基于智能算法的涡流检测自然裂纹形状重构

人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹涡流检测(ECT)信号进行了去噪预处理及信号特征提取,通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型的基础上,利用经过处理的裂纹ECT信号与裂纹形状参数样本库对径向基函数(RBF)神经网络进行训练.采用遗传算法,通过创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号;然后运用改进的遗传策略进行迭代反演优化,对裂纹形状最优解进行搜索.重构结果表明该方法具有快速、精确的优点.     

基于神经网络正向模型和蚁群算法的涡流检测自然裂纹形状重构

以神经网络作为正向模型,蚁群优化算法作为反演方法,对采集的疲劳裂纹涡流检测(eddy current testing,ECT)信号进行了反演,重构了裂纹形状.研究了算法中参数的不同选择对反演结果的影响.裂纹形状重构结果表明了神经网络正向模型的有效性和蚁群反演算法的可行性.     

涡流检测自然裂纹与信号处理

在用涡流检测(Eddy Current Testing,ECT)法评价设备缺陷时,缺陷信号由于受到探头提离及设备结构变化引起的非缺陷信号及环境噪声的影响而恶化,直接影响到对缺陷的正确评估.采集了自然裂纹 ECT 信号并根据其特点,采用小波变换对其进行了去噪处理.首先将 ECT 信号进行小波分解,去除非缺陷信号及白噪声信号分量,然后对小波系数进行反变换,重构缺陷信号.对一维和二维 ECT 信号处理结果表明这种信号处理技术对提取湮没在非缺陷信号和自噪声中的缺陷信号非常有效.     

铝阳极氧化膜表面TiO2的制备和表征

在钛盐溶液中,采用交流电沉积方法,在铝阳极氧化膜表面制备了TiO2薄膜.利用XRD、OM、SEM、EDS和XPS分析了该复合薄膜的结构、表面形貌及表面元素的组成和分布,并通过紫外光照下甲基橙溶液的光催化降解反应分析了薄膜的光催化活性.结果表明：该复合薄膜主要为非晶态,同时含有极少量的锐钛矿和金红石结构;薄膜表面主要由Al、O和Ti三种元素构成;电沉积过程中,氧化铝部分溶解,得到的TiO2分散地分布于氧化铝表面;该复合薄膜具有一定的光催化活性.     

基于神经网络的超声检测缺陷表征

提出了一种基于神经网络的缺陷表征方法．该方法采用Fischer线性判别分析对表征缺陷的时域信号的波形参数进行选择，并将这些参数作为神经网络的输入对智能缺陷表征系统进行训练，用概率神经网络和BP神经网络分别对缺陷的类型和大小进行识别．对135种人造焊接缺陷(裂纹、夹杂和气孔)的试验结果表明，文中方法对辨识缺陷表征信息和提高缺陷识别率非常有效．     

基于巨磁阻元件的涡流／磁一体化阵列传感器

根据涡流、漏磁以及磁记忆检测的特点，基于巨磁阻元件开发了涡流／磁一体化阵列传感器，将电磁无损检测中动态、静态电磁场的测量统一起来，按照检测要求进行常规涡流、脉冲涡流、任意波激励涡流、漏磁以及磁记忆等检测方式。通过分组引线降低了传感器的布线难度，具有较高的扫描检测速度衍4用串行通信将传感器中存储于Flash芯片内的各项参数传输到主机，进行各种补偿和设置，提高传感器的性能。该传感器具有应用范围宽、测量范围大、体积小、稳定性好以及空间分辨率高等特点。     

一种基于图像融合的综合无损检测系统

介绍了一种基于虚拟仪器和嵌入式计算机技术的集超声、涡流和磁记忆三种探伤方法于一体的综合无损检测系统。该系统采用相控阵超声传感器、相控阵涡流传感器和阵列磁记忆传感器。除传感器外,所有硬件都装在一部便携式计算机内。具有功能强大、技术超前、扩展性好、携带方便等特点。非常适合于在探伤工作机动性和高效性要求高的场合,以及大型复杂设备的检测。     

基于INLR-PPLS的非线性多传感耦合信息建模方法

针对线性PLSR(偏最小二乘回归)在多传感信息回归建模中存在的不足,提出了一种基于INLR(Implicit Nonlinear Latent Variable Regression)-PPLS(Polynomial Partial Least Squares)的非线性多传感耦合信息建模方法.该方法通过线性PLSR对多传感信息进行预处理,达到降维的目的;基于INLR建立外模型非线性样本矩阵变换方程并线性化,进而采用PPLS进行内模型非线性映射,并对多传感非线性回归模型实行反求解.最后,将该方法应用于液态乙醇浓度测控系统,结果表明该方法较线性PLSR预测准确度提高21%.     

基于多尺度逼近的多维传感信息解耦方法

针对多尺度插值解耦方法的尺度特征计算和尺度阈值优化求解问题,提出了一种基于多尺度逼近的多维传感信息解耦方法.该方法通过函数多尺度逼近快速获取尺度特征,无需构建传感器的特征方程,根据尺度取值顺序确定尺度阈值和相应的插值方法,从而实现准确度目标下的快速解耦.仿真结果表明,尺度特征计算方法简单直接,当解耦的准确度目标为0.5%时,计算得到的尺度阈值为2-4,此时的最短解耦计算时间为80ms,解耦误差约为0.4575%.