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.pdfVIP

2022 年 8 月 电 工 技 术 学 报 Vol.37 No. 15 第 37 卷第 15 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Aug. 2022 DOI:10.19595/ki.1000-6753.tces.210707 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 蔡智超 孙翼虎 赵振勇 李毅博 （华东交通大学电气与自动化工程学院 南昌 330013 ） 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。 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：TB553; TP183 A Deep Learning-Based Electromagnetic Ultrasonic Recognition Method for Surface Roughness of Workpeice Cai Zhichao Sun Yihu Zhao Zhenyong Li Yibo （School of Electrical and Automation Engineering East China Jiaotong University Nanchang 330013 China ） Abstract Surface roughness directly determines the performance and service life of the workpiece. As customary surface roughness detection methods based on optical or three-dimensional profilometers have higher requirements on the surface cleaning state and operating environment, a non-contact electromagnetic ultrasonic surface roughness recognition method based on deep learning is proposed under this paper. Firstly, the effects of eddy current density and the Lorentz force on the excitation and reception signals are investigated by establishing the finite element simulation model of electromagnetic ultrasound with different surface roughness. The