粗晶材料超声检测缺陷信号增强的小波分析法

在超声无损检测中，粗晶材料（奥氏体钢）的晶粒噪声往往使材料的缺陷信号变得难以识别。在分析晶粒噪声和缺陷信号频谱分布的基础上，利用小波分析法消除晶粒噪声以实现有效识别缺陷的目标。利用此方法进行实际粗晶材料超声信号分析，可方便地识别缺陷的存在与否以及缺陷的位置     

小波变换模极小值在粗晶材料超声检测中的应用

本文研究小波变换方法在粗晶材料超声缺陷信号增强中的应用，为克服粗晶材料超声检测时晶粒噪声的影响，在分析晶粒噪声和缺陷信号频谱分布的基础上，提出了一种基于小波变换模极大值的算法来提高信噪比，利用此算法进行实际超声信号分析效果良好。     

小波变换模极大值在粗晶材料超声检测中的应用

本文研究小波变换方法在粗晶材料超声缺陷信号增强中的应用.为克服粗品材料(奥氏体钢)超声检测时晶粒噪声的影响,在分析晶粒噪声和缺陷信号频谱分布的基础上,提出了一种基于小波变换模极大值的算法来提高信噪比.利用此算法进行实际超声信号分析效果良好.     

小波分析结合神经网络的桩基缺陷检测

引入一种小波分析结合神经网络的桩基检测方法,根据桩基中超声波传播的特点,利用小波分析对采集的超声波信号进行小波包分解,对分解后的信号进行归一化处理,将超声波信号矩阵化,构建表征桩基缺陷信息的特征向量;再取多组特征向量作为神经网络的训练样本,对特征向量进行训练学习,并将未诊断样本输入神经网络进行识别验证。试验数据表明,通过小波分析方法获取超声波信号特征向量并构建的神经网络可以有效识别出桩基缺陷以及缺陷类型。     

小波奇异性检测在超声信号处理中的应用

缺陷回波法是超声检测的常用技术,但回波信号常受到各种噪声的干扰,为使超声自动探伤系统能够对缺陷进行准确检测,必须对受噪声干扰的信号进行处理。介绍了通过小波变换对奇异性信号进行检测的原理,利用该方法对超声波回波信号进行了分析。试验结果证明小波奇异性检测方法能有效消除噪声干扰,并准确检测出缺陷位置。     

小波神经网络的数据压缩技术在超声自动探伤系统中的应用

为了实现对大型回转体零件内部缺陷的检测与识别,研制了超声波自动检测系统.系统主要完成超声信号的采集和处理、数据的实时存储、缺陷的在线分析与识别等功能.要实现缺陷的在线检测与识别,必然需要大量的原始数据,为了减少数据的存储量,通过小波神经网络提取相应的权重因子,构成小波基的尺度参数和与之对应的平移参数,实现缺陷有用信息的压缩;在缺陷数据重构中,利用上述特性参数并结合信号的特征值,对信号进行拟合.解决了缺陷检测现场大量数据的保存问题,为缺陷的进一步识别提供了基础.     

基于LabVIEW软件平台的粗晶材料超声信号去噪处理的研究

采用超声纵波检测粗晶材料缺陷时，由于晶粒粗大及各向异性的影响，将产生较强的组织散射噪声，降低材料超声探伤的信噪比，严重干扰对缺陷回波的正确识别与判断。文章分析了粗晶材料超声信号去噪处理方法，提出了基于软件平台LabVIEW的信号处理构想，设计了粗晶材料超声信号去噪处理的LabVIEW处理模块，为有效抑制粗晶材料的组织散射噪声提供了手段。     

涡流检测信号小波除噪与缺陷特征提取

应用小波分析技术进行涡流检测的信号除噪和缺陷识别。根据信号在不同小波变换下表现形式不同的特点，提出一种综合应用多种小波除噪的方法，效果优于通常的单一小波方法。应用小波多尺度边缘检测功能进行缺陷的定位和尺寸判别。借助小波多尺度分析功能，可以对缺陷信号进行仔细分析，并对相近缺陷进行分类。     

基于Morlet小波的超声缺陷分类识别方法研究

超声缺陷自动识别是目前无损评判领域内研究的热点。采用改进的Morlet小波对超声缺陷信号进行降噪处理,为获得更全面的缺陷特征,在建立的参数空间基础上为缺陷信号构建特征向量,将这些缺陷信号输入RBF神经网络对获得的超声检波信号进行缺陷分类。实验结果表明:小波降噪算法充分利用超声回波信号的特征信息,降噪效果明显,有利于提高缺陷分类的准确性;RBF神经网络缺陷识别法能有效提取同类别缺陷信号的共同特征,提高缺陷分类准确度。     

超声检查铸坯夹杂的影响因素和信号分析

讨论了超声波检查铸坯内部夹杂物的影响因素和相应的检测样品制备、检查系统信号处理条件和要求等。并针对缺陷信号的非稳态特点,讨论了适用于处理非稳态信号的能够提高信噪比的小波分析方法。最后采用超声波直接在钢坯样品上进行夹杂检查试验,原始信号经过小波在5个尺度上多分辨率分析重构以后,缺陷波分布集中在d3、d4、d5三个尺度上,噪声信号和缺陷反射信号明显得到分离。     

镍-玻璃纤维复合层超声特征成像检测

对直升机旋翼前缘的镍-玻璃纤维复合层进行超声检测方法研究。分析镍-玻璃纤维复合层缺陷特征及缺陷识别方法;针对薄壁曲面构件的检测需求,采用便携式超声特征扫描成像方法和接触式聚焦方法,完成曲面旋翼前缘的扫描成像检测;利用超声特征扫描成像系统对检测信号进行全波列采集,并用幅值特征和频谱分析等方法对复合层脱粘缺陷进行分析和处理,实现高精度的缺陷显示和评价。     

基于神经网络的铝合金裂纹缺陷识别

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。     

基于超声TOFD法直通波幅度分布的近表面缺陷检测

针对超声衍射时差法（TOFD）的近表面检测盲区问题,提出一种基于直通波幅度分布分析的近表面缺陷检测方法。在近表面缺陷检测信号的直通波部分选取多个关键点,揭示了各关键点幅度分布与近表面缺陷深度的关系,获得了用于近表面缺陷检测的幅度分布特征值。试验结果表明,该方法能准确检测出埋深1．0mm的人工缺陷,有效地提高了对近表面缺陷的识别能力。     

声-固耦合模型下自适应高维特征焊缝缺陷超声检测

针对焊缝缺陷种类识别精度有待提高的问题,提出了一种将随机森林与变分模态分解相结合的算法,以结合二者的自适应特征提取能力及对于高维特征的强适应特性。利用多物理场仿真软件建立含缺陷焊缝的声-固耦合模型,进行超声波无损检测仿真,得到含缺陷超声回波信号。利用变分模态分解求出其各IMF能量分布系数,并以其作为特征向量建立随机森林模型,进行焊缝缺陷识别。结果表明,利用该方法提取的缺陷回波信号特征能有效表征焊缝缺陷,以其建立随机森林模型可以对其进行准确识别。     

基于独立分量分析的搅拌摩擦焊缝超声无损评价

指出搅拌摩擦焊焊缝的弱连接是目前超声无损检测的难点. 提出了一种新的超声特征成像方法,包括使用独立分量分析方法(independent component analysis,ICA)对时域超声信号进行分解,进而获得检测信号的特征矩阵;根据检测信号能量传递的特点,确定检测目标特征矢量的筛选方法,将检测信号向特征矢量投影,将投影能量和作为特征参数,对搅拌摩擦焊焊缝进行声成像. 应用该方法对不同拉伸强度的搅拌摩擦焊焊缝进行了声成像检测,并与常规C扫描方法进行了对比. 结果表明,该方法的检测结果与拉伸试验具有较好的一致性,对于搅拌摩擦焊焊缝的检测灵敏度高于常规C扫描方法.     

基于多探头源数据融合的焊缝缺陷识别

当今的无损检测领域中,缺陷性质的识别是检测的难点,为此研究了一种基于多探头源数据融合的焊缝缺陷识别新方法.该方法通过对多探头信息的融合,提高了检测结果的可靠性及缺陷识别的准确性.选用两个不同入射角度的斜探头对含有气孔、夹渣、裂纹、未焊透和未熔合五类典型焊接缺陷的焊件分别进行了检测,提取缺陷的超声回波信号特征,构建基于特征层和决策层两级融合的多探头源缺陷智能识别分类器,实现五类焊缝缺陷的多源数据融合识别.在特征融合层采用了BP神经网络作为特征融合器,并利用其融合输出构建每个探头源的基本概率分布函数及其对每类缺陷的基本概率赋值.在决策融合层利用D-S证据理论,合并每个探头源的基本概率分布函数,实现缺陷的融合智能识别.结果表明,该方法融合了多探头源的互补信息,有效的提高了缺陷的识别率,有助于焊缝质量的评定.     

面状缺陷超声检测图像的正演合成

为了辅助焊接缺陷超声检测的逆问题分析，通过建立仿真模型，对面状缺陷的超声检测信号进行仿真预测并对检测图像进行正演合成. 首先采用多高斯声束理论对声波在楔块、界面及被检测试件中的传播过程进行描述；其次采用Kirchhoff近似理论描述声场和面状缺陷的作用结果，制作了底面开口槽作为面状人工缺陷，并进行超声检测. 同时对人工缺陷超声检测的一维信号进行仿真预测，并正演合成二维图像. 将实际检测结果和模拟仿真结果进行比较，验证仿真模型对检测结果预测的有效性. 结果表明，正演合成图像和实际检测图像具有很好的一致性，所建立的仿真模型可辅助焊接缺陷超声检测逆问题分析.     

基于自适应滤波的超声杂波抑制方法

在超声衍射时差(time of flight diffraction,TOFD)法检测获取的回波中,作为固定存在的侧向直通波信号会导致近表面缺陷信号不易于识别. 针对这一问题,提出一种基于自适应滤波技术的杂波信号抑制方法. 该方法通过迭代滤波器自身参数,调节参考信号以满足待处理回波中杂波的时基抖动变化要求,并予以去除,从而分离出与其混叠的近表面缺陷信号. 阐明了基于自适应滤波技术的杂波信号抑制原理,并利用所提方法对计算机仿真信号及人工缺陷检测回波进行了杂波抑制处理. 结果表明,所提方法可有效滤除超声TOFD法检测回波中具有时基抖动特性的杂波信号,并提取近表面缺陷信号.     

基于超声杂波抑制的缺陷检测

超声TOFD(time of flight diffraction,衍射时差)法检测的D扫描图像中,作为背景杂波的侧向波与近表面缺陷波会发生混叠,致使近表面缺陷不易于检测. 针对这一问题,提出一种基于杂波抑制的缺陷检测方法. 该方法通过图像能量分布统计,确定背景杂波分量并予以去除,从而分离出与其混叠的缺陷信号,实现近表面缺陷的检测. 建立了的超声TOFD法检测信号的数学模型,阐明了基于图像能量分布的杂波抑制原理. 制作了人工缺陷试块及实际焊缝试块,并对其检测获取的图像进行了杂波抑制处理. 结果表明,提出的方法可有效去除图像中的非缺陷目标、提取近表面缺陷波,从而提高系统的有效检测范围.