基于小波分析方法的裂纹缺陷尺寸模式识别

王振博 汪磊潏 王琪 郭北涛

摘 要：在日常生产生活中，对于金属工件的缺陷探测多为人工探测识别，识别的准确性依赖于探伤人员的经验。如今对于探伤工具的智能化自动化需求显得日益迫切，用小波分析方法进行金属工件缺陷的分析已经成为了日益成熟有效的方法，其方法可以很好的与模式识别方法融合，进行缺陷的自动识别。

关键词：模式识别;无损检测;金属工件

DOI：10.16640/j.cnki.37-1222/t.2019.02.024

1 引言

随着工业需求的增长铝合金板材的需求也与日俱增，原先靠着探伤人员抽查制造过程中铝合金板材的缺陷已经不能满足生产需要，随之而来的是对自动探伤识别系统的需求[1，2]。小波分析方法是一种在探伤领域的应用已经十分广泛的新方法，小波函数可以很好地拟合原波形，可以在时域与频域两个方向上进行分析，时下小波分析缺陷波形的进一步处理即缺陷波型的模式识别分析已日渐成熟起来[3]。

2 小波分析方法

2.1 离散小波变换

当需要在计算机上对波形进行分析时，连续小波必须加以离散化，离散化是针对连续尺度参数a和连续平移参数b的，并不是针对时间变量t，在连续小波中考虑小波函数：

（1）

这里，，且，是容许的，在离散化中为了方便总是限制a只去取正值，相容性条件就变为：

（2）

通常会把连徐小波变换中尺度参数a和平移参数b的离散公式取为，，，是常值。任意的的离散小波变换可表示为：

（3）

3 模式识别方法

3.1 基于概率神經网络的模式识别

模式识别是一种现代先进的分类方法，其优点就是是通过及其进行分辨辨别的，除去了人为因素，所以结果能够做到更加客观真实。其中概率神经网络作为一种有效的模式识别算法被模式识别领域所重视。

3.2 概率神经网络的工作过程

（1）确定参数。①确定输入层，有N个神经元，P个待测样品，每个样品有N个特征;②确定样本层，原始的学习样本有M个，就有M个神经元。③确定求和层，有个类别，就有个神经元。每个节点对应一个类输出，。

（2）模式距离的计算。模式距离是指待测的样本矩阵和学习矩阵中对应的元素之间的距离。通过对数据归一化处理，进行欧式距离计算可得概率。

4 实验

4.1 数据采集

超声探头将采集到的模拟信号输入工控机，然后从工控机将模拟信号的离散数表导出，为测试本理论方法的有效性，制备了0.3mm到0.7mm五个长见大小的人工裂纹缺陷，并对其采集。试样如下：

4.2 数据处理与分析结果

本设备每秒钟可以采集500个采样点，我们每个缺陷采集100000个采样点作为数据库，其中50000个作为训练样本，另外50000作为测试样本，其中识别率最高的为0.7mm缺陷为93%，识别率最低的为0.3mm缺陷为82%，其余缺陷识别率介于二者之间。基本服从缺陷越大识别率越高的基本规律。

5 结论

本文对铝合金平板工件的裂纹缺陷小波分析模式识别方法进行了研究，通过实验证明，此方法有效，能够完成分类各类缺陷的任务，为无损检测自动探伤的研究提供了一种新思路新方法。

参考文献：

[1]范弘，贾慧明.厚壁承压无缝钢管自动超声波探伤技术研究[J]. 物理测试，2008，26（02）：35-42.

[2]王勇.浅谈超声无损检测技术[J].中国科技博览，2012，3（21）：310.

[3]陈丽君等.6mm-10mm厚铝合金板材超声波探伤方法的研究[J]. 轻合金加工技术，2005，33（06）：35-37.