《表2 BP神经网络判别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《小波包能量谱和BP神经网络在波纹管压浆超声检测中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对比图12、13可知，模型内部的缺陷情况隐含在波纹管回波反射信号中，由于不同缺陷的存在，回波信号的缺陷反射时刻以及幅值都有所差异，且受到各种因素的影响，很难从回波信号清晰直观地判别出波纹管内部的缺陷情况。所以，采用仿真的方法，利用小波包分解后的能量谱（如图14所示）作为判别指标输入到BP神经网络进行自动判别。本次实验采集试件中对应A类、B类、C类的信号各20组，将这20组信号的特征向量作为输入，期望输出如3.2节预设相同。建立判别器后，采集实际测量模型信号，计算实测信号的特征向量，输入BP神经网络系统，检测结果如下：Ⅰ（1，0，0）、Ⅱ（1，0，0）、Ⅲ（0.1，1，0）、Ⅳ（0，1，0）、Ⅴ（0，0.3，0.8）、Ⅵ（0，0，1）。从输出的数据来看，Ⅱ段模型和Ⅰ段模型（A类压浆密实模型）相吻合；Ⅲ段模型比较接近Ⅳ段模型（B类波纹管内部压浆一般密实模型）；Ⅴ段模型接近Ⅵ段模型（C类波纹管内部压浆全部脱落模型）。为了验证该判别器的稳定性，测试采集A类、B类、C类模型的回波信号各20组、共60组信号作为判别样本，神经网络的判别结果如表2所示。从表2中的判别结果可以看出，BP神经网络对于这三类不同的波纹管类型的判别准确率分别为90%、80%、85%，其中对A类压浆密实的波纹管类型判别正确率最高。可见通过超声脉冲回波信号获取波纹管的内部信息，经过小波包能量谱处理以及BP神经网络的判别，可以初步判断波纹管内部的压浆情况。