一种用于超声缺陷分类的数据融合方法.pdfVIP

_种用于超声缺陷分类的数据融合方法 文l掘张海燕吴淼 (中国矿业大学机电学院徐州221008) 摘要 本文研究了在金属材料超声探伤{委域中，为提高缺陷识舭隋度，在对缺陷回波 信勘新亍，J吲i变换的基础E实现数据融合的多级神经网络模型，根据单个分类器的设计 准贝叽币佣多级神经网络分类器实现了特征层数据之闯的有效融合。结果表明，该模型 与小波变换方法相结合，能有效的识别超声探伤中不同的缺陷信号，为缺陷的定性识别提 供了—种新的方法和依据。 关键词数据融合多级神经网络小波变换超声缺陷分类 1．引言 数据融合是80年代发展起来的一l、]新的理论和技术。它能将来自某一目标的多源数据加以 Gins首次将数捅融 智能化集成，产生比单—信源要蝴、更完全的估计和判决。1996年，xE 合引入了无损检测(NDT)领域“，体现出其作为一种信号处理技术，在降低检澳吖言号的不确 定性和提高无损检测的整体性能方面的极大潜力。实践表明，使用多种NDT力谨爿芒jf唾囱％陷进 行尽量细致的亥I橱或充分利用某—检测方法所得到的信息，能够有效的提高NDT的可{能姘口 灵活性。本文针对超声波探伤的特点，研究了用基于小波变换的多级神经网络实现数据融合的 方法。在超声波探伤中，由于超声脉冲回波信号具有时筠普特性，因此采用传统的矧蝴技术 不能描述信号的局§醋每征。小波变换使用具有有限支撑性质的函数作为基函数，因此，在时域 和频域t同时具有良好的局部化性质，对于非稳忐信号是—种理想的分析工具R能够实现对超 声回波信号的特征提取和数据压缩。神经网络理沦为目标的讧{另0提供了有效的手段，但基于单 个网络分类器难以实现全局最优。且无法充分利月j小波分析的结果进行识别。研究表明，多特 征信息的融合和多分类器输出的融合是提高系统精度和鲁棒陛的有效途径。 2．基于d涮醴激的缺船特征提取 小波变换是将信号与一个在时域和频域都具有良好局部化H_贡的小波函数进行卷积，使躲 信号的频带被分解到各个频率通道内。不同缺陷在超声探伤；#l所表现的波形特征也不同。这种 波形特征在时域上表现为有的波形陡直尖锐：有的波形较宽、变化缓慢；有的波形较为光滑、 睢峰：有的波形带有锯齿、多峰。在信号波形的突变翻“节(峰值或锯齿处)存在有特别的信息 (缺§酎言息)，使得这一f5f寸近信号频苷封蜘F发7胁Ⅲ烈变化，它们代表了缺陷的特征频率。小波变 换刊各信g-在时域和频域两个方向展儿刈牙i$曲戍分强仃“ltj微”能力，能够在某频率段上cf5( 大了信号的异常部分．从而可使缺陷特征突出出柬。因此，若能在缺陷的特征频率段上，结台 缺吲言号在时域上的变化形式，从时一频域两个方向分析缺陷的回波信号，无疑对确定缺陷的 性质是十分有益的f3l。 小波树形算法用Matlab语言编写的州I。其小波变换原理是将信号分解成不同尺度、不同位：葺!的 小波分量，各个尺度上的分量实际上代；谱不同倍频程段内的信号成分，所有频段不楣交地如 满整个频率轴。 s 若信号，(z)定义在区间032≤1，采样频率为^，样本长度为2”，则，(，)的均方值 抄2(x)dx可表示为： 扩(触=露+彳+；暖+《)+；眩+《+《+彳) 十：(《+霹+-+最)十丧。志+¨斗《)+ 式中。矿代表各个尺度、各个位置上的小波分量的能量大小。小波变换提取特征值即将某—级 或嘉碧!缎匕的均方小波幅值a2提取出来，由于不同性质缺陷其均方小波幅口2在时频域E的分 布不同，从而可以为缺陷的分类提供客观依据。 j≯ 零 3．多缓冲豳罐彩蚓镩啪敷撼醵撇 ? w# 每个神经网绍分誉鼎赡成是对—钓钲信息进行她的信息机，如图1所示的组合分类系 统可描述成图2所示的信息网。由嫡【5】可知，在P点得到的信息可用量的增量为： n ∑Q， 以只一2弩2口高百