CN114371222B - 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 - Google Patents
基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 Download PDFInfo
- Publication number
- CN114371222B CN114371222B CN202210051921.5A CN202210051921A CN114371222B CN 114371222 B CN114371222 B CN 114371222B CN 202210051921 A CN202210051921 A CN 202210051921A CN 114371222 B CN114371222 B CN 114371222B
- Authority
- CN
- China
- Prior art keywords
- feature
- entropy
- wavelet packet
- signal
- maximum
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000000919 ceramic Substances 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000005236 sound signal Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000007847 structural defect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims 4
- 238000006073 displacement reaction Methods 0.000 claims 2
- 108010076504 Protein Sorting Signals Proteins 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/048—Marking the faulty objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/34—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor
- G01N29/341—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor with time characteristics
- G01N29/343—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor with time characteristics pulse waves, e.g. particular sequence of pulses, bursts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0232—Glass, ceramics, concrete or stone
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/042—Wave modes
Abstract
本发明公开了一种基于最大重叠离散小波包(MODWPT)系数平方熵特征与随机森林(RF)的声波信号特征识别的陶瓷结构缺陷检测方法，涉及信号处理与模式识别：1)对采集到陶瓷制品的敲击声音信号采用小波滤波滤除噪声并通过端点检测截取敲击声波信号部分；2)采用最大重叠离散小波包变换(MODWPT)分解预处理后的信号到第4层，共16个子带信号。采用本发明基于声波信号的最大重叠离散小波包系数平方熵特征和随进森林识别的陶瓷结构缺陷检测方法解决了现有同类检测装置成本高，并且本专利提出的基于最大重叠离散小波包系数平方熵的声波信号特征识别方法和其余特征识别方法相比，对声波信号特征识别的准确率更高，故可以进一步提升陶瓷结构缺陷检测的准确性。
Description
技术领域
本发明涉及基于声波信号特征识别的陶瓷结构缺陷检测方法，属于信号处理、陶瓷生产、模式识别领域。
背景技术
陶瓷制品和人类的日常生活密切相关，而作为一种硬度高、韧性差的脆性材料，由于陶瓷材料制造工艺复杂工序多，即使在同样的工艺条件下，产品的强度差异也很大，成批生产时质量不易准确控制，想提高产品质量，必须能够进行严格的产品检验。陶瓷裂纹、缺损等结构缺陷的无损检测一直是陶瓷生产领域的研究热点。
无损检验的方法有很多，如射线检测、超声波检测等，但这些方法大都设备昂贵，操作复杂；基于机器视觉的陶瓷缺陷检测只能发现被测物的表面问题而对陶瓷产品内部缺陷无能为力；目前大多数陶瓷生产厂家仍采用传统的人工敲击听声来实现质量检测，但严重依赖于操作人员的敲击和主观判断,易造成误判和漏判。随着计算机技术的发展，声波信号采用拾音器(如麦克风等)进行采集并输入计算机，由计算机对信号进行处理、分析后通过模式识别技术实现对陶瓷结构缺陷的自动化检测。
已有的数字化敲击检测研究中，单独分析信号的时域、频域这种方法不适用于非平稳信号的分析，且研究的都是单一品种、单一器型的分类，在大部分应用领域中的检测对象通常包含多种品种、器型，而品种、器型同样会影响声学特征参数，故检测效果一般，小波分析、小波包分析等时频分析方法由于可以分析信号的时频联合域，包含了声波信号中非常多的信息，因此非常适用于分析非平稳信号，然而这些方法存在一定局限性：对信号采样长度有要求、分解时每分解一层，信号采样长度会减半的问题，这会对信号的统计参数带来影响，且现有的研究主要采用的小波包能量特征应用于陶瓷时的检测效果一般。
发明内容
本发明的目的在于提供一种基于声波信号的最大重叠离散小波包(MODWPT)系数平方熵特征和随机森林(RF)识别的陶瓷缺陷检测方法。利用该方法对陶瓷进行缺陷检测，更好地解决了同类设备检测成本高、人工检测客观一致性差的问题，且当检测对象中混合了多种类型(包括品种、器型等)的陶瓷制品时，本专利所提出的方法的缺陷检测准确率高于现有的方法，故可以提升陶瓷缺陷检测精度。
本发明包括如下步骤：
1)声波信号的预处理：对采集到的敲击声音信号采用小波变换滤除噪声并通过端点检测截取敲击声波信号部分。
2)采用最大重叠离散小波包变换(MODWPT)分解预处理后的信号到第4层，共分解出16个子带信号。
3)对每个子带信号进行重构并计算每个子带信号的小波包系数平方熵，共得到16个特征变量，从而得到16维最大重叠离散小波包系数平方熵特征的样本数据集。
4)采用mRMR算法选择特征子集A(可手动设置最大需要选择特征个数)。
5)对于特征子集A(特征变量个数为最大需要选择的特征变量个数)，选取第一个特征变量加入至需要构建随机森林的特征子集B构建随机森林，采用10叠交叉验证输出10次分类结果，取10次的分类结果的平均值作为最终分类结果，并将该特征变量从特征子集A中删除。
6)重复5)直至通过mRMR算法选择的特征子集A为空集。
7)取分类结果最优的用于构建随机森林的特征子集，建立陶瓷缺陷检测模型。
在步骤1)中，将输入信号采用小波变换滤除噪声，可设置分解层数、每层的信号是置0还是设置阈值去噪，并将滤波后的信号采用短时能量和平均过零率两种算法结合的方法进行端点检测，截取敲击声波信号部分，方便信号分析。
在步骤2)中，采用MODWPT将预处理后的信号分解为4层，可自行选择小波基函数，共得到16个子带信号，MODWPT的步骤如下：
1)将信号周期延拓。
2)对用于分解的高通滤波器、低通滤波器，根据尺度j的不同，在每个滤波器之间插入2j-1-1个0重新设计滤波器
3)将周期延拓后的信号与重新设计后的低通滤波器与高通滤波器相卷积
4)重复步骤2)、步骤3)直至分解到4层。
在步骤3)中，按如下步骤计算小波包系数平方熵：
1)对分解到第4层的共16个子带信号，计算每个子带信号的系数平方
2)将每个节点的系数平方求和，即
3)根据香农熵的定义，得到定义小波包系数平方熵的公式：
4)对每个声波信号样本计算小波包系数平方熵，得到具有16维特征的最大重叠离散小波包系数平方熵特征的数据集
在步骤4)中，采用mRMR算法选择特征子集A，步骤如下：
1)根据互信息量的计算公式：计算数据集中所有特征变量与标签变量的互信息量：R1＝F(Xf；C)，选择互信息量最大的特征变量，加入特征子集A，并将该特征变量从原始数据集中删除；
2)计算候选特征变量与已选特征变量之间的互信息量：R2＝F(Xf；Xi)的平均值，并和候选特征变量与标签变量的互信息量作差，选择差值最大的候选特征变量，加入特征子集A；
3)重复2)直到选择的特征个数达到最大需要选择特征个数；
在步骤5)中，特征子集A经过mRMR算法选择特征变量并对特征变量排序，每次从特征子集A中选择1个特征变量加入特征子集B，将特征子集B中的数据集分为10份，每次取9份用作训练集，1份用作测试集，用于构建随机森林模型并进行10次交叉验证，取每次分类的平均结果输出最终分类结果并保存模型，将该特征变量从特征子集A中删除；
在步骤6)中，重复步骤5)，直至特征子集A为空集；
在步骤7)中，从每次输出的分类结果中取最优的一次所对应的模型作为分类模型；
与现有技术相比，本发明的有益效果有：
本发明采用MODWPT算法处理信号，解决了小波包变换在处理陶瓷敲击声波信号的局限性。提取小波包系数平方熵特征，与小波包归一化能量特征相比，该特征对检测陶瓷缺陷的能力更强，因此可以提升敲击声波特征识别准确度从而提升陶瓷检测准确度。采用mRMR算法选择特征，从而选出最易于识别声波信号的特征变量且特征变量之间冗余度最小的特征。从而降低模型复杂度、提升模型训练效率且达到更高的准确率。
附图说明
图1为本发明实施例的方法流程图(算法流程图)；
图2为本发明实施例的小波分解结果；
图3为本发明实施例的去噪结果(信号滤波结果)；
图4为本发明实施例的端点截取结果(双门限法端点截取结果)；
图5为本发明实施例的小波包系数平方熵特征(最大重叠离散小波包系数平方熵特征)；
图6为本发明实施例的分类结果。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明提供了一种基于声波信号最大重叠离散小波包系数平方熵特征识别的陶瓷结构缺陷检测方法，具有精度高、检测效率高等优势，其流程图如图1所示。1)首先将采集到的敲击声波信号采用小波包变换滤除噪声，并采用端点检测截取敲击声波信号部分。2)将截取后的信号采用MODWPT分解为4层，小波基函数为coif4，共有16个子带信号。3)对每个分解的子带信号，计算小波包系数平方熵，收集数据获得数据集。4)采用mRMR算法选择特征子集A(可手动设置最大需要选择特征个数)。5)对于特征子集A，选取第一个特征变量加入至需要构建随机森林的特征子集B构建随机森林，输出分类结果，并将该特征变量从特征子集A中删除。6)重复步骤5)直至通过mRMR算法选择的特征子集A为空集。7)最后取分类结果最优的用于构建随机森林的特征子集，建立陶瓷缺陷检测模型。
具体步骤如下：
步骤1，采用小波变换分解信号(可自行设置分解层数、小波基函数、每层的信号是置0还是通过设置阈值去噪，本例的分解层数设置为7，小波基函数为coif5，由于信号的噪声中低频处的噪声较小、高频处的噪声较大，因此将1-3层(d1-d3)的高频分量设置0.001，4-6层(d4-d6)的高频分量设置为0.02，其余置0，再进行重构后得到滤波后的信号，从而滤除噪声。并采用短时能量和平均过零率两种算法结合的方法，即双门限法进行端点检测，找到信号的起止点n1和n2，截取敲击声波信号部分，敲击声波信号经过小波分解、滤波结果、端点检测的结果如图2-图4。
步骤2，采用最大重叠离散小波包变换(MODWPT)分解预处理后的信号到第4层，小波基函数设置为coif4，共分解出16个子带信号。MODWPT的过程如下：
1)将信号周期延拓。
2)对用于分解的高通滤波器、低通滤波器，根据尺度j的不同，在每个滤波器之间插入2j-1-1个0重新设计滤波器
3)将周期延拓后的信号与重新设计后的低通滤波器与高通滤波器相卷积
4)重复步骤2)、步骤3)直至分解到4层。
步骤3，按如下步骤计算小波包系数平方熵：
1)对分解到第4层的共16个子带信号，计算每个子带信号的系数平方。
2)将每个节点的系数平方求和，即
3)根据香农熵的定义，得到定义小波包系数平方熵的公式：
4)对每个声波信号样本计算小波包系数平方熵，得到具有16维特征的最大重叠离散小波包系数平方熵特征的数据集，计算得到的小波包系数平方熵如图5。
步骤4，采用mRMR算法选择特征子集A，步骤如下：
1)根据互信息量的计算公式：计算数据集中所有特征变量与标签变量的互信息量：R1＝F(Xf；C)，选择互信息量最大的特征变量，加入特征子集A，并将该特征变量从原始数据集中删除。
2)计算候选特征变量与已选特征变量之间的互信息量：R2＝F(Xf；Xi)的平均值，并和候选特征变量与标签变量的互信息量作差，选择差值最大的候选特征变量，加入特征子集A。
3)重复2)直到选择的特征个数达到最大需要选择特征个数。
步骤5，特征子集A经过mRMR算法选择特征变量并对特征变量排序，每次从特征子集A中选择1个特征变量加入特征子集B，将特征子集B中的数据集分为10份，每次取9份用作训练集，1份用作测试集，用于构建随机森林模型，随机森林用于集成的树的个数为9，并进行10次交叉验证，取每次分类的平均结果输出最终分类结果并保存模型，将该特征变量从特征子集A中删除。
步骤6，重复步骤5直至特征子集A为空集。
步骤7，从每次输出的分类结果中取最优的一次所对应的模型作为分类模型。
通过步骤4-步骤7后的分类结果如图6所示，其中最大特征选择个数设置为8，最终在对特征子集A选择8个特征的条件下，模型分类结果最优，为98.59％，且对特征子集A选择其余个数的特征时，也达到了较高的分类精度。
将本发明提出的方法与其他方法做对比，比较每种方法在特征选择个数为1-8个时的分类准确率以及每种方法达到最高分类准确率时选择的特征个数如表1所示。
表1本发明所提方法与其他方法的对比
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.基于最大重叠离散小波包系数平方熵与随机森林的陶瓷制品结构缺陷声波检测方法，其特征在于，包括如下步骤：
1)声波信号的预处理：通过一个对采集到的敲击声音信号采用小波变换滤除噪声并通过端点检测截取敲击声波信号部分；
2)采用最大重叠离散小波包变换分解预处理后的信号到第4层，共分解出16个子带信号；
3)对每个子带信号进行重构并计算每个子带信号的小波包系数平方熵，共得到16个特征变量，从而得到16维最大重叠离散小波包系数平方熵特征的样本数据集；
所述的小波包系数平方熵特征，根据香农熵的定义来计算该特征，由于熵特征反映了一个体系的无序程度，适用于非平稳信号的特征识别，计算过程如下：
A.对分解到第4层的共16个子带信号，计算每个子带信号的系数平方；
B.将每个节点的系数平方求和，即
C.根据香农熵的定义，得到定义小波包系数平方熵的公式：
4)采用mRMR算法选择特征子集A并手动设置最大需要选择特征个数；
5)对于特征子集A，特征变量个数为最大需要选择的特征变量个数，选取第一个特征变量加入至需要构建随机森林的特征子集B构建随机森林，采用10叠交叉验证输出10次分类结果，取10次的分类结果的平均值作为最终分类结果，并将该特征变量从特征子集A中删除；
6)重复5)直至通过mRMR算法选择的特征子集A为空集；
7)取分类结果最优的用于构建随机森林的特征子集，建立陶瓷缺陷检测模型。
2.如权利要求1所述的基于最大重叠离散小波包系数平方熵与随机森林的陶瓷制品结构缺陷声波检测方法，其特征在于，步骤1)中，将输入信号采用小波变换滤除噪声，设置分解层数、每层的信号是置0还是设置阈值去噪，并将滤波后的信号采用短时能量、短时过零率两种门限结合的方法进行端点检测，截取敲击声波信号部分，方便信号分析。
3.如权利要求1所述的基于最大重叠离散小波包系数平方熵与随机森林的陶瓷制品结构缺陷声波检测方法，其特征在于，步骤2)中，所述最大重叠离散小波包变换，在离散小波包变换的基础上考虑了信号序列中所有起始点的加权平均，并在用于小波包分解的低通滤波器与高通滤波器中插0，因此不会相位扭曲，处理任意长度的信号，而且分解结果会随着循环位移而作出一致位移的特点，适用于处理声波信号这类非平稳信号，其中小波函数自行选择，最大重叠离散小波包变换的步骤如下：
1)将信号周期延拓；
2)对用于分解的高通滤波器、低通滤波器，根据尺度j的不同，在每个滤波器之间插入2j-1-1个0重新设计滤波器；
3)将周期延拓后的信号与重新设计后的低通滤波器与高通滤波器相卷积；
4)重复步骤2)、步骤3)直至分解到4层。
4.如权利要求1所述的基于最大重叠离散小波包系数平方熵与随机森林的陶瓷制品结构缺陷声波检测方法，其特征在于，步骤4)中，采用mRMR算法从数据集中选择最易于识别敲击声波信号特征且特征变量与特征变量之间相关性最小的一组特征子集，减小数据集规模从而提升模型训练效率以及分类准确率，手动设置最大需要选择特征个数；所述mRMR算法的流程如下：
1)根据互信息量的计算公式：
计算数据集中所有特征变量与标签变量的互信息量：R1＝F(Xf；C)，选择互信息量最大的特征变量，加入特征子集A，并将该特征变量从原始数据集中删除；
2)计算候选特征变量与已选特征变量之间的互信息量：R2＝F(Xf；Xi)的平均值，并和候选特征变量与标签变量的互信息量作差，选择差值最大的候选特征变量，加入特征子集A；3)重复2)直到选择的特征个数达到最大需要选择特征个数。
5.如权利要求1所述的基于最大重叠离散小波包系数平方熵与随机森林的陶瓷制品结构缺陷声波检测方法，其特征在于，步骤5)-步骤7)中，特征子集A经过mRMR算法选择特征变量并对特征变量排序，每次从特征子集A中选择1个特征变量加入特征子集B，将特征子集B中的数据集分为10份，每次取9份用作训练集，1份用作测试集，用于构建随机森林模型并进行10次交叉验证，取每次分类的平均结果输出最终分类结果并保存模型，将该特征变量从特征子集A中删除，后重复步骤5)，直至特征子集A为空集，最后将步骤5)中每次输出的分类结果取最优的一次所对应的模型作为分类模型。
6.如权利要求5所述的基于最大重叠离散小波包系数平方熵与随机森林的陶瓷制品结构缺陷声波检测方法，其特征在于，所建立的随机森林模型，由于采用小波包变换所提取特征后建立的数据集通常具有高维特征，随机森林适用于训练较高维特征的数据集，故采用了随机森林模型，其步骤如下：
1)首先，从原始训练数据集选择k个样本，确定需要构建的决策树的数量；
2)构建与这k个样本相关的决策树；
3)重复1、2步，直至构建的决策树数量达到第一步中需要构建的决策树的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051921.5A CN114371222B (zh) | 2022-01-17 | 2022-01-17 | 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210051921.5A CN114371222B (zh) | 2022-01-17 | 2022-01-17 | 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114371222A CN114371222A (zh) | 2022-04-19 |
| CN114371222B true CN114371222B (zh) | 2023-11-03 |
Family
ID=81144834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210051921.5A Active CN114371222B (zh) | 2022-01-17 | 2022-01-17 | 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114371222B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5392046A (en) * | 1993-08-19 | 1995-02-21 | Mallinckrodt Medical, Inc. | Entropy based signal, transmission, reception and signal analysis method and apparatus |
| CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
| CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省（水利部淮河水利委员会）水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
| CN111507221A (zh) * | 2020-04-09 | 2020-08-07 | 北华大学 | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 |
| CN111983020A (zh) * | 2020-08-25 | 2020-11-24 | 绍兴市特种设备检测院 | 一种金属构件内部缺陷敲击检测识别系统及识别方法 |
| CN112433001A (zh) * | 2020-11-14 | 2021-03-02 | 华北理工大学 | 基于声学的陶瓷体缺陷检测装置及检测方法 |
| CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
-
2022
- 2022-01-17 CN CN202210051921.5A patent/CN114371222B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5392046A (en) * | 1993-08-19 | 1995-02-21 | Mallinckrodt Medical, Inc. | Entropy based signal, transmission, reception and signal analysis method and apparatus |
| CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
| CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省（水利部淮河水利委员会）水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
| CN111507221A (zh) * | 2020-04-09 | 2020-08-07 | 北华大学 | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 |
| CN111983020A (zh) * | 2020-08-25 | 2020-11-24 | 绍兴市特种设备检测院 | 一种金属构件内部缺陷敲击检测识别系统及识别方法 |
| CN112433001A (zh) * | 2020-11-14 | 2021-03-02 | 华北理工大学 | 基于声学的陶瓷体缺陷检测装置及检测方法 |
| CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| Maximal overlap discrete wavelet-packet transform aided microwave nondestructive testing;Nawaf H.M.M.Shrifan 等;NDT & E International;第119卷;第102414页 * |
| Rolling bearing fault diagnosis based on domain adaptation and preferred feature selection under variable working conditions;Xiao Yu 等;Shock and Vibration;第1-27页 * |
| 基于MODWPT与随机森林的模拟电路故障诊断研究;胡含兵;中国优秀硕士学位论文全文数据库(第12期);第1-20页 * |
| 基于时频分帧能量熵的陶瓷制品敲击声波信号特征识别;刘利平 等;应用声学;第42卷(第01期);第57-66页 * |
| 振动信号小波包特征熵的时变与频变特性分析;duguandh;豆丁;第1-16页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114371222A (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
| CN108875170B (zh) | 一种基于改进变分模态分解的噪声源识别方法 | |
| CN109163997B (zh) | 一种基于声谱图深度学习的岩石表面强度测定方法 | |
| CN109253985B (zh) | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 | |
| CN110515096B (zh) | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 | |
| CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
| Simone et al. | Feature extraction techniques for ultrasonic signal classification | |
| CN109918417B (zh) | 基于小波变换的时序数据自适应分段、降维与表征方法及应用 | |
| CN110599425A (zh) | 一种适用于acfm信号小波去噪的小波参数选择方法 | |
| CN112200000A (zh) | 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法 | |
| CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
| CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
| CN114417937A (zh) | 一种基于深度学习的拉曼光谱去噪方法 | |
| CN114371222B (zh) | 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 | |
| CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
| CN111337798B (zh) | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 | |
| US8744983B2 (en) | Cluster analysis system and method to improve sorting performance | |
| CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
| CN110987866A (zh) | 一种汽油性质评价方法及装置 | |
| CN116522080A (zh) | 局部放电信号降噪方法 | |
| CN112183297B (zh) | 一种超声相控阵信号稀疏特征提取方法 | |
| CN104102834A (zh) | 录音地点的识别方法 | |
| Ma | DeepQuality: mass spectra quality assessment via compressed sensing and deep learning | |
| CN114264626A (zh) | 一种基于时间序列残差网络的织物无损定量分析方法 | |
| Yu et al. | The research on the application of electronic nose in discriminate the rice varieties |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230927 Address after: 3098 wahong Road, Fengxian District, Shanghai, 201411 Applicant after: SHANGHAI TECHNICAL INSTITUTE OF ELECTRONICS & INFORMATION Address before: No.21 Bohai Avenue, Caofeidian new town, Tangshan City, Hebei Province 063000 Applicant before: NORTH CHINA University OF SCIENCE AND TECHNOLOGY |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |