典型文献
基于时频分析和深度学习的表面粗糙度超声模式识别方法
文献摘要：
表面粗糙度直接决定着工件的性能和使用寿命,由于传统的基于光学或三维形貌的表面粗糙度检测方法存在对工件表面清洁状态及操作环境要求较高等问题,因此,该文提出一种基于深度学习的非接触式电磁超声表面粗糙度识别方法.首先通过建立不同表面粗糙度的电磁超声有限元仿真模型,研究了涡流密度和洛仑兹力对激励与接收信号的影响.然后利用所提出的卷积神经网络,对从电磁超声换能器检测得到的A扫描信号的时频系数图进行特征提取,输入至预训练的支持向量机分类器中完成表面粗糙度识别和预测.为了验证所提方法的有效性,对通过立铣工艺加工的表面粗糙度比较样块进行测试.实验结果表明,所提出的超声识别方法平均精度为98.83％,具有较高的预测精度与稳定性,解决了超声信号信噪比较低而导致信号特征识别困难的问题,同时减少了特征提取过程对于人工干预的依赖.
文献关键词：
表面粗糙度;电磁超声换能器;深度学习;卷积神经网络;图像识别
中图分类号：
作者姓名：
蔡智超;孙翼虎;赵振勇;李毅博
作者机构：
华东交通大学电气与自动化工程学院 南昌 330013
文献出处：
引用格式：
[1]蔡智超;孙翼虎;赵振勇;李毅博-.基于时频分析和深度学习的表面粗糙度超声模式识别方法)[J].电工技术学报,2022(15):3743-3752
A类：
B类：
时频分析,表面粗糙度,模式识别,三维形貌,粗糙度检测,工件表面,操作环境,环境要求,非接触式,有限元仿真,涡流密度,洛仑兹力,接收信号,电磁超声换能器,扫描信号,预训练,支持向量机分类器,铣工,工艺加工,超声识别,超声信号,致信,信号特征,特征识别,人工干预,图像识别
AB值：
0.276736
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
