来源：期刊VIP网 时间：
作者：刘子贤;刘飞飞;伍昕宇;
单位：江西理工大学机电工程学院;江西理工大学电气工程与自动化学院;江西离子型稀土工程技术研究有限公司;
摘要：针对传统化学分析方法对镨钕合金碳含量检测过程周期长、成本高的问题，提出了一种基于声振检测与SDP-VGG网络的镨钕合金碳含量软测量方法。通过对镨钕合金采取平行支撑的约束方式和中部敲击的激励方式，使其弯曲振动产生声学信号。采用SDP声学信号特征可视化方法，将镨钕合金的声学信号经预处理后转化为二维图像。使用带卷积自编码器的卷积神经网络模型对高碳含量(500×10~(-6)及以上)与低碳含量(500×10~(-6)以下)的镨钕合金声学信号SDP图像进行分类。研究结果表明，带卷积自编码器的卷积神经网络无需人工提取特征，可以直接从预处理后的SDP图像中学习特征。比直接将声学信号的时域数组或频域数组作为输入的SVM和BP神经网络模型分类效果更佳，模型分类精度高达98.3%,能够实现高低碳含量的镨钕合金快速分类。
关键词：对称点模式图像;;卷积自编码器;;VGG深度卷积神经网络;;声振检测;;镨钕合金
基金资助：江西省重点研发计划项目(2018BCD40009);; 江西省离子型稀土资源绿色开发与高值利用国家重点实验室培育计划(20194AFD44003)
