薄板復合材料粘接缺陷超聲檢測的全加權(quán)增量支持向量機量化識別研究.pdf

1、隨著科技的發(fā)展和進步，粘接結(jié)構(gòu)被廣泛的應用于航空航天、石油化工等國防和民用領域，但在其制造和使用過程中常常會出現(xiàn)粘接缺陷，如粘接不良、氣孔、局部脫粘等現(xiàn)象。粘接缺陷的存在增加了設備的不穩(wěn)定因素，使材料和產(chǎn)品的安全使用存在重大隱患，如果沒有及時發(fā)現(xiàn)這些缺陷并準確判斷缺陷的危害性，可能會帶來巨大甚至是不可挽回的經(jīng)濟損失。因此，粘接缺陷的有效檢測與識別就成為一個極其重要的研究領域和前沿課題。
　　 粘接缺陷識別是無損檢測的重要研究內(nèi)容

2、，現(xiàn)已逐漸成為模式識別領域的一個研究熱點，其研究發(fā)展方向大體可以歸納為以下兩個方面：一是分類器的選擇上做改進；二是在解決多分類問題的方法上做改進。
　　 本文采用全加權(quán)增量SVM做分類器，對薄板復合材料粘接缺陷10級標準脫粘樣塊，在提取出有效特征基礎上進行分類，實驗所做的工作歸納如下：
　　 第一，介紹了支持向量機的數(shù)學原理，分析了支持向量的性質(zhì)和增量學習的過程，給出了一種基于廣義KKT條件的增量學習算法。該算法利用廣義

3、KKT條件來選擇訓練樣本，在盡量保留有用信息的情況下減小樣本訓練規(guī)模，算法有效地提高了分類的準確率和速度。
　　 第二，研究多分類方法的應用，分析比較各種多類分類方法的優(yōu)劣，提出了利用先驗知識即粘接缺陷相鄰等級之間類中心距離大體上是呈線性變化的和樹形多分類相結(jié)合的方法作為本系統(tǒng)的構(gòu)造基礎，構(gòu)建了十級薄板粘接缺陷的分類識別模型。
　　 第三，在訓練十級粘接缺陷模型時，各個增量SVM正負類樣本數(shù)目的不均衡造成了分類錯誤率偏向

4、小樣本，同時噪聲和其他不確定因素的存在導致了某些粘接缺陷樣本嚴重偏離所屬類別，再有提取的三個特征對各類別的分類貢獻度不同，考慮到以上三個方面的影響，因此，本文采用了類、樣本和特征的全加權(quán)增量SVM方法，有效地解決了以上的各種不足。
　　 第四，在同等條件下，實驗結(jié)果表明全加權(quán)增量SVM比普通SVM、增量SVM和全加權(quán)SVM更具優(yōu)勢，該方法為薄板復合材料粘接缺陷的量化識別提供了一套較為適用的方法，為薄板復合材料粘接缺陷的自動檢測奠