发明名称 一种基于最远特征距离的扩散焊缺陷识别方法
摘要 本发明提供的是一种基于最远特征距离的扩散焊缺陷识别方法。包括四种超声波信号样本采集,样本的时频幅度特征值和时频相位特征值的计算,对时频幅度特征值和时频相位特征值排序得到排序后的序列,求时频幅度特征值的中位数和时频相位特征值的中位数,以时频幅度特征值为x轴、时频相位特征值为y轴、在x轴和y轴组成的平面内计算特征值中位数点的距离,根据距离大小确定类别Ⅰ至类别Ⅳ,构造二叉树结构对焊接质量进行判别。本发明减少了数据量,提高了识别效率,避免了决策盲区;构造识别模型时让与其它类别特征距离最远的类别最先识别出来,保证了识别的准确性;中位数反映特征值分布集中趋势,不受最大、最小极端特征值的影响。
申请公布号 CN105548374A 申请公布日期 2016.05.04
申请号 CN201510915741.7 申请日期 2015.12.11
申请人 黑龙江科技大学 发明人 栾亦琳;刚铁
分类号 G01N29/44(2006.01)I 主分类号 G01N29/44(2006.01)I
代理机构 哈尔滨市船大专利事务所 23201 代理人 张贵丰
主权项 一种基于最远特征距离的扩散焊缺陷识别方法,其特征是:步骤一:采用同一探头采集扩散焊未焊合缺陷、弱接合缺陷、微小间隙缺陷和焊接良好界面四种超声波信号样本,每一种超声波信号样本的数量为n;步骤二:计算每个样本的时频幅度特征值和时频相位特征值,时频幅度特征值C<sub>R</sub>为:<img file="FDA0000874450510000011.GIF" wi="270" he="137" />j=l,l+1/f<sub>s</sub>,l+2/f<sub>s</sub>,…,m,其中A<sub>j</sub>表示拟合斜率,l和m表示时间参数的范围,f<sub>s</sub>表示超声波检测的采样频率;时频相位特征值C<sub>Φ</sub>为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>C</mi><mi>&Phi;</mi></msub><mo>=</mo><mfrac><mi>s</mi><mrow><mi>v</mi><mo>-</mo><mi>u</mi><mo>+</mo><mi>s</mi></mrow></mfrac><mo>&CenterDot;</mo><mfrac><mn>1</mn><mrow><msub><mi>mf</mi><mi>s</mi></msub><mo>-</mo><msub><mi>lf</mi><mi>s</mi></msub><mo>+</mo><mn>1</mn></mrow></mfrac><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo>=</mo><mi>u</mi></mrow><mi>v</mi></munderover><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo>=</mo><mi>l</mi></mrow><mi>m</mi></munderover><mi>&Phi;</mi><mrow><mo>(</mo><msub><mi>a</mi><mi>i</mi></msub><mo>,</mo><msub><mi>b</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0000874450510000012.GIF" wi="949" he="142" /></maths>i=u,u+s,u+2s,…,v,j=l,l+1/f<sub>s</sub>,l+2/f<sub>s</sub>,…,m,其中u和v表示尺度参数的范围,s表示尺度参数的步长,Φ(a<sub>i</sub>,b<sub>j</sub>)表示时频相位,a表示尺度参数,b表示时间参数;步骤三:用符号表示样本的特征值,C<sub>RE</sub>和C<sub>ΦE</sub>表示未焊合缺陷的时频幅度特征值和时频相位特征值,C<sub>RF</sub>和C<sub>ΦF</sub>表示弱接合缺陷的时频幅度特征值和时频相位特征值,C<sub>RG</sub>和C<sub>ΦG</sub>表示微小间隙缺陷的时频幅度特征值和时频相位特征值,C<sub>RH</sub>和C<sub>ΦH</sub>表示焊接良好界面的时频幅度特征值和时频相位特征值;步骤四:对n个样本的未焊合缺陷的时频幅度特征值C<sub>REk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>RE</sub>,k=1,2,…,n;对n个样本的未焊合缺陷的时频相位特征值C<sub>ΦEk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>ΦE</sub>,k=1,2,…,n;对n个样本的弱接合缺陷的时频幅度特征值C<sub>RFk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>RF</sub>,k=1,2,…,n;对n个样本的弱接合缺陷的时频相位特征值C<sub>ΦFk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>ΦF</sub>,k=1,2,…,n;对n个样本的微小间隙缺陷的时频幅度特征值C<sub>RGk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>RG</sub>,k=1,2,…,n;对n个样本的微小间隙缺陷的时频相位特征值C<sub>ΦGk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>ΦG</sub>,k=1,2,…,n;对n个样本的焊接良好界面的时频幅度特征值C<sub>RHk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>RH</sub>,k=1,2,…,n;对n个样本的焊接良好界面的时频相位特征值C<sub>ΦHk</sub>按从小到大的顺序进行排序,得到排序后的序列SC<sub>ΦH</sub>,k=1,2,…,n;步骤五:求n个样本的(1)未焊合缺陷的时频幅度特征值的中位数MC<sub>RE</sub>;(2)未焊合缺陷的时频相位特征值的中位数MC<sub>ΦE</sub>;(3)弱接合缺陷的时频幅度特征值的中位数MC<sub>RF</sub>;(4)弱接合缺陷的时频相位特征值的中位数MC<sub>ΦF</sub>;(5)微小间隙缺陷的时频幅度特征值的中位数MC<sub>RG</sub>;(6)微小间隙缺陷的时频相位特征值的中位数MC<sub>ΦG</sub>;(7)焊接良好界面的时频幅度特征值的中位数MC<sub>RH</sub>;(8)焊接良好界面的时频相位特征值的中位数MC<sub>ΦH</sub>;步骤六:以时频幅度特征值为x轴,时频相位特征值为y轴,在x轴和y轴组成的平面内标出未焊合缺陷特征值中位数点E(MC<sub>RE</sub>,MC<sub>ΦE</sub>)、弱接合缺陷特征值中位数点F(MC<sub>RF</sub>,MC<sub>ΦF</sub>)、微小间隙缺陷特征值中位数点G(MC<sub>RG</sub>,MC<sub>ΦG</sub>)和焊接良好界面特征值中位数点H(MC<sub>RH</sub>,MC<sub>ΦH</sub>),计算E点与F点、G点和H点之间的特征距离d<sub>EF</sub>、d<sub>EG</sub>和d<sub>EH</sub>;计算E点与F点、G点和H点的特征距离和d<sub>E</sub>;计算F点与G点和H点之间的特征距离d<sub>FG</sub>和d<sub>FH</sub>;计算F点与E点、G点和H点的特征距离和d<sub>F</sub>;计算G点与H点之间的特征距离d<sub>GH</sub>;计算G点与E点、F点和H点的特征距离和d<sub>G</sub>;计算H点与E点、F点和G点的特征距离和d<sub>H</sub>;将d<sub>E</sub>、d<sub>F</sub>、d<sub>G</sub>和d<sub>H</sub>进行排序,求出与其它三点特征距离最远的点,将其设定为Ⅰ点,并将其它三点重新设定为X,Y和Z点,坐标表示为X(MC<sub>RX</sub>,MC<sub>ΦX</sub>)、Y(MC<sub>RY</sub>,MC<sub>ΦY</sub>)和Z(MC<sub>RZ</sub>,MC<sub>ΦZ</sub>);步骤七:计算X点与Y点和Z点之间的特征距离d<sub>XY</sub>和d<sub>XZ</sub>;计算X点与Y点和Z的特征距离和d<sub>X</sub>;计算Y点与Z点之间的特征距离d<sub>YZ</sub>;计算Y点与X点和Z点的特征距离和d<sub>Y</sub>;计算Z点与X点和Y的特征距离和d<sub>Z</sub>;将d<sub>X</sub>、d<sub>Y</sub>和d<sub>Z</sub>进行排序求出与其它两点特征距离最远的点,将其设定为Ⅱ点,其它两个点设定为Ⅲ点和Ⅳ点,Ⅰ点、Ⅱ点、Ⅲ点和Ⅳ点分别为类别Ⅰ、类别Ⅱ、类别Ⅲ和类别Ⅳ的特征值中位数点,类别Ⅰ、类别Ⅱ、类别Ⅲ和类别Ⅳ为未焊合缺陷、弱接合缺陷、微小间隙缺陷和焊接良好界面中的一种,由步骤六和步骤七的计算结果确定;步骤八:首先,以类别Ⅰ的样本为正样本集,类别Ⅱ、Ⅲ和Ⅳ的样本为负样本集,构造第一支持向量机识别模型,用于将类别Ⅰ识别出来;其次,以类别Ⅱ样本为正样本集,类别Ⅲ和Ⅳ的样本为负样本集,构造第二支持向量机识别模型,用于将类别Ⅱ识别出来;最后,以类别Ⅲ的样本为正样本集,类别Ⅳ的样本为负样本集,构造第三支持向量机识别模型,用于识别类别Ⅲ和类别Ⅳ。
地址 150022 黑龙江省哈尔滨市松北区浦源路2468号