將人工神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于鋁合金工件裂紋缺陷識別,以克服傳統(tǒng)人工識別的局限性,從而提高裂紋缺陷識別的準確率。通過設(shè)計并搭建水浸超聲檢測系統(tǒng),獲得超聲檢測缺陷的波形數(shù)據(jù),并對收集到的缺陷波形數(shù)據(jù)進行特征提取,從中篩選出有用的特征信息,經(jīng)過小波去噪處理后作為特征信號輸入概率神經(jīng)網(wǎng)絡(luò),并進行網(wǎng)絡(luò)訓(xùn)練,實現(xiàn)對不同裂紋尺寸的智能識別。實驗結(jié)果表明:該方法可提高對裂紋缺陷尺寸識別的準確率和檢測效率,具有較好的應(yīng)用前景。 

【文章來源】：機床與液壓. 2020,48(12)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
1 Water immersion ultrasonic detection system
2 Feature extraction and probabilistic neural network algorithm（PNN）
    2.1 Feature extraction
    2.2 PNN neural network algorithm
    2.3 Neural network simulation and comparison
3 Recognition and diagnosis of alumi-num alloy crack defects
    3.1 Data acquisition
    3.2 Feature signal extraction
    3.3 Defect recognition based on PNN network
4 Conclusion


【參考文獻】：
期刊論文
[1]基于集成學(xué)習(xí)概率神經(jīng)網(wǎng)絡(luò)的電機軸承故障診斷[J]. 張習(xí)習(xí),顧幸生.  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2020(01)
[2]基于HHT和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電故障識別[J]. 公茂法,魏景禹,姜文,接怡冰,公政,王萬樂.  現(xiàn)代電子技術(shù). 2018(09)
[3]導(dǎo)電結(jié)構(gòu)亞表面缺陷電渦流/超聲復(fù)合檢測方法[J]. 劉半藤,駱旭偉,黃平捷,侯迪波,張光新.  浙江大學(xué)學(xué)報(工學(xué)版). 2017(04)
[4]基于特征評估和概率神經(jīng)網(wǎng)絡(luò)的超聲焊縫缺陷識別[J]. 阮晴,羅飛路,羅詩途,王鵬.  測試技術(shù)學(xué)報. 2012(02)
[5]基于小波包和概率神經(jīng)網(wǎng)絡(luò)的焊接缺陷識別[J]. 陳淵.  儀表技術(shù)與傳感器. 2010(08)



本文編號：2974243