一种金属板材缝类缺陷智能识别方法技术

本发明专利技术提供了一种金属板材缝类缺陷智能识别方法，包括步骤：获取金属板材的超声波回波信号；对回波信号作连续小波变换，提取时频特征；利用主元成分分析法对特征进行降维处理，选取主元作为特征值；构建支持向量机模型，以特征值作为模型输入；制作训练集，训练支持向量机模型；利用训练好的支持向量机模型，对不同状态的缺陷或不同深度裂纹缺陷进行识别区分。本发明专利技术将连续小波变换、主元成分分析、支持向量机相结合，首先对非线性超声回波信号进行连续小波变换，充分的显示缺陷回波的有效信息和提取特征参数；然后采用主元成分分析对提取特征参数进行降维处理；最后利用支持向量机模型区分识别出板材不同状态的缺陷和不同深度裂纹缺陷。

【技术实现步骤摘要】
一种金属板材缝类缺陷智能识别方法
本专利技术属于板材缺陷检测
，具体涉及一种金属板材缝类缺陷智能识别方法。
技术介绍
金属板材质量的好坏会直接决定机械设备正常运行的可靠程度，因此需要检测其内部有无气孔和裂纹等缺陷。现阶段国内的研究主要集中在金属板材缺陷非线性超声回波信号相对非线性系数识别问题上，对于缺陷的非线性超声回波信号的特征提取和分类识别研究还比较少。因此缺陷的定量识别研究是一个新研究重点，也是目前迫于解决的问题。
技术实现思路
本专利技术的目的在于，提供一种金属板材缝类缺陷智能识别方法，解决金属板材缺陷非线性超声回波信号的特征提取和分类识别问题。本专利技术所采用的技术方案如下：一种金属板材缝类缺陷智能识别方法，包括以下步骤：获取金属板材的超声波回波信号；对回波信号作连续小波变换，提取时频特征；利用主元成分分析法对特征进行降维处理，选取主元作为特征值；构建支持向量机模型，以特征值作为模型输入；制作训练集，训练支持向量机模型；利用训练好的支持向量机模型，对不同状态的缺陷或不同深度裂纹缺陷进行识别区分。优选地，获取回波信号后，对回波信号进行预处理。优选地，预处理为带通滤波和信号放大。优选地，采用同侧超声激励接收方法接收回波信号。优选地，超声波激励信号采用脉冲串形式，并采用Hanning窗进行调节。优选地，小波变换的基小波为Cmor小波。优选地，依据各主元贡献率和累计贡献率选取主元。优选地，选取主元贡献率排名前三的主元作为特征值。优选地，支持向量机的核函数为径向基核函数。优选地，不同状态的缺陷包括有缺陷和非缺陷。本专利技术的有益效果为：本专利技术的金属板材缝类缺陷智能识别方法，将连续小波变换、主元成分分析PCA、支持向量机SVM相结合，实现金属板材缺陷非线性超声回波信号的特征提取和分类识别。本专利技术首先对非线性超声回波信号进行连续小波变换，小波系数时频图能够实现信号的时间-频率-小波系数三维信息的描述，能够充分的显示缺陷回波的有效信息和提取特征参数；然后采用主元成分分析对提取特征参数进行降维处理，有效地减少特征参数，使得之后的处理更加高效准确；最后利用支持向量机模型区分识别出板材不同状态的缺陷和对不同深度裂纹缺陷。附图说明图1是本专利技术实施例的金属板材缝类缺陷智能识别方法流程图。图2是本专利技术实施例的激励信号时域波形图。图3a-图3c是本专利技术实施例的3组实验的回波信号时域波形图。图4a-图4c是本专利技术实施例的3组实验的小波系数时频图。图5a-图5c是本专利技术实施例的3组实验的各主元贡献率示意图。图6a-图6c是本专利技术实施例的3组实验信号的支持向量机识别结果图。具体实施方式下面将结合附图对本专利技术作进一步的说明：本专利技术将主成分分析和支持向量机结合起来应用于缺陷信号的识别分类。在提取非线性超声信号特征参数后，利用PCA对数据进行降维处理，选取主元作为特征值，然后利用SVM对缺陷信号进行智能识别。本专利技术实施例的金属板材缝类缺陷智能识别方法，如图1所示，包括以下步骤：S1、获取金属板材的超声波回波信号。本实施例运用美国RITEC公司开发的RAM-5000-SNAP高能超声检测系统，检测系统包含RAM-5000-SNAP平台模块、阻抗匹配模块、衰减器模块、低通滤波器模块、有源放大器模块和带通滤波器模块六大模块。由检测系统、计算机、DSOX2020A示波器、发射探头、接收探头和试样等实验装置组成实验系统。激励信号由超声检非线性检测系统产生并传输到发射探头，然后电信号通过发射探头转换成振动信号，振动信号最终被接收探头接收，信号在其传播过程中会发生反射、折射等现象，导致产生二次谐波和高次谐波。高次谐波信号微弱，系统噪声以及基波信号往往会将其覆盖。接收探头将振动信号转成电信号，经过带通滤波器和信号放大器处理后，再将其传送至接收端1。由于通带滤波器会过滤掉低频的信号，故接受回波信号主要为二次谐波信号。RAM-5000-SNAP平台的DSOX2020A示波器可以实时显示回波信号。本实施例采用同侧超声激励接收方法，使用角度可调探头以激发超声波。在实际的测量中，当发射探头和接收探头的角度都调节为50，示波器上回波信号最理想。本实施例以中心频率2.5MHz的正弦脉冲串作为激励信号，同时采用Hanning窗口对激励信号调节，加窗处理后的激励信号的能量可以更加的集中、旁瓣得到明显的抑制并减少能量的泄露。为确保响应信号的频率成分更纯净，脉冲串的个数应尽可能的多，其次保证接收信号不能产生重叠，因此最终选择Hanning窗调制的15个cycles的激励信号，图2为激励信号的时域波形。本实验选用的试件为6061铝合金，尺寸为250mm×100mm×10mm，在试件中间沿宽度方向进行线切割，分别加工出深度为0mm，1mm，5mm，宽为0.1mm人工裂缝。在采集不同缺陷状态的回波信号时要保持测量条件的一致性。本实验采用DSOX2020A示波器采集回波信号的时域波形，其中发射探头中心频率为2.25MHz，接受探头中心频率为5MHz。由于实验采用脉冲串的激励信号，因此回波信号也是脉冲串的形式，并且缺陷的主要信息也在回波脉冲串中，提取的回波信号也主要采集回波信号的脉冲串。3组实验采集的回波信号如图3a-图3c所示。S2、对回波信号作连续小波变换，提取时频特征。不同板材缺陷状态之间的差异是客观存在的，图3a-图3c所示的3组回波信号很难直接从波形中将其区别分开，为了突出各种状态缺陷的特征，基于非线性超声回波信号为非稳时变信号的特点，对回波信号作连续小波变换。小波变换应根据信号函数的性质特点来选择基小波，使得小波变换能刻画出信号的特征，铝合金板材裂缝缺陷的非线性超声回波是非稳时变信号，所选择的基小波应能使信号回波的连续小波变换时频图获得突出的时频分辨率。由于Cmor小波的时域和频域形式都具有高斯函数的一些性质，很多分解可在频域进行，并且能够对分析信号进行自适应分解。故本实施例采用Cmor小波为基小波，对3组实验信号作连续小波变换，得到小波系数时频如图4a-图4c所示。其中，小波变换是将信号与一个在时频域上均具有局域化性质的平移伸缩小波基函数进行卷积，从而将信号分解成位于不同时宽和频带上的各个成分。引入窗口函数则连续小波变换可定义为：其中，a∈R且a≠0，a是尺度因子，控制小波函数的伸缩，b是时间平移因子。窗口函数的傅里叶变换为：假设小波函数及其傅里叶变换都满足窗口函数的要求，可以证明，对任意的参数(a，b)，连续小波及其傅里叶变换都满足窗口函数的要求，且他们的中心和窗宽为：和其中，E(ψ)和Δ(ψ)是小波函数的中心和窗宽，E(Ψ)和Δ(Ψ)是傅里叶变换的中心和窗宽。所以，连续小波ψ(a，b)(t)的时窗和频窗分别是：[b+本文档来自技高网...

【技术保护点】
1.一种金属板材缝类缺陷智能识别方法，其特征在于，包括以下步骤：/n获取金属板材的超声波回波信号；/n对回波信号作连续小波变换，提取时频特征；/n利用主元成分分析法对特征进行降维处理，选取主元作为特征值；/n构建支持向量机模型，以特征值作为模型输入；/n制作训练集，训练支持向量机模型；/n利用训练好的支持向量机模型，对不同状态的缺陷或不同深度裂纹缺陷进行识别区分。/n

【技术特征摘要】
1.一种金属板材缝类缺陷智能识别方法，其特征在于，包括以下步骤：
获取金属板材的超声波回波信号；
对回波信号作连续小波变换，提取时频特征；
利用主元成分分析法对特征进行降维处理，选取主元作为特征值；
构建支持向量机模型，以特征值作为模型输入；
制作训练集，训练支持向量机模型；
利用训练好的支持向量机模型，对不同状态的缺陷或不同深度裂纹缺陷进行识别区分。


2.根据权利要求1所述的金属板材缝类缺陷智能识别方法，其特征在于，获取回波信号后，对回波信号进行预处理。


3.根据权利要求2所述的金属板材缝类缺陷智能识别方法，其特征在于，预处理为带通滤波和信号放大。


4.根据权利要求1所述的金属板材缝类缺陷智能识别方法，其特征在于，采用同侧超声激励接收方法接收回波信号。
<...

【专利技术属性】
技术研发人员：陈汉新，李梦龙，刘明明，李森，胡振宇，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42