薄板復(fù)合材料粘接缺陷超聲檢測(cè)的全加權(quán)增量支持向量機(jī)量化識(shí)別研究.pdf

1、隨著科技的發(fā)展和進(jìn)步，粘接結(jié)構(gòu)被廣泛的應(yīng)用于航空航天、石油化工等國(guó)防和民用領(lǐng)域，但在其制造和使用過(guò)程中常常會(huì)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(shè)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(méi)有及時(shí)發(fā)現(xiàn)這些缺陷并準(zhǔn)確判斷缺陷的危害性，可能會(huì)帶來(lái)巨大甚至是不可挽回的經(jīng)濟(jì)損失。因此，粘接缺陷的有效檢測(cè)與識(shí)別就成為一個(gè)極其重要的研究領(lǐng)域和前沿課題。
　　 粘接缺陷識(shí)別是無(wú)損檢測(cè)的重要研究?jī)?nèi)容

2、，現(xiàn)已逐漸成為模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)，其研究發(fā)展方向大體可以歸納為以下兩個(gè)方面：一是分類器的選擇上做改進(jìn)；二是在解決多分類問(wèn)題的方法上做改進(jìn)。
　　 本文采用全加權(quán)增量SVM做分類器，對(duì)薄板復(fù)合材料粘接缺陷10級(jí)標(biāo)準(zhǔn)脫粘樣塊，在提取出有效特征基礎(chǔ)上進(jìn)行分類，實(shí)驗(yàn)所做的工作歸納如下：
　　 第一，介紹了支持向量機(jī)的數(shù)學(xué)原理，分析了支持向量的性質(zhì)和增量學(xué)習(xí)的過(guò)程，給出了一種基于廣義KKT條件的增量學(xué)習(xí)算法。該算法利用廣義

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

4、小樣本，同時(shí)噪聲和其他不確定因素的存在導(dǎo)致了某些粘接缺陷樣本嚴(yán)重偏離所屬類別，再有提取的三個(gè)特征對(duì)各類別的分類貢獻(xiàn)度不同，考慮到以上三個(gè)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(shí)驗(yàn)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(shì)，該方法為薄板復(fù)合材料粘接缺陷的量化識(shí)別提供了一套較為適用的方法，為薄板復(fù)合材料粘接缺陷的自動(dòng)檢測(cè)奠