对于摩擦式超声波测定弱信号的自动辨别1实验方法
　　1.1摩擦焊接头的超声波无损检测

　　1.2超声波无损检测信号处理

　　1、信号的初步分类处理选取该截面上包含有各种颜色特征的一条采样线，在该线上等间隔取36个点。由于边界波对信号会有较大影响，所以用于实际分析的信号共有32个（s4￣s35）。

　　提取各点的A扫信号图。

　　可以看出缺陷信号会出现较为明显的信号突变，由此可暂将所采信号分为两大类。

　　2、信号的小波包分析

　　小波包分析是一种精细的分析，它在表征信号的时频具有独特的优点，不但能够反映信号的频率成分，而且能反映信号的频率成分随时间变化的趋势和规律，这种特性在表示超声缺陷信号的时频特征中非常有用。

　　将检测信号的上下表面回波去掉后、对其进行小波分解，分解后得到信号的时频表示：在相应的时间、频率位置得到分解后的幅值，灰度大小表示相应时频位置处幅值的大小。

　　实验中选取上下表面回波间包括结合面在内的100个点进行分析，选用基函数为Daubechieis函数的小波包，所得到的有缺陷信号的灰度图。

　　以上图中用白线隔开的带段对应着不同的频率值，由上到下依次为高频段d1￣d4和低频段a4。在摩擦焊接头的缺陷检测中噪声主要分布于d1和a4两个频段，所以这两个频段的大灰度处不予考虑。

　　1.3超声波无损检测信号的模式识别

　　1、信号的特征提取―――“能量―故障”法当信号中包含有缺陷信号时，基于信号各频率成分的能量相应变化而提出的模式识别方法称为“能量―故障”法。利用该方法创建树型结构，先对信号进行三层的小波包分解，分别提取第三层的8个频率成分的信号特征。其中用X（i，j）表示第I层的第j个节点，每一个节点代表一定的信号特征。接着对小波包分解系数重构，对应重构信号用S（i，j）表示。实验中仅对X 3j进行分析，则总信号可以表示为：（1）则以能量为元素的特征向量如式（2）：（2）而（3）其中x jk（j＝0，1，…，7，k＝1，2，…，n）表示重构信号S 3j的离散点的幅值。

　　2、缺陷信号的模式识别（1）神经网络的建立用神经网络作为信号的后端处理（即模式识别）能使无损检测的信号分析智能化，分析结果更加可靠。

　　对试件2和试件3的检测信号进行小波分解得到相应的信号特征向量作为神经网络的输入，则网络的输入节点数为8。定义（0，0）为无缺陷点，（1，1）代表未焊合缺陷点，（1，0）为弱结合缺陷点，隐含层层数为1，该层节点数为13。

　　（2）j、k分别为各层节点数和层数，、p、q为自然数，且；y为各层实际输出，T为各层目标输出，根据试算比较，α选取1.4。其次，引入式（5）所示“再调整”（re－adjusting）系数β；（5）其中w 12 jk、w 23 jk分别为输入层到隐含层、隐含层到输出层的初始化后的权值。β为“再调整”系数，根据试算比较β选取0.44。通过以上两个参数的引入，使网络在修正权值时优先考虑使所有的输出误差趋向平均，从而使算法更为适用。

　　（3）网络训练和模式识别

　　将每一个试件的信号分为训练样本集和检验样本集，对网络进行训练和验证，并对网络输出结果进行处理。

　　2结论

　　本研究采用小波包分析和“能量―故障”法处理弱结合缺陷信号的方案，可以更加准确有效地对摩擦焊接头缺陷进行超声波检测。同时，通过引入“再调整”系数和新的误差函数，对神经网络中的BP算法进行了有效的改进。实验结果表明，将信号特征向量引入所建立的智能信号识别神经网络，可得到更加全面、智能的检测结果。