CN113869766B - 一种合金板材冲裁质量的智能检测建模方法 - Google Patents
一种合金板材冲裁质量的智能检测建模方法 Download PDFInfo
- Publication number
- CN113869766B CN113869766B CN202111180350.7A CN202111180350A CN113869766B CN 113869766 B CN113869766 B CN 113869766B CN 202111180350 A CN202111180350 A CN 202111180350A CN 113869766 B CN113869766 B CN 113869766B
- Authority
- CN
- China
- Prior art keywords
- blanking
- value
- acoustic emission
- training
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 31
- 239000000956 alloy Substances 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000010606 normalization Methods 0.000 claims abstract description 35
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 61
- 238000010586 diagram Methods 0.000 claims description 46
- 210000002569 neuron Anatomy 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000002474 experimental method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 229910001209 Low-carbon steel Inorganic materials 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000001902 propagating effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 210000002364 input neuron Anatomy 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 229940099259 vaseline Drugs 0.000 claims description 5
- 229910000838 Al alloy Inorganic materials 0.000 claims description 4
- 239000007822 coupling agent Substances 0.000 claims description 4
- 150000001413 amino acids Chemical class 0.000 claims description 3
- 229910000756 V alloy Inorganic materials 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 229910000861 Mg alloy Inorganic materials 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及了一种合金板材冲裁质量的智能检测建模方法，包括：首先通过声发射同步监测合金冲裁过程中的声发射信号，通过HHT转变对声发射信号去噪处理，随后提取冲裁过程中的特征参数：振铃计数、能量、有效值电压RMS和平均信号电平ASL等的最大峰值；随后通过光学的方法对冲裁件的断面进行检测，记录冲裁件断面光亮区、撕裂区的宽度值与圆角区、毛刺的高度值等参数，然后对特征参数及冲裁件断面参数归一化处理。再将归一化的特征参数作为人工神经网络的输入，归一化的冲裁件断面参数作为输出去训练人工神经网络模型，通过验证，人工神经网络模型准确率达98％及以上，可用在冲裁质量检测领域。本发明的建模方法，具有检测效率高、准确性高的优点。
Description
技术领域
本发明属于合金板材质量检测领域，具体涉及一种合金板材冲裁质量的智能检测建模方法。
背景技术
在汽车零件的冲裁过程中，不合理的冲裁工艺和受损的模具导致了冲裁件缺陷的出现，冲裁可能会造成板材出现毛刺、磨损、变薄、开裂等缺陷。由于设备从发生故障到发现故障以及从生产故障中消除故障的时间可能会很长，因此无法防止缺陷产品的制造，及时检测出缺陷对冲裁件的质量以及汽车行车安全至关重要。
针对这种情况，近些年发展起来了预知维修，对于预知维修，可以采用先进的无损检测技术检测器件缺陷，但这种无损检测是针对已加工完成的器件，不能实现实时检测；因此目前如何建立合金板材冲裁质量的实时智能检测模型是目前亟需解决的技术问题。
发明内容
为解决上述技术难题，本发明提供了一种合金板材冲裁质量的智能检测建模方法，它包括以下步骤：
(1)首先采用夹具将声发射传感器固定在合金板材上距离冲裁部位边缘5-20mm的位置，然后在声发射传感器和板材之间涂抹凡士林耦合剂，在距离传感器5-20mm的位置，通过断铅实验检验传感器的灵敏度及传感器和板材之间的耦合度并获得时间-声信号幅值二维图，如果获得的波形信号是突发型信号，说明耦合度良好，再打开冲裁机，先收集机器开机状态下发出的声发射信号，随后设置阈值来排除掉噪声的影响，设置的阈值为冲裁机开机时所发出信号的最大分贝值<阈值≤冲裁机开机所发出信号的最大分贝值+3；
(2)步骤(1)所述的阈值设置合理后，对合金板材进行冲裁以及声发射传感器检测，冲裁和声发射传感器检测次数分别设置为1-30万次，收集和记录合金冲裁过程发射出的声发射波形流和特征参数，波形流是冲裁过程中的时间-信号幅值图，特征参数包含振铃计数、能量、有效值电压RMS、平均信号电平ASL参数，其中将振铃计数、能量、有效值电压RMS和平均信号电平ASL参数的最大值分别定义为X1、X2、X3和X4；
(3)通过HHT希尔伯特黄转变对步骤(2)所述的声发射波形流进行去噪及重构，随后对重构后的波形流进行傅里叶转变，获得频率-信号幅值图，将峰值频率定义为X5并将其对应的幅值定义为X6；首先通过经验模式分解的方法将步骤(2)获得的每一个波形流分解成5-30个固有模态函数分量，将和外界噪声相关的模态函数分量去掉后，再对其剩余模态函数分量重构，此时获得了1-30万个重构后的波形流，再利用傅里叶转变函数将每一个重构后的波形流时间-信号幅值图转变成频率-信号幅值图，将每个图中峰值频率X5及所对应的信号幅值X6记录下来获得频率和幅值的数据集；一次冲裁过程中的一个声发射波形会产生一组X1、X2、X3、X4、X5和X6输入变量；
其中，傅里叶转变函数：
其中，ω为频率，
t为时间，
f(t)为原函数，
i为虚数单位，
e为2.718281828459，
F(ω)为傅里叶变换的像函数；
(4)通过光学检测的方式对步骤(2)获得的1-30万个经过冲裁的板材断面进行检测，用工业相机对每个断面进行拍照，检测记录包括断面光亮区、撕裂区宽度值与圆角区、毛刺高度值，将光亮区宽度定义为Y1，圆角区高度定义为Y2，撕裂区宽度定义为Y3，毛刺高度定义为Y4；
(5)将步骤3中的X1、X2、X3、X4、X5、X6中的所有数据分别采用归一化公式获得归一化后的x1、x2、x3、x4、x5、x6；
归一化公式：
其中，
Xnorm为x1、x2、x3、x4、x5、x6中的一种，
X为X1、X2、X3、X4、X5、X6中的一种，
Xmin为每个输入变量中1-30万个数据中的最小值，
Xmax为每个输入变量中1-30万个数据中的最大值；
(6)对步骤(4)中的光亮区宽度、撕裂区宽度、圆角区高度和毛刺高度分别进行归一化处理，将光亮区宽度Y1和撕裂区宽度Y3分别除以板材厚度获得y1、y3，将圆角区高度Y2和毛刺高度Y4分别除以凸凹模间隙获得y2和y4；
(7)训练人工神经网络模型：将步骤(5)所述的x1、x2、x3、x4、x5、x6作为训练神经网络的输入，将步骤(6)所述的y1、y2、y3、y4作为训练神经网络的输出，制作训练人工神经网络模型，此时模型为6个输入、4个输出的结构，通过deepmd kit深度势能软件包来调整神经网络的参数，deepmd kit相当于是一个类似于人工神经网络的黑匣子，将神经网络的输入层数设置为1，输入层神经元个数设置为6；隐藏层数设置为1，隐藏层神经元个数设置为10；输出层数设置为1，输出层神经元个数设置为4；人工神经网络训练过程中网络的初始权值和偏置是随机产生的，输入神经元通过神经网络正向传播的连接神经元公式计算获得输出值y1’、y2’、y3’、y4’，然后计算正向传播输出值y1’、y2’、y3’、y4’分别与训练集输出值y1、y2、y3、y4之间的整体误差，再通过反向误差传播算法进行反向误差传播去修改权值和偏置，然后再正向传播，往复循环，直至误差达到全局最小则训练结束，反向误差传播算法中包含了误差的计算；训练模型的初始学习率设置为0.0001-0.01，定义学习次数为2000-30000次；将1-30万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)以5:1-30:1随机分成训练集和验证集两类，其中训练后的模型对于训练集的准确率为99-99.99％；然后再用验证集数据验证模型准确性，将输入值通过上述训练集的正向传播计算得到输出值，然后通过反归一化方法把模型输出值换算成冲裁件光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，然后将反归一化后获得的宽度值、高度值分别与验证集中输出值对应的板材断面检测值对比，计算误差及模型准确性，验证集的准确性为98-99.99％；
神经网络正向传播的连接神经元公式：
f(x；θ)＝wTx+b
其中，x为神经元输入向量，
w为权值，
b为偏置，
T为转置符号，
θ包含了权值w和偏置b，
f(x；θ)为每层神经元输出向量；
反向误差传播算法公式：
其中，x(n)为输入数据集x1,…,xn，
y(n)为输出数据集y1,…,yn，
N为每组输入变量的个数(1≤N≤300000，N∈自然数)，
n为每组输入变量的个数(1≤n≤N，n∈自然数)，
f(x(n)；θ)为正向传播输出的结果，
为损失函数，
用来量化两个变量之间的差异，即误差，
α为学习率，
θ为包含了权值w和偏置b的参数值，
θt为第t次迭代的权值和偏置的参数值；
进一步地，步骤(1)所述的合金为6082铝合金、Q235低碳钢、Q345低碳钢、AZ31合金、AZ80合金、AZ91合金或Ti6Al4V合金中的任意一种。
进一步地，步骤(2)所述的冲裁和声发射传感器检测次数分别设置为5-10万次。
进一步地，步骤(3)所述的每一个波形流分解成10-20个固有模态函数。
进一步地，步骤(7)所述的训练模型的初始学习率设置为0.001-0.01，定义学习次数为5000-20000次；将1-30万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)分别以6:1-20:1随机分成训练集和验证集两组。
进一步地，步骤(7)所述的是将1-30万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)分别以9:1-10:1随机分成训练集和验证集两组。
附图说明
图1为实施例1中的实验装置的示意图；
图2为实施例1中的断铅实验的声发射信号图；
图3(a)、(b)分别为实施例1的突发型波形流图和连续型波形流图；
图4为实施例1中的断铅实验频率-声信号幅值二维图；
图5为实施例2中的人工神经网络模型图；
图6实施例2中的实验装置的示意图；
图7为实施例2中的断铅实验的声发射信号图；
图8为实施例2中的断铅实验频率-声信号幅值二维图；
图9为实施例2中的人工神经网络模型图；
图10为实施例3中的实验装置的示意图；
图11为实施例3中的人工神经网络模型图。
具体实施方式
下面结合具体实施例及附图对本发明作进一步说明。
实施例1
基于声发射技术的Q235低碳钢合金板材冲裁质量的智能检测建模方法，包括以下步骤：
S1、在冲裁实验前检验声发射传感器耦合度，以及设置阈值去除噪声。实验装置包括冲裁机1、声发射传感器2、信号采集器3、连接线4、夹具5，装置示意图如图1所示。在实验过程中，用夹具5将声发射传感器2固定在Q235低碳钢板材上距离冲裁部位边缘10mm的位置，声发射传感器和板材之间涂抹凡士林耦合剂。固定好之后，在距离传感器10mm的位置，通过断铅实验检验传感器的灵敏度及传感器和板材之间的耦合度，获得的波形信号是突发型信号，以此证明耦合度良好，如图2断铅实验时域图中的时间-声信号幅值二维图所示。打开冲裁机1，先收集机器开机状态下发出的声发射信号，随后设置阈值来排除掉噪声的影响，阈值设置为机器开机所发出信号的最大分贝值加1；
S2、声发射同步监测Q235低碳钢板材的冲裁过程。S1步骤阈值设置合理后，可以进行冲裁实验。然后对板材进行冲裁的同时并进行声发射传感器检测，冲裁和声发射传感器检测次数分别设置为1万次，收集并记录冲裁过程发射出的声发射波形流和特征参数，波形流是冲裁过程中的时间-信号幅值图，特征参数包含振铃计数、能量、有效值电压RMS、平均信号电平ASL等参数。波形流分为突发型波形流和连续性波形流两类，图3(a)为突发型的波形流，图3(b)为连续型的波形流，冲裁过程中的波形流为连续型波形流与突发型波形流的组合；
S3、记录S2冲裁过程中的振铃计数、能量、有效值电压RMS、平均信号电平ASL四个特征参数的最大值。声发射同步记录冲裁过程的声信号，声发射特征参数的最大值有很重要的意义，将振铃计数最大值定义为X1，能量最大值定义为X2，有效值电压RMS最大值定义为X3，平均信号电平ASL最大值定义为X4；
S4、通过HHT希尔伯特黄转变对S2冲裁件的声发射波形流进行去噪及重构，随后对重构后的波形流进行傅里叶转变，获得频率-信号幅值图，提取峰值频率X5及其对应的幅值X6。通过经验模式分解(EMD)的方法将S2获得的每一个波形流都分解成10个固有模态函数(IMF)分量，IMF分量图也是时间-幅值图，再将和外界噪声相关的IMF分量去掉后，再对其剩余IMF分量重构，此时获得了1万个重构后的波形流。再利用傅里叶转变函数(1)将每一个重构后的波形流即每一次冲裁时的时间-信号幅值图转变成频率-信号幅值图，将每个图中峰值频率X5及所对应的信号幅值X6记录下来获得频率和幅值的数据集，通过傅里叶转变得到的频率-信号幅值图如图4所示。一次冲裁过程即一个声发射波形会获得一组X1、X2、X3、X4、X5和X6输入变量；做多少组冲裁实验，就会获得多少组X1、X2、X3、X4、X5和X6输入变量；
其中，傅里叶转变函数：
其中，ω为频率，
t为时间，
f(t)为原函数，
i为虚数单位，
e为2.718281828459，
F(ω)为傅里叶变换的像函数；
S5、通过光学检测的方式对S2获得的1万个冲裁件的断面进行检测，将断面的一些参数记录下来。用工业相机对每个冲裁件断面进行拍照，检测记录包括冲裁件断面光亮区、撕裂区的宽度值与圆角区、毛刺的高度值。将光亮区宽度定义为Y1，圆角区高度定义为Y2，撕裂区宽度定义为Y3，毛刺高度定义为Y4，这样对于每一个冲裁试样，都有振铃计数峰值X1、能量峰值X2、有效值电压RMS峰值X3、平均信号电平ASL峰值X4、峰值频率X5、峰值频率对应的幅值X6、光亮区宽度Y1、圆角区高度Y2、撕裂区宽度Y3、毛刺高度为Y4这样10个数据与之对应；
S6、将步骤S3～S5中的十个参数X1、X2、X3、X4、X5、X6、Y1、Y2、Y3、Y4进行归一化处理，归一化后的十个参数定义为x1、x2、x3、x4、x5、x6、y1、y2、y3、y4。归一化的目的是为了防止数据量太大对模型造成的影响，减小模型误差。对于输入变量X1、X2、X3、X4、X5、X6，按照归一化公式(2)进行归一化分别获得x1、x2、x3、x4、x5、x6；对于光亮区宽度Y1和撕裂区宽度Y3，归一化处理是将光亮区或撕裂区的宽度除以板厚分别获得y1和y3，对于圆角区高度Y2和毛刺高度Y4，归一化处理是将圆角区和毛刺的高度除以凸凹模间隙分别获得y2和y4；
归一化公式：
其中，
Xnorm为x1、x2、x3、x4、x5、x6中的一种，
X为X1、X2、X3、X4、X5、X6中的一种，
Xmin为每个输入变量中1万个数据中的最小值，
Xmax为每个输入变量中1万个数据中的最大值；
S7、训练人工神经网络模型。将步骤S6所述的x1、x2、x3、x4、x5、x6数据集作为训练神经网络的输入，将步骤S6所述的y1、y2、y3、y4数据集作为训练神经网络的输出，将归一化后的y1、y2、y3、y4数据集作为神经网络的输出，制作训练人工神经网络模型，此时模型为6个输入、4个输出的结构。通过deepmd kit深度势能软件包来调整神经网络的参数，deepmdkit相当于是一个类似于人工神经网络的黑匣子。将神经网络的输入层数设置为1，输入层神经元个数设置为6；隐藏层数设置为1，隐藏层神经元个数设置为10；输出层数设置为1，输出层神经元个数设置为4，模型如图5所示。人工神经网络训练过程中网络的初始权值和偏置是随机产生的，输入神经元通过神经网络正向传播的连接神经元公式(3)计算得输出值y1’、y2’、y3’、y4’，然后分别计算正向传播输出值y1’、y2’、y3’、y4’与训练集输出值y1、y2、y3、y4之间的整体误差，再通过反向误差传播算法(4)进行反向误差传播去修改权值和偏置，然后正向传播，往复循环，直至误差达到全局最小则训练结束，反向误差传播算法中包含了误差的计算；训练模型的初始学习率设置为0.001，定义学习次数为5000次。将1万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)以9:1随机分成两类，9000组作为训练集，1000组作为验证集。其中，训练后的模型对于训练集的准确率为99.2％；然后再用验证集数据验证模型准确性，将输入值通过上述训练集的正向传播计算得到输出值，然后通过反归一化方法把模型输出值换算成冲裁件光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，然后将反归一化后获得的宽度值、高度值分别与验证集中输出值对应的板材断面检测值对比，计算误差及模型准确性，验证集的准确性为98％；
神经网络正向传播时连接前后两层神经元的公式：
f(x；θ)＝wTx+b (3)
其中，x为神经元输入向量，
w为权值，
b为偏置，
T为转置符号，
θ包含了权值w和偏置b，
f(x；θ)为每层神经元输出向量；
反向误差传播算法公式：
其中，x(n)为输入数据集x1,…,xn，
y(n)为输出数据集y1,…,yn，
N为每组输入变量的个数(1≤N≤10000，N∈自然数)，
n为每组输入变量的个数(1≤n≤N，n∈自然数)，
f(x(n)；θ)为正向传播输出的结果，
为损失函数，
用来量化两个变量之间的差异，即误差
α为学习率，
θ为包含了权值w和偏置b的参数值，
θt为第t次迭代的权值和偏置的参数值；
S8、通过训练的模型已经具备了预测能力，把冲裁过程的特定的声发射参数输入到模型里面，就可以通过预测获得冲裁件的光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，模型预测准确性良好。
实施例2
基于声发射技术的6082铝合金合金板材冲裁质量智能检测建模方法，包括以下步骤：
S1、在冲裁实验前检验声发射传感器耦合度，以及设置阈值去除噪声。实验装置包括冲裁机1、声发射传感器2、信号采集器3、连接线4、夹具5，装置示意图如图6所示。在实验过程中，用夹具将声发射传感器固定在板材上距离冲裁部位边缘10mm的位置，传感器和6082铝合金之间涂抹凡士林耦合剂。固定好之后，在距离传感器10mm的位置，通过断铅实验检验传感器的灵敏度及传感器和板材之间的耦合度，获得的波形信号是突发型信号，以此证明耦合度良好，如图7断铅实验时域图中的时间-声信号幅值二维图所示。打开冲裁机，先收集机器开机状态下发出的声发射信号，随后设置阈值来去掉机器的噪声，阈值设置为机器所发出信号的最大分贝值加1；
S2、声发射同步监测合金板材的冲裁过程。阈值设置合理后，可以进行冲裁实验。然后对板材进行冲裁的同时并进行声发射传感器检测，冲裁和声发射传感器检测次数分别设置为6万次，收集并记录冲裁过程发射出的声发射波形流和特征参数，波形流是冲裁过程中的时间-信号幅值图，特征参数包含振铃计数、能量、有效值电压RMS、平均信号电平ASL等参数；
S3、记录S2冲裁过程中的振铃计数、能量、有效值电压RMS、平均信号电平ASL四个特征参数的最大值。声发射同步记录冲裁过程的声信号，声发射特征参数的最大值有很重要的意义，将振铃计数最大值定义为X1，能量最大值定义为X2，有效值电压RMS最大值定义为X3，平均信号电平ASL最大值定义为X4；
S4、通过HHT希尔伯特黄转变对S2冲裁件的声发射波形流进行去噪及重构，随后对重构后的波形流进行傅里叶转变，获得频率-信号幅值图，提取峰值频率X5及其对应的幅值X6。通过经验模式分解(EMD)的方法将S2获得的每一个波形流都分解成12个固有模态函数(IMF)分量，IMF分量图也是时间-幅值图，再将和外界噪声相关的IMF分量去掉后，再对其剩余IMF分量重构，此时获得了6万个重构后的波形流。再利用傅里叶转变(1)将每一个重构后的波形流即每一次冲裁时的时间-信号幅值图转变成频率-信号幅值图，将每个图中峰值频率X5及所对应的信号幅值X6记录下来获得频率和幅值的数据集，通过傅里叶转变得到的频率-信号幅值图如图8所示。一次冲裁过程即一个声发射波形会获得一组X1、X2、X3、X4、X5和X6输入变量；做多少组冲裁实验，就会获得多少组X1、X2、X3、X4、X5和X6输入变量；
傅里叶变换像函数：
其中，ω为频率，
t为时间，
f(t)为原函数，
i为虚数单位，
F(ω)为傅里叶变换的像函数；
S5、通过光学检测的方式对S2获得的6万个冲裁件的表面进行检测，将表面的一些参数记录下来。用相机对每个冲裁件进行拍照，检测记录包括冲裁件断面光亮区、撕裂区的宽度值与圆角区、毛刺的高度值。将光亮区宽度定义为Y1，圆角区高度定义为Y2，撕裂区宽度定义为Y3，毛刺高度定义为Y4，这样对于每一个冲裁试样，都有振铃计数峰值X1、能量峰值X2、有效值电压RMS峰值X3、平均信号电平ASL峰值X4、峰值频率X5、峰值频率对应的幅值X6、光亮区宽度Y1、圆角区高度Y2、撕裂区宽度Y3、毛刺高度为Y4这样10个数据与之对应；
S6、将步骤S3～S5中的十个参数X1、X2、X3、X4、X5、X6、Y1、Y2、Y3、Y4进行归一化处理，归一化后的十个参数定义为x1、x2、x3、x4、x5、x6、y1、y2、y3、y4。归一化的目的是为了防止数据量太大对模型造成的影响，减小模型误差。对于输入变量X1、X2、X3、X4、X5、X6，按照归一化公式(2)去进行归一化，对于光亮区宽度Y1和撕裂区宽度Y3，归一化处理是将光亮区或撕裂区的宽度除以板厚，对于圆角区高度Y2和毛刺高度Y4，归一化处理是将圆角区和毛刺的高度除以凸凹模间隙；
归一化公式：
其中，
Xnorm为x1、x2、x3、x4、x5、x6中的一种，
X为X1、X2、X3、X4、X5、X6中的一种，
Xmin为每个输入变量中6万个数据中的最小值，
Xmax为每个输入变量中6万个数据中的最大值；
S7、训练人工神经网络模型。将步骤S6所述的x1、x2、x3、x4、x5、x6数据集作为训练神经网络的输入，将步骤S6所述的y1、y2、y3、y4数据集作为训练神经网络的输出，制作训练人工神经网络模型，此时模型为6个输入、4个输出的结构。通过deepmd kit深度势能软件包来调整神经网络的参数，deepmd kit相当于是一个类似于人工神经网络的黑匣子。将神经网络的输入层数设置为1，输入层神经元个数设置为6；隐藏层数设置为1，隐藏层神经元个数设置为15；输出层数设置为1，输入层神经元个数设置为4，如图9所示。人工神经网络训练过程中网络的初始权值和偏置是随机产生的，输入神经元通过神经网络正向传播的连接神经元公式(3)计算得输出值y1’、y2’、y3’、y4’，然后计算正向传播输出值y1’、y2’、y3’、y4’与训练集输出值y1、y2、y3、y4之间的整体误差，再通过反向误差传播算法(4)进行反向误差传播去修改权值和偏置，然后正向传播，往复循环，直至误差达到全局最小则训练结束，反向误差传播算法中包含误差的计算；训练模型的初始学习率设置为0.005，定义学习次数为6000次。将6万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)以9:1随机分成两类，54000组作为训练集，6000组作为验证集。其中，训练后的模型对于训练集的准确率为99.5％；然后再用验证集数据验证模型准确性，将输入值通过上述训练集的正向传播计算得到输出值，然后通过反归一化方法把模型输出值换算成冲裁件光亮区、撕裂区宽度值以及圆角区、毛刺的高度值，然后将反归一化后获得的宽度值、高度值分别与验证集中输出值对应的板材断面检测值对比，计算误差及模型准确性，验证集的准确性为98.5％；
神经网络正向传播时连接前后两层神经元的公式：
f(x；θ)＝wTx+b (3)
其中，x为神经元输入向量，
w为权值，
b为偏置，
T为转置符号，
θ为包含了权值w和偏置b，
f(x；w,b)为每层神经元输出向量；
反向误差传播算法公式：
其中，x(n)为输入数据集x1,…,xn，
y(n)为标签数据集y1,…,yn，
N为每组输入变量的个数(1≤N≤60000，N∈自然数)，
N为每组输入变量的个数(1≤n≤N，n∈自然数)，
f(x(n)；θ)为正向传播输出的结果，
为损失函数，
用来量化两个变量之间的差异，即误差
α为学习率，
θ为一个参数值，包含了权值w和偏置b，
θt为第t次迭代的权值和偏置的参数值；
S8、通过训练的模型已经具备了预测能力，把冲裁过程的特定的声发射参数输入到模型里面，就可以通过预测获得冲裁件的光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，模型预测准确性良好。
实施例3
基于声发射技术的AZ31镁合金板材冲裁质量智能检测建模方法，包括以下步骤：
S1、在冲裁实验前检验声发射传感器耦合度，以及设置阈值去除噪声。实验装置包括冲裁机1、声发射传感器2、信号采集器3、连接线4、夹具5，装置示意图如图10所示。在实验过程中，用夹具将声发射传感器固定在板材上距离冲裁部位边缘10mm的位置，传感器和AZ31镁合金之间涂抹凡士林耦合剂。固定好之后，在距离传感器10mm的位置，通过断铅实验检验传感器的灵敏度及传感器和板材之间的耦合度，获得的波形信号是突发型信号，以此证明耦合度良好。打开冲裁机，先收集机器开机状态下发出的声发射信号，随后设置阈值来去掉机器的噪声，阈值设置为机器所发出信号的最大分贝值加1；
S2、声发射同步监测合金板材的冲裁过程。阈值设置合理后，可以进行冲裁实验。然后对板材进行冲裁的同时并进行声发射传感器检测，冲裁和声发射传感器检测次数分别设置为10万次，收集并记录冲裁过程发射出的声发射波形流和特征参数，波形流是冲裁过程中的时间-信号幅值图，特征参数包含振铃计数、能量、有效值电压RMS、平均信号电平ASL等参数；
S3、记录S2冲裁过程中的振铃计数、能量、有效值电压RMS、平均信号电平ASL四个特征参数的最大值。声发射同步记录冲裁过程的声信号，声发射特征参数的最大值有很重要的意义，将振铃计数最大值定义为X1，能量最大值定义为X2，有效值电压RMS最大值定义为X3，平均信号电平ASL最大值定义为X4；
S4、通过HHT希尔伯特黄转变对S2冲裁件的声发射波形流进行去噪及重构，随后对重构后的波形流进行傅里叶转变，获得频率-信号幅值图，提取峰值频率X5及其对应的幅值X6。通过经验模式分解(EMD)的方法将S2获得的每一个波形流都分解成14个固有模态函数(IMF)分量，IMF分量图也是时间-幅值图，再将和外界噪声相关的IMF分量去掉后，再对其剩余IMF分量重构，此时获得了10万个重构后的波形流。再利用傅里叶转变(1)将每一个重构后的波形流即每一次冲裁时的时间-信号幅值图转变成频率-信号幅值图，将每个图中峰值频率X5及所对应的信号幅值X6记录下来获得频率和幅值的数据集。一次冲裁过程即一个声发射波形会获得一组X1、X2、X3、X4、X5和X6输入变量；做多少组冲裁实验，就会获得多少组X1、X2、X3、X4、X5和X6输入变量；
傅里叶变换像函数：
其中，ω为频率，
t为时间，
f(t)为原函数，，
i为虚数单位，
F(ω)为傅里叶变换的像函数；
S5、通过光学检测的方式对S2获得的10万个冲裁件的表面进行检测，将表面的一些参数记录下来。用相机对每个冲裁件进行拍照，检测记录包括冲裁件断面光亮区、撕裂区的宽度值与圆角区、毛刺的高度值。将光亮区宽度定义为Y1，圆角区高度定义为Y2，撕裂区宽度定义为Y3，毛刺高度定义为Y4，这样对于每一个冲裁试样，都有振铃计数峰值X1、能量峰值X2、有效值电压RMS峰值X3、平均信号电平ASL峰值X4、峰值频率X5、峰值频率对应的幅值X6、光亮区宽度Y1、圆角区高度Y2、撕裂区宽度Y3、毛刺高度为Y4这样10个数据与之对应；
S6、将步骤S3～S5中的十个参数X1、X2、X3、X4、X5、X6、Y1、Y2、Y3、Y4进行归一化处理，归一化后的十个参数定义为x1、x2、x3、x4、x5、x6、y1、y2、y3、y4。归一化的目的是为了防止数据量太大对模型造成的影响，减小模型误差。对于输入变量X1、X2、X3、X4、X5、X6，按照归一化公式(2)去进行归一化，对于光亮区宽度Y1和撕裂区宽度Y3，归一化处理是将光亮区或撕裂区的宽度除以板厚，对于圆角区高度Y2和毛刺高度Y4，归一化处理是将圆角区和毛刺的高度除以凸凹模间隙；
对输入变量进行归一化的公式：
其中，
Xnorm为x1、x2、x3、x4、x5、x6中的一种，
X为X1、X2、X3、X4、X5、X6中的一种，
Xmin为每个输入变量中10万个数据中的最小值，
Xmax为每个输入变量中10万个数据中的最大值；
S7、训练人工神经网络模型。将步骤S6所述的x1、x2、x3、x4、x5、x6数据集作为训练神经网络的输入，将步骤S6所述的y1、y2、y3、y4数据集作为训练神经网络的输出，制作训练人工神经网络模型，此时模型为6个输入、4个输出的结构。通过deepmd kit深度势能软件包来调整神经网络的参数，deepmd kit相当于是一个类似于人工神经网络的黑匣子。将神经网络的输入层数设置为1，输入层神经元个数设置为6；隐藏层数设置为1，隐藏层神经元个数设置为20；输出层数设置为1，输入层神经元个数设置为4，模型如图11所示。人工神经网络训练过程中网络的初始权值和偏置是随机产生的，输入神经元通过神经网络正向传播的连接神经元公式(3)计算得输出值y1’、y2’、y3’、y4’，然后计算正向传播输出值y1’、y2’、y3’、y4’与训练集输出值y1、y2、y3、y4之间的整体误差，再通过反向误差传播算法(4)进行反向误差传播去修改权值和偏置，然后正向传播，往复循环，直至误差达到全局最小则训练结束，反向误差传播算法中包含误差的计算；训练模型的初始学习率设置为0.008，定义学习次数为6250次。将10万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)以9:1随机分成两类，90000组作为训练集，10000组作为验证集。其中，训练后的模型对于训练集的准确率为99.99％；然后再用验证集数据验证模型准确性，将输入值通过上述训练集的正向传播计算得到输出值，然后通过反归一化方法把模型输出值换算成冲裁件光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，然后将反归一化后获得的宽度值、高度值分别与验证集中输出值对应的板材断面检测值对比，计算误差及模型准确性，验证集的准确性为98.8％；
神经网络正向传播时连接前后两层神经元的公式：
f(x；θ)＝wTx+b (3)
其中，x为神经元输入向量，
w为权值，
b为偏置，
T为转置符号，
θ为包含了权值w和偏置b，
f(x；w,b)为每层神经元输出向量；
反向误差传播算法公式：
其中，x(n)为输入数据集x1,…,xn，
y(n)为标签数据集y1,…,yn，
N为每组输入变量的个数(1≤N≤100000，N∈自然数)，
N为每组输入变量的个数(1≤n≤N，n∈自然数)，
f(x(n)；θ)为正向传播输出的结果，
为损失函数，
用来量化两个变量之间的差异，即误差
α为学习率，
θ为一个参数值，包含了权值w和偏置b，
θt为第t次迭代的权值和偏置的参数值；
S8、通过训练的模型已经具备了预测能力，把冲裁过程的特定的声发射参数输入到模型里面，就可以通过预测获得冲裁件的光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，模型预测准确性良好。
Claims (6)
1.一种合金板材冲裁质量的智能检测建模方法，其特征在于：它包括以下步骤：
(1)首先采用夹具将声发射传感器固定在合金板材上距离冲裁部位边缘5-20mm的位置，然后在声发射传感器和板材之间涂抹凡士林耦合剂，在距离传感器5-20mm的位置，通过断铅实验检验传感器的灵敏度及传感器和板材之间的耦合度并获得时间-声信号幅值二维图，如果获得的波形信号是突发型信号，说明耦合度良好，再打开冲裁机，先收集机器开机状态下发出的声发射信号，随后设置阈值来排除掉噪声的影响，设置的阈值为冲裁机开机时所发出信号的最大分贝值<阈值≤冲裁机开机所发出信号的最大分贝值+3；
(2)步骤(1)所述的阈值设置合理后，对合金板材进行冲裁以及声发射传感器检测，冲裁和声发射传感器检测次数分别设置为1-30万次，收集和记录合金冲裁过程发射出的声发射波形流和特征参数，波形流是冲裁过程中的时间-信号幅值图，特征参数包含振铃计数、能量、有效值电压RMS、平均信号电平ASL参数，其中将振铃计数、能量、有效值电压RMS和平均信号电平ASL参数的最大值分别定义为X1、X2、X3和X4；
(3)通过HHT希尔伯特黄转变对步骤(2)所述的声发射波形流进行去噪及重构，随后对重构后的波形流进行傅里叶转变，获得频率-信号幅值图，将峰值频率定义为X5并将其对应的幅值定义为X6；首先通过经验模式分解的方法将步骤(2)获得的每一个波形流分解成5-30个固有模态函数分量，再将和外界噪声相关的模态函数分量去掉后，再对其剩余模态函数分量重构，此时获得了1-30万个重构后的波形流，再利用傅里叶转变函数将每一个重构后的波形流时间-信号幅值图转变成频率-信号幅值图，将每个图中峰值频率X5及所对应的信号幅值X6记录下来获得频率和幅值的数据集；一次冲裁过程中的一个声发射波形会产生一组X1、X2、X3、X4、X5和X6输入变量；
其中，傅里叶转变函数：
其中，ω为频率，
t为时间，
f(t)为原函数，
i为虚数单位，
e为2.718281828459，
F(ω)为傅里叶变换的像函数；
(4)通过光学检测的方式对步骤(2)获得的1-30万个经过冲裁的板材断面进行检测，用工业相机对每个断面进行拍照，检测记录包括断面光亮区、撕裂区宽度值与圆角区、毛刺高度值，将光亮区宽度定义为Y1，圆角区高度定义为Y2，撕裂区宽度定义为Y3，毛刺高度定义为Y4；
(5)将步骤(3)中的X1、X2、X3、X4、X5、X6中的所有数据分别采用归一化公式获得归一化后的x1、x2、x3、x4、x5、x6；
归一化公式：
其中，
Xnorm为x1、x2、x3、x4、x5、x6中的一种，
X为X1、X2、X3、X4、X5、X6中的一种，
Xmin为每个输入变量中1-30万个数据中的最小值，
Xmax为每个输入变量中1-30万个数据中的最大值；
(6)对步骤(4)中的光亮区宽度、撕裂区宽度、圆角区高度和毛刺高度分别进行归一化处理，将光亮区宽度Y1和撕裂区宽度Y3分别除以板材厚度获得y1、y3，将圆角区高度Y2和毛刺高度Y4分别除以凸凹模间隙获得y2和y4；
(7)训练人工神经网络模型：将步骤(5)所述的x1、x2、x3、x4、x5、x6作为训练神经网络的输入，将步骤(6)所述的y1、y2、y3、y4作为训练神经网络的输出，制作训练人工神经网络模型，此时模型为6个输入、4个输出的结构，通过deepmd kit深度势能软件包来调整神经网络的参数，deepmd kit是一个类似于人工神经网络的黑匣子，将神经网络的输入层数设置为1，输入层神经元个数设置为6；隐藏层数设置为1，隐藏层神经元个数设置为10；输出层数设置为1，输出层神经元个数设置为4；人工神经网络训练过程中网络的初始权值和偏置是随机产生的，输入神经元通过神经网络正向传播的连接神经元公式计算获得输出值y1’、y2’、y3’、y4’，然后计算正向传播输出值y1’、y2’、y3’、y4’分别与训练集输出值y1、y2、y3、y4之间的整体误差，再通过反向误差传播算法进行反向误差传播去修改权值和偏置，然后再正向传播，往复循环，直至误差达到全局最小则训练结束，反向误差传播算法中包含了误差的计算；训练模型的初始学习率设置为0.0001-0.01，定义学习次数为2000-30000次；将1-30万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)以5:1-30:1随机分成训练集和验证集两类，其中训练后的模型对于训练集的准确率为99-99.99％；然后再用验证集数据验证模型准确性，将输入值通过上述训练集的正向传播计算得到输出值，然后通过反归一化方法把模型输出值换算成冲裁件光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，然后将反归一化后获得的宽度值、高度值分别与验证集中输出值对应的板材断面检测值对比，计算误差及模型准确性，验证集的准确性为98-99.99％；
神经网络正向传播的连接神经元公式：
f(x；θ)＝wTx+b
其中，x为神经元输入向量，
w为权值，
b为偏置，
T为转置符号，
θ包含了权值w和偏置b，
f(x；θ)为每层神经元输出向量；
反向误差传播算法公式：
其中，x(n)为输入数据集x1,…,xn，
y(n)为输出数据集y1,…,yn，
N为每组输入变量的个数(1≤N≤300000，N∈自然数)，
n为每组输入变量的个数(1≤n≤N，n∈自然数)，
f(x(n)；θ)为正向传播输出的结果，
(y(n),f(x(n)；θ))为损失函数，
用来量化两个变量之间的差异，即误差，
α为学习率，
θ为包含了权值w和偏置b的参数值，
θt为第t次迭代的权值和偏置的参数值。
2.根据权利要求1所述的一种合金板材冲裁质量的智能检测建模方法，其特征在于：步骤(1)所述的合金为6082铝合金、Q235低碳钢、Q345低碳钢、AZ31合金、AZ80合金、AZ91合金或Ti6Al4V合金中的任意一种。
3.根据权利要求1所述的一种合金板材冲裁质量的智能检测建模方法，其特征在于：步骤(2)所述的冲裁和声发射传感器检测次数分别设置为5-10万次。
4.根据权利要求1所述的一种合金板材冲裁质量的智能检测建模方法，其特征在于：步骤(3)所述的每一个波形流分解成10-20个固有模态函数。
5.根据权利要求1所述的一种合金板材冲裁质量的智能检测建模方法，其特征在于：步骤(7)所述的训练模型的初始学习率设置为0.001-0.01，定义学习次数为5000-20000次；将1-30万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)分别以6:1-20:1随机分成训练集和验证集两组。
6.根据权利要求5所述的一种合金板材冲裁质量的智能检测建模方法，其特征在于：步骤(7)将1-30万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)分别以9:1-10:1随机分成训练集和验证集两组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111180350.7A CN113869766B (zh) | 2021-10-11 | 2021-10-11 | 一种合金板材冲裁质量的智能检测建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111180350.7A CN113869766B (zh) | 2021-10-11 | 2021-10-11 | 一种合金板材冲裁质量的智能检测建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113869766A CN113869766A (zh) | 2021-12-31 |
| CN113869766B true CN113869766B (zh) | 2024-04-09 |
Family
ID=78998760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111180350.7A Active CN113869766B (zh) | 2021-10-11 | 2021-10-11 | 一种合金板材冲裁质量的智能检测建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869766B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118681986A (zh) * | 2024-08-26 | 2024-09-24 | 浦项(辽宁)汽车配件制造有限公司 | 一种高精度钢卷冲裁尺寸偏差调整方法、系统及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
| CN104457569A (zh) * | 2014-11-27 | 2015-03-25 | 大连理工大学 | 一种大型复合板材几何参数视觉测量方法 |
| AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
-
2021
- 2021-10-11 CN CN202111180350.7A patent/CN113869766B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
| CN104457569A (zh) * | 2014-11-27 | 2015-03-25 | 大连理工大学 | 一种大型复合板材几何参数视觉测量方法 |
| AU2019101133A4 (en) * | 2019-09-30 | 2019-10-31 | Bo, Yaxin MISS | Fast vehicle detection using augmented dataset based on RetinaNet |
Non-Patent Citations (1)
| Title |
|---|
| 樊凯.齿轮材料疲劳裂纹声发射信号特征建模与分析研究.全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113869766A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109142547B (zh) | 一种基于卷积神经网络的声学在线无损检测方法 | |
| CN110879254B (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
| Yadav et al. | Audio signature-based condition monitoring of internal combustion engine using FFT and correlation approach | |
| CN111044621B (zh) | 一种基于声音品质及声学特征的无损检测系统及方法 | |
| CN106841403A (zh) | 一种基于神经网络的声学玻璃缺陷检测方法 | |
| Fujii et al. | Defect detection with estimation of material condition using ensemble learning for hammering test | |
| CN113869766B (zh) | 一种合金板材冲裁质量的智能检测建模方法 | |
| Zhang et al. | Application of noise cancelling and damage detection algorithms in NDE of concrete bridge decks using impact signals | |
| CN108804740A (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
| Xiang et al. | Detection and classification of flaws in concrete structure using bispectra and neural networks | |
| JP2012018066A (ja) | 異常検査装置 | |
| Mofleh et al. | Fault detection and classification of spark ignition engine based on acoustic signals and artificial neural network | |
| Mobtahej et al. | Deep learning-based anomaly detection for compressors using audio data | |
| Zhang et al. | A novel approach for surface integrity monitoring in high-energy nanosecond-pulse laser shock peening: acoustic emission and hybrid-attention CNN | |
| Qin et al. | Surface stress monitoring of laser shock peening using AE time-scale texture image and multi-scale blueprint separable convolutional networks with attention mechanism | |
| CN115235877A (zh) | 腐蚀状态监测系统和应力腐蚀状态评价方法及装置 | |
| Fu et al. | Automatic bolt tightness detection using acoustic emission and deep learning | |
| CN117668518A (zh) | 一种离散型智能制造方法及系统 | |
| Park et al. | PZT-induced Lamb waves and pattern recognitions for on-line health monitoring of jointed steel plates | |
| Wang et al. | Percussion-based detection of bolt looseness using speech recognition technology and least square support vector machine | |
| JP2003202260A (ja) | 音源識別装置および突発事象検出装置並びに突発事象自動記録装置 | |
| Mita et al. | Active detection of loosened bolts using ultrasonic waves and support vector machines | |
| Mohamed et al. | An adaptive neuro-fuzzy inference system-based approach for oil and gas pipeline defect depth estimation | |
| CN117874490B (zh) | 一种多螺栓松动监测方法、系统及存储介质 | |
| JP2005208186A (ja) | 原因判断装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |