超声无损检测是一种应用最广的无损检测方法,在无损检测领域占有极其重要的地位。在超声无损检测领域,超声频谱分析法,可以得到多于常规检测方法的可用信息,为提高检测结果的客观性和可靠性提供了可能。同时传统超声法难以识别缺陷的种类,即便采用各种扫描方法,对缺陷种类的判别仍需有高度熟练的人工技术。因此如何利用频谱分析法所获得的这些信息进行缺陷模式识别及缺陷的定性评价、自动识别、以及智能化方面,还需要进一步的研究工作,这对超声无损检测的发展具有十分重要的意义。本文首先介绍了EMD分解方法和神经网络的基本原理,利用EMD对超声回波信号进行了时域和频域的分析,归纳分析了回波信号在时域和频域的特征参数,在此基础上分析了神经网络输入特征参数的选择原则以及如何选取部分时、频域特征参数作为神经网络输入,并得出了较理想的特征参数组合。其次,在阐述神经网络技术的基本原理基础上,结合分析得出的神经网络输入特征向量,针对超声回波缺陷信号识别的具体特点,构建了基于BP神经网络的超声回波缺陷信号诊断系统,内容包括:设计超声回波信号缺陷识别BP神经网络的具体结构。最后本文利用前续课题研究所获得的超声回波信号实测数据,分别构造了基于回波信号时频域特征参数的训练样本和验证样本,在MATLAB软件平台上对本文构建的BP神经网络进行了训练,并用训练好的神经网络对超声回波信号实测数据进行了仿真诊断试验。试验结果表明本文构建的超声回波信号缺陷分类诊断BP神经网络能够根据实际数据准确地判断出超声回波信号的缺陷类型,分类诊断效果良好。