基于改进LMS算法的复合材料超声检测缺陷识别

合集下载

基于超声相控阵实现碳纤维复合材料缺陷分类的装置[实用新型专利]

专利名称：基于超声相控阵实现碳纤维复合材料缺陷分类的装置
专利类型：实用新型专利
发明人：施丽莲
申请号：CN201920930641.5
申请日：20190619
公开号：CN210427465U
公开日：
20200428
专利内容由知识产权出版社提供
摘要：本实用新型涉及一种基于超声相控阵实现碳纤维复合材料缺陷分类的装置，其中包括图像采集模块、缺陷特征提取模块、缺陷模型存储模块、缺陷分类模块和超声相控阵检测仪，图像采集模块与超声相控阵检测仪连接，图像采集模块还与缺陷特征提取模块连接，缺陷特征提取模块还与缺陷分类模块连接，缺陷分类模块还与缺陷模型存储模块连接。

采用该种结构的基于超声相控阵实现碳纤维复合材料缺陷分类的装置，通过超声相控阵检测技术，使参数检测更加精确，在处理含有不确定性缺陷诊断方面具有明显的优点，能克服临界判断模糊等缺点，可以进一步提高碳纤维复合材料缺陷检测的准确率，具有更广泛的应用范围。

申请人：绍兴文理学院
地址：312000 浙江省绍兴市环城西路508号
国籍：CN
代理机构：绍兴市寅越专利代理事务所(普通合伙)
代理人：陈彩霞
更多信息请下载全文后查看。

基于神经网络的复合材料缺陷超声波检测研究

基于神经网络的复合材料缺陷超声波检测研究
万振凯，王占刚
（津工业大学计算机技术与自动化学院，天津天３０６０１０）
摘
要
描述了三维编织复合材料内部缺陷的超声波检测方法。在实现方法上，系统对三维编织复合材料的超声
波Ａ扫描回波信号进行小波包变换后，料的内部缺陷信号被分解后表示为能量特征，材并将缺陷特征值作为ＢＰ神经网络的输人参数，通过ＢＰ神经网络实现对三维编织复合材料微裂纹和孔隙的分类识别，对三维编织复合材料并缺陷进行自动化识别。实验结果证明采用该方法分析三维编织复合材料内部缺陷具有可行性。关键词三维编织复合材料；声波无损检测；波包变换；Ｐ神经网络；陷识别超小Ｂ缺第３１卷Fra bibliotek第２期
纺
织
学
报
Ｖｏ．１，Ｎｏ．１３２
Ｆｅ．，２０ｂ０１
２１００年２月
ＪｕｎＩｏｅｔｅＲｓａｃｏｒａｆＴｘｉｅｅｒｈｌ
文章编号：２３９２（０００ — ０４００５ — ７１２１２０５．６Ｊ
三维编织复合材料是由三维编织预制件增强的
一
检测、Ｘ射线检测、声发射检测技术、光全息检测、激微波检测技术等。超声波检测法（ｈａｏｉ）广泛用于材料探Ｕｒｓｎｃ是伤的方法，具有灵敏度高，透性强，穿检验速度快，成

基于改进半监督fcm聚类的复合材料超声检测脱粘缺陷识别

第２５卷第６期２０１３年１２月军械工程学院学报ＪｏｕｒｎａｌｏｆＯｒｄｎａｎｃｅＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅＶｏｌ２５Ｎｏ６Ｄｅｃ．２０１３ｄｏｉ：１０３９６９／ｊｉｓｓｎ１００８２９５６２０１３０６０１０基于改进半监督ＦＣＭ聚类的复合材料超声检测脱粘缺陷识别王峰林，王长龙，江涛，王建斌（军械工程学院无人机工程系，河北石家庄　０５０００３）摘要：针对径向基（ＲＢＦ）神经网络在进行超声检测脱粘缺陷识别时存在参数选择不确定、网络结构鲁棒性差等问题，提出一种改进的自适应半监督模糊Ｃ均值聚类（ＦＣＭ）的ＲＢＦ神经网络的方法，将ｋＮ近邻估计法和半监督模糊Ｃ均值聚类方法相结合，改进了隶属度函数，自适应确定聚类数目。

将改进的ＲＢＦ神经网络应用于超声检测脱粘缺陷识别，实验结果表明：与传统ＲＢＦ神经网络相比，本方法减弱了孤立样本对网络结构的影响，增强了网络结构的鲁棒性，提高了脱粘缺陷识别的准确率，是一种较好的超声检测脱粘缺陷识别分类方法．关键词：ＲＢＦ神经网络；半监督模糊Ｃ均值；自适应；超声；缺陷识别中图分类号：ＴＢ５５３文献标识码：Ａ文章编号：１００８２９５６（２０１３）０６００４９０５ＲｅｃｏｇｎｉｔｉｏｎｏｆＣｏｍｐｏｓｉｔｅＭａｔｅｒｉａｌｓＵｎＢｏｎｄＦｌａｗｓｗｉｔｈｉｎＵｌｔｒａｓｏｎｉｃＴｅｓｔｉｎｇＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＳｅｍｉＳｕｐｅｒｖｉｓｅｄＦＣＭＣｌｕｓｔｅｒｉｎｇＷＡＮＧＦｅｎｇｌｉｎ，ＷＡＮＧＣｈａｎｇｌｏｎｇ，ＪＩＡＮＧＴａｏ，ＷＡＮＧＪｉａｎｂｉｎ（ＵｎｍａｎｎｅｄＡｅｒｉａｌＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇＤｅｐａｒｔｍｅｎｔ，ＯｒｄｎａｎｃｅＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａｎｇ　０５０００３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｎｉｍｐｒｏｖｅｄｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ（ＲＢＦ）ｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎａｄａｐｔｉｎｇｓｅｍｉｓｕｐｅｒｖｉｓｅｄｆｕｚｚｙｃｍｅａｎｓｉｓｐｒｏｐｏｓｅｄｔｏｃｈｏｏｓｅｔｈｅｐａｒａｍｅｔｅｒｓａｎｄｈａｓａｒｏｂｕｓｔｓｔｒｕｃｔｕｒｅ．ＴｈｅｍｅｔｈｏｄｆｉｒｓｔｌｙｃｏｍｂｉｎｅｓｔｈｅｋＮａｍｐｈｉｃｔｙｏｎｉｃｅｓｔｉｍａｔｅｗｉｔｈｓｅｍｉｓｕｐｅｒｖｉｓｅｄｆｕｚｚｙｃｍｅａｎｓｔｏｉｍｐｒｏｖｅｔｈｅｍｅｍｂｅｒｓｈｉｐｄｅｇｒｅｅｆｕｎｃｔｉｏｎ；ｔｈｅｎｄｅｔｅｒｍｉｎｅｓｔｈｅｔｈｒｅｓｈｏｌｄｔｏｍａｋｅｓｕｒｅｔｈｅｃｌｕｓｔｅｒｉｎｇｍｅｍｂｅｒｓ．Ｔｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｉｓａｐｐｌｉｅｄｔｏｒｅｃｏｇｎｉｚｅｕｌｔｒａｓｏｎｉｃｓｉｇｎａｌｓｏｆｕｎｂｏｎｄｄｅｆｅｃｔｓ，ａｎｄｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｃａｎｌｏｗｅｒｔｈｅｅｆｆｅｃｔｏｆｔｈｅｉｓｏｌａｔｅｄｐｏｉｎｔｏｎｔｈｅｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅａｎｄｃａｎｂｅｍｏｒｅｒｏｂｕｓｔｗｈｉｌｅｉｍｐｒｏｖｉｎｇｔｈｅａｃｃｕｒａｃｙｒａｔｅ．ＴｈｅｐｒｏｐｏｓｅｄＲＢＦＮＮａｐｐｒｏａｃｈｉｓａｆｅａｓｉｂｌｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｕｌｔｒａｓｏｎｉｃｓｉｇｎａｌｓ．Ｋｅｙｗｏｒｄｓ：ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；ｓｅｍｉｓｕｐｅｒｖｉｓｅｄｆｕｚｚｙＣｍｅａｎｓ；ｓｅｌｆａｄａｐｔｉｏｎ；ｕｌｔｒａｓｏｎｉｃ；ｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎ玻璃纤维复合材料由于制作工艺的特殊性，微小的结构变化会产生脱粘等缺陷［１］．超声检测作为复合材料无损检测的常用方法，其检测回波信号是一种非平稳时变脉冲信号［２］．由于玻璃纤维复合材料厚度较薄，超声检测回波信号往往发生混叠，提取的特征向量需要通过分类器对信号进行脱粘缺陷识别．目前超声检测缺陷识别方法主要有神经网络法和Ｇａｕｓｓ分类器法等［３］．径向基（ＲＢＦ）神经网络由于具有计算量小、收敛速度快、拓扑结构简单和较好的全局逼近能力等优点，已被广泛应用于模式识别等领域［４５］．文献［６］运用ＲＢＦ神经网络对构件疲劳裂纹进行超声检测收稿日期：２０１３０８２５；修回日期：２０１３１１２０基金项目：武器装备预研项目作者简介：王峰林（１９８９－），男，硕士研究生．主要研究方向：信号与信息处理．缺陷识别，能定性区分有无缺陷；文献［７］采用主元分析（ＰＣＡ）与径向基神经网络结合的方式，将改进后的ＲＢＦ网络应用于故障识别，提高了准确度．但ＲＢＦ隐含层基函数参数的选取具有不确定性，选取不当会对网络的泛化能力有很大影响，进而影响分类效果［８］．模糊Ｃ均值聚类（ＦＣＭ）方法能根据数据之间的相互关系确定模糊聚类数目和聚类中心，是确定ＲＢＦ神经网络参数的常用方法［９］，但初值确定主要通过试验进行，迭代容易陷入局部最优的情况，具有一定的局限性［１０］．半监督ＦＣＭ算法在ＦＣＭ算法基础上加入少量先验信息，能够克服ＦＣＭ初始聚类中心敏感的缺点．近年来，一些学者改进了半监督ＦＣＭ算法：文献［１０］提出了一种基于约束的半监督ＦＣＭ聚类算法，一定程度上避免了ＦＣＭ对初始中心敏感的问题，具有更好的聚类精度；文献［１１］提出了基于优化目标函数的改进半监督ＦＣＭ算法，在小样本条件下提高了聚类的准确性和稳定性．但上述方法忽略了孤立样本对聚类精度的影响，鲁棒性差．文献［１２］提出了缺失属性的最近邻区间描述，将不完全数据集转化为区间型数据集求解不完全数据集的聚类问题，然而该方法未考虑ＦＣＭ聚类时对初始聚类中心敏感的问题．鉴于此，本文将改进半监督ＦＣＭ应用于超声检测信号的神经网络识别，提出一种改进的基于半监督ＦＣＭ的ＲＢＦ神经网络的方法，将ｋＮ近邻估计法和半监督ＦＣＭ方法相结合，改进隶属度函数，自适应地确定聚类中心和聚类数目．将此方法用于超声检测提取的特征向量，能对超声检测脱粘缺陷信号进行识别，具有较好的鲁棒性．１　ＲＢＦ神经网络简介ＲＢＦ神经网络的映射关系如图１所示，主要由两部分组成：第一部分为从输入层到隐层的非线性变换，第二部分为从隐层到输出层的线性相加．ＲＢＦ神经网络输出为ｙ（ｘ，ｗ）＝ｗｊ，ｋＴφ（ｒ），（１）式中：ｘ为输入向量，ｗｊ，ｋ（ｊ＝１，２，…，Ｐ；ｋ＝１，２，…，ｌ）为隐层第ｊ个节点与输出层第ｋ个节点间的突触权值，φ（ｒ）为网络输出函数．ｙ＝（ｙ１，ｙ２，…，ｙｌ）Ｔ为网络输出，输出层神经元一般采用线性激活函数．ＲＢＦ网络第一部分需确定基函数中心、宽度等参数，如果参数选择不当，会造成逼近精度下降，甚图1RBF神经网络结构图渍nx i渍1渍2x1w1w2f y……至导致ＲＢＦ网络发散．２　改进半监督ＦＣＭ聚类算法介绍由于网络的隐节点数对其泛化能力有很大的影响，本文提出改进半监督ＦＣＭ聚类方法确定聚类数目和聚类中心，在学习过程中对数据中心的位置进行动态调节．２１　半监督ＦＣＭ聚类ＦＣＭ聚类算法是将模糊隶属度引入Ｃ均值聚类算法，它能根据数据之间的相互关系自动确定模糊划分矩阵，避免了人为因素的影响，是较为常用的模糊聚类方法．ＦＣＭ聚类就是求ＦＣＭ的聚类损失函数，使其最小．ＦＣＭ的聚类损失函数公式为Ｊｂ＝∑ｃｊ＝１∑ｎｉ＝１［μｊ（ｘｉ）］ｂ‖ｘｉ－ｍｊ‖２，（２）式中：ｃ为样本聚类数目，ｎ为样本总数，ｍｊ为每个聚类的中心，ｂ为可控制聚类结果模糊程度的常数，｛ｘｉ，ｉ＝１，２，…，ｎ｝为聚类样本，μｊ（ｘｉ）为第ｉ个样本对第ｊ类的隶属度函数．ＦＣＭ聚类方法要求每个样本对各个聚类的隶属度之和为１，即∑ｃｊ＝１［μｊ（ｘｉ）］＝１，ｉ＝１，２，…，ｎ，ｊ＝１，２，…，ｃ．（３）取ｂ＝２，Ｊｂ分别对ｍｊ和μｊ（ｘｊ）求偏导数，得到式（４）－（５）：ｍｊ＝∑ｎｉ＝１｛［μｊ（ｘｉ）］２ｘｉ｝∑ｎｉ＝１［μｊ（ｘｉ）］２，（４）μｊ（ｘｉ）＝（‖ｘｉ－ｍｊ‖２·∑ｃｋ＝１（１／‖ｘｉ－ｍｋ‖２））－１．（５）０５军械工程学院学报２０１３　用迭代方法求式（４）－（５），得出聚类中心和各类聚类隶属度值．半监督ＦＣＭ是一种介于监督学习和无监督学习之间的聚类方法［１１］，该方法将训练样本分为标记和未标记两类，利用少量的已标记数据训练初始学习模型，进而用大量未标记数据改进初始模型的性能，最终达到精确学习的目的．本文选择半监督方法，标记部分样本用来引导样本的聚类．但半监督ＦＣＭ聚类不能消除孤立样本的影响，为减小孤立点或少量偏差较大样本带来的影响，自适应地确定聚类数目，将ｋＮ近邻估计引入到半监督ＦＣＭ聚类中．２２　基于ｋＮ近邻估计的半监督ＦＣＭ聚类ｋＮ近邻估计是一种采用可变小舱体积Ｖ大小的密度估计方法，样本ｘ处的密度函数公式为＾ｐ（ｘ）＝ｋＮＮＶ，（６）式中：ｋＮ＝ｋ１槡Ｎ为每个小舱体积Ｖ内的样本个数，Ｎ为总样本数，ｋ１为某个大于０的常数，并使ｋＮ≥１．样本密度越高，选取的小舱体积Ｖ就越小，而在密度低的区域，小舱体积Ｖ会自动增大，因此＾ｐ（ｘ）能够体现样本的密度．用ｋＮ近邻估计改进的隶属度函数为μｊ（ｘｉ）＝＾ｐ（ｘ）（‖ｘｉ－ｍｊ‖２·∑ｃｋ＝１（１／‖ｘｉ－ｍｋ‖２））－１，（７）＾ｐ（ｘ）满足∑ｃｉ＝１＾ｐ（ｘ）＝１，（８）其中ｃ为样本聚类数目．本文取ｃ＝Ｎ／ｋＮ，根据样本总数自适应地选取ｋＮ值确定初始聚类数目．孤立点或偏差较大点由于Ｖ选取较大，相应的聚类损失函数值就会很小，兼顾了高密度区域估计的分辨率和低密度区域估计的连续性，减小了孤立点或偏差较大点造成的影响．由于改进算法收敛速度随着聚类数目增加逐渐变慢，当迭代的误差ｅ＝∑ｃｊ＝１‖ｍｊ（ｔ＋１）－ｍｊ（ｔ）‖２小于设定阈值，或迭代次数达到设定步数最大值仍未停止时停止迭代，此时取得的ｋＮ值为最佳．网络输出函数一般选用高斯函数φ（ｒ）＝ｅｘｐ（－ｃ２２δ２）（９）作为隐节点的激活函数，ｃ和δ分别为ＲＢＦ神经网络的中心和宽度．用函数δｊ＝λｍｉｎ‖ｃｊ－ｃｉ‖确定宽度，其中ｍｊ为第ｊ类的聚类中心，‖·‖为取值的模，为欧式距离．本文采用共轭梯度算法确定输出权值．算法的主要步骤为：１）取ｔ＝１，模糊加权指数ｂ＝２，设定一个较小的聚类数目ｃ、误差阈值和允许最大迭代步数等参数；２）设置一部分带标签样本并求其均值，作为ｃ个初始聚类的中心Ｃ＝｛ｍ１，ｍ２，…，ｍｃ｝；３）随机初始化隶属度函数矩阵；４）利用公式（４）、（５）、（７）对样本进行迭代；５）计算迭代误差ｅ＝∑ｃｊ＝１‖ｍｊ（ｔ＋１）－ｍｊ（ｔ）‖２，若迭代误差小于设定阈值，则聚类终止；若大于设定阈值，则计算前ｔ步的聚类损失函数和Ｊｔ，并计算其相对值Ｊｔ／Ｊｔ－１，转到步骤（４）；６）通过共轭梯度算法计算神经网络初始权值，实现样本分类．３　实验验证与分析３１　实验对象为检验本文方法的有效性，将某无人机机翼的玻璃纤维复合材料板作为实验对象，如图２所示，在复合材料薄板试件上人工制作了系列圆形内部脱粘缺陷．缺陷直径为１０～３０ｍｍ，每隔２ｍｍ制作一个脱粘缺陷，共制作１１个．图2无人机复合材料薄板试件脱粘缺陷脱粘缺陷脱粘缺陷３２　实验数据来源图３为超声信号检测实验系统．信号发射脉宽为５０ｎｓ，探头发射频率为５ＭＨｚ，采样频率为５０ＭＨｚ，采样点数为１２００，直径２０ｍｍ脱粘缺陷超声检测信号如图４所示．对试件采集２００组脱粘缺陷样本，选取１５０组作为训练样本，其余为测试样本．为了检验缺陷识别的有效性，测试样本和训练样１５　第６期王峰林等：基于改进半监督ＦＣＭ聚类的复合材料超声检测脱粘缺陷识别图3超声信号检测实验系统试件探头检测仪图420mm脱粘缺陷超声检测信号本互不重叠．３３　识别结果为充分提取样本信息，利用ｄＢ４小波对超声信号进行４层小波包分解，得到小波包域能量特征，利用主成分分析法对该特征进行降维处理，得到包含９７７％能量的６维特征向量，结合复合材料特性提取信号的幅值、方差等９维时域特征向量．将小波包域和时域特征组合，考虑特征与信号参数关系及特征对信号的重要性，将组合特征向量分为能量、方差和幅值特征３个等级，并对组合特征向量进行加权处理，将得到的１５维组合特征向量作为输入．记脱粘和无缺陷信号的样本集分别为Ｘ＝｛ｘ１，ｘ２，ｘ３，…，ｘｎ，ｎ∈｝，Ｙ＝｛ｙ１，ｙ２，ｙ３，…，ｙｎ，ｎ∈｝，ｘｉ和ｙｉ分别为这两种信号提取的特征样本．设定聚类数目为３，误差阈值为１０－５．为避免陷入局部最优，从训练样本中各标记２０组样本作为带有标签的特征向量的监督集，分别求其均值Ｘ０和Ｙ０：Ｘ０＝［１４１４５，１３５３９８，０２９３８，５３４９４，０３１７７，０１１０４，１８，１２７５２９０，１６３４９，１２８５６６９，３１６１８，１３０４８７７，１３９２５，１３０７３４４，０５５６７］，Ｙ０＝［４４３９６，２６５７２２，０２７６３，６３９６４，０２５７７，０５４９４，００８８８，０，１３４７８７５，４８２４４，１３１７８８１，４８５３０，１２９７８５８，２４２６９，１２９００１４，０７０９４］．将以上均值作为初始聚类中心，采用改进半监督ＦＣＭ方法进行样本聚类．分别采用本文和传统ＦＣＭ方法得到迭代聚类损失函数的和Ｊｔ．图５为第ｔ次迭代中不同聚类数目下的Ｊｔ，可知聚类误差比值逐渐趋近于１，说明本算法解决了对初始聚类中心敏感的问题．010203040506070801.00.90.80.70.60.50.40.30.2tJt图5不同聚类数目下的迭代聚类损失函数的和传统FCM方法改进FCM方法利用共轭梯度法进行权值确定．输入实验样本，分别采用本文方法、传统ＦＣＭ方法以及文献［７］方法得到分类结果，如表１所示，可知本文算法提高了缺陷识别的准确率，获得了较好的分类效果．表１　不同算法的识别结果方法本文算法传统算法文献［７］算法识别率／％８９７６０７８０４３４　系统稳定性验证为验证改进神经网络对噪声的鲁棒性，在训练样本中加入不同程度信噪比的高斯白噪声，识别结果见表２．由表２可知，虽然加入的噪声强度不同，但对分类识别结果影响不大，本文方法具有较好的鲁棒性．表２　加入不同噪声的算法识别结果信噪比／ｄＢ０２０１５１０识别率／％９０８８６８８５８８４　结束语为提高超声检测缺陷识别精度，本文提出了一种基于改进半监督ＦＣＭ的ＲＢＦ神经网络类别识别方法，将ｋＮ近邻估计法和半监督ＦＣＭ方法相结合，改进隶属度函数以减弱孤立点或噪声样本对分类的影响，设定阈值，通过迭代的最小误差平方和准则，自适应地确定了聚类数目．将本文算法用于超声检测缺陷识别，实验结果表明该方法可以有效降低２５军械工程学院学报２０１３　孤立点或偏差较大的样本干扰，具有较好的鲁棒性，提高了超声检测缺陷识别的准确率，是一种有效的超声检测缺陷识别分类方法．参考文献：［１］李惠芳，常宁．基于神经网络的金属与非金属材料粘接质量定量检测［Ｊ］．北京工业大学学报，２００９，３５（８）：１１２２１１２５．［２］ＤＵＸｉｕｌｉ，ＷＡＮＧＹａｎ，ＳＨＥＮＹｉ．Ｕｌｔｒａｓｏｎｉｃｓｉｇｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎａｍｂｉｇｕｉｔｙｐｌａｎｅｆｅａｔｕｒｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２００９，２０（２）：４２７４３３．［３］王伯雄，刘文峰，柳建楠，等．基于特征的超声信号分类检测方法［Ｊ］．清华大学学报：自然科学版，２０１２，５２（７）：９４１９４５．［４］徐超，王长龙，孙世宇，等．双小波神经网络迭代的漏磁缺陷轮廓重构技术［Ｊ］．兵工学报，２０１２，３３（６）：７３０７３５．［５］张新贵，武小悦．基于ＲＢＦＮＮ自适应混合学习算法的航天测控系统任务可靠性分配［Ｊ］．航空动力学报，２０１２，２７（８）：１７５８１７６４．［６］师小红，徐章遂，敦怡，等．构件裂纹缺陷的超声识别［Ｊ］．固体火箭技术，２００７，３０（６）：５５６５５８．［７］徐桂云，蒋恒深，李辉，等．基于ＰＣＡＲＢＦ神经网络的ＷＳＮ数据融合轴承故障诊断［Ｊ］．中国矿业大学学报，２０１２，４１（６）：９６４９７０．［８］周玉，朱安福，周林，等．一种神经网络分类器样本数据选择方法［Ｊ］．华中科技大学学报：自然科学版，２０１２，４０（６）：３９４３．［９］李丹，顾宏，张立勇．基于属性加权的不完全数模糊Ｃ均值聚类算法［Ｊ］．大连理工大学学报，２０１２，５２（５）：７４９７５４．［１０］李昆仑，曹铮，曹丽苹，等．半监督聚类的若干新进展［Ｊ］．模式识别与人工智能，２００９，２２（５）：７３５７４２．［１１］徐超，张培林，任国全，等．基于Ｐａｒｚｅｎ窗的油液原子光谱数据半监督ＦＣＭ聚类研究［Ｊ］．光谱学与光谱分析，２０１０，３０（８）：２１７５２１７８．［１２］ＬＩＤａｎ，ＧＵＨｏｎｇ，ＺＨＡＮＧＬｉｙｏｎｇ，ｅｔａｌ．Ａｆｕｚｚｙｃｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｉｎｔｅｒｖａｌｓｆｏｒｉｎｃｏｍｐｌｅｔｅｄａｔａ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０１０，３７（１０）：６９４２６９４７．（责任编辑：赵薇）３５　第６期王峰林等：基于改进半监督ＦＣＭ聚类的复合材料超声检测脱粘缺陷识别基于改进半监督 FCM 聚类的复合材料超声检测脱粘缺陷识别作者：王峰林，王长龙，江涛，王建斌， WANG Feng-lin， WANG Chang-long， JIANG Tao，WANG Jian-bin作者单位：军械工程学院无人机工程系,河北石家庄,050003刊名：军械工程学院学报英文刊名：Journal of Ordnance Engineering College年，卷(期)：2013(6)1.李惠芳;常宁基于神经网络的金属与非金属材料粘接质量定量检测[期刊论文]-{H}北京工业大学学报 2009(8)2.DU Xiuli;WANG Yan;SHEN Yi Ultrasonic signal clas-sification based on ambiguity plane feature2009(2)3.王伯雄;刘文峰;柳建楠基于特征的超声信号分类检测方法[期刊论文]-清华大学学报(自然科学版) 2012(7)4.徐超;王长龙;孙世宇双小波神经网络迭代的漏磁缺陷轮廓重构技术[期刊论文]-{H}兵工学报 2012(6)5.张新贵;武小悦基于 RBFNN 自适应混合学习算法的航天测控系统任务可靠性分配 2012(8)6.师小红;徐章遂;敦怡构件裂纹缺陷的超声识别[期刊论文]-{H}固体火箭技术 2007(6)7.徐桂云;蒋恒深;李辉基于 PCA-RBF 神经网络的WSN 数据融合轴承故障诊断 2012(6)8.周玉;朱安福;周林一种神经网络分类器样本数据选择方法[期刊论文]-华中科技大学学报(自然科学版) 2012(6)9.李丹;顾宏;张立勇基于属性加权的不完全数模糊 C 均值聚类算法 2012(5)10.李昆仑;曹铮;曹丽苹半监督聚类的若干新进展[期刊论文]-{H}模式识别与人工智能 2009(5)11.徐超;张培林;任国全基于 Parzen 窗的油液原子光谱数据半监督 FCM 聚类研究 2010(8)12.LI Dan;GU Hong;ZHANG Liyong A fuzzy c-means clustering algorithm based on nearest neighbor intervals for incomplete data 2010(10)引用本文格式：王峰林.王长龙.江涛.王建斌.WANG Feng-lin.WANG Chang-long.JIANG Tao.WANG Jian-bin基于改进半监督 FCM 聚类的复合材料超声检测脱粘缺陷识别[期刊论文]-军械工程学院学报 2013(6)。

LMS算法及改进

浅析LMS算法的改进及其应用摘要：本文简单介绍了LMS算法，以及为了解决基本LMS算法中收敛速度和稳态误差之间的矛盾，提出了一种改进的变步长LMS 算法，并将其应用于噪声抵消和谐波检测中去。

关键字：LMS算法；变步长；噪声抵消；谐波检测引言自适应滤波处理技术可以用来检测平稳和非平稳的随机信号，具有很强的自学习和自跟踪能力，算法简单易于实现，在噪声干扰抵消、线性预测编码、通信系统中的自适应均衡、未知系统的自适应参数辨识等方面获得了广泛的应用。

自适应滤波则是利用前一时刻已获得的滤波器参数等结果，自动地调节现时刻的滤波器参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。

所谓“最优”是以一定的准则来衡量的，根据自适应滤波算法优化准则不同，自适应滤波算法可以分为最小均方误差(LMS)算法和递推最小二乘(RLS)算法两类最基本的算法。

基于最小均方误差准则，LMS算法使滤波器的输出信号与期望输出信号之间的均方误差最小，因此，本文在基本LMS算法基础上，提出一种新的变步长自适应滤波算法，将其应用于噪声抵消和谐波检测中去。

一．LMS算法LMS算法即最小均方误差(least-mean-squares) 算法，是线性自适应滤波算法，包括滤波过程和自适应过程。

基于最速下降法的LMS算法的迭代公式如下：e ( n) = d ( n)- w ( n - 1) x ( n) （1）w ( n) =w ( n - 1) + 2μ( n) e ( n) x ( n) （2）式中，x ( n)为自适应滤波器的输入；d ( n)为参考信号；e ( n)为误差；w ( n)为权重系数；μ( n)为步长。

LMS算法收敛的条件为：0 <μ< 1/λmax ，λmax是输入信号自相关矩阵的最大特征值。

二．LMS算法的改进由于LMS算法具有结构简单，计算复杂度小，性能稳定等特点，因而被广泛地应用于自适应均衡、语音处理、自适应噪音消除、雷达、系统辨识及信号处理等领域。

基于改进型LMS自适应算法的谐波检测方法

基于改进型LMS自适应算法的谐波检测方法段玉波;姜骁楠;付光杰【摘要】采用自适应滤波器代替原来检测电路中的低通滤波器,解决了基于瞬时无功功率理论的谐波检测精度与动态响应之间存在矛盾的问题.采用变步长LMS算法,在步长更新公式中引入变量,并用误差的时间均值估计来控制步长的更新,加快了算法的收敛速度.理论分析与实验仿真证明,该方法具有较快的动态性能和较高的检测精度.【期刊名称】《化工自动化及仪表》【年(卷),期】2014(041)003【总页数】5页(P246-250)【关键词】谐波检测;瞬时无功功率理论;自适应滤波器;变步长LMS算法【作者】段玉波;姜骁楠;付光杰【作者单位】东北石油大学电气信息工程学院,黑龙江大庆163318;东北石油大学电气信息工程学院,黑龙江大庆163318;东北石油大学电气信息工程学院,黑龙江大庆163318【正文语种】中文【中图分类】TH873.7随着电力电子装置的广泛使用，电网中的谐波问题日益严重，如何准确、实时地检测电网畸变电流的谐波分量是决定有源电力滤波器补偿性能的重要环节[1，2]。

目前电流检测的方法大体上可以归于频域检测和时域检测两大类。

基于频域的谐波电流检测主要有快速傅里叶变换法(FFT)[3，4]和小波理论谐波检测。

快速傅里叶变换法由于计算量大，会产生较大的时间延迟，动态响应较慢，因而在实际系统中不实用。

小波理论谐波检测精确度高，但其运算量依然很大，还未被广泛应用。

谐波电流的时域检测方法是目前研究的重点，主要有基于瞬时无功功率理论谐波检测法和基于LMS(Least Mean Square)算法的自适应对消法[5～9]。

基于瞬时无功功率的谐波检测方法中用到了数字低通滤波器，而传统的低通滤波器延时较大，直接影响检测的精确性和动态跟踪速度。

自适应谐波检测方法算法简单、易于实现，对元件参数变化不敏感，在动态性能上有很大的改善空间。

然而传统的固定步长自适应算法在收敛速度、跟踪速度与收敛精度方面对步长调整因子μ的要求是矛盾的。

复合材料超声检测技术

复合材料超声检测技术立陶宛考纳斯科技大学的Kazys等人采用斜入射同侧检测方式，研究了航空用复合材料垂直结构蜂窝板中A0模式Lamb波的板边回波特性，由于损伤区域有很强的能量泄漏，所以可用于检测脱粘和结构损伤等缺陷，并估计其大小。

波兰格坦斯克科技大学的Imielinska等人采用空气耦合探头和穿透式超声C扫描技术对多层聚合体复合材料的冲击损伤进行了检测研究，与X射线检测结果比较后表明，该方法更快、更方便、更准确，且可用于检测一些X射线无法检测的材料。

美国爱荷华州立大学无损检测中心的HSU和印度GE全球研究中心的Kommareddy等合作，利用压电陶瓷空气耦合换能器，开展了复合材料零部件的缺陷检测和修复评价的研究工作，并研制了相应的空气耦合超声扫描系统，在飞机零部件阵地探伤中得以使用;英国伦敦大学的Berketis等人利用空气耦合超声检测方法对潜艇用玻璃纤维增强型复合材料的损伤和退化进行了检测和评价，获得了用水耦合超声检测方法得不到的效果。

丹麦国家实验室的Borum与丹麦工业大学的Berggreen等人合作，利用空气耦合超声波，采用穿透法，对海军舰艇用层状叠合复合材料板进行检测，结果显示，该方法可以检测出上述材料板中的脱粘。

4、激光超声检测技术激光超声是目前国内外研究最活跃的非接触超声检测方法之一。

它利用高能量的激光脉冲与物质表面的瞬时热作用，在固体表面产生热特性区，形成热应力，在物体内部产生超声波。

激光超声检测可分3种：一种用激光在工件中产生超声波，用PZT等常规超声探头接收超声波进行检测;另一种用PZT等常规超声波探头激励超声波，用激光干涉法检测工件中的超声波;还有一种用激光激励超声波，并用激光干涉法检测工件中的超声波，此法是纯粹意义上的激光超声检测技术。

超声波的激励或探测可通过激光进行，不需要耦合剂，因而可实现远距离非接触检测，检测距离可从几十厘米到数米。

所激发的超声波具有很宽的频带，从几百kHz到几GHz，可用于薄膜测量分析等一些特殊应用场合。

基于S变换和时频谱空间滤波的超声缺陷回波检测方法

第36卷第22期振动与冲击JOURNAL OF VIBRATION AND SHOCK Vol.36 No.22 2017基于S变换和时频谱空间滤波的超声缺陷回波检测方法曾祥:，吴学雷2%周晓军:，杨辰龙:，陈越超1(1.浙江大学流体动力与机电系统国家重点实验室，杭州310027$ 2.北京航天发射技术研究所，北京100076)摘要：缺陷回波的检测是超声探伤的一项重要内容，为减弱噪声的影响准确检测缺陷回波，提出基于S变换时频分析和时频谱空间滤波的信号处理方法。

讨论了高斯回波模型下的到达时间和中心频率与S变换时频谱的关系，说明了利用S变换时频谱幅值矩阵的极值提取回波到达时间和中心频率的合理性;为检测回波，首先对原始信号作S变换，然后对得到的时频谱幅值矩阵应用最大熵法自适应选择去噪阈值，对S变换时频谱作空间滤波完成降噪;从降噪后的区域中提取反映缺陷的到达时间和中心频率;对降噪后的时频谱作S逆变换，获得缺陷回波明显的时域信号。

仿真研究表明，基于S变换和时频谱空间滤波的方法能够有效去除噪声，检测回波。

棒材试块的实验结果同样表明了该方法在缺陷检测上的有效性。

关键词！超声;S变换;最大熵阈值;空间滤波中图分类号：TB553 文献标志码：A DOI:10. 13465/j. cnki.jvs.2017.22.006A fltiw echo detection method based on S-transformation andtime-frequency spectrum spatial filteringZENGXiang1 , WUXuelei2 , ZHOUXiaojun1 , YANGChenlong1 , CHENYuechao1(1. The State Key Laboratory of Fluid Power Transmission and Control，Zhejiang University，Han2. Beijing Institute of Space Launch，Beijing 100076，China)Abstract!Detection of flaw^echoes is an important tasl^in ultrasonic testing.In order to eliminate the effects of noise and detect echoes correctly，a signal processing metliod based on the S-transformation(ST)and the time-frequency spectrum (TFS)spatial f iltering was proposed.Based on the Gaussian echo model，the relationships between the time of arrival (TOA)together with the center frequency (CF)and ST TFS were discussed.The reasonableness of the method using the extremum of ST TFS amplitude matrix for TOA and CF extraction were illustrated.To was performed on the original signal.Then the dual-threshold were determined by the MaximumEntropy Thresholding method adaptively，and the spatial filtering was performed on ST TFS for denoising.The TOA and CF coul denoised region.Finally，the inverse STwas performed on the denoised TFS and the signal with clear flaw echoes were gained.Simulation results show that using ST and TFS spatial filtering can remove noise and detect echoes effectively.And the experimental results o f bar specimen also showthe effectiveness of the method in flaw detection.Key words：ultrasonic$S-transformation$maximum entropy thresholding;spatial filtering超声脉冲反射法是一种重要的无损检测方法。

复合材料超声检测复合缺陷多层成像实验分析

ＡｂｓｔｒａｃｔＴｈｅｔｒａｄｉｔｉｏｎａｌｕｌｔｒａｓｏｎｉｃＢｓｃａｎａｎｄＣｓｃａｎｄｅｔｅｃｔｉｏｎａｒｅｕｎａｂｌｅｔｏｆｕｌｌｙｓｈｏｗｏｖｅｒａｌｌｐｅｒｓｐｅｃｔｉｖｅｏｆｃｏｍｐｏｓｉｔｅｄｅｆｅｃｔｓｉｎｃｏｍｐｏｓｉｔｅｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｓｐｅｃｉｍｅｎｗｉｔｈａｎａｒｔｉｉｃｆｉａｌｐｒｅｆａｂｉｃｒａｔｅｄｌａｆｗｗａｓｄｅｔｅｃｔｅｄｂｙｉｍ—
ｍｅｒｓｉｏｎｕｌｔｒａｓｏｎｉｃＣｓｃａｎｉｍａｇｉｎｇｔｈｒｏｕｇｈｔｈｅｅｘｐｅｉｒｍｅｎｔａｌｍｅｔｈｏｄ．ＢａｓｅｄｏｎｔｈｅｐｉｒｎｃｉｐｌｅｏｆｕｌｔｒａｓｏｎｉｃＣｓｃａｎｔｈｅ
文
摘
传统的超声Ｂ扫描和ｃ扫描检测，并不能完全地展现复合材料复合缺陷的全貌，具有一定的局
限性。本文通过实验的方法，对人工预制缺陷试样进行了水浸超声ｃ扫描成像检测。在超声ｃ扫描底波幅值成像原理的基础上，通过一次扫描，获取不同层深位置的超声反射信号进行切片ｃ扫描成像，利用不同层深位置的切片Ｃ扫描图像观察材料内部的缺陷。实验结果表明，利用超声Ａ、Ｂ、Ｃ扫描成像与切片Ｃ扫描成像相

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＲｅｃｏｇｎｉｔｉｏｎｏｆＣｏｍｐｏｓｉｔｅＭａｔｅｒｉａｌｓＦｌａｗｓｗｉｔｈｉｎＵｌｔｒａｓｏｎｉｃＴｅｓｔｉｎｇ
ＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＬＭＳＡｌｇｏｒｉｔｈｍ
基于改进ＬＭＳ算法的复合材料超声检测缺陷识别
王峰林，王长龙，胡永江
（军械工程学院无人机工程系，河北石家庄０５０００３）
摘要：在径向基函数（ＲＢＦ）神经网络实现无人机复合材料超声检测脱粘缺陷识别时，针对最小均方（ＬＭＳ）算法在确定网络输出权值时存在稳态失调误差和收敛速度相矛盾的问题，提出一种改进的自适应的变步长ＬＭＳ算法．该算法根据反馈误差自适应确定步长，通过引进动量项加快收敛速度．将改进ＬＭＳ算法应用到ＲＢＦ网络缺陷识别中，结果表明该方法在稳态失调误差较小的情况下，能快速确定ＲＢＦ网络的权值．改进的ＲＢＦ网络能够较好地识别超声检测脱粘缺陷．关键词：最小均方规则；径向基函数神经网络；权值；变步长；动量项；缺陷识别中图分类号：ＴＢ５５３文献标识码：Ａ文章编号：１００８ — ２９５６（２０１３）０５ — ００６６ — ０４
Ａｂｓｔｒａｃｔ：Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｃｏｎｔｒａｄｉｃｔｉｏｎｂｅｔｗｅｅｎｓｔｅａｄｙｓｔａｔｅｅｒｒｏｒａｎｄｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄｗｈｅｎｃｈｏｏｓｉｎｇｔｈｅｗｅｉｇｈｔｗｉｔｈｉｎｔｈｅｌｅａｓｔｍｅａｎｓｑｕａｒｅ（ＬＭＳ）ａｌｇｏｒｉｔｈｍ，ａｎｉｍｐｒｏｖｅｄｖａｒｉａｂｌｅｓｔｅｐ～ｓｉｚｅａｄａｐｔｉｖｅＬＭＳａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ，ｒｅｃｏｇｎｉｚｉｎｇｔｈｅｆｌａｗｉｎｔｈｅｃｏｍｐｏｓｉｔｅｍａｔｅｒｉａｌｓ
第２５卷第５期
２０１３年１Ｏ月
军
械
工
程
学
院
学
报
Ｖｏ１．２５ＮＯ．５０ｃｔ．２Ｏ１３
ＪｏｕｒｎａｌｏｆＯｒｄｎａｎｃｅＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ
ｄｏｉ：１０．３９６９／ｉ．ｉｓｓｎ．１００８ — ２９５６．２０１３．０５．０１４
ＷＡＮＧＦｅｎｇ－ｌｉｎ，ＷＡＮＧＣｈａｎｇ — ｌｏｎｇ，ＨＵＹｏｎｇ — ｊｉａｎｇ
（ＵｎｍａｎｎｅｄＡｅｒｉａｌＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇＤｅｐａｒｔｍｅｎｔ，ＯｒｄｎａｎｃｅＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａｎｇ０５０００３．Ｃｈｉｎａ）
ａｌｇｏｒｉｔｈｍｃａｎｄｅｃｉｄｅｔｈｅＲＢＦｎｅｔｗｏｒｋｗｅｉｇｈｔｍｏｒｅｑｕｉｃｋｌｙｗｉｔｈｉｎｌｏｗｓｔｅａｄｙｓｔａｔｅｅｒｒｏｒａｎｄｔｈｅｉｍｐｒｏｖｅｄＲＢＦｎｅｔｗｏｒｋｃａｎｃｌａｓｓｉｆｙｔｈｅｆｌａｗｓｂｅｔｔｅｒ．
ｍｅｎｔｕｍｐｒｏｊｅｃｔｔｏｈａｖｅ３ｂｅｔｔｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｎｅｗ
ｔｉｎｇ．Ｔｈｅａｌｇｏｒｉｔｈｍｆｉｒｓｔｄｅｃｉｄｅｓｔｈｅｓｔｅｐｓｉｚｅａｄａｐｔｉｖｅｌｙｄｅｐｅｎｄｉｎｇｏｎｔｈｅｅｒｒｏｒ，ｔｈｅｎａｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｕｓｉｎｇｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ（ＲＢＦ）ｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈｕｌｔｒａｓｏｎｉｃｔｅｓ —