈值时，新的系数为原来的系数与阈值之差，否则将其全部置零；
[0020][0021]其中d
jk
是超声回波信号的分解系数，δ为阈值门限，针对传统的软阈值函数存在恒定偏差的问题，本专利技术提出了一种改进的软阈值函数，通过公式推导，增加衰减系数ε(0.95＜ε＜1)，使之整体减少震荡，达到快速收敛的目的，改进的软阈值函数如下所示：
[0022][0023]将软阈值函数和改进的软阈值函数用MATLAB绘制，考察改进的软阈值函数式(2)当|d
jk
|≥δ，函数式如公式(3)所示，
[0024][0025]当d
jk
＞δ时：
[0026]当d
jk
＜
‑
δ时：
[0027]当|d
jk
|≥δ时，通过求解函数的左右极限可知，该函数以d
jk
^＝d
jk
为渐近线，随着
d
jk
的增大，d
jk
^逐渐接近d
jk
，即重构的系数与真实的系数之间偏差逐渐的减小，解决了软阈值函数d
jk
^与d
jk
之间的存在恒定偏差的问题；当d
jk
＝
±
δ，d
jk
^＝0。在|d
jk
|＜δ时，d
jk
^＝0，即重构的系数全部被置为零和规则阈值法相当，该函数可以根据不同分解尺度下的不同阈值δ，自动调整重构的系数，从而更加精确的重构原信号。
[0028]上述的一种基于神经网络的超声检测缺陷定性识别方法，所述步骤三，
[0029]去噪分析的基础上，探讨人工神经网络在超声检测缺陷定性识别中的应用，以步骤二获取的敏感特征组作为其输入，实现超声缺陷的初步识别，
[0030]①
将超声检测缺陷频谱能量特征表中数据进行分组，组成为训练样本集和测试样本集。
[0031]②
用训练样本集训练构造好的三层RBF神经网络，RBF网络的原理如下：当输入向量加到网络输入端时，径向基层的每个神经元都会输出一个值，代表输入向量和神经元权值之间的接近程度。如果输入向量和权值向量差不多，则径向基层的输出接近于0，经过第二层的线性神经元，输出也接近于0；如果输入向量和权值向量很接近，则径向基层的输出接近于1，经过第二层的线性神经元，输出值更接近第二层权值。在这个过程中，如果只有一个径向基神经元的输出为1，而其他的神经元的输出均为0或接近0，那么线性神经元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的超声检测缺陷定性识别方法，其特征在于，包括以下步骤：步骤一、采集含噪超声信号；步骤二、采用小波分析算法中小波包阈值降噪算法对含燥信号进行预处理,再经过互补集合经验模态分解即CEEMD分解降噪；步骤三、选取径向基函数即RBF神经网络学习样本，并建立损伤识别RBF神经网络模型；步骤四、超声信号损伤输出：经过M次训练后RBF神经网络达到收敛，基于学习训练好RBF神经网络对器件进行损伤检测，并输出损伤结果。2.如权利要求1所述的基于神经网络的超声检测缺陷定性识别方法，其特征在于，步骤二中对含噪信号进行CEEMD分解降噪的步骤为：1)向含噪信号中加入一对正负白噪声组成的辅助白噪声，生成有用信号和噪声信号两个信号；2)对步骤1)中的有用信号和噪声信号分别进行经验模态分解即EMD分解，得到两组固有模态函数IMF分量，这些IMF分量都是以频率大小排列整齐的，对应着不同的频率特征，每组n个IMF；3)根据设置的CEEMD分解次数N，重复N次步骤1)和步骤2)，每次加入的都是一组随机的辅助白噪声；4)将得到的2N组IMF分量进行平均，即得到经过CEEMD分解后生成的n个IMF。3.根据权利要求2所述的一种基于神经网络的超声检测缺陷定性识别方法，其特征在于所述步骤2)，对于超声回波信号的EMD降噪算法的改进，利用超声信号回波数学模型来检验算法的效果，选取一个带有高斯白噪声的三重回波信号作为原始含噪信号，然后使用小波包降噪算法对其进行处理，再经过CEEMD分解为一系列固有模态分量，利用归一化自相关函数的特性，确定一个临界的固有模态分量，将其全部分为噪声主导部分和有用信号主导的两部分，接着对这两部分固有模态分量分别进行软阈值降噪和rigrsure规则降噪，最后再对处理后的两部分固有模态分量进行叠加重构，得到最终的信号。4.根据权利要求2所述的一种基于神经网络的超声检测缺陷定性识别方法，其特征在于所述步骤3)，通过CEEMD算法进行模态分解后，得到一系列IMF,对噪声主导模态进行软阈值降噪，选取合适的阈值函数是阈值去噪的一个关键环节，传统软阈值函数如下所示，当系数的绝对值大于或等于阈值时，新的系数为原来的系数与阈值之差，否则将其全部置零；其中d
jk
是超声回波信号的分解系数，δ为阈值门限，针对传统的软阈值函数存在恒定偏差的问题，本发明提出了一种改进的软阈值函数，通过公式推导，增加衰减系数ε(0.95＜ε＜1)，使之整体减少震荡，达到快速收敛的目的，...

【专利技术属性】
技术研发人员：曾庆军，朱颖，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：