基于GASA-BP的軋輥內(nèi)部缺陷檢測(cè)方法

王 蕾,陶海然,郭鈺瑤,張澤琳,夏緒輝

(1.武漢科技大學(xué)冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室,湖北 武漢,430081;2.武漢科技大學(xué)機(jī)械傳動(dòng)與制造工程湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢,430081)

軋輥是軋機(jī)的核心部件,直接影響軋機(jī)生產(chǎn)效率和產(chǎn)品質(zhì)量,因此必須對(duì)軋輥的各種缺陷進(jìn)行全面監(jiān)測(cè)。軋輥的表面缺陷可以通過(guò)肉眼或機(jī)器視覺(jué)進(jìn)行識(shí)別,但其內(nèi)部缺陷無(wú)法直接辨別。軋輥內(nèi)部缺陷主要有裂紋、夾雜、氣孔等類(lèi)型[1],為了不對(duì)軋輥?zhàn)陨碓斐蓳p傷,工業(yè)中常用無(wú)損檢測(cè)方法來(lái)確定其內(nèi)部是否存在缺陷[2]。超聲檢測(cè)是一種常規(guī)無(wú)損檢測(cè)方法,為了提高超聲檢測(cè)信號(hào)的識(shí)別精度,研究人員探討了各種改進(jìn)措施。唐東林等[3]提出基于比值加權(quán)最小誤差平方和的判別函數(shù)(RWESOS)并應(yīng)用于變量預(yù)測(cè)模式識(shí)別方法(VPMCD),在對(duì)不同缺陷大小的超聲檢測(cè)信號(hào)識(shí)別中,該方法的識(shí)別率比BP 神經(jīng)網(wǎng)絡(luò)和采用普通判別函數(shù)的VPMCD 方法的識(shí)別率分別提高了4%和11%。顧桂梅等[4]針對(duì)棒式絕緣子表面缺陷識(shí)別問(wèn)題,采用改進(jìn)遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)(GA-BP),并搭建Opencv仿真實(shí)驗(yàn)平臺(tái)驗(yàn)證了GA-BP的有效性。潘峰等[5]通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)對(duì)管道腐蝕缺陷的超聲信號(hào)進(jìn)行時(shí)域特征參數(shù)提取,并采用PSO-SVM模型來(lái)提高缺陷分類(lèi)效果,實(shí)驗(yàn)結(jié)果顯示該方法對(duì)不同深度管道腐蝕缺陷的識(shí)別準(zhǔn)確率可達(dá)到87.5%。Lei等[6]針對(duì)平板陶瓷薄膜進(jìn)行超聲檢測(cè),采用經(jīng)過(guò)誤差補(bǔ)償?shù)腃NN模型識(shí)別缺陷信號(hào),識(shí)別準(zhǔn)確率達(dá)到95.63%。Liang等[7]將IAFSA-SVM模型用于井控多管閥的管道超聲缺陷識(shí)別,通過(guò)小波包分解獲得信號(hào)的特征向量,采用支持向量機(jī)和改進(jìn)人工魚(yú)群算法共同優(yōu)化參數(shù),實(shí)驗(yàn)證明該模型對(duì)不同深度的超聲信號(hào)可達(dá)到94.67%的識(shí)別率。Pan等[8]提出一種基于多特征融合和多準(zhǔn)則特征評(píng)價(jià)的缺陷識(shí)別模型,通過(guò)分析超聲回波信號(hào)數(shù)據(jù),采用多種特征提取和融合方法,應(yīng)用支持向量機(jī)(SVM)進(jìn)行缺陷信號(hào)分類(lèi),融合D-S證據(jù)理論確定最終分類(lèi)結(jié)果,該模型對(duì)管道缺陷的識(shí)別準(zhǔn)確率達(dá)到96.29%。

在現(xiàn)有研究的基礎(chǔ)之上,本文采用模擬退火算法(SA)優(yōu)化GA-BP網(wǎng)絡(luò)模型(記為GASA-BP),對(duì)軋輥內(nèi)部超聲檢測(cè)信號(hào)進(jìn)行缺陷識(shí)別。GA算法具有很強(qiáng)的全局搜索能力,但其局部搜索能力相對(duì)較弱,通過(guò)SA算法優(yōu)化GA-BP網(wǎng)絡(luò)模型,能避免GA算法陷入局部最優(yōu),并使BP網(wǎng)絡(luò)模型收斂更快,得到更精確的輸出值。本文方法首先要進(jìn)行信號(hào)預(yù)處理,采用自適應(yīng)灰狼優(yōu)化閾值法(記為AGWO-WT)確定最優(yōu)的小波閾值后對(duì)原始檢測(cè)信號(hào)去噪,然后分別采用三層、四層、五層小波包變換法提取去噪信號(hào)的能量特征,最后通過(guò)GASA-BP網(wǎng)絡(luò)模型對(duì)所提取的能量特征向量進(jìn)行分類(lèi)訓(xùn)練,實(shí)現(xiàn)軋輥內(nèi)部缺陷類(lèi)型的識(shí)別。

1 軋輥內(nèi)部超聲檢測(cè)信號(hào)的分類(lèi)識(shí)別

本文提出的軋輥內(nèi)部超聲檢測(cè)信號(hào)分類(lèi)識(shí)別方法如圖1所示。

1.1 基于AGWO-WT的信號(hào)預(yù)處理

進(jìn)行軋輥超聲波探傷檢測(cè)時(shí),儀器本身(探頭、超聲波探傷儀等)會(huì)產(chǎn)生雜波信號(hào)[9],為消除該部分信號(hào)對(duì)軋輥內(nèi)部缺陷識(shí)別的影響,需要進(jìn)行降噪處理。首先對(duì)信號(hào)進(jìn)行多尺度小波分解,然后通過(guò)AGWO-WT獲得最優(yōu)小波閾值并完成信號(hào)去噪,最后對(duì)去噪信號(hào)進(jìn)行小波包分解,提取其能量特征。

灰狼算法是受自然環(huán)境中灰狼狩獵行為的啟發(fā)而提出的一種群智能優(yōu)化算法,其主要特點(diǎn)是狼群按適應(yīng)度值分為四個(gè)層級(jí)(首領(lǐng)狼α、協(xié)助狼β、聽(tīng)從狼δ、底層狼ω),底層狼ω的數(shù)量最多,能夠按照上三層狼的命令進(jìn)行包圍、追捕、圍剿獵物,用數(shù)學(xué)式描述狼群包圍狩獵的行為,如式(1)和式(2)所示:

D=|2r2·Xp(t)-X(t)|

(1)

X(t+1)=|Xp(t)-(2a·r1-a)·D|

(2)

式中:Xp(t)和X(t)分別代表獵物和狼群的位置;t為狼群位置當(dāng)前更新的次數(shù);a為收斂因子,其模隨t的增大從2線(xiàn)性衰減至0;r1和r2為分量取值在[0,1]區(qū)間的隨機(jī)數(shù)向量。

狼群在成功包圍獵物后開(kāi)始靠近獵物,α、β、δ的位置更新公式如下:

(3)

其中

(4)

式(3)～式(4)中:X1、X2、X3分別代表最優(yōu)三只狼α、β、δ的更新位置;Xα、Xβ、Xδ分別代表α、β、δ的當(dāng)前位置;Dα、Dβ、Dδ分別代表灰狼個(gè)體與α、β、δ的距離;C1、C2、C3分別代表α、β、δ的協(xié)同系數(shù)向量C;A1、A2、A3分別代表α、β、δ的協(xié)同系數(shù)向量A。

狼群位置最終由α、β、δ更新后的位置共同決定,如式(5)所示:

(5)

AGWO-WT的基本原理是采用灰狼算法獲取最優(yōu)的小波去噪閾值,其主要通過(guò)梯度下降的方法來(lái)更新閾值ε[10]:

ε(n+1)=ε(n)+μΔε(n)

(6)

式中:n為梯度下降次數(shù),μ為梯度下降步長(zhǎng),Δε(n)的取值如式(7)所示。

(7)

式中:yi為檢測(cè)信號(hào)的第i個(gè)分量;gi為函數(shù)估計(jì)表達(dá)式,這里引入Sigmoid函數(shù)作為閾值函數(shù),因此有

gi=φ(dj,i,ε)-dj,i=

(8)

式中:φ(dj,i,ε)為閾值函數(shù),dj,i為j尺度上的小波分解系數(shù),η的取值一般為2。

基于AGWO-WT的軋輥內(nèi)部超聲檢測(cè)信號(hào)預(yù)處理的具體步驟如下:

1)對(duì)原始超聲檢測(cè)信號(hào)進(jìn)行多尺度小波塔式分解,獲取軋輥超聲檢測(cè)信號(hào)低頻和高頻分量及各尺度的小波系數(shù)。

2)對(duì)于高頻系數(shù),應(yīng)用AGWO-WT獲取最優(yōu)閾值。設(shè)定灰狼算法的初始參數(shù),如搜索維度、狼群數(shù)量、最大迭代次數(shù)、搜索范圍等。

3)根據(jù)式(6)確定狼群個(gè)體適應(yīng)度,以Δε(n)值作為尋優(yōu)依據(jù),當(dāng)Δε(n)最小時(shí),保存當(dāng)前最好的三個(gè)個(gè)體作為上三層狼。

4)狼群按式(3)和式(4)接近獵物,按式(5)更新位置。

5)判斷迭代是否滿(mǎn)足約束條件(達(dá)到設(shè)定的誤差值或迭代次數(shù)等),是則結(jié)束捕獵并輸出最優(yōu)的小波閾值,否則重復(fù)執(zhí)行步驟3和步驟4。

6)根據(jù)步驟5獲取的最優(yōu)閾值修改小波高頻系數(shù),得到修改后的高頻信號(hào),再與低頻信號(hào)進(jìn)行小波塔式逆重構(gòu),實(shí)現(xiàn)超聲檢測(cè)信號(hào)去噪。

7)對(duì)去噪后的軋輥檢測(cè)信號(hào)分別進(jìn)行三層、四層、五層小波包分解。利用有缺陷和無(wú)缺陷軋輥的子節(jié)點(diǎn)能量差值來(lái)構(gòu)建檢測(cè)信號(hào)能量特征向量Vd的分量Tpq,具體計(jì)算如式(9)所示,進(jìn)而完成軋輥超聲檢測(cè)信號(hào)的預(yù)處理。

(9)

(10)

1.2 基于GASA-BP網(wǎng)絡(luò)的軋輥缺陷識(shí)別

一般的BP神經(jīng)網(wǎng)絡(luò)模型包含由兩組權(quán)重因子連接的輸入層、隱含層和輸出層,通過(guò)調(diào)節(jié)權(quán)重因子來(lái)增強(qiáng)或者減弱該層神經(jīng)元所占比重,如圖2所示。本文按照誤差梯度下降法來(lái)調(diào)整各層的權(quán)值和閾值,如式(11)和式(12)所示,通過(guò)對(duì)數(shù)據(jù)樣本的訓(xùn)練,保留模型誤差最小的權(quán)值和閾值。其過(guò)程分為:數(shù)據(jù)信號(hào)正向傳播時(shí),經(jīng)過(guò)隱含層并在輸出層映射出結(jié)果;數(shù)據(jù)信號(hào)反向傳播時(shí),誤差數(shù)據(jù)經(jīng)過(guò)隱含層并在輸入層按式(13)計(jì)算模型的誤差值。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型

(11)

(12)

式中:θj代表隱含層中第j個(gè)神經(jīng)元的閾值,bm代表輸出層中第m個(gè)神經(jīng)元的閾值。

(13)

式中:Ym(n)、Pm(n)分別表示輸出層中第m個(gè)神經(jīng)元的輸出值和目標(biāo)值。

GA-BP算法[11]利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要參數(shù),以BP模型的輸出誤差之和(式(14))作為GA的適應(yīng)度函數(shù),通過(guò)適應(yīng)度值對(duì)染色體進(jìn)行篩選,適應(yīng)度越小則染色體越優(yōu)。

(14)

GA算法的不足之處是其局部搜索能力較差,為此將SA算法引入GA-BP模型[12],根據(jù)Metropolis準(zhǔn)則決定是否接收GA算法獲得的最優(yōu)解,利用SA在局部搜索方面的優(yōu)勢(shì)來(lái)減小GA陷入局部最優(yōu)的概率。

采用GASA-BP模型對(duì)軋輥內(nèi)部超聲檢測(cè)信號(hào)進(jìn)行缺陷識(shí)別的主要過(guò)程分為三部分:GASA-BP模型的初始參數(shù)設(shè)置、GASA優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值、不同軋輥類(lèi)型的能量特征分類(lèi)訓(xùn)練及測(cè)試。具體步驟如下:

1)將小波包算法提取的軋輥超聲檢測(cè)去噪信號(hào)能量特征作為BP神經(jīng)網(wǎng)絡(luò)的初始輸入?yún)?shù),并進(jìn)行數(shù)據(jù)歸一化處理。為提高GASA-BP模型的識(shí)別成功率,根據(jù)式(15)確定BP神經(jīng)網(wǎng)絡(luò)隱含層的最佳神經(jīng)元個(gè)數(shù)。

(15)

式中:I、J、M分別為輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù),γ為1～10之間的整數(shù)。

2)確定BP、GA、SA算法的初始化參數(shù)。依據(jù)BP的初始化參數(shù)確定GA和SA的初始化參數(shù),如GA的種群規(guī)模、SA的初始及終止溫度、終止算法的約束條件等。

3)對(duì)遺傳算法中的染色體進(jìn)行選擇、交叉、變異,根據(jù)式(14)計(jì)算個(gè)體適應(yīng)度值。

4)進(jìn)行模擬退火操作。根據(jù)步驟2中設(shè)定的初始溫度、終止溫度等參數(shù),按Metropolis準(zhǔn)則(見(jiàn)式(16))對(duì)步驟3中的染色體適應(yīng)度值進(jìn)行更新,獲得最優(yōu)染色體。

(16)

5)若滿(mǎn)足SA算法約束條件(迭代次數(shù)、誤差等達(dá)到設(shè)定值),則將最優(yōu)染色體作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值;否則繼續(xù)執(zhí)行步驟4。

6)在確定好的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,以歸一化后的能量特征值作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本進(jìn)行訓(xùn)練,使用Levenberg-Marquardt 方法來(lái)加快BP網(wǎng)絡(luò)的訓(xùn)練速度,并根據(jù)式(14)計(jì)算單個(gè)樣本的輸出誤差。

7)若滿(mǎn)足BP網(wǎng)絡(luò)模型約束條件(迭代次數(shù)、誤差等達(dá)到設(shè)定值),設(shè)定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,在神經(jīng)網(wǎng)絡(luò)的輸出層得到計(jì)算值,據(jù)此判斷軋輥內(nèi)部缺陷的類(lèi)型;否則繼續(xù)調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,重復(fù)步驟6。

2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)數(shù)據(jù)為自采集的軋輥內(nèi)部超聲檢測(cè)信號(hào),實(shí)驗(yàn)裝置包括PXUT-330N型數(shù)字超聲波探傷儀、雙晶直探頭DA5P14FS25、若干直徑為63.8 mm的軋輥試件以及數(shù)字化通訊系統(tǒng)軟件等。探傷儀校準(zhǔn)及對(duì)不同軋輥試件進(jìn)行超聲信號(hào)采集如圖3所示。獲得軋輥檢測(cè)信號(hào)共400組,包含軋輥內(nèi)部氣孔缺陷信號(hào)80組、軋輥內(nèi)部不同夾雜缺陷信號(hào)110組、軋輥內(nèi)部裂紋缺陷信號(hào)110組、軋輥內(nèi)部無(wú)缺陷信號(hào)100組。本文數(shù)據(jù)預(yù)處理及模型訓(xùn)練等主要采用MATLAB軟件。

2.1 軋輥內(nèi)部超聲檢測(cè)信號(hào)預(yù)處理

首先通過(guò)OriginPro軟件將軋輥超聲檢測(cè)信號(hào)數(shù)據(jù)化處理,采樣點(diǎn)數(shù)設(shè)為64,隨后進(jìn)行小波閾值法降噪,最后進(jìn)行小波包分解,本節(jié)以四層小波包分解為例進(jìn)行分析。綜合現(xiàn)有文獻(xiàn),從Daubechies、Symlets和Coifets三類(lèi)小波基中選取一種最適合本文研究對(duì)象的小波函數(shù)。修改高頻信號(hào)閾值時(shí),通過(guò)AGWO-WT算法(初始參數(shù)設(shè)置見(jiàn)表1)尋找最優(yōu)閾值,并與應(yīng)用較多的無(wú)偏風(fēng)險(xiǎn)估計(jì)軟閾值法、啟發(fā)式軟閾值法、極大極小軟閾值法進(jìn)行去噪效果對(duì)比。隨機(jī)抽取10組軋輥超聲檢測(cè)數(shù)據(jù),不同的小波基和小波閾值法所對(duì)應(yīng)的去噪效果如圖4和圖5所示。對(duì)比圖4中10組檢測(cè)數(shù)據(jù)的去噪效果后,本文選取的最優(yōu)小波基為sym7。由圖5可見(jiàn),本文提出的AGWO-WT方法要明顯優(yōu)于對(duì)比閾值法。

表1 AGWO-WT算法的初始參數(shù)

(a)10組軋輥檢測(cè)信號(hào)的信噪比 (b)10組軋輥檢測(cè)信號(hào)的均方根誤差

(a)10組軋輥檢測(cè)信號(hào)的信噪比 (b)10組軋輥檢測(cè)信號(hào)的均方根誤差

對(duì)軋輥超聲檢測(cè)信號(hào)數(shù)據(jù)進(jìn)行處理后,得到歸一化后的軋輥內(nèi)部無(wú)缺陷以及有氣孔、裂紋、夾雜等缺陷情況下的去噪信號(hào),如圖6所示。分別采用三層、四層、五層的小波包分解,提取出信號(hào)去噪后的能量特征值。為提高軋輥超聲檢測(cè)數(shù)據(jù)的利用效率,按式(9)計(jì)算其小波包分解得到的子節(jié)點(diǎn)能量特征值,并進(jìn)行歸一化處理,結(jié)果如圖7所示。

(a)軋輥內(nèi)部無(wú)缺陷 (b)軋輥內(nèi)部有夾雜

(a)三層小波包分解 (b)四層小波包分解 (c)五層小波包分解

2.2 軋輥內(nèi)部缺陷的識(shí)別

實(shí)驗(yàn)過(guò)程中,從300組軋輥內(nèi)部有缺陷的樣本數(shù)據(jù)中隨機(jī)抽取270組作為訓(xùn)練樣本,剩下的30組作為測(cè)試樣本。采用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型和本文提出的GASA-BP網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析,以小波包分解所得軋輥超聲檢測(cè)去噪信號(hào)的能量百分比向量作為兩個(gè)模型的輸入。模型輸出層的向量維度為3,將其元素最大值置1,其余值置0,故輸出向量可能為[1 0 0]、[0 1 0]或[0 0 1]。用輸出向量與列向量[1 2 4]T相乘,得到最終識(shí)別結(jié)果:結(jié)果為 1代表軋輥內(nèi)部有夾雜,結(jié)果為2代表軋輥內(nèi)部有裂紋,結(jié)果為4代表軋輥內(nèi)部有氣孔。

依據(jù)BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)的多次調(diào)試結(jié)果來(lái)確定GA和SA的初始化參數(shù),GASA-BP算法的初始參數(shù)設(shè)置見(jiàn)表2。輸入層的神經(jīng)元個(gè)數(shù)由小波包分解層數(shù)來(lái)決定,三層、四層、五層小波包分解所構(gòu)建的能量特征向量的維度分別為8、16、32,因此輸入層的神經(jīng)元個(gè)數(shù)也分別為8、16、32。按式(15)確定隱含層神經(jīng)元個(gè)數(shù)取值范圍,采用MATLAB進(jìn)行仿真計(jì)算,尋找出最佳的隱含層神經(jīng)元個(gè)數(shù)。以五層小波包分解為例,不同隱含層神經(jīng)元個(gè)數(shù)的結(jié)果對(duì)比如圖8所示,可以確定最佳的BP、GASA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分別為32-7-3、32-12-3。

表2 GASA-BP算法的初始參數(shù)

圖8 不同隱含層神經(jīng)元個(gè)數(shù)的結(jié)果對(duì)比

2.3 軋輥內(nèi)部缺陷識(shí)別結(jié)果分析

對(duì)原始信號(hào)分別進(jìn)行三層、四層、五層小波包分解,根據(jù)預(yù)處理后的數(shù)據(jù)采用BP和GASA-BP網(wǎng)絡(luò)模型進(jìn)行軋輥缺陷識(shí)別,其中,基于五層小波包分解所構(gòu)建特征向量的識(shí)別結(jié)果及誤差(根據(jù)式(14)計(jì)算)如圖9所示,訓(xùn)練樣本的誤差變化曲線(xiàn)如圖10所示。鑒于模型運(yùn)行結(jié)果會(huì)有一定的隨機(jī)性,同時(shí)為減少模型訓(xùn)練出現(xiàn)過(guò)擬合而對(duì)識(shí)別結(jié)果產(chǎn)生不利影響,讓每個(gè)模型運(yùn)行14次,去掉識(shí)別準(zhǔn)確率最好的2次和最差的2次,取其余10 次運(yùn)行結(jié)果的平均值,不同模型對(duì)30個(gè)測(cè)試樣本的識(shí)別成功率如表3所示。

表3 不同模型對(duì)30個(gè)測(cè)試樣本的識(shí)別準(zhǔn)確率

(a)預(yù)測(cè)結(jié)果 (b)預(yù)測(cè)誤差

(a)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差 (b)GASA-BP網(wǎng)絡(luò)訓(xùn)練誤差

結(jié)合圖10和表3進(jìn)行分析,BP神經(jīng)網(wǎng)絡(luò)模型的平均識(shí)別準(zhǔn)確率為91.97%,迭代5 000次后也沒(méi)有使模型誤差降到10-3,耗時(shí)7.618 s;運(yùn)用改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型GASA-BP進(jìn)行軋輥缺陷識(shí)別,平均識(shí)別準(zhǔn)確率為95.06%,迭代次數(shù)僅為17次,耗時(shí)0.455 s,收斂速度約為BP神經(jīng)網(wǎng)絡(luò)模型的15倍,識(shí)別準(zhǔn)確率提高了3.09個(gè)百分點(diǎn),且在網(wǎng)絡(luò)訓(xùn)練的第9次,誤差就已降到10-10。

由表3還可以看到,采用三層、四層、五層小波包分解構(gòu)建能量特征向量,GASA-BP模型識(shí)別準(zhǔn)確率都在93%以上,且隨著分解層數(shù)的增加,識(shí)別準(zhǔn)確率不斷增加,其中,五層小波包分解對(duì)應(yīng)的模型識(shí)別效果最好。但另一方面,采用該模型識(shí)別三層、四層、五層小波包分解構(gòu)建的能量特征向量時(shí),所需要的時(shí)間分別為0.215、0.358、0.455 s,即小波包分解層數(shù)越多,特征向量的維度就越大,模型的收斂時(shí)間也就越長(zhǎng)。

綜上所述,本文構(gòu)建的GASA-BP模型可應(yīng)用于軋輥內(nèi)部缺陷識(shí)別,且能在一定程度上滿(mǎn)足大部分企業(yè)對(duì)軋輥缺陷分類(lèi)精度及效率的要求。

3 結(jié)論

(1)本文采用的自適應(yīng)灰狼優(yōu)化小波閾值法對(duì)軋輥超聲檢測(cè)信號(hào)具有良好的去噪效果。

(2)對(duì)于有不同缺陷的軋輥超聲檢測(cè)信號(hào),采用小波包變換法分解并構(gòu)建的能量特征向量明顯不同,且小波包分解層數(shù)越多,越有利于后續(xù)采用GASA-BP模型對(duì)軋輥缺陷進(jìn)行分類(lèi),但同時(shí)模型運(yùn)行耗時(shí)也越長(zhǎng)。

(3)本文構(gòu)建的GASA-BP模型對(duì)軋輥內(nèi)部缺陷類(lèi)型的識(shí)別準(zhǔn)確率和效率都較高,能夠?yàn)檐堓伒娜毕荻ㄐ砸约败堓伒脑僦圃焯峁┮罁?jù)。