دسته بندي عيوب در ورق و لوله توسط امواج هدايت ‌شده فراصوت به كمك تبديل موجك و الگوريتم ماشين بردار پشتيبان

Ultrasonic Damage Classification in Pipes and Plates using Wavelet Transform and SVM

در اين پژوهش روشي عملي براي تشخيص و دسته‌بندي نوع عيوب در ورق و لوله توسط امواج هدايت‌ شده فراصوت ارايه گرديده است. آزمون فراصوت مورد استفاده، روش ارسال-پژواك به وسيله موج لمب مي‌باشد كه نتايج آ-اسكن اين آزمون‌ها مورد استفاده قرار گرفته است. آزمون‌ها بر روي ورق و لوله از جنس آلومينيوم همسانگرد 1050 تمپر 1416 با ضخامت 4/0 ميلي‌متر انجام شده است. عيوب مورد بررسي در اين پژوهش دو نوع عيب شامل عيوب خوردگي و ترك است كه از عيوب رايج در خطوط لوله و سازه‌هاي فلزي مانند بدنه خودرو، سازه‌هاي هوافضا و غيره مي‌باشد. اين پژوهش در سه بخش پياده‌سازي گرديده است. بخش اول آزمون آزمايشگاهي، بخش دوم پردازش سيگنال و در بخش سوم استفاده از الگوريتم طبقه بند مناسب جهت دسته‌بندي سيگنال عيوب بوده است. در مرحله اول با استفاده از موج لمب آزمون‌هاي متعدد و مختلفي بر روي نمونه‌هاي استاندارد تهيه‌ شده با عيب مشخص انجام شد كه در مراحل بعدي 206 سيگنال حاصل، پس از آن انجام پردازش‌هاي مناسب به الگوريتم طبقه‌بندي ماشين بردار پشتيبان جهت طبقه‌بندي ارايه گرديد. نتايج حاصل از پژوهش پيش رو نشان‌دهنده كارايي الگوريتم پيشنهادي است به طوري كه مي‌توان با دقت حدود 99 درصد عيب خوردگي را از عيب ترك تميز داد.

In this paper, we proposed a practical method for classifying damages in pipes and plates using ultrasonic guided waves. The A-scan Pulse-Echo lamb wave ultrasonic tests used in this study. Tests accomplished on isotropic 1050 Aluminum with 0.4 mm thickness. Damages studied here were corrosion and crack which is common in pipe lines and steel structures like vehicles body or aerospace structures. This investigation is done in three steps. First step, experimental testing (making standard sample, lamb wave tests), second step, signal processing (window function, normalizing, wavelet function), third step, using the proper algorithm for classification. In first step, 206 ultrasonic lamb wave tests are measured on standard damaged samples (on pipe and plate) and the signals digitalized. After that, these signal processed and classified by classification algorithm. In this the classification algorithm is the support vector machine (SVM). In machine learning, support vector machines are supervised learning models with associated learning algorithms that analyze data and recognize patterns, used for classification and regression analysis. The results show that the corrosion damage can be distinguished from crack damages with 99% accuracy by proposed algorithm.