[发明专利]一种基于最远特征距离的扩散焊缺陷识别方法

权利要求书

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：CΦ=sv-u+s·1mfs-lfs+1Σi=uvΣj=lmΦ(ai,bj),]]>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。