基于小波神经网络木材缺陷类型超声检测机理的研究

《基于小波神经网络木材缺陷类型超声检测机理的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要本材内部缺陷无损检测技术是新兴的多学科交叉的技术，该技术对木材生产领域及其深加工等多方面有着较高的应用价值。本文围绕木材内部缺陷超声无损检测技术，通过小波变换分解超声信号得到的能量变化量、结点小波包系数和人工神经网络模式识别技术相结合，研究了木材缺陷类型超声无损检测机理与技术。首先，构建了木材标准试件与不同类型的缺陷试件，采用先进的超声检测系统对木．材试件进行超声无损检测，并记录下相应的超声原始检测信号：对dbl，db5，dblO。coif5小波函数在超声检测信号中的应用作了分析比较，选

2、择的db5小波基可作为处理木材超声检测信号的首选小波基；经试验得到，在机械故障诊断中应用较为广泛的小波信号奇异性检测在木材超声检测中应用尚有较大差距。其次，将各类试件的原始号用小波包分解，并求出信号小波包第5层各结点的能量，得到缺陷试件与完好试件的能量变化量；试验发现木材缺陷引起能量的变化量主要由木材缺陷的程度来决定，木材缺陷的程度越严重，能量的变化量就越大；对小波包5层分解后各信号结点的能量变化量进行分析，发现在32个结点中(5，0)结点在各类缺陷试件中能量变化量最大，说明其涵盖的缺陷特征信息

3、最多，因此针对r5，O)结点进行分析，提取结点的小波包系数作为神经元网络的输入。最后，将所得到的第5层32个结点的能量变化量与(5，0)结点的小波包系数分别作为人工神经网络的特征输入，通过计算出的样本来训练网络，对比分析两个网络识别木材缺陷类型的能力，结果表明(5，0)结点小波包系数作为特征训练得到的神经网络检测结果更为有效。通过试验验证，该方法识别标准试件缺陷类型的精度达到99％以上。关键词木材缺陷；超声检测；小波分析；神经网络AbstractWoodinner-defectdetecting

4、technologyisanewlyarisenandmanysubjectsintersectionaltechnologywhichhasbeensuccessfullyappliedinwoodproductionandmanyotherfields．Thispaperisaroundwoodinner-defectdetectingtechnology,ultrasonicnon—destructivetestingforwooddefectsisstudiedusingtheenerg

5、yspectrumvarietyoftheultrasonicsignalbywavelettransform，coefficientofwaveletnodeandtheArtificialNeuralNetwork(ANN)．First，woodspecimensofstandardanddifferenttypesaremade．Woodspecimensarenon·destructivetestedbyadvancedultrasonictestsystem，andcopyreleva

6、ntoriginalityultrasonicsignal；dbl，db5，dbl0，coil5waveletradixareanalyzedinultrasonictest．Selectdb5waveletradixasprincipalwaveletradixindisposingultrasonicsignal；waveletsignaldifferenttestwhichisprevailapplyinmechanicalfailure；Canrtapplyinwoodultrasoni

7、ctest．Secondly,originalitysignalofdifferentpiecesaredispelledbywaveletbundle，andreceivecmnode'senergyofNo．5layersignalwaveletbundle，SOgetenergyvarietiesofdefectpiecesandfinepieces；energychangersofdefectwoodpiecesmostlyaredecidedbydegreeofwooddefect；i

8、nanalyzingcmnode’SenergyvarietiesofNo．5layersignalwaveletbundle，find(5，O)of32crunodesisthebiggest．Thisshowsdefectcharacterinformationisthemost，SOtaking(5，0)cmnodesastheinputsoftheartificialneuralnetwork．Finally,taking32crunode’SenergyvarietiesofNo．5l