一种基于机器学习的涡流信号缺陷深度分析方法技术

本发明专利技术具体涉及一种基于机器学习的涡流信号缺陷深度分析方法，包括如下步骤：(1)构建已知缺陷矩阵X；(2)构建已知缺陷相位行向量Y；(3)根据已知缺陷矩阵X和已知缺陷相位行向量Y生成径向基网络Net；(4)构建未知缺陷信号向量x；(5)将径向基网络Net和未知缺陷信号向量x输入仿真函数sim()，输出未知缺陷信号向量x对应的相位角θ；(6)将相位角θ与深度对应表写成一个长度为180的向量D；(7)根据向量D，查出步骤(5)得到的相位角θ查出对应的缺陷深度D(θ)％。本发明专利技术的基于机器学习的涡流信号缺陷深度分析方法，利用该人工神经网络预测未知缺陷的相位角，利用相位角与深度对应表给出缺陷深度。深度。深度。

【技术实现步骤摘要】
一种基于机器学习的涡流信号缺陷深度分析方法


[0001]本专利技术涉及无损检测信号处理
，特别是涉及一种基于机器学习的涡流信号缺陷深度分析方法。

技术介绍

[0002]在涡流信号处理中，缺陷深度的测量是通过计算缺陷信号的相位角得到的。徐可北,周俊华在2006年机械工业出版社出版的《涡流检测》中对缺陷信号的相位角定义如下：取响应信号阻抗最大值的两个点，并规定垂直线方向的上方为正向，用直线连接这两个点，该直线与水平方向的负方向的夹角。公开号为CN 111351842A的中国专利公开了一种基于涡流信号差分技术的缺陷相位角的测量方法。目前为止，涡流检测人员和检测计算机已经在缺陷检测方面做了大量工作，如何运用这些数据和结果预测未知缺陷的深度是我们需要考虑的问题。

技术实现思路

[0003]基于此，有必要针对如何根据缺陷的高频差分信号和缺陷的相位角来预测缺陷深度的问题，提供一种基于机器学习的涡流信号缺陷深度分析方法，该方法利用涡流检测中得到的缺陷的高频差分信号和基于缺陷的高频差分信号计算得到的缺陷的相位角，训练基于RBF的人工神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的涡流信号缺陷深度分析方法，其特征在于，包括如下步骤：(1)构建已知缺陷矩阵X；(2)构建已知缺陷相位行向量Y；(3)根据已知缺陷矩阵X和已知缺陷相位行向量Y生成径向基网络Net；(4)构建未知缺陷信号向量x；(5)将径向基网络Net和未知缺陷信号向量x输入仿真函数sim()，输出未知缺陷信号向量x对应的相位角θ；(6)将相位角θ与深度对应表写成一个长度为180的向量D；(7)根据向量D，查出步骤(5)得到的相位角θ查出对应的缺陷深度D(θ)％。2.根据权利要求1所述的基于机器学习的涡流信号缺陷深度分析方法，其特征在于，步骤(1)中，将每个已知缺陷的高频差分信号截取一段长度为M的水平分量h和垂直分量v，并用一个长度为2M的列向量表示，N个已知缺陷依次排列构成一个2M
×
N的已知缺陷矩阵X。3.根据权利要求1所述的基于机器学习的涡流信号缺陷深度分析方法，其特征在于，步骤(2)中，将步骤(1)中的N...

【专利技术属性】
技术研发人员：冯美名，张文哲，廖思宇，魏文斌，陈姝，张益成，
申请(专利权)人：中核武汉核电运行技术股份有限公司，
类型：发明
国别省市：