配网超声波带电检测技术及缺陷分类识别方法

在对配网进行带电检测的环节中,常规的方法对于开关柜等复杂设备的处理效果不佳,因此,提出配网超声波带电检测技术及缺陷分类识别方法。首先,计算超声波带电检测的均值,进一步构造音频中循环放电处的特征向量,分析音频数据的重复性特征,完成配网缺陷基础信息数据的处理,提取数据特征。然后,在此基础上,建立缺陷分类数据库,构建仿真模型,调整训练规则,消除二次回路缺陷信号中的噪声。最后,通过最优超平面即可实现缺陷分类识别。结果表明,该方法的精确度为98.7%,在各样本上的表现都较为稳定,可以提升配网超声波技术的检测效果。

基于脉冲漏磁检测原理的缺陷分类识别技术

脉冲漏磁检测是一种快速发展的无损检测方法,而相应的缺陷分类识别是缺陷检测与评估中的关键步骤之一.在介绍脉冲漏磁检测原理的基础上,设计了新型传感器,对不同类型缺陷的标准试件进行了测试;通过对缺陷瞬态差分信号的时、频域特性进行分析,提取了峰值、过零时间以及频谱中一特定频率点的幅值作为特征量对缺陷进行分类识别.实验结果表明该方法可对10 mm钢板表面以及下表面缺陷进行有效的分类识别.

相控阵超声检测缺陷识别与分类研究进展

相控阵超声技术是近年来无损检测领域的重点研究方向之一,已经取得了飞速发展,其中基于相控阵超声成像的缺陷识别与分类是研究的热点之一。概述了相控阵超声无损检测的基本原理,介绍了具有代表性的缺陷识别与分类算法,包括支持向量机、人工神经网络、遗传算法、神经进化算法和基于深度学习的算法。最后指出了现有缺陷识别与分类算法面临的挑战,并结合实际提出了相控阵超声缺陷识别与分类的发展方向。

基于谱分析的脉冲涡流缺陷3D分类识别技术

脉冲涡流检测技术是一种快速发展的无损检测方法,而相应的缺陷分类识别是缺陷检测与评估中的关键步骤之一。本文首先对脉冲涡流检测技术进行了频谱分析,得出下表面缺陷主要影响低频成分,而表面缺陷同时影响低频成分与高频成分的结论;其次,设计了脉冲涡流矩形传感器和腐蚀型缺陷模拟试件;最后,在对上下表面的缺陷分别进行频域分析的基础上,提出了选择3个特定频率点的幅值作为特征量对缺陷进行3D分类识别的方法。实验结果证明本文所提出的方法可对3 mm铝板上下表面腐蚀缺陷进行有效的分类识别。

基于多特征优化的超声波缺陷分类识别方法研究

超声波检测的脉冲回波信号在时频域中含有丰富信息,为有效提取缺陷特征相关的信息并对缺陷进行分类,文章提出一种Jmax-Fisher多特征优选的方法.首先对超声波脉冲回波信号在时域、频域及小波域中提取多维特征构成多特征提取技术框架;然后计算单维特征Fisher判据函数以获得不同特征维数下的最优特征组合;再进行Fisher降维,采用离散距离比作为指标获得最优特征维数,确定最优特征组合进行缺陷分类.实验证明,同常规的方法相比,该方法在缺陷分类识别上具有更高的准确率.

多频涡流的谱分析和缺陷分类技术研究

多频涡流检测技术是一项重要的无损检测技术,它可以有效地实现多参数检测和干扰抑制。针对普通单频涡流检测方法只能实现缺陷检测而难以实现缺陷分类的问题,提出一种采用线性调频信号激励涡流传感器和检测信号谱分析的多频涡流检测方法。该方法采用线性调频信号激励位于交流电桥中的线圈涡流传感器,放大和采集桥路输出信号进行谱分析来识别缺陷的特征。根据谱图能量的变化,可以检测出缺陷;同时,为了有效地实现缺陷分类,提出一种新的称为'谱图重心偏移'的缺陷分类方法。与传统多频涡流检测方法相比较,该方法具有检测时间短和系统成本低等优点。理论分析和试验结果相一致,验证了所采用方法的正确性。

基于神经网络的磁瓦表面缺陷检测识别

目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。

基于机器学习的管道金属损失缺陷识别方法

针对石化管道漏磁检测时缺陷较难识别的问题,首先对管道金属损失缺陷类型进行分类量化,建立石化管道金属损失缺陷漏磁检测三维有限元模型,采用Maxwell对1000组缺陷进行了漏磁仿真,得到了漏磁信号数据;然后分析了漏磁信号与缺陷类型及尺寸之间的关系,提取了漏磁检测信号的4个特征值,并验证了特征值对于识别缺陷类型的有效性;最后采用支持向量机、随机森林以及梯度提升决策树(GBDT)3种机器学习算法对缺陷信号特征量进行了分类识别。研究结果表明,3种算法对于缺陷的分类识别效果均较好,特别是GBDT算法在现有的数据范围内达到了100%的识别率。研究结果对石化管道完整性评价具有一定的指导意义。

聚乙烯管道电熔接头缺陷分类研究

为了对聚乙烯管道电熔接头空洞缺陷和电阻丝信号进行分类识别,在利用超声相控阵图谱得到缺陷区域的基础上,取出了图像矩阵中缺陷区域的质心所在列,并提取质心以下部分所有像素点的灰度值构成了一组一维信号。对这些一维信号进行平滑处理及小波分解,并重构了其高频分量,通过分析信号高频分量的统计特征实现了缺陷分类。研究结果表明,不同类型缺陷对应的统计特征有明显差别,能够有效地区分孔洞缺陷及电阻丝信号,具有一定的应用推广价值。

CNN融合PCA-DT模型的金属缺陷识别研究

针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络(CNN)和决策树(DT)的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类。引入主成分分析(PCA)方法对特征向量降维,减小过拟合并提升算法识别分类效率。为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据。实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习。