多特征SVM-DS融合决策的缺陷识别

分析超声检测缺陷信号模式识别中存在的问题。提出一种将支持向量机(Support vector machine,SVM)和DS(Shafer-Dempster)证据理论相结合的多特征融合决策识别方法。阐述支持向量机解决分类问题的原理以及证据理论中的Dempster合成规则。将证据理论中的识别框架引入到缺陷类型识别,设计多缺陷类型的多特征SVM-DS融合决策规则。介绍4种不同空间域的特征提取方法以用于多特征融合决策识别。分别将单特SVM识别和SVM-DS融合决策识别应用于石油套管4种典型缺陷的识别。对比试验表明:SVM-DS融合决策识别方法能有效识别上述典型缺陷,其在识别率和泛化性方面都比单特征的SVM识别有优势。

超声检测信号时频邻域自适应消噪技术

分析超声检测回波信号中噪声的组成和特性。考虑缺陷信号和噪声分量的分布差异,提出一种基于小波包变换时频邻域统计特征的自适应消噪方法。该方法根据噪声水平和邻域数据的方差,自动调节邻域数据对中心点值的平滑处理强度,从而达到自适应消噪目的。由于不存在参考信号和参数选择的问题,该方法稳健性好。仿真和实测信号的试验结果表明:该方法能有效提高信号的信噪比以及不同类型缺陷信号之间的可区分性,并抑制波形失真和信号的能量衰减。

基于顺序向前浮动搜索时频优选特征的缺陷识别

为提高超声检测缺陷识别的正确率和泛化能力,提出一种基于小波包分解和顺序向前浮动搜索(SFFS)算法的时频最优特征提取方法.该方法结合了无监督和有监督特征提取方法的优点,局部利用样本的先验分类信息以期达到更好的识别效果.介绍上述特征提取方法中的相关理论,包括小波包变换、Fisher判据以及SFFS搜索算法.为了验证新方法的在缺陷识别方面的有效性,对石油套管上的4种典型缺陷进行识别实验.分别采用3种传统的特征提取方法,从时域、频域和小波包域提取特征用于对比实验,并采用支持向量机算法对上述不同途径获取的特征集进行识别.10组随机抽样的识别实验表明:采用小波包时频SFFS优选特征能够对上述缺陷进行有效识别,最高识别率达到93.3%,平均识别率达到89.5%.与上述3种传统的特征提取方法相比,该新方法识别率高、泛化性好,对训练样本选的选择敏感性小.

超声检测信号多特征SVM-Bayes融合识别

分析了超声检测信号识别中存在的问题。研究了将支持向量机和贝叶斯推理相结合的多特征融合识别算法。阐述了支持向量机解决分类问题的原理以及贝叶斯推理原理。设计了基于最大后验概率准则的多缺陷类型多特征SVM-Bayes融合识别方法。介绍了四种不同的特征提取方法。分别将单特征SVM方法和SVM-Bayes融合方法应用于石油套管缺陷检测信号的识别。对比试验表明:SVM-Bayes融合识别方法能有效识别上述缺陷信号,其在识别率和泛化性方面都比单特征的SVM识别方法有优势。

钢管自动成型机控制系统设计

介绍了钢管自动成型的工作过程,提出了基于液压驱动电磁吊搬运机构的钢管成型方式,建立了六角成型的数学模型.设计了基于现场总线技术的控制系统,描述了打捆机的工作流程以及监控软件的功能,讨论了液压伺服系统的PID控制和同步控制.

XCX100钢管自动成形机的研制和开发

简述了浙江大学开发的钢管自动成形机的主要特点;介绍了该设备进行钢管捆成形的主要生产工艺流程;论述了其采用的关键技术,主要包括无触点式电磁吸盘励磁、消磁控制技术,电液比例同步控制技术,先进的西门子S7400现场总线技术。生产实际表明该设备具有成形质量好,运行可靠,操作安全,适应性强等性能。