KPCA-集成学习TC6锻件微小缺陷超声背散射判定模型研究

作者：杨德宸; 吴伟; 邬冠华; 陈曦

来源：中国测试, 2021, 47(10): 95-102.

DOI：10.11857/j.issn.1674-5124.2020090063

• TC6锻件
• 背散射信号
• 微小缺陷回波
• 核主成分分析
• 集成学习

针对TC6锻件超声检测,微小缺陷回波通常容易淹没在结构噪声和非声学噪声的背散射信号中,造成漏检的问题,提出基于集成学习的微小缺陷存在性判定方法。以含Φ0.6,Φ0.8,Φ1 mm盲孔试验件为研究对象,提取超声检测背散射信号的18个时频域特征参数构成检测数据集;利用核主成分分析(kernel principal component analysis,KPCA)对数据集进行降维,选择累计贡献率达到91.1%的前3个主成分作为信号分类特征向量;分别使用BP神经网络、支持向量机(support vector machine,SVM)、决策树、概率神经网络(probabilistic neural network, PNN)建立单分类模型,并采用集成学习方法,通过加权投票机制对4种分类模型进行融合。测试样本试验结果表明,与单分类模型相比,融合后的模型分类准确率为95.8%,能够有效识别TC6锻件中是否存在微小缺陷,准确率优于单分类模型。

• 单位
  南昌航空大学