论文部分内容阅读
基础建设和航天工业等领域中大量使用到了金属薄板,这些薄板在使用前和使用中都必须要经过严格的损伤检测。复杂的现场环境和大面积的检测范围更适合超声兰姆波这种装置简单、探伤能力强的技术手段。高频兰姆波具有多模态的特征,在实际测试中会严重干扰测试输出结果,特征参数不能有效辨识。本文针对检测薄板时环境复杂情况,采用声直射入法将叠堆压电陶瓷激发的超声波传至检测薄板,降低兰姆波的激发频率以减少来自兰姆波自身的模态干扰。本文先阐述了超声兰姆波的检测原理,使用Matlab编写程序绘制出1.5mm厚金属钢板的理论频散曲线。搭建实验平台采集了无损伤、孔型缺陷、槽型缺陷、焊点4种类型下共90个样本数据,同时对这4种类型的波形编码区分并建立输入输出关系。由于超声兰姆波本身较复杂,加上采集环境、金属薄板反射波的干扰,需要对信号有效地降噪预处理,其中传统经验模态分解、改进型完全噪声辅助聚合经验模态分解以及变分模态分解均有一定的效果,通过Hilbert包络谱比较了三种方法的优点,本文选择ICEEMDAN方法作为预处理手段。然后通过对各阶IMF分量进行时域特征参数提取,对FFT频谱以及Hilbert边际谱的特征信息进行提取,为后续缺陷的分类构建特征向量。最后,在此基础上,建立BP神经网络及极限学习机两种模型,将本文得到的48组训练集输入模型中,以剩余24组测试集验证这两种模型对本文特征参数提取方法的有效性。本文提取的特征参数可以在BP神经网络和极限学习机这两种模型中进行有效的识别匹配,对缺陷种类的判断以及识别的准确率都在较高的数值,设计实验使用剩余18组数据集对比两种模型的识别能力,结果表明极限学习机在识别四种缺陷准确率和资源耗费率上优BP神经网络,更适合于工程应用。