储罐底板漏磁检测量化技术研究

储罐是石油、石化工业中重要的设备,储罐底板腐蚀是储罐安全隐患之一。漏磁检测方法是目前储罐底板检测研究的一个重要方向。根据缺陷漏磁信号的特征,将经验模态分解方法（EMD）与小波去噪方法相结合,对漏磁信号进行去噪处理。采用BP神经网络模型对储罐底板缺陷进行量化分析研究,构建了缺陷几何参数预测BP神经网络模型,并运用有限元分析所得到的数据为BP网络训练样本,用人工模拟缺陷的漏磁信号测试BP神经网络。网络训练和测试结果符合储罐底板缺陷量化的精度要求。     

工业储罐缺陷检测模糊分类器研究

目前工业储罐缺陷检测设备对传感器与测试表面的距离不太敏感，对于校准的要求也非常低，是人工操作员快速检查储罐底板缺陷的一大障碍。基于电场指纹法介绍了一种利用模糊推理系统对原始传感器数据进行分类的方法，用以检测大型液化天然气储罐的缺陷。采用最新的滤波去噪芯片，设计专用信号处理电路，配套相应计算软件，完成特征信号的提取；建立实时测量数据库，并对数据进行动态分析；根据分析结果，生成拟合图。结果表明，所设计的工业储罐缺陷检测模糊分类器达到了预期效果，其工业平台的建立将对石油、天然气行业的增值具有重大意义。     

PNN与BP神经网络在钢板表面缺陷分类中的应用研究

针对钢板表面缺陷图像信噪比低、特征复杂多变而导致现有的钢板表面缺陷模式识别与分类方法存在的实时性差、精度低、适应性差等问题,研究了基于人工神经网络的分类器,以实现对钢板表面缺陷进行实时有效的分类识别。根据钢板表面划痕、麻点、夹杂、锈蚀、辊印5类缺陷的特点,从缺陷图像信号中提取了几何特征、灰度特征和Hu矩特征,选取了能够比较全面表征缺陷特征信息的13维特征向量作为神经网络的输入数据,为缺陷识别和分类提供了依据。分别构造了概率神经网络PNN和BP神经网络分类器,对钢板的表面缺陷进行了分类测试,并对测试结果进行了对比分析。实验结果表明,PNN和BP神经网络的识别率分别为87%和81%。PNN在识别准确率、训练速度、追加样本的能力等几方面的综合性能优于BP神经网络。     

基于小波神经网络的木质材料缺陷模式识别

利用小波和神经网络对木质材料中密度纤维板的不同缺陷进行智能模式识别,研究采用Daubechies小波包对振动信号进行3层分解,计算信号在各频段所占的能量率,并以此作为样本对拓扑结构不同的BP神经网络进行训练,然后利用训练好的网络对缺陷的种类进行分类识别。结果表明,性质相近的两种贫胶缺陷应作为一类缺陷模式进行识别,单隐层和双隐层的BP网络对没有缺陷、鼓泡缺陷和贫胶缺陷3种模式的识别都很理想,但双隐层BP网络的推广性能较好,网络输出的波动性小。对中密度纤维板没有缺陷、鼓泡缺陷和贫胶缺陷智能识别的最佳网络是双层BP网络,网络第1隐层节点和第2隐层节点分别为20和6,对中密度纤维板缺陷模式识别的准确率为90％。     

基于智能技术的木材缺陷定量无损检测研究

通过对直径不同孔洞缺陷振动信号进行处理分析,实现木材孔洞大小的无损检测.研究中首先采集孔洞面敲击和无孔洞面敲击的振动应力波信号,然后对直径不同孔径缺陷的振动信号的频谱特征进行分析,提取出频谱的特征向量作为训练样本;并利用获取的样本对构建好的体现信号特征与孔洞大小的非线性神经网络模型进行训练,然后利用训练好的网络对孔洞缺陷的大小进行无损检测.结果显示:随着孔洞直径的增大,振动信号频谱密度极大值所对应的频率逐渐减小;与无孔洞面敲击方式相比,孔洞面敲击所获得的信号频谱特征作为样本训练BP网络,网络仿真性能较好,仿真输出和目标值的相关系数都能达到0.98以上,对孔洞缺陷直径大小的识别准确率达到93.5％以上;孔洞缺陷大小检测的最佳模型为隐层节点6、传递函数为正切Sigmoid的单隐层网络模型.     

常压储罐底板腐蚀的漏磁检测

概述了漏磁检测技术的原理,及其在常压储罐底板腐蚀缺陷检测中的应用。采用英国Silver-wing公司最新的Floormap VS2i储罐底板腐蚀扫描仪对华阳电业有限公司后石电厂3000 m3储油罐进行了现场检测,得到了储罐底板腐蚀缺陷的分布情况。     

基于小波包和概率神经网络的焊接缺陷识别

在焊接缺陷的超声检测中,对缺陷进行定性分析是超声无损检测与评价的关键内容,也是超声检测研究领域的热点和难点。针对焊接缺陷超声回波信号的特点,利用小波包变换提取反映缺陷性质的特征值,运用概率神经网络对缺陷进行识别,并与BP网络、RBF网络的识别结果进行比较。实际焊接缺陷的实验结果表明,概率神经网络的识别正确率高,训练和测试速度快,可靠性高。     

小波神经网络在摩擦焊缺陷识别中的应用

针对摩擦焊接头超声检测信号,介绍了一种用于信号分类的小波神经网络结构及其学习算法,用小波包分析工具提取信号特征作为网络输入,实现了宏观焊接缺陷和微观焊接缺陷的分类识别.实验结果表明,较BP网络小波神经网络获得良好的识别结果.     

基于卷积神经网络的管道缺陷量化识别方法北大核心CSCD

针对长输油气管道缺陷尺寸的智能识别、有效评估管道损伤程度的问题,提出了一种基于卷积神经网络的漏磁数据智能识别处理方法。该方法将漏磁检测信号的结构化数据作为模型量化分析输入源,可有效减小检测干扰的影响。利用卷积核提取管道缺陷处的漏磁检测数据特征,改进输出层激活函数,线性输出结果,实现对管道缺陷尺寸的智能识别。实验结果表明:该方法对管道缺陷具有良好的量化能力,量化误差为2~4 mm,满足工程需求,同时可快速对工程数据进行批量识别,在管道漏磁内检测数据处理领域具有很好的应用前景。     

管道缺陷漏磁检测信号的仿真

漏磁检测是管道无损检测的常用方法,也是最有效方法之一.在检测管道的过程中,对于不同的缺陷会检测到不同的漏磁信号.通过建立管道检测的实体模型,对管道斜向裂纹缺陷所产生的漏磁信号运用ANSYS有限元软件进行模拟仿真,从仿真信号中的磁通密度纵横向矢量图中,直观地显示了漏磁场附近的特点,找到缺陷轮廓及参数.利用有限元可以分析出,缺陷漏磁场的峰值会随着裂纹的倾斜角度、宽度、深度、提离值的大小变化而变化,可以方便地建立大量大小不一形状不同的缺陷样本库,为缺陷的识别提供依据并为定量分析做准备,为进一步对漏磁场的研究打下基础.