基于径向基神经网络的脉冲涡流缺陷轮廓重构.pdf

《基于径向基神经网络的脉冲涡流缺陷轮廓重构.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2016拄仪表技术与传感器2016第6期InstrumentTechniqueandSensorNo．6基于径向基神经网络的脉冲涡流缺陷轮廓重构朱红运，王长龙，王建斌，江涛(军械工程学院无人机工程系，河北石家庄050003)摘要：采用脉冲涡流技术进行检测时，为准确得到被测缺陷的轮廓，提出了一种基于径向基神经网络的缺陷轮廓重构方法。该方法为降低网络结构对重构结果的影响，采用主成分分析法对网络隐层应选择的最少节点数进行了计算，进而确定了较合理的网络结构；而后采用混合学习算法求得了网络参数，并通过引入梯度信息衰减系数对求解过程进行了优化；最后将其应用于脉冲涡流检测的缺陷轮廓重构实

2、验，结果表明：基于径向基神经网络的缺陷轮廓重构方法不仅具有较高的重构精度而且具有较强的抗噪声干扰能力，是一种有效可行的脉冲涡流缺陷轮廓重构方法。关键词：脉冲涡流；缺陷轮廓重构；径向基神经网络；混合学习算法中图分类号：TG115．28文献标识码：A文章编号：1002-1841(2016)06-0098-04DefectPr0fileReconstructionFromPulsedEddyCurrentSignalsBasedonRadialBasisFunctionNeuralNetworkZHUHong—yun，WANGChang—long，WANGJian·bin，JIA

3、NGTao(DepartmentofUnmannedAerialVehiclesEngineering，OrdnanceEngineeringCollege，Shijiazhuango5o003，China)Abstract：Inordertoobtainthedefectprofilewhenthepulsededdycurrenttestingwasused，anapproachofdefectprofilereconstructionfrompulsededdycurrentsignalsbasedonradialbasisfunctionneuralnetwork(

4、RBFNN)wasproposedinthispaper．Toreducetheeffectofnetworkstructureonreconstructionresult，principalcomponentsanalysiswasusedtodeterminetheleastnumberofhiddennodes，thentheappropriatenetworkstructurewasdetermined．ThehybridlearningalgorithmwasusedtosolvetheparameterofRBFNN，andthesolvingprocesswa

5、soptimizedbyattenuationcoefficientofgradientinformation．Thenthepro—posedapproachwasutilizedintheexperimentofdefectprofilereconstruction，theresultsindicatethatthedefectprofilecanbere—constructedaccuratelyandtheperformanceofnoiseinterferencesuppressionofthemethodishigh，thusitisaneffectiveand

6、feasi—bleapproachforpulsededdycurrentdefectprofilereconstruction．Keywords：pulsededdycurrent；defectprofilereconstruction；radialbasisfunctionneuralnetwork(RBFNN)；hybridlearningal-gorithm0引言力，有效地改善了局部极小问题，同时该网络拓扑结构紧凑，学脉冲涡流无损检测技术由于具有检测信号频率丰富、深层习速度快，具有自组织和自适应的特征，鉴于此，为准确重构缺陷检测能力强等优点，已被广泛应用于金属导体的

7、缺陷检脉冲涡流检测的缺陷轮廓，本文提出了一种基于径向基神经网测J。当采用该技术对缺陷检测时，准确重构出缺陷的轮廓络的缺陷轮廓重构方法，该方法首先确定了较合理的网络隐层可为对被测试件剩余寿命的评估提供可靠依据j。结构，而后采用混合算法对网络参数进行了求解，并通过引入目前，缺陷轮廓重构的方法主要有优化法和神经网络梯度信息衰减系数对求解过程进行了优化，提高了脉冲涡流缺法』。优化法具有较高的重构精度，然而在优化过程中需要反陷轮廓重构的精度。复迭代计算，因而该方法的计算量很大；神经网络由于具有非1脉冲涡流缺陷轮廓重构模型线性