薄板粘接质量超声检测模糊式识别方法研究

论文摘要

薄板复合材料以其优越的性能而广泛应用于航空航天领域,在使用过程中由于粘接界面脱粘而造成的灾难性事故时有发生,因此亟需对界面粘接质量进行准确的定量检测,以保证产品质量和使用安全。超声脉冲回波法以缺陷定位准确、适用范围广、操作方便等优点广泛应用于无损检测。如何对反映粘接质量的超声检测回波信号进行分类识别,是薄板复合材料超声检测的关键也是难点之一。本文用模糊模式识别方法对薄板粘接质量做出定量识别。首先,利用BP神经网络建立了各个特征量对各粘接质量的模糊隶属函数,实验表明,基于BP神经网络建立的隶属函数即方便简单,又符合实际应用的要求。在此基础上,建立已知粘接质量特征量与未知粘接质量特征量的模糊集,设计模糊模式识别算法,该算法选用海明贴近度和算术平均最小值贴近度作为贴近度函数,然后用择近原则法对薄板粘接质量做出定量识别,实验表明该识别方法是准确有效的。隶属函数的建立是实现模糊模式识别的关键,而模糊模式识别算法应用在薄板复合材料的粘接质量识别中,克服了由复合材料内部结构的复杂性及工作环境变化等因素引起的识别难的问题,为专用数字化超声检测仪的设计和实现奠定了基础。

论文目录

• 摘要
• ABSTRACT
• 引言
• 1 课题的研究意义
• 2 国内外研究现状及发展趋势分析
• 3 课题研究的内容及意义
• 第一章 模式识别概述
• 1.1 模式识别简介
• 1.2 模式识别方法
• 1.3 模式识别系统的设计步骤
• 第二章 模糊模式识别
• 2.1 模糊模式识别
• 2.2 模糊模式识别算法实现步骤
• 2.3 模糊模式识别方法
• 2.3.1 基于模糊子集的模糊模式识别方法
• 2.3.1.1 个体识别法
• 2.3.1.2 群体识别法
• 2.3.2 基于聚类分析的模糊模式识别方法
• 2.3.2.1 基于模糊等关系的模糊聚类
• 2.3.2.2 基于目标函数的模糊聚类
• 第三章 基于改进型BP神经网络的隶属函数的构造
• 3.1 建立隶属函数常用的方法
• 3.2 神经网络技术
• 3.2.1 BP神经网络简介
• 3.2.2 BP神经网络算法—反向误差传播算法
• 3.2.3 BP神经网络算法的不足及改进
• 3.2.4 BP神经网络的设计步骤
• 3.3 BP神经网络算法的MATLAB实现
• 3.4 神经网络中模糊集的隶属函数的概念模型的建立
• 3.5 算例
• 3.5.1 输入向量和目标向量的设计
• 3.5.2 BP神经网络的设计
• 3.5.2.1 网络结构参数的设计
• 3.5.2.2 网络的测试与训练
• 第四章 模糊模式识别在薄板粘接质量超声检测中的应用
• 4.1 薄板粘接质量超声检测回波信号的数学模型
• 4.2 本课题采用的模糊模式识别设计原理
• 4.3 贴近度函数的选取
• 4.4 薄板粘接质量模糊模式识别
• 4.4.1 特征量的提取
• 4.4.2 建立标准模型和待识别样本的模糊子集
• 4.4.3 算法验证
• 结论
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录