文献类型：期刊文章

作　　者：潘峰[1] 唐东林[1] 陈印[1] 吴薇萍[1] 丁超[2]

Pan Feng;Tang Donglin;Chen Yin;Wu Weiping;Ding Chao(School of mechanical engineering,Southwest Petroleum University,Chengdu 610500,China;School of mechanical engineering,Chengdu Technological University,Chengdu 611730,China)

机构地区：[1]西南石油大学机电工程学院,成都610500 [2]成都工业学院机械工程学院,成都611730

出　　处：《机械科学与技术》

基　　金：四川省科技支撑项目(2017FZ0033);成都市技术创新研发项目(2018-YF05-00201-GX);西南石油大学国家重点实验室项目(PLN201828)资助。

年　　份：2020

卷　　号：39

期　　号：5

起止页码：751-757

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对金属管道腐蚀问题,提出了一种基于支持向量机(Support vector machine,SVM)与粒子群优化(Particle swarm optimization,PSO)相结合的管道腐蚀缺陷的分类方法。对预处理后的超声缺陷信号进行经验模态分解(Empirical mode decomposition,EMD),提取相应的时域无量纲参数作为特征向量;建立SVM缺陷分类模型,并采用PSO算法优化SVM参数,提高模型的缺陷分类准确率。实验证明,该方法建立的模型针对不同深度的超声缺陷信号的识别率达到87.5%,优于相同试验样本下BP神经网络和RBF神经网络的分类准确率。

关 键 词：超声信号 管道腐蚀  支持向量机 粒子群优化

分 类 号：TE973]