基于神经网络的超声检测缺陷定性识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112697887A(43)申请公布日2021.04.23(21)申请号202011441675.1(22)申请日2020.12.08(71)申请人江苏科技大学地址212003江苏省镇江市梦溪路2号(72)发明人曾庆军朱颖(74)专利代理机构南京经纬专利商标代理有限公司32200代理人徐澍(51)Int.Cl.G01N29/44(2006.01)G01N29/46(2006.01)G01N29/50(2006.01)权利要求书2页说明书6页附图4页(54)发明名称基于神经网络的超声检测缺陷定性识别方法(57)摘要本发明公开了一种基于神经网络的超声检测缺陷定性识别方法，采用小波分析算法中小波包阈值降噪算法对损伤信号进行预处理，尽可能地保留首个固有模态分量中的有用信号，再利用互补集合经验模态分解算法对信号进行模态分解，进行软阈值降噪和rigrsure规则降噪，最后再对处理后的两部分固有模态分量进行叠加重构，就可以得到最终的信号，其次提取不同损伤状况的特征向量组成多变量插值的径向基函数的学习样本。本发明可以对采集到的信号进行降噪处理，收敛速度较快，简单有效，经过学习训练后的径向基函数神经网络具有超声检测缺陷定性识别的能力，能准确地识别器件损伤及损伤程度大小，并能实现损伤定位。CN112697887ACN112697887A权利要求书1/2页1.一种基于神经网络的超声检测缺陷定性识别方法，其特征在于，包括以下步骤：步骤一、采集含噪超声信号；步骤二、采用小波分析算法中小波包阈值降噪算法对含燥信号进行预处理,再经过互补集合经验模态分解即CEEMD分解降噪；步骤三、选取径向基函数即RBF神经网络学习样本，并建立损伤识别RBF神经网络模型；步骤四、超声信号损伤输出：经过M次训练后RBF神经网络达到收敛，基于学习训练好RBF神经网络对器件进行损伤检测，并输出损伤结果。2.如权利要求1所述的基于神经网络的超声检测缺陷定性识别方法，其特征在于，步骤二中对含噪信号进行CEEMD分解降噪的步骤为：1)向含噪信号中加入一对正负白噪声组成的辅助白噪声，生成有用信号和噪声信号两个信号；2)对步骤1)中的有用信号和噪声信号分别进行经验模态分解即EMD分解，得到两组固有模态函数IMF分量，这些IMF分量都是以频率大小排列整齐的，对应着不同的频率特征，每组n个IMF；3)根据设置的CEEMD分解次数N，重复N次步骤1)和步骤2)，每次加入的都是一组随机的辅助白噪声；4)将得到的2N组IMF分量进行平均，即得到经过CEEMD分解后生成的n个IMF。3.根据权利要求2所述的一种基于神经网络的超声检测缺陷定性识别方法，其特征在于所述步骤2)，对于超声回波信号的EMD降噪算法的改进，利用超声信号回波数学模型来检验算法的效果，选取一个带有高斯白噪声的三重回波信号作为原始含噪信号，然后使用小波包降噪算法对其进行处理，再经过CEEMD分解为一系列固有模态分量，利用归一化自相关函数的特性，确定一个临界的固有模态分量，将其全部分为噪声主导部分和有用信号主导的两部分，接着对这两部分固有模态分量分别进行软阈值降噪和rigrsure规则降噪，最后再对处理后的两部分固有模态分量进行叠加重构，得到最终的信号。4.根据权利要求2所述的一种基于神经网络的超声检测缺陷定性识别方法，其特征在于所述步骤3)，通过CEEMD算法进行模态分解后，得到一系列IMF,对噪声主导模态进行软阈值降噪，选取合适的阈值函数是阈值去噪的一个关键环节，传统软阈值函数如下所示，当系数的绝对值大于或等于阈值时，新的系数为原来的系数与阈值之差，否则将其全部置零；其中djk是超声回波信号的分解系数，δ为阈值门限，针对传统的软阈值函数存在恒定偏差的问题，本发明提出了一种改进的软阈值函数，通过公式推导，增加衰减系数ε(0.95＜ε＜1)，使之整体减少震荡，达到快速收敛的目的，改进的软阈值函数如下所示：2CN112697887A权利要求书2/2页将软阈值函数和改进的软阈值函数用MATLAB绘制，考察改进的软阈值函数式(2)当|djk|≥δ，函数式如公式(3)所示，当djk＞δ时：当djk＜‑δ时：当|djk|≥δ时，通过求解函数的左右极限可知，该函数以djk^＝djk为渐近线，随着djk的增大，djk^逐渐接近djk，即重构的系数与真实的系数之间偏差逐渐的减小，解决了软阈值函数djk^与djk之间的存在恒定偏差的问题；当djk＝±δ，djk^＝0。在|djk|＜δ时，djk^＝0，即重构的多小波系数全部被置为零和规则阈值法相当；该函数可以根据不同分解尺度下的不同阈值δ，自动调整重构的系数，从而更加精确的重构原信号。5.根据权利要求1所述的一种基于神经网络的超