CN105548374A - 一种基于最远特征距离的扩散焊缺陷识别方法 - Google Patents

Abstract

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。

Description

一种基于最远特征距离的扩散焊缺陷识别方法

技术领域

本发明涉及的是一种焊接界面缺陷的识别方法。特别是一种扩散焊焊接界面缺陷的识别方法。

背景技术

扩散焊是在一种新型的固相连接方法，焊接时施加一定的温度和压力，通过待焊表面原子相互扩散来实现结合。这种焊接方法具有优良的机械性能和组织结构，可焊接相互不溶解或在熔焊时会产生脆性金属间化合物的异种材料，在航空和航天等先进技术领域的应用越来越广泛。扩散焊界面常会产生未焊合、弱接合、微小间隙等缺陷，严重影响了接头的机械性能。因此扩散焊界面质量的无损检测，对保证焊接结构的正常运行和使用寿命具有重要的意义。

扩散焊超声波检测的一个难点是缺陷的尺寸非常小，远小于超声波的波长，声波在缺陷处的反射十分微弱。另一个难点是检测异种材料扩散焊时，由于界面两侧材料声阻抗的差异，不仅缺陷会产生反射回波，焊接良好界面也会产生反射回波。缺陷波与界面反射波混叠在一起，难于判断。由于上述两个难点的存在，使得常规超声波难于检测界面的缺陷。

申请号为200710144806.8的专利文件中公开了一种“异种材料扩散焊界面缺陷的自动识别方法”。公开了一种从异种材料扩散焊界面采集超声波信号，提取信号的幅度、幅频特性曲线拟合斜率及相频特性曲线的相位等三个特征值并对其进行归一化处理，从异种材料扩散焊界面焊接良好区域、未焊合缺陷区域、弱接合缺陷区域、微小间隙缺陷区域分别随机抽取信号组成训练样本和测试样本，选用径向基核函数作为核函数、采用网格搜索法确定惩罚参数和核参数，运用最小二乘支持向量机技术构建缺陷识别模型用于异种材料扩散焊界面缺陷的自动识别的技术方案。在构造多分类识别模型时采用的是一对多法，该方法学习时间长，效率低，存在决策盲区。

发明内容

本发明的目的在于提供一种能够准确判断扩散焊焊接界面质量的基于最远特征距离的扩散焊缺陷识别方法。

本发明的目的是这样实现的：

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_R为：j＝l,l+1/f_s,l+2/f_s,…,m，

其中A_j表示拟合斜率，l和m表示时间参数的范围，f_s表示超声波检测的采样频率；

时频相位特征值C_Φ为： $C_{\mathrm{\Φ}}=\frac{s}{v-u+s}\·\frac{1}{{\mathrm{mf}}_s-{\mathrm{lf}}_s+1}\underset{i=u}{\overset{v}{\Σ}}\underset{j=l}{\overset{m}{\Σ}}\mathrm{\Φ}(a_i,b_j),$ i＝u,u+s,u+2s,…,v，j＝l,l+1/f_s,l+2/f_s,…,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_i,b_j)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_RE和C_ΦE表示未焊合缺陷的时频幅度特征值和时频相位特征值，C_RF和C_ΦF表示弱接合缺陷的时频幅度特征值和时频相位特征值，C_RG和C_ΦG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_RH和C_ΦH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_REk按从小到大的顺序进行排序，得到排序后的序列SC_RE，k＝1,2,…,n；

对n个样本的未焊合缺陷的时频相位特征值C_ΦEk按从小到大的顺序进行排序，得到排序后的序列SC_ΦE，k＝1,2,…,n；

对n个样本的弱接合缺陷的时频幅度特征值C_RFk按从小到大的顺序进行排序，得到排序后的序列SC_RF，k＝1,2,…,n；

对n个样本的弱接合缺陷的时频相位特征值C_ΦFk按从小到大的顺序进行排序，得到排序后的序列SC_ΦF，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_RGk按从小到大的顺序进行排序，得到排序后的序列SC_RG，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_ΦGk按从小到大的顺序进行排序，得到排序后的序列SC_ΦG，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_RHk按从小到大的顺序进行排序，得到排序后的序列SC_RH，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_ΦHk按从小到大的顺序进行排序，得到排序后的序列SC_ΦH，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_RE；(2)未焊合缺陷的时频相位特征值的中位数MC_ΦE；(3)弱接合缺陷的时频幅度特征值的中位数MC_RF；(4)弱接合缺陷的时频相位特征值的中位数MC_ΦF；(5)微小间隙缺陷的时频幅度特征值的中位数MC_RG；(6)微小间隙缺陷的时频相位特征值的中位数MC_ΦG；(7)焊接良好界面的时频幅度特征值的中位数MC_RH；(8)焊接良好界面的时频相位特征值的中位数MC_ΦH；

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_RE,MC_ΦE)、弱接合缺陷特征值中位数点F(MC_RF,MC_ΦF)、微小间隙缺陷特征值中位数点G(MC_RG,MC_ΦG)和焊接良好界面特征值中位数点H(MC_RH,MC_ΦH)，

计算E点与F点、G点和H点之间的特征距离d_EF、d_EG和d_EH；

计算E点与F点、G点和H点的特征距离和d_E；

计算F点与G点和H点之间的特征距离d_FG和d_FH；

计算F点与E点、G点和H点的特征距离和d_F；

计算G点与H点之间的特征距离d_GH；

计算G点与E点、F点和H点的特征距离和d_G；

计算H点与E点、F点和G点的特征距离和d_H；

将d_E、d_F、d_G和d_H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_RX,MC_ΦX)、Y(MC_RY,MC_ΦY)和Z(MC_RZ,MC_ΦZ)；

步骤七：计算X点与Y点和Z点之间的特征距离d_XY和d_XZ；

计算X点与Y点和Z的特征距离和d_X；

计算Y点与Z点之间的特征距离d_YZ；

计算Y点与X点和Z点的特征距离和d_Y；

计算Z点与X点和Y的特征距离和d_Z；

将d_X、d_Y和d_Z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。

本发明还可以包括：

1、步骤五具体包括：

(1)若n为奇数，其中表示SC_RE序列中第个数；

若n为偶数，其中和分别表示SC_RE序列中第和第个数；

(2)若n为奇数，其中表示SC_ΦE序列中第个数；

若n为偶数，其中和分别表示SC_ΦE序列中第和第个数；

(3)若n为奇数，其中表示SC_RF序列中第个数；

若n为偶数，其中和分别表示SC_RF序列中第和第个数；

(4)若n为奇数，其中表示SC_ΦF序列中第个数；

若n为偶数，其中和分别表示SC_ΦF序列中第和第个数；

(5)若n为奇数，其中表示SC_RG序列中第个数；

若n为偶数，其中和分别表示SC_RG序列中第和第个数；

(6)若n为奇数，其中表示SC_ΦG序列中第个数；

若n为偶数，其中和分别表示SC_ΦG序列中第和第个数；

(7)若n为奇数，其中表示SC_RH序列中第个数；

若n为偶数，其中和分别表示SC_RH序列中第和第个数；

(8)若n为奇数，其中表示SC_ΦH序列中第个数；

若n为偶数，其中和分别表示SC_ΦH序列中第和第个数。

2、步骤六具体包括：

$d_{EF}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RF})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}F})}^2},$

$d_{EG}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RG})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}G})}^2},$

$d_{EH}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2};$

d_E＝d_EF+d_EG+d_EH；

$d_{FG}=\sqrt{{({\mathrm{MC}}_{RF}-{\mathrm{MC}}_{RG})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}F}-{\mathrm{MC}}_{\mathrm{\Φ}G})}^2},$

$d_{FH}=\sqrt{{({\mathrm{MC}}_{RF}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}F}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2};$

d_F＝d_EF+d_FG+d_FH；

$d_{GH}=\sqrt{{({\mathrm{MC}}_{RG}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}G}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2};$

d_G＝d_EG+d_FG+d_GH；

d_H＝d_EH+d_FH+d_GH。

3、步骤七具体包括：

$d_{XY}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RY})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Y})}^2},$

$d_{XZ}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2};$

d_X＝d_XY+d_XZ；

$d_{YZ}=\sqrt{{({\mathrm{MC}}_{RY}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}Y}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2},$

d_Y＝d_XY+d_YZ；

d_Z＝d_XZ+d_YZ。

采用时频分析法研究了声波与界面相互作用后幅度和相位的变化后发现，焊接良好界面和未焊合缺陷的反射信号的幅度不随着超声波频率的变化而改变，而弱接合和微小间隙缺陷的幅度会随着频率的增加而增加；未焊合缺陷反射信号的相位与入射波相反，弱接合缺陷的相位会发生突变。根据未焊合、弱接合和微小间隙缺陷信号幅度和相位差异，可以判断出缺陷。如果依据人工判断，常会引起误判，因此需要一种机器学习方法。

支持向量机是建立在统计学习理论基础上的一种新的机器学习方法，最早是针对两分类问题提出的，通过构造一个最优超平面，将两类样本正确分开，而且使分类间隔最大。扩散焊界面有三种缺陷，需要与焊接良好界面分开，属于四分类问题。在统计学习领域，多类别识别是一个难点，应用比较广泛且识别通用性好的的多类别识别方法为二叉决策树方法。这种方法是将支持向量机和二叉决策树结合起来，将其划分为多个两类识别问题，通过某种方式组合多个模型来实现多类问题的识别。不同的二叉树结构，会导致识别模型的性能不同，从而得到不同的识别结果。为了保证识别模型的性能，在生成二叉树时，应该让最易分割的类别最早识别出来。基于这种思想，本发明提出了一种基于最远特征距离的缺陷识别方法。

本发明的特点在于：

(1)申请号为200710144806.8的专利文件中的技术方案缺陷识别时采用了三个特征值，本发明采用了两个特征值。本发明的这一特点的优点是：一、消除了焊接良好界面反射回波对缺陷识别的不利影响；二、减少了数据量，提高了支持向量机识别模型的学习效率。

(2)申请号为200710144806.8的专利文件中的技术方案在构造多分类识别模型时采用的是一对多法，该方法子模型的个数为4个，且存在决策盲区；本发明采用二叉决策树法构造识别模型，子模型的个数为3个，减少了计算量，且避免了决策盲区。

(3)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。

(4)本发明选用中位数来反映缺陷特征值的分布，因为中位数是特征值分布集中趋势的测度，是从特征值分布形状及位置角度来考虑的，中位数直观，且不受最大、最小极端特征值的影响。

附图说明

图1是本发明的二叉树结构图。

图2是特征值中位数点分布示意图。

图3是特征值中位数点之间的距离示意图。

图4是确定Ⅰ点示意图。

图5是重新设定特征值中位数点示意图。

图6是重新设定后特征值中位数点之间的距离示意图。

图7是确定Ⅱ、Ⅲ和Ⅳ点示意图。

具体实施方式

下面举例对本发明做更详细的描述。

(1)在扩散焊未焊合缺陷、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中选择样本，所述样本是选择同一探头在不同位置处获得的信号，每一种信号的样本数为n。

(2)根据下面的公式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_R为：

j＝l,l+1/f_s,l+2/f_s,…,m

其中A_j表示拟合斜率，l和m表示时间参数的范围，f_s为超声波检测的采样频率。

时频相位特征值C_Φ为：

$C_{\mathrm{\Φ}}=\frac{s}{v-u+s}\·\frac{1}{{\mathrm{mf}}_s-{\mathrm{lf}}_s+1}\underset{i=u}{\overset{v}{\Σ}}\underset{j=l}{\overset{m}{\Σ}}\mathrm{\Φ}(a_i,b_j)$ i＝u,u+s,u+2s,…,vj＝l,l+1/f_s,l+2/f_s,…,m

其中u和v表示尺度参数的范围，s为尺度参数的步长，Φ(a_i,b_j)为时频相位，a表示尺度参数，b表示时间参数。

(3)采用符号表示未焊合缺陷、弱接合缺陷、微小间隙缺陷和焊接良好界面的特征值。C_RE和C_ΦE表示未焊合缺陷的时频幅度特征值和时频相位特征值，C_RF和C_ΦF表示弱接合缺陷的时频幅度特征值和时频相位特征值，C_RG和C_ΦG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_RH和C_ΦH表示焊接良好界面的时频幅度特征值和时频相位特征值。

(4)对n个样本的未焊合缺陷的时频幅度特征值C_REkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_RE。

SC_RE＝Sort[C_REk]k＝1,2,…,n

其中Sort表示按从小到大的顺序进行排序。

对n个样本的未焊合缺陷的时频相位特征值C_ΦEkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_ΦE。

SC_ΦE＝Sort[C_ΦEk]k＝1,2,…,n。

对n个样本的弱接合缺陷的时频幅度特征值C_RFkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_RF。

SC_RF＝Sort[C_RFk]k＝1,2,…,n。

对n个样本的弱接合缺陷的时频相位特征值C_ΦFkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_ΦF。

SC_ΦF＝Sort[C_ΦFk]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_RGkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_RG。

SC_RG＝Sort[C_RGk]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_ΦGkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_ΦG。

SC_ΦG＝Sort[C_ΦGk]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_RHkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_RH。

SC_RH＝Sort[C_RHk]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_ΦHkk＝1,2,…,n按从小到大的顺序进行排序，得到排序后的序列SC_ΦH。

SC_ΦH＝Sort[C_ΦHk]k＝1,2,…,n。

(5)求n个样本的未焊合缺陷的时频幅度特征值的中位数MC_RE。

若n为奇数， ${\mathrm{MC}}_{RE}=C_{RE\left\{\frac{n+1}{2}\right\}},$

其中表示SC_RE序列中第个数。

若n为偶数， ${\mathrm{MC}}_{RE}=(C_{RE\left\{\frac{n}{2}\right\}}+C_{RE\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_RE序列中第和第个数。

求n个样本的未焊合缺陷的时频相位特征值的中位数MC_ΦE。

若n为奇数， ${\mathrm{MC}}_{\mathrm{\Φ}E}=C_{\mathrm{\Φ}E\left\{\frac{n+1}{2}\right\}},$

其中表示SC_ΦE序列中第个数。

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}E}=(C_{\mathrm{\Φ}E\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}E\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_ΦE序列中第和第个数。

求n个样本的弱接合缺陷的时频幅度特征值的中位数MC_RF。

若n为奇数， ${\mathrm{MC}}_{RF}=C_{RF\left\{\frac{n+1}{2}\right\}},$

其中表示SC_RF序列中第个数。

若n为偶数， ${\mathrm{MC}}_{RF}=(C_{RF\left\{\frac{n}{2}\right\}}+C_{RF\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_RF序列中第和第个数。

求n个样本的弱接合缺陷的时频相位特征值的中位数MC_ΦF。

若n为奇数， ${\mathrm{MC}}_{\mathrm{\Φ}F}=C_{\mathrm{\Φ}F\left\{\frac{n+1}{2}\right\}},$

其中表示SC_ΦF序列中第个数。

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}F}=(C_{\mathrm{\Φ}F\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}F\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_ΦF序列中第和第个数。

求n个样本的微小间隙缺陷的时频幅度特征值的中位数MC_RG。

若n为奇数， ${\mathrm{MC}}_{RG}=C_{RG\left\{\frac{n+1}{2}\right\}},$

其中表示SC_RG序列中第个数。

若n为偶数， ${\mathrm{MC}}_{RG}=(C_{RG\left\{\frac{n}{2}\right\}}+C_{RG\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_RG序列中第和第个数。

求n个样本的微小间隙缺陷的时频相位特征值的中位数MC_ΦG。

若n为奇数， ${\mathrm{MC}}_{\mathrm{\Φ}G}=C_{\mathrm{\Φ}G\left\{\frac{n+1}{2}\right\}},$

其中表示SC_ΦG序列中第个数。

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}G}=(C_{\mathrm{\Φ}G\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}G\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_ΦG序列中第和第个数。

求n个样本的焊接良好界面的时频幅度特征值的中位数MC_RH。

若n为奇数， ${\mathrm{MC}}_{RH}=C_{RH\left\{\frac{n+1}{2}\right\}},$

其中表示SC_RH序列中第个数。

若n为偶数， ${\mathrm{MC}}_{RH}=(C_{RH\left\{\frac{n}{2}\right\}}+C_{RH\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_RH序列中第和第个数。

求n个样本的焊接良好界面的时频相位特征值的中位数MC_ΦH。

若n为奇数， ${\mathrm{MC}}_{\mathrm{\Φ}H}=C_{\mathrm{\Φ}H\left\{\frac{n+1}{2}\right\}},$

其中表示SC_ΦH序列中第个数。

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}H}=(C_{\mathrm{\Φ}H\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}H\{\frac{n}{2}+1\}})/2,$

其中和分别表示SC_ΦH序列中第和第个数。

(6)设定时频幅度特征值为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_RE,MC_ΦE)，弱接合缺陷特征值中位数点F(MC_RF,MC_ΦF)，微小间隙缺陷特征值中位数点G(MC_RG,MC_ΦG)，焊接良好界面特征值中位数点H(MC_RH,MC_ΦH)，如图2所示。

计算E点与F点、G点和H点之间的特征距离d_EF、d_EG和d_EH，如图3所示。

$d_{EF}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RF})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}F})}^2},$

$d_{EG}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RG})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}G})}^2},$

$d_{EH}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2}.$

计算E点与F点、G点和H点的特征距离和d_E。

d_E＝d_EF+d_EG+d_EH。

计算F点与G点和H点之间的特征距离d_FG和d_FH，如图3所示。

$d_{FG}=\sqrt{{({\mathrm{MC}}_{RF}-{\mathrm{MC}}_{RG})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}F}-{\mathrm{MC}}_{\mathrm{\Φ}G})}^2},$

$d_{FH}=\sqrt{{({\mathrm{MC}}_{RF}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}F}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2},$

计算F点与E点、G点和H点的特征距离和d_F。

d_F＝d_EF+d_FG+d_FH。

计算G点与H点之间的特征距离d_GH，如图3所示。

$d_{GH}=\sqrt{{({\mathrm{MC}}_{RG}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}G}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2},$

计算G点与E点、F点和H点的特征距离和d_G。

d_G＝d_EG+d_FG+d_GH。

计算H点与E点、F点和G点的特征距离和d_H。

d_H＝d_EH+d_FH+d_GH。

将d_E、d_F、d_G和d_H进行排序Sort[d_E,d_F,d_G,d_H]求出最大值，其下角标对的点就是与其它三点特征距离最远的点，将其设定为Ⅰ点，如图4所示，并将其它三点重新设定为X，Y和Z点，如图5所示，此时这三个点的坐标表示为X(MC_RX,MC_ΦX)、Y(MC_RY,MC_ΦY)和Z(MC_RZ,MC_ΦZ)。

(7)计算X点与Y点和Z点之间的特征距离d_XY和d_XZ，如图6所示。

$d_{XY}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RY})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Y})}^2},$

$d_{XZ}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2}.$

计算X点与Y点和Z的特征距离和d_X。

d_X＝d_XY+d_XZ。

计算Y点与Z点之间的特征距离d_YZ，如图6所示。

$d_{YZ}=\sqrt{{({\mathrm{MC}}_{RY}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}Y}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2},$

计算Y点与X点和Z点的特征距离和d_Y。

d_Y＝d_XY+d_YZ。

计算Z点与X点和Y特征的距离和d_Z。

d_Z＝d_XZ+d_YZ。

将d_X、d_Y和d_Z进行排序Sort[d_X,d_Y,d_Z]求出最大值，其下角标对的点就是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，如图7所示。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任何一种，需要根据步骤六的计算结果确定；、类别Ⅱ为与类别Ⅰ不同的未焊合缺陷、弱接合缺陷、微小间隙缺陷和焊接良好界面中的一种，需要根据步骤七的计算结果确定；类别Ⅲ和类别Ⅳ为与类别Ⅰ和类别Ⅱ均不同的未焊合缺陷、弱接合缺陷、微小间隙缺陷和焊接良好界面中的两种。需要根据步骤六和步骤七的计算结果确定。

(8)构造如图1所示的二叉树结构。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SVM1，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SVM2，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SVM3，用于识别类别Ⅲ和类别Ⅳ。

Claims (5)

1.一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_R为：j＝l,l+1/f_s,l+2/f_s,…,m，

其中A_j表示拟合斜率，l和m表示时间参数的范围，f_s表示超声波检测的采样频率；

时频相位特征值C_Φ为： $C_{\mathrm{\Φ}}=\frac{s}{v-u+s}\·\frac{1}{{\mathrm{mf}}_s-{\mathrm{lf}}_s+1}\underset{i=u}{\overset{v}{\Σ}}\underset{j=l}{\overset{m}{\Σ}}\mathrm{\Φ}(a_i,b_j),$ i＝u,u+s,u+2s,…,v，j＝l,l+1/f_s,l+2/f_s,…,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_i,b_j)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_RE和C_ΦE表示未焊合缺陷的时频幅度特征值和时频相位特征值，C_RF和C_ΦF表示弱接合缺陷的时频幅度特征值和时频相位特征值，C_RG和C_ΦG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_RH和C_ΦH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_REk按从小到大的顺序进行排序，得到排序后的序列SC_RE，k＝1,2,…,n；

对n个样本的未焊合缺陷的时频相位特征值C_ΦEk按从小到大的顺序进行排序，得到排序后的序列SC_ΦE，k＝1,2,…,n；

对n个样本的弱接合缺陷的时频幅度特征值C_RFk按从小到大的顺序进行排序，得到排序后的序列SC_RF，k＝1,2,…,n；

对n个样本的弱接合缺陷的时频相位特征值C_ΦFk按从小到大的顺序进行排序，得到排序后的序列SC_ΦF，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_RGk按从小到大的顺序进行排序，得到排序后的序列SC_RG，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_ΦGk按从小到大的顺序进行排序，得到排序后的序列SC_ΦG，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_RHk按从小到大的顺序进行排序，得到排序后的序列SC_RH，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_ΦHk按从小到大的顺序进行排序，得到排序后的序列SC_ΦH，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_RE；(2)未焊合缺陷的时频相位特征值的中位数MC_ΦE；(3)弱接合缺陷的时频幅度特征值的中位数MC_RF；(4)弱接合缺陷的时频相位特征值的中位数MC_ΦF；(5)微小间隙缺陷的时频幅度特征值的中位数MC_RG；(6)微小间隙缺陷的时频相位特征值的中位数MC_ΦG；(7)焊接良好界面的时频幅度特征值的中位数MC_RH；(8)焊接良好界面的时频相位特征值的中位数MC_ΦH；

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_RE,MC_ΦE)、弱接合缺陷特征值中位数点F(MC_RF,MC_ΦF)、微小间隙缺陷特征值中位数点G(MC_RG,MC_ΦG)和焊接良好界面特征值中位数点H(MC_RH,MC_ΦH)，

计算E点与F点、G点和H点之间的特征距离d_EF、d_EG和d_EH；

计算E点与F点、G点和H点的特征距离和d_E；

计算F点与G点和H点之间的特征距离d_FG和d_FH；

计算F点与E点、G点和H点的特征距离和d_F；

计算G点与H点之间的特征距离d_GH；

计算G点与E点、F点和H点的特征距离和d_G；

计算H点与E点、F点和G点的特征距离和d_H；

将d_E、d_F、d_G和d_H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_RX,MC_ΦX)、Y(MC_RY,MC_ΦY)和Z(MC_RZ,MC_ΦZ)；

步骤七：计算X点与Y点和Z点之间的特征距离d_XY和d_XZ；

计算X点与Y点和Z的特征距离和d_X；

计算Y点与Z点之间的特征距离d_YZ；

计算Y点与X点和Z点的特征距离和d_Y；

计算Z点与X点和Y的特征距离和d_Z；

将d_X、d_Y和d_Z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。

2.根据权利要求1所述的基于最远特征距离的扩散焊缺陷识别方法，其特征是步骤五具体包括：

(1)若n为奇数，其中表示SC_RE序列中第个数；

若n为偶数， ${\mathrm{MC}}_{RE}=(C_{RE\left\{\frac{n}{2}\right\}}+C_{RE\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_RE序列中第和第个数；

(2)若n为奇数，其中表示SC_ΦE序列中第个数；

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}E}=(C_{\mathrm{\Φ}E\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}E\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_ΦE序列中第和第个数；

(3)若n为奇数，其中表示SC_RF序列中第个数；

若n为偶数， ${\mathrm{MC}}_{RF}=(C_{RF\left\{\frac{n}{2}\right\}}+C_{RF\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_RF序列中第和第个数；

(4)若n为奇数，其中表示SC_ΦF序列中第个数；

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}F}=(C_{\mathrm{\Φ}F\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}F\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_ΦF序列中第和第个数；

(5)若n为奇数，其中表示SC_RG序列中第个数；

若n为偶数， ${\mathrm{MC}}_{RG}=(C_{RG\left\{\frac{n}{2}\right\}}+C_{RG\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_RG序列中第和第个数；

(6)若n为奇数，其中表示SC_ΦG序列中第个数；

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}G}=(C_{\mathrm{\Φ}G\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}G\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_ΦG序列中第和第个数；

(7)若n为奇数，其中表示SC_RH序列中第个数；

若n为偶数， ${\mathrm{MC}}_{RH}=(C_{RH\left\{\frac{n}{2}\right\}}+C_{RH\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_RH序列中第和第个数；

(8)若n为奇数，其中表示SC_ΦH序列中第个数；

若n为偶数， ${\mathrm{MC}}_{\mathrm{\Φ}H}=(C_{\mathrm{\Φ}H\left\{\frac{n}{2}\right\}}+C_{\mathrm{\Φ}H\{\frac{n}{2}+1\}})/2;$ 其中和分别表示SC_ΦH序列中第和第个数。

3.根据权利要求1或2所述的基于最远特征距离的扩散焊缺陷识别方法，其特征是步骤六具体包括：

$d_{EF}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RF})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}F})}^2},$

$d_{EG}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RG})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}G})}^2},$

$d_{EH}=\sqrt{{({\mathrm{MC}}_{RE}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}E}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2};$

d_E＝d_EF+d_EG+d_EH；

$d_{FG}=\sqrt{{({\mathrm{MC}}_{RF}-{\mathrm{MC}}_{RG})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}F}-{\mathrm{MC}}_{\mathrm{\Φ}G})}^2},$

$d_{FH}=\sqrt{{({\mathrm{MC}}_{RF}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}F}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2};$

d_F＝d_EF+d_FG+d_FH；

$d_{GH}=\sqrt{{({\mathrm{MC}}_{RG}-{\mathrm{MC}}_{RH})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}G}-{\mathrm{MC}}_{\mathrm{\Φ}H})}^2};$

d_G＝d_EG+d_FG+d_GH；

d_H＝d_EH+d_FH+d_GH。

4.根据权利要求1或2所述的基于最远特征距离的扩散焊缺陷识别方法，其特征是步骤七具体包括：

$d_{XY}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RY})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Y})}^2},$

$d_{XZ}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2};$

d_X＝d_XY+d_XZ；

$d_{YZ}=\sqrt{{({\mathrm{MC}}_{RY}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}Y}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2},$

d_Y＝d_XY+d_YZ；

d_Z＝d_XZ+d_YZ。

5.根据权利要求3所述的基于最远特征距离的扩散焊缺陷识别方法，其特征是步骤七具体包括：

$d_{XY}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RY})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Y})}^2},$

$d_{XZ}=\sqrt{{({\mathrm{MC}}_{RX}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}X}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2};$

d_X＝d_XY+d_XZ；

$d_{YZ}=\sqrt{{({\mathrm{MC}}_{RY}-{\mathrm{MC}}_{RZ})}^2+{({\mathrm{MC}}_{\mathrm{\Φ}Y}-{\mathrm{MC}}_{\mathrm{\Φ}Z})}^2},$

d_Y＝d_XY+d_YZ；

d_Z＝d_XZ+d_YZ。