液壓支架是煤礦綜合機械化開采的主要設備,對現代煤礦生產具有舉足輕重的意義。液壓缸是液壓支架完成各種運動和承載頂板壓力的關鍵元件,它的質量直接影響著液壓支架的可靠性,進而影響到煤礦的安全和正常生產。 針對液壓缸環(huán)焊縫質量檢驗的難題,為了克服目前手動超聲A掃描檢測方式的缺點和不足,保證焊接質量,以數字超聲探傷儀為基礎,以計算機為核心,以虛擬儀器編程語言LabWindows/CVI為軟件平臺,以現有自動焊接裝置為工件裝夾平臺,借助于計算機技術、超聲無損檢測與評價技術、機電一體化技術,成功地開發(fā)了一個超聲自動檢測系統(tǒng),實現了液壓缸環(huán)焊縫檢測的數字化、自動化和圖像化,提高了超聲檢測的可靠性和效率。 研究了橫波斜探頭超聲掃描成像的原理和方法,給出了斜探頭超聲B、C掃描成像的定義,建立了人工缺陷超聲B掃描和C掃描成像的數學模型,解決了超聲掃描成像軟件實現的關鍵技術問題,實現了超聲B掃描和C掃描成像功能。 針對焊接缺陷超聲回波信號的特點,深入研究了小波閾值去噪法的原理和方法,在軟、硬閾值函數的基礎上,構造了一種新的閾值處理函數,提出了基于改進閾值函數的提升小波變換去噪算法。實驗結果表明,該方法改進了軟、硬閾值去噪法的缺點,獲得了更好的去噪性能和更高的信噪比,而且在實時信號去噪方面具有很好的應用前景。 以焊接缺陷的常見類型為對象,研究了基于小波包變換的多尺度空間能量特征提取方法,對實測的超聲缺陷回波信號進行了特征提取實驗,并利用基于距離的類別可分性判據對提取的特征向量進行了評價。結果表明,該方法對焊接缺陷超聲回波信號的特征提取是有效的。 為了克服人工神經網絡需要大量訓練樣本,且網絡結構確定困難等缺點和不足,在對比分析支持向量機常用多值分類方法的基礎上,提出了基于ν-SVM的二叉樹多值分類方法,實驗結果表明其分類正確率高,在訓練時間和測試時間方面均優(yōu)于其它的支持向量機多值分類方法。 基于RBF神經網絡與支持向量機的結構等價性,提出了基于ν-SVM-BTMC的RBF神經網絡焊接缺陷識別方法,實驗結果表明該方法比RBF神經網絡、基于ν-SVM的二叉樹多值分類方法的分類正確率更高,其訓練和測試速度最快。