基于陣列探頭的鋁板缺陷超聲檢測(cè)仿真及其定位研究.pdf

1、在制造、成形和服役過(guò)程中，鋁板內(nèi)部將不可避免地產(chǎn)生各類損傷缺陷，致使其力學(xué)性能劣化，甚至導(dǎo)致嚴(yán)重的災(zāi)難性事故。目前，隨著鋁板在機(jī)械零部件制造、航空航天和造船等工業(yè)領(lǐng)域的廣泛應(yīng)用，鋁材作為現(xiàn)代經(jīng)濟(jì)和高新技術(shù)發(fā)展的支柱性原材料，其質(zhì)量檢測(cè)尤為重要。因此，有必要對(duì)鋁材零件的缺陷進(jìn)行無(wú)損檢測(cè)。近幾年發(fā)展起來(lái)的無(wú)損檢測(cè)技術(shù)是產(chǎn)品質(zhì)量控制中的重要手段之一。
　　研究基于超聲波檢測(cè)技術(shù)，設(shè)計(jì)了單發(fā)多收超聲陣列探頭陣列模型，并結(jié)合主成分分析（PC

2、A，principal component analysis）和概率神經(jīng)網(wǎng)絡(luò)（PNN，probabilistic neural network），實(shí)現(xiàn)了鋁板不同深度區(qū)域的21類缺陷的定位。研究首先采用有限元仿真軟件對(duì)每一缺陷分別進(jìn)行了建模和仿真實(shí)驗(yàn)；其次，分別對(duì)6個(gè)接收探頭陣列單元所接收的所有缺陷的時(shí)域波形信息進(jìn)行分析和處理，得到初始時(shí)域信息，并通過(guò)傅里葉變換，獲得缺陷的初始幅頻信息；再次，利用主成分分析法（PCA，principal

3、component analysis）對(duì)初始幅頻信息進(jìn)行降維，提取各缺陷類的特征向量；最后，基于概率神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行缺陷位置識(shí)別，并進(jìn)行了對(duì)比分析。此外，研究并分析了接收探頭陣列單元的個(gè)數(shù)以及相同接收探頭陣列單元而不同的單元分布時(shí)，對(duì)各缺陷區(qū)域的定位正確率的影響。
　　研究結(jié)果表明，運(yùn)用概率神經(jīng)網(wǎng)絡(luò)對(duì)距離激勵(lì)源分別為120mm、160mm、200mm的三大缺陷區(qū)域所包含的缺陷進(jìn)行了位置識(shí)別，各缺陷區(qū)域的平均識(shí)別正確率分別為