基于神经网络正向模型和遗传算法的涡流检测自然裂纹形状重构

提出了一种基于神经网络正向模型与遗传优化算法从疲劳裂纹涡流检测(eddy current testing, ECT)信号重构裂纹形状的方法.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ECT信号进行了去噪预处理并提取了信号特征.随后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基础上,利用经过处理的裂纹ECT信号和裂纹形状参数样本库对径向基函数(Radial Basis Function, RBF)神经网络进行训练.遗传算法首先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,然后运用遗传策略进行迭代反演优化,搜索裂纹形状最优解.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.     

金属微裂纹的谐振式涡流检测

本文用涡流谐振检测法对金属表面微裂纹的扩展进行测量.裂纹开裂面积对涡流有阻碍和切断作用,造成涡流检测线圈阻抗的相应变化,引起谐振电路品质因数升高、信号检测斜率增大.因此微小的表面裂纹和缺陷即可获得较大的信号电压输出.实际裂纹检测表明,这种方法灵敏度高、探测范围大,容易实现自动检测.     

应力腐蚀裂纹的电涡流法检测及裂纹模型

建立合理的应力腐蚀裂纹模型对于利用电涡流法定量评估裂纹大小起着至关重要的作用。通过对应力腐蚀裂纹的电涡流法检测实验信号与模拟信号的分析,研究了应力腐蚀裂纹的导电性。结果表明,讨论应力腐蚀裂纹的等效电阻比单独讨论等效宽度及等效电导率更有意义。采用应力腐蚀裂纹的分布导电性模型更有利于重建基于电涡流信号的裂纹形貌。     

基于新型脉冲涡流传感器的裂纹缺陷定量检测技术

传统脉冲涡流检测技术采用反射型传感器,其通过一个圆柱形的激励线圈来产生激励磁场,采用检测线圈或霍尔传感器来检测扰动磁场,然而由于激励磁场要比缺陷引起的扰动磁场强很多,使得这种结构的传感器对缺陷的检测灵敏度不高,需采用差分的方法来增强缺陷信息.提出了一种新型脉冲涡流传感器,其通过采用矩形激励线圈来改变激励场的空间分布,使得无需差分就可以对缺陷进行定量.在分析该新型脉冲涡流传感器检测原理的基础上,采用仿真和实验相结合的方法研究了其对裂纹缺陷长度和深度进行定量的效果,仿真与实验结果相一致,证明了该传感器的有效性.     

小波分析用于钢板孔洞的涡流检测研究

小波的时频局部化和多尺度特性，使其特别适用于信号的奇异性探测和瞬态信号的检测以及强周期性噪声干扰下非平稳信息的提取。将小波分析用于钢板孔洞测量的数据处理过程中，通过以最大信噪比为依据的自定义信息代价函数来获取小波包最优基函数，使重构信号的信噪比大幅度提高，从而确保了钢板孔洞的测量精度与分辨率。实验分析表明，小波分析不仅可用于单孔信号的高效定位提取，而且通过一定的逻辑分析与判断，同样适用于连孔和多孔信号以及存在管道焊缝信号的高效分辨。     

神经网络方法在涡流无损检测定量分析中的应用

采用人工神经网络完成涡汉无损检测中的定量识别,首先,用数值方法分析了阴抗增量的幅值、相位与缺损尺度的关系,得出结论：用相位值来表征深度效果更好,精度更高,然后,应用小波边缘检测方法确定的信号特征值作为网络的输入,结果表明：计算量大为减小,网络结构得到了简化。     

基于遗传模拟退火算法的漏磁缺陷重构

通过将模拟退火技术加到遗传算法（GA）的变异运算中，提出一种遗传模拟退火算法（genetic-simulated—annealing—algorithm，GSAA），并且提出一种基于GSAA的逆算法，用于从漏磁信号中重构二维缺陷．该算法中，径向基函数神经网络（RBFNN）用作前向模型，GSAA用于求解逆问题中的优化问题．实验结果表明，同基于GA的逆算法相比，基于GSAA的逆算法更精确，并且对噪声更具鲁棒性．     

电容层析成像算法

电容层析成像技术具有非侵入,响应快,低成本,测量范围宽及易于安装等特点,在多相流在线检测中具有良好的发展前景.电容成像中图像的重建算法与技术,是其在工业实际中得以应用的关键.近年来在图像重建方面的研究取得了较大的进展,Tikhonov正则法,Landweber迭代法、同步跌代法、神经网络法、共轭梯度法及通用迭代法的图像重建质量较LBP法有了明显提高.     

基于径向基网络和小波变换的电容层析图像重构算法

针对电容层析成像系统重构图像问题的非线性、病态性等特点,提出了基于径向基神经网络的图像重构算法以达到流型辨识的要求,并针对神经网络成像精度低的问题,重点分析研究了适用于图像特征增强的空频分析方法——基于径向基网络的自适应小波滤波重构算法.图像经过多级小波分解后,依据邻域特性来判断各个子带图像上的边缘点;依据统计特性来估计噪声在空频域中的分布,并构造具有自适应性的边缘增强增益;最后用调整后的小波系数重建图像.仿真结果表明,该算法有效地增强了图像的边缘,减小了图像的噪声影响,很大程度上改善了重构图像的成像质量,明显减轻了失真度,使图像特点更加清晰.     

利用图像梯度信息进行形状恢复

对图像梯度与目标表面梯度之间的关系进行了研究,并在此基础上提出了一种利用图像梯度信息恢复目标表面形状的方法.该方法先利用图像梯度和光照方向对目标表面的梯度进行恢复,得到粗糙表面形状;再利用表面的平滑性约束得到光滑的目标表面.利用该方法可以得到较好的形状恢复结果,并具有很快的计算速度.     

电容层析成像算法

电容层析成像技术具有非侵入,响应快,低成本,测量范围宽及易于安装等特点,在多相流在线检测中具有良好的发展前景。电容成像中图像的重建算法与技术,是其在工业实际中得以应用的关键。近年来在图像重建方面的研究取得了较大的进展,Tikhonov正则法,Landweber迭代法、同步跌代法、神经网络法、共轭梯度法及通用迭代法的图像重建质量较LBP法有了明显提高。     

基于独立成分分析和流形学习的眼电伪差去除

针对眼电伪差严重干扰脑电(EEG)信号的理解和分析的问题,提出了一种新的方法用于实时地去除脑电中的眼电伪差.该方法使用独立成分分析(ICA)分解EEG信号,提取独立成分的地形图和功率谱作为特征,并采用基于模板的Isomap算法降低特征的维数.将新的特征样本送到分类器中以识别眼电伪差独立分量,几个典型分类器的分类结果显示,基于模板的Isomap算法结合使用最近邻算法进行分类时,识别伪差的正确率最高.实验结果表明,提出的方法在有效去除眼电伪差的同时,很好地保留了大脑神经信号,也证明了新的Isomap算法用于眼电伪差特征的降维的有效性.     

实用信号多尺度边缘重建算法

信号的多尺度边缘重建在信号分析、图象处理等方面具有很大的理论和实用价值．本文对Ｍａｌｌａｔ所提出的信号多尺度边缘重建算法进行了实用化改进，克服了原方法选代时在信号的多尺度表达的模极大值点外出现模极大值点和收敛速度较慢等问题，重建实例证明改进算法可加快重建时的选代收敛速度、提高重建信号的质量．     

基于短时心电信号的疲劳驾驶检测算法

心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.