焊接转子作为高参数、大容量核电机组和火电机组的核心部件,需要承受高温、高应力、高转速等严苛的工况条件。其焊缝的焊接质量及运行过程中的新生缺陷直接影响机组的安全运行。借助超声无损检测技术对焊接转子环焊缝的缺陷进行识别具有重大意义。传统超声检测缺陷的识别一般都是依据探伤人员对回波信号的观察判断,带有很大的主观性,且检测效率低,误判率高。随着人工智能和仪器仪表技术的不断发展,采用计算机辅助识别显得越来越重要。本文围绕缺陷识别这一关键点展开论述,主要对超声检测技术中信号消噪、特征提取、特征选择以及模式识别进行了研究。主要内容如下:(1)超声缺陷回波信号消噪方法研究针对超声检测信号中结构噪声难以去除的问题,提出了一种变分模态分解(VMD)和小波能量熵阈值联合消噪的算法。分析了含噪系统熵增的特性以及结构噪声在不同时间段的分布特征,提出了用小波能量熵表征信号的含噪状态,并以小波能量熵最大子区间的小波系数参与计算各个尺度层的阈值。对仿真及实测信号进行处理,结果表明该算法能很好的抑制超声回波信号中存在的白噪声及结构噪声,还原了准确的波形特征,验证了其有效性。(2)焊接转子环焊缝缺陷信号特征的提取能否从缺陷回波信号中找出具有代表性和有效性的特征信息直接影响缺陷类型识别的准确性。鉴于此,本文确定了焊接转子环焊缝缺陷信号的多特征提取框架。首先,从时域上分析了不同类型缺陷信号的异同,并提取了时域波形的波峰系数和波形系数作为时域特征值。然后,利用具有良好时频分析能力的小波包分析完成了时频域特征的提取。最后,从信息熵的角度分析了不同缺陷类型信号的复杂性、不确定性,并提取了变分模态熵作为识别不同缺陷类型信号的特征值。(3)焊接转子环焊缝缺陷的自动识别针对小样本条件下缺陷类型识别的困难,提出了支持向量机的模式识别方法。首先,介绍了支持向量机的分类原理,并针对SVM模型参数会对分类效果产生较大影响,提出了粒子群算法对SVM参数进行寻优。然后,引入了主成分分析法(PCA)对特征向量集进行了降维研究。最后,用降维后的特征向量集和建立的PSO-SVM分类器完成了焊接转子环焊缝的缺陷识别。