论文部分内容阅读
脉冲涡流裂纹检测系统从涡流检测原理入手,并据此原理之上着重论述了脉冲涡流检测信号的获取技术。在使用小波变换对信号进行消噪、获取裂纹信息后,使用主成分分析方法提取信号的特征值,依据特征值选择合适的裂纹分类算法对信号进行进一步处理。主要研究使用神经元网络方法和支持向量机算法对获取的特征值进行分类,以此来识别金属材料的表面及亚表面裂纹,从而准确掌握了金属材料质量的可靠性信息,对其进一步使用或者更新提供了有效的依据。本文重点论述了裂纹检测算法在脉冲涡流裂纹检测系统中的应用,包括对检测信号进行分类以及对算法性能的对比分析。BP神经网络采用梯度下降法进行学习、非线性可微分函数进行训练,对非线性数据具有良好的全局逼近和泛化能力。BP神经元网络在权值和阈值训练中耗时较长,采用改进的遗传算法以实数代替二进制数据进行编码,帮助神经元网络算法在全局内寻优,以尽快获得合适的权值和阈值,完成BP神经网络的训练,从而形成了MGA-BP算法。支持向量机SVM算法是以统计学习理论为依据的一种十分有效的分类方法,在对小样本空间的分类上表现出极大的优势,可利用最优和广义最优超平面将原样本空间转换为高维样本空间对非线性数据进行两类或多种分类,泛化能力较强。文中利用Matlab建模和仿真工具对MGA-BP神经网络和SVM算法进行建模,并使用脉冲涡流信号对两种分类方法进行测试和对比分析,确定在脉冲涡流裂纹检测系统中使用MGA-BP算法来实现检测信号的分类可提高裂纹的识别率。以DE2开发板平台,FPGA器件和SOPC系统设计技术对脉冲涡流裂纹检测系统进行设计。主要完成了裂纹检测算法的软件和硬件实现、输入输出系统的硬件选择和软件控制以及系统的配置和测试,并以此系统为实验平台对长螺栓检测数据进行裂纹检测,得到较好的结果。