基于LabVIEW的钢杆裂纹定量检测的研究

介绍基于LabVIEW的钢材表面裂纹定量检测原理，设计了基于LabVIEW的钢杆裂纹定量检测系统，并对钢杆表面横向裂纹缺陷进行模拟实验，初步建立数学模型，通过评判Vpp得到反映裂纹状况的定量检测结果，从而验证了该方法的可行性和有效性，并得出相关的结论。     

基于LabVIEW的钢杆裂纹定量识别技术的研究

介绍基于LabVIEW的钢材表面裂纹定量识别技术，设计了基于LabVIEW的钢杆裂纹定量检测系统，并时钢杆表面横向裂纹缺陷进行模拟实验。初步建立数学模型，通过评判得到反映裂纹状况的定量检测结果。从而验证了该方法的可行性和有效性。并得出相关的结论。     

钢杆裂纹定量检测的研究

阐述了钢杆裂纹缺陷的定量检测原理。设计了钢杆裂纹缺陷漏磁的计算机辅助定量检测系统,并对钢杆裂纹缺陷进行模拟实验,获得裂纹缺陷信号波形,并对实验数据进行曲线拟合,初步建立检测系统的数学模型,从而验证了该方法的可行性,并得出相关的结论。     

管道裂纹远场涡流检测正演模型设计

管道远场涡流裂纹缺陷检测的本质是电磁场反演问题,由于先验约束条件的不足,缺陷尺寸的定量检测成为一个无定解的不适定问题。提出了一种基于BP神经网络学习算法的管道远场涡流检测正演模型的设计方法,通过对轴对称缺陷管道模型的仿真研究,提取出与缺陷尺寸显著相关的关键磁场特征量,实现了从管道裂纹缺陷尺寸空间到磁场信号特征空间的非线性定量映射。经测试,正演模型对远场涡流特征信号具有良好的逼近精度和推广能力,可为管道轴对称裂纹缺陷的定量反演评估提供有效的先验知识和约束条件。     

基于无人机视觉的起重机表面裂纹检测方法

为解决起重机高空金属结构不可达部位裂纹的远程可视化检测难题,提出一种基于无人机视觉的结构表面裂纹检测与识别方法。通过搭载高分辨率可见光相机的倒置式无人机检测平台,全方位采集大型起重机复杂钢结构表面图像;采用Faster R-CNN深度神经网络算法分类检测是否有裂纹缺陷,并以缺陷最小外接矩形框标记其位置;对检测出的裂纹目标框区域,利用最大熵阈值分割、Canny边缘检测、投影特征提取和骨架提取等方法,对裂纹长度、宽度、面积、长宽比等参数进行识别,并为长宽比和面积设置一定阈值,去除漆膜开裂和水渍等伪裂纹缺陷。实验结果表明,Faster R-CNN裂纹检测算法准确率达到95.4%,速度达到2 f/s,同时裂纹宽度识别误差约为5.84%,实现了起重机结构表面疲劳裂纹的远程自动化检测。     

基于卷积神经网络的火花塞表面缺陷检测研究

以特征提取为核心，进行火花塞表面缺陷检测时，主要依托于矩不变量获取表层特征信息，使得检测结果mAP值较低。因此，应用卷积神经网络，提出一种新的火花塞表面缺陷检测方法。针对采集的火花塞表面图像，应用非下采样剪切波变换原理进行预处理。应用霍夫圆理论建立规划策略，规划表面缺陷圆形区域。依托于卷积神经网络结构，建立火花塞表面缺陷特征提取模型，提取每个规划区域包含的深层特征信息。运用RPN算法对提取特征进一步分析，输出表面缺陷检测结果。实验结果表明：所提检测方法的mAP值为0.96，与基于SVM、基于KNN、基于MLP的检测方法相比，mAP值提升了15%,21%和27%。     

基于小样本的神经网络参数优化选择方法

提出了一种基于小样本的神经网络参数优化选择方法,并应用于冷轧带钢表面缺陷在线检测系统中。该方法利用小样本对神经网络的每一种可能的组合参数进行模拟训练及测试,通过直方图求取最优化的一组神经网络参数。实验表明,利用该方法选择出来的神经网络参数,可以实现对冷轧带钢表面缺陷的最优识别。     

基于深度卷积神经网络的裂纹检测方法综述

裂纹是威胁民用基础设施安全运行的重要因素之一,及时准确地检测出裂纹可以有效避免事故的发生。基于计算机视觉的自动裂纹检测方法具有操作简单、检测速度快、检测精度高的优点,被广泛应用于桥梁、道路监测、房屋建造、轨道交通等领域。总结了现有裂纹检测主要手段,详细介绍了三类基于深度卷积神经网络的裂纹检测方法,即基于分类的裂纹检测、基于目标检测的裂纹检测、基于像素级分割的裂纹检测,分析了基本原理、优缺点及其实际应用。汇总了裂纹检测领域常用数据集,并探讨了基于深度卷积神经网络的检测方法存在的问题,对其未来发展进行了展望。     

基于径向基函数神经网络的转子系统裂纹故障诊断

结合基于模型的转子系统诊断技术和径向基函数(RBF)神经网络在辨识非线性系统动态时的优势,本文提出了一种新的转子系统裂纹故障诊断方法.该方法采用RBF神经网络对裂纹转子系统的未知动态进行辨识,实现部分神经网络权值收敛到最优值以及神经网络对系统未知动态的局部准确逼近;诊断过程中利用已辨识的信息实现转子系统裂纹故障的快速检测与分离.所提方法尤其适用于微小裂纹的在线检测与定量识别.最后,以Jeffcott转子系统裂纹故障诊断为例进行仿真,仿真结果验证了所提方法的有效性.     

基于神经网络的冷轧带钢表面缺陷检测

带钢表面缺陷是影响带钢质量的重要因素,对带钢进行表面缺陷检测对提高带钢质量具有重要意义。传统人工检测的方法往往不能得到令人满意的检测结果。为此,提出了采用基于前馈神经网络(FFN)的方法对在线带钢的表面缺陷进行检测,检测结果令人满意,表明了该方法的有效性。     

RBF在钢铁材质缺陷检测中的应用研究

针对钢铁件材质缺陷检测问题,介绍了基于初始幅值磁导率法的一种电磁无损检测方法。为了提高检测的效率和准确率,将RBF神经网络设计成为新的识别系统通过对钢铁件样本数据进行的仿真测试表明,RBF神经网络系统识别效率较高且可靠,为电磁无损检测提供了一个新的思路。     

RETRACTED ARTICLE: Prediction water absorption resistance of lightweight geopolymers by artificial neural networks

In the present study, the Charpy impact energy of ferritic and austenitic functionally graded steel produced by electroslag remelting has been modeled in crack divider configuration. To produce functionally graded steels, two slices of plain carbon steel and austenitic stainless steels were spot welded and used as electroslag remelting electrode. Functionally graded steel containing graded layers of ferrite and austenite may be fabricated via diffusion of alloying elements during remelting stage. Vickers microhardness profile of the specimen has been obtained experimentally and modeled with artificial neural networks. To build the model for graded ferritic and austenitic steels, training, testing and validation using respectively 174 and 120 experimental data were conducted. A good fit equation that correlates the Vickers microhardness of each layer to its corresponding chemical composition was achieved by the optimized network for both ferritic and austenitic graded steels. Afterward, the Vickers microhardness of each layer in functionally graded steels was related to the Charpy impact energy of the corresponding layer. Finally, by applying the rule of mixtures, Charpy impact energy of functionally graded steels in crack divider configuration was found through numerical method. The obtained results from the proposed model are in good agreement with those acquired from the experiments.

     

Application of artificial neural networks for analytical modeling of Charpy impact energy of functionally graded steels

In the present study, the Charpy impact energy of ferritic and austenitic functionally graded steel produced by electroslag remelting has been modeled in crack divider configuration. To produce functionally graded steels, two slices of plain carbon steel and austenitic stainless steels were spot welded and used as electroslag remelting electrode. Functionally graded steel containing graded layers of ferrite and austenite may be fabricated via diffusion of alloying elements during remelting stage. Vickers microhardness profile of the specimen has been obtained experimentally and modeled with artificial neural networks. To build the model for graded ferritic and austenitic steels, training, testing and validation using, respectively, 174 and 120 experimental data were conducted. According to the input parameters, in the neural networks model, the Vickers microhardness of each layer was predicted. A good fit equation that correlates the Vickers microhardness of each layer to its corresponding chemical composition was achieved by the optimized network for both ferritic and austenitic graded steels. Afterward, the Vickers microhardness of each layer in functionally graded steels was related to the yield stress of the corresponding layer and by assuming Holloman relation for stress–strain curve of each layer, the area under each stress–strain curve was acquired. Finally, by applying the rule of mixtures, Charpy impact energy of functionally graded steels in crack divider configuration was found through numerical method. The obtained results from the proposed model are in good agreement with those acquired from the experiments.     

基于蚁群神经网络的油气套管裂缝缺陷检测

提出一种基于蚁群神经网络的漏磁信号定量分析方法.首先,通过有限元仿真,分析和确定了漏磁信号中能够反映裂缝缺陷参数的各个特征量;其次,通过对蚁群算法原理的研究,建立了以漏磁信号为对象的神经网络模型;最后,模拟实际检测中不同缺陷信号的特征量作为网络输入,并对网络性能进行测试.实验结果验证了蚁群神经网络的可行性,并且能明显改...     

基于人工神经网络的主机安全量化评估研究

基于人工神经网络的方法对主机安全性能进行量化评估。分析了BP人工神经网络模型的网络结构及学习算法,分析了影响目标主机安全性能的可能因素,并应用BP神经网络模型对目标主机的安全性能进行样本训练及实际测试。基于人工神经网络的主机安全量化评估为评价目标主机的安全性能提供了可行的方法。     

神经网络技术在涡流无损检测中的应用

人工神经网络技术在涡流检测中的应用越来越广泛。文中将多层神经网络BP算法应用到主极裂纹涡流无损检测的信号处理中，并对具体的神经网络的结构进行了设计，主要包括输入和输出层的设计，网络数据的准备，网络初始权值的选择，隐含层数及隐含层节点数的设计，网络的训练、检测及性能评价等。结果表明所设计的网络能够对主极裂纹信号进行有效的自动识别，而且识别的准确度很高。     

Neural networks in computational mechanics

Summary In this paper, recent neural network applications, epecially to the fields related with the computational mechanics, were surveyed. The most outstanding characteristics of the neural network aided computation is that neither complicated programmings nor rigid algorithms are needed. Another important point is that the neural network's inherent parallelism, that is, concurrent signal transmissions over numerous, information processing elements suits the massively parallel computer architectures. First, we briefly review the neural network applications to the computational mechanics fields from recent publications, and describe the mathematical basis of the neural network. Next, the following topics are detailed: quantitative nondestructive evaluation, structural identification, modeling of viscoplastic material behaviors, crack growth analysis of welded specimens, structural design, parameter estimation for nonlinear finite element analyses, and equation solver.     

神经网络验证和测试技术研究综述

神经网络技术在图像处理、文本分析和语音识别等领域取得了令人瞩目的成就,随着神经网络技术应用到一些安全攸关的领域,如何保证这些软件应用的质量就显得尤为重要。基于神经网络技术的软件在开发和编程上和传统软件有着本质的区别,传统测试技术很难直接应用到此类软件中,研究针对神经网络的验证和测试评估技术十分必要。从有效评估和测试神经网络出发,对神经网络验证和测试技术的研究现状进行梳理,分别从验证技术、基于覆盖的测试技术、基于对抗样本的测试技术、融合传统测试技术等方面进行了归纳和分类。对其中一些关键技术的基本思想和实现做了简明扼要的介绍,并列举了一些测试框架和工具,总结了神经网络验证和测试工作面临的挑战,为该领域的研究人员提供参考。