论文部分内容阅读
超声检测是油气管道环焊缝缺陷检测的一项重要技术。超声相控阵由于具有独特的电子扫查、动态聚焦和扇形扫描特性,能实现对非平面表面及复杂结构物体的缺陷检测,成为近几年超声探伤领域中的一个研究热点。本文重点研究了超声相控阵在油气管道环焊缝缺陷检测中的应用及缺陷识别技术。基于平面矩形活塞阵元,采用数值分析方法研究了一维超声相控线阵的声场特性,对辐射声场进行仿真。重点探讨了阵元数量N、阵元间距d、阵元长度l、阵元宽度w、焦距F和声束偏转角度θs等线阵参数对发射声束聚焦偏转的影响,给出了最优检测性能的换能器尺寸,为相控阵换能器的选择提供了理论依据。针对目前超声相控阵探伤中对缺陷的定性分析仍然依靠探伤人员检测经验的现状,将模式识别方法引入到环焊缝缺陷检测。提出了采用提升小波变换提取缺陷信号特征的方法。针对超声相控阵系统采集的油气管道环焊缝试块中的缺陷信号,采用“频带-能量”特征提取形式,结合基于距离的类别可分性测度作为特征提取的评价标准,比较了小波包变换与提升小波变换提取缺陷信号能量特征的性能。实验结果表明,提升小波特征提取速度比小波包的特征提取速度快一倍。采用基于提升小波变换的分形技术提取缺陷信号的分形特征。实验证明,加入分形特征后特征的可分性测度比仅采用能量特征提高了6.28%,开辟了管道环焊缝缺陷信号特征提取的一条新途径。采用基本遗传算法对提取的油气管道环焊缝缺陷特征进行优选,确定了有利于环焊缝缺陷识别的最优缺陷特征子集,提高了后续缺陷识别的效率。采用人工神经网络技术实现管道环焊缝缺陷识别。对目前在人工神经网络中应用最广泛的多层前馈误差反向传播(BP)算法进行了性能分析和算法改进,较好地实现了管道环焊缝缺陷信号的分类识别。研究了基于db4提升小波分析的径向基函数(RBF)神经网络进行环焊缝缺陷识别的性能。实验结果表明,RBF网络极大地提高了缺陷识别的速度,但识别的准确率太低,不适合于油气管道环焊缝缺陷的识别。提出采用数据挖掘技术中的支持向量机(SVM)模型对油气管道环焊缝缺陷进行自动识别。建立了以RBF核为核函数,SMO算法为进化算法的SVM模型。比较了改进的BP网络、RBF网络和SVM模型的缺陷识别结果,表明SVM在识别效率和准确率方面具有明显优势。研制了一套针对油气管道环焊缝缺陷检测的超声相控阵系统。实验证明系统具有良好的缺陷检测性能。