(北京衛(wèi)星環(huán)境工程研究所，北京 100094)

0 引言

目前國(guó)外的超聲無(wú)損檢測(cè)系統(tǒng)已經(jīng)發(fā)展到很高的水平，研制出了很多數(shù)字化、智能化的超聲無(wú)損檢測(cè)設(shè)備，當(dāng)然價(jià)格也是十分高昂，但國(guó)內(nèi)相關(guān)研究卻乏善可陳，因此這方面的研究具有重要的意義[1-2]。

超聲波在被測(cè)試件中傳播，在穿過(guò)界面和障礙塊時(shí)會(huì)發(fā)生以上的反射、折射、衍射和干涉等現(xiàn)象，超聲波的頻率幅值和相位等參數(shù)會(huì)發(fā)生變化，因此回波信號(hào)可以反映試件內(nèi)部眾多的缺陷信息。但是如今大部分的手持式的超聲無(wú)損探傷儀器均為通過(guò)人工讀取到的首波時(shí)間、幅值來(lái)判斷該被測(cè)試件是否有內(nèi)部缺陷，大大降低的檢測(cè)的效率和準(zhǔn)確性[3]。

實(shí)際上，回波信號(hào)中的首波時(shí)間，波速，波形峰值，頻率分量等，都蘊(yùn)含著大量的信息，通過(guò)算法將多種信息融合，可以令機(jī)器對(duì)缺陷的判斷與識(shí)別更加準(zhǔn)確，從而代替當(dāng)前的人工肉眼觀看并依賴經(jīng)驗(yàn)判斷的方法[4-5]。對(duì)信息特征的提取根據(jù)處理域可分為：頻域分析法，時(shí)域分析法和時(shí)頻分析法[6]。

支持向量機(jī)(Support Vector Machine, SVM) 是一種監(jiān)督式學(xué)習(xí)的機(jī)器學(xué)習(xí)方法，機(jī)器學(xué)習(xí)本質(zhì)上就是對(duì)問(wèn)題真實(shí)模型的逼近[7-8]。

支持向量機(jī)的基本思想是：針對(duì)低維空間中的非線性可分的數(shù)據(jù)樣本，為了實(shí)現(xiàn)其線性可分，建立一個(gè)非線性映射，將樣本轉(zhuǎn)換到高維空間，并在高維空間中搜索分類超平面，當(dāng)某個(gè)分類超平面兩側(cè)的兩類樣本之間距離最遠(yuǎn)，這就是最優(yōu)的超平面[9-11]。其特點(diǎn)有：實(shí)現(xiàn)了最優(yōu)化結(jié)構(gòu)風(fēng)險(xiǎn)，對(duì)小樣本數(shù)據(jù)的學(xué)習(xí)具有良好的泛化能力，避免了神經(jīng)網(wǎng)絡(luò)算法中存在的過(guò)擬合問(wèn)題；可以通過(guò)設(shè)置懲罰參數(shù)和核函數(shù)等參數(shù)來(lái)實(shí)現(xiàn)非線性分割。由于SVM算法有這些特點(diǎn)，因此它經(jīng)常被應(yīng)用在小樣本的分類上和非線性實(shí)際問(wèn)題的分類上。

對(duì)于實(shí)際的超聲無(wú)損檢測(cè)實(shí)驗(yàn)來(lái)說(shuō)，我們只能從被測(cè)試件表面，通過(guò)肉眼判斷出該被測(cè)試件的表面某一部分是完好的，測(cè)試此部分的數(shù)據(jù)即可得到數(shù)據(jù)標(biāo)簽均為無(wú)缺陷的訓(xùn)練集。在這種情況下，無(wú)法得到標(biāo)簽為有缺陷的訓(xùn)練集信號(hào)，訓(xùn)練數(shù)據(jù)不均衡，比例嚴(yán)重失調(diào)，那么此時(shí)用到的方法就是單分類支持向量機(jī)(One Class SVM)，即為一分類支持向量機(jī)。與傳統(tǒng)二分類的SVM相比，One Class SVM可以訓(xùn)練出一個(gè)高維超球面，把訓(xùn)練數(shù)據(jù)盡量緊的包圍起來(lái)。

One Class SVM常用于數(shù)據(jù)離群點(diǎn)檢測(cè)、異常檢測(cè)等。對(duì)于實(shí)際的被測(cè)試件來(lái)說(shuō)，在缺陷診斷之前，通常不能得到含有缺陷信息的回波信號(hào)，只能根據(jù)試件表面的完整性測(cè)得一些代表無(wú)缺陷的回波信號(hào)，也就是支持向量機(jī)只有一類標(biāo)簽為“無(wú)缺陷”的訓(xùn)練數(shù)據(jù)，所以選擇One Class SVM實(shí)現(xiàn)分類。

1 超聲無(wú)損檢測(cè)系統(tǒng)結(jié)構(gòu)及原理

1.1 系統(tǒng)硬件設(shè)計(jì)

本系統(tǒng)設(shè)計(jì)的超聲無(wú)損檢測(cè)系統(tǒng)如圖1所示，包括4大部分：

圖1 超聲無(wú)損檢測(cè)系統(tǒng)結(jié)構(gòu)

1.1.1 FPGA核心控制模塊

控制系統(tǒng)的整體工作時(shí)鐘，控制LCD1602顯示激發(fā)信號(hào)的幅值和頻率，產(chǎn)生方波控制信號(hào)，通過(guò)USB接口實(shí)現(xiàn)與上位機(jī)的通訊，傳到上位機(jī)顯示并保存，以便后期進(jìn)行回波信號(hào)的處理。

1.1.2 激勵(lì)信號(hào)發(fā)射模塊

對(duì)方波控制信號(hào)進(jìn)行兩次功率放大，以產(chǎn)生幅值為50—300 V可調(diào)、頻率為10—80 Hz可調(diào)的高壓負(fù)脈沖，激發(fā)換能器。

1.1.3 超聲回波信號(hào)接收模塊

超聲回波信號(hào)接收模塊主要是對(duì)超聲回波信號(hào)做放大、濾波等預(yù)處理使其滿足研究要求，放大倍數(shù)為前置放大62 dB，二級(jí)放大0—25 dB可調(diào)，帶通濾波器帶寬1—100 kHz左右。

1.1.4 超聲回波信號(hào)采集模塊

超聲信號(hào)采集模塊完成回波信號(hào)的調(diào)理和12位的AD采樣，采集頻率為5MHz，分辨率為2.4mV，精度為1.5mV。將模擬回波信號(hào)變?yōu)閿?shù)字信號(hào)存儲(chǔ)在FPGA片內(nèi)存儲(chǔ)器中。

1.1.5 PC上位機(jī)

PC上位機(jī)作為人機(jī)交互接口，可以進(jìn)行數(shù)據(jù)的存儲(chǔ)和重現(xiàn)。PC機(jī)通過(guò)USB接口與下位機(jī)的FPGA進(jìn)行通訊。

1.2 FPGA邏輯模塊化設(shè)計(jì)

模塊化設(shè)計(jì)思想在大規(guī)模復(fù)雜FPGA系統(tǒng)設(shè)計(jì)時(shí)應(yīng)用廣泛，模塊化設(shè)計(jì)可以提高設(shè)計(jì)效率并減短設(shè)計(jì)周期同時(shí)保證工程的質(zhì)量。模塊化設(shè)計(jì)指的是將一個(gè)大系統(tǒng)按照一定標(biāo)準(zhǔn)分割成幾個(gè)相對(duì)獨(dú)立的模塊，模塊間做好接口的統(tǒng)一，然后每個(gè)模塊就有了輸入輸出參數(shù)，可以對(duì)每個(gè)相對(duì)簡(jiǎn)單的模塊就行設(shè)計(jì)，最后將所有模塊整合在一起，完成整體設(shè)計(jì)。

本系統(tǒng)FPGA 邏輯設(shè)計(jì)主要包含：

PLL時(shí)鐘模塊：利用 FPGA 內(nèi)部的IP核對(duì)輸入的全局時(shí)鐘信號(hào)進(jìn)行倍頻移相處理，產(chǎn)生用于SignalTap II顯示和USB傳輸?shù)姆诸l時(shí)鐘；

AD模塊：采集超聲回波信號(hào)的數(shù)據(jù)，并且產(chǎn)生發(fā)射電路需要的激勵(lì)控制信號(hào)；

ADC0809模塊：采集發(fā)射電路用到的高壓電源的電壓；

USB模塊：傳輸數(shù)據(jù)到上位機(jī)軟件進(jìn)行顯示和保存；

SignalTap II 模塊：利用JTAG傳輸數(shù)據(jù)并在電腦端顯示；

ADConversion模塊：把ADC0809模塊采集到的高壓電源電壓的數(shù)據(jù)轉(zhuǎn)換成實(shí)際電壓的BCD碼；

FREQUENT_BCD模塊 ：把發(fā)射電路中激勵(lì)控制信號(hào)的頻率轉(zhuǎn)換成實(shí)際頻率的BCD碼；

LCD1602顯示配置模塊，顯示高壓電源的實(shí)際電壓和激勵(lì)控制信號(hào)的頻率。

2 超聲回波信號(hào)分析及缺陷診斷方法設(shè)計(jì)

本系統(tǒng)中超聲回波信號(hào)分析及SVM缺陷診斷過(guò)程為：

1)時(shí)域、時(shí)頻域特征分析；

2)主成分分析法特征提?。?/p>

3)SVM模型參數(shù)優(yōu)化；

4)訓(xùn)練缺陷診斷SVM模型；

5)缺陷診斷結(jié)果輸出。

2.1 回波信號(hào)特征提取

2.1.1 時(shí)域特征分析

回波信號(hào)的聲程不同時(shí)，差異首先會(huì)在時(shí)域特征參數(shù)中顯示出來(lái)，首先進(jìn)行時(shí)域特征的提取，每個(gè)信號(hào)提取出九種特征：

首波時(shí)間；峰峰值；整流平均值；方差；均方根；波形因子；峰值因子；峭度因子；脈沖因子，組成特征向量T1。

2.1.2 時(shí)頻域特征分析

分析平穩(wěn)時(shí)變信號(hào)時(shí)，單獨(dú)進(jìn)行頻域和時(shí)域分析就可以得到足夠的信號(hào)信息了，而在實(shí)際的工程中，往往面對(duì)的是非平穩(wěn)時(shí)變信號(hào)。而在超聲檢測(cè)中，分析的回波信號(hào)就是典型的非平穩(wěn)時(shí)變信號(hào)。這時(shí)候，時(shí)頻分析法(JTFA)即時(shí)頻聯(lián)合域分析(Joint Time-Frequency Analysis)就可以發(fā)揮作用，時(shí)變非平穩(wěn)信號(hào)可以通過(guò)時(shí)頻分析進(jìn)行有效分析。時(shí)頻分析方法能夠分析得到信號(hào)在時(shí)間維度和頻率維度上的聯(lián)合分布信息，可表示出頻率能量在時(shí)間維度上的變化情況，相較于單獨(dú)的時(shí)域分析法和頻域分析法，有著天然的優(yōu)勢(shì)，的到了廣泛的關(guān)注。時(shí)頻分析實(shí)際是建立了信號(hào)在時(shí)間和頻率兩個(gè)參數(shù)下的表達(dá)函數(shù)，可以得到信號(hào)能量在時(shí)域和頻域的二位分布，這種分布成為時(shí)頻分布。

小波分析是一種對(duì)信號(hào)進(jìn)行變換分析的新方法，它是在短時(shí)傅里葉變換局部化思想的基礎(chǔ)上發(fā)展來(lái)的。

如果給定母小波ψ(t)=db18、尺度因子a和位移因子b(其中a>0)，那么母小波ψ(t)=db18做伸縮和平移后得到一組小波函數(shù)ψ(t)=db18，其中：

(1)

則原始信號(hào)f(t)以小波ψ(t)為基的小波變換是：

(2)

小波時(shí)頻分析的窗口大小固定，但可以改變頻率窗和時(shí)間窗的形狀，具有多分辨率分析的特點(diǎn)，對(duì)于分析超聲回波這類非平穩(wěn)信號(hào)非常適合。

而小波變換中，高頻部分的分辨率較低，分析精度低，而小波包分析則是把該段高頻部分繼續(xù)細(xì)分，明顯提高了時(shí)頻分辨率，具有廣泛的應(yīng)用價(jià)值。

小波包分解將信號(hào)頻帶進(jìn)行了多層次劃分，每個(gè)結(jié)點(diǎn)都可以重構(gòu)出一個(gè)新的信號(hào)，即為原始信號(hào)在特定頻段下的分解波形。其近似系數(shù)和細(xì)節(jié)系數(shù)對(duì)原始信號(hào)的局部信息做了更為精細(xì)的刻畫(huà)。由于不同頻率的信號(hào)聲衰減系數(shù)不同，那么聲波遇到缺陷就會(huì)在頻率上和不同頻率的波形上反映出來(lái)某些特征信息。

選取小波基ψ(t)=db18，對(duì)回波信號(hào)進(jìn)行五層小波包分解，分別計(jì)算第五層每個(gè)節(jié)點(diǎn)的的能量占總能量的比值，得到能量最大的兩個(gè)節(jié)點(diǎn)(5,0)(5,1)，以兩點(diǎn)的能量占比作為參數(shù)，組成2維的特征向量T2。同時(shí)對(duì)節(jié)點(diǎn)(5,0)(5,1)重構(gòu)的信號(hào)分別選取T1所述的9維數(shù)學(xué)特征和統(tǒng)計(jì)特征參數(shù), 并將其組成18維的特征向量T3，組成結(jié)合了時(shí)域和時(shí)頻域分析結(jié)果的29維特征向量：

T=[T1,T2,T3]

2.2 主成分分析降維法

提取回波信號(hào)的各個(gè)特征參數(shù)是診斷的重要環(huán)節(jié)，直接決定了檢測(cè)結(jié)果的準(zhǔn)確性，在實(shí)際情況中，如果采用了多種信號(hào)表征方式，則得到的參數(shù)會(huì)包含相同的信息，而且與結(jié)果相關(guān)的特征參數(shù)只占參數(shù)的一部分，所以會(huì)有大量的特征參數(shù)是重復(fù)參數(shù)。有用特征的重復(fù)表達(dá)對(duì)于信號(hào)處理增加了難度，降低了效率。為了實(shí)現(xiàn)參數(shù)壓縮，聚焦有用的關(guān)鍵參數(shù)，減小分析計(jì)算量，人們提出了主成分分析法(Principle Component Analysis，PCA)，對(duì)提取的特征指標(biāo)在不影響分析結(jié)果的情況下進(jìn)行簡(jiǎn)化，進(jìn)而降低數(shù)據(jù)維度，提高分析效率。

原始數(shù)據(jù)歸一化后的特征矩陣X可表示為：

(3)

(4)

最后根據(jù)此樣本協(xié)方差進(jìn)行主成分分析即可得到樣本的各主成分。 根據(jù)主成分的計(jì)算過(guò)程可以得知，它是將d個(gè)隨機(jī)變量的方差和表示成K個(gè)不相關(guān)的特征向量的方差和λ1+λ2+…λK。這里不同的方差λi表示所對(duì)應(yīng)的特征向量占所有方差和的比率，也即是通常說(shuō)的貢獻(xiàn)率，此貢獻(xiàn)率值越大，表示所對(duì)應(yīng)的主成分能表征原始樣本的可能就越大。

通常說(shuō)來(lái)，第一主成分不足以表征原始樣本，需要按照貢獻(xiàn)率從大到小的順序從中選取r個(gè)主成分來(lái)表示原始樣本，可通過(guò)一個(gè)貢獻(xiàn)率累積值來(lái)確定r的值，貢獻(xiàn)率累計(jì)值可表示為：

(5)

根據(jù)實(shí)際需要，wr可有不同的選擇，通?？刂圃?85%以上。

2.3 SVM缺陷診斷

在機(jī)器學(xué)習(xí)中，單分類主要是通過(guò)從只包含一類數(shù)據(jù)的訓(xùn)練集中學(xué)習(xí)，從而在所有測(cè)試數(shù)據(jù)中識(shí)別該特定類。單分類與傳統(tǒng)的二分類問(wèn)題不同，甚至比傳統(tǒng)分類問(wèn)題更復(fù)雜，傳統(tǒng)分類模型的訓(xùn)練集中包含所有類的數(shù)據(jù)，分類面是由所有類的數(shù)據(jù)共同決定的，目標(biāo)是將各類數(shù)據(jù)區(qū)分。而單分類模型的訓(xùn)練集中只包含一類數(shù)據(jù)，目標(biāo)是判斷測(cè)試數(shù)據(jù)是否屬于這一類。

在針對(duì)實(shí)際試件的檢測(cè)中，我們只需要知道此試件的某一部分是有缺陷還是無(wú)缺陷，而不需要知道具體是什么類型的缺陷，所以選擇One Class SVM算法對(duì)特征提取后的數(shù)據(jù)集進(jìn)行訓(xùn)練，建立缺陷分類模型。

所以測(cè)試方案為：針對(duì)試件中有一部分已知是無(wú)缺陷的，測(cè)得此無(wú)缺陷部分的回波信號(hào)作為訓(xùn)練集，另一些代表有缺陷和無(wú)缺陷的信號(hào)作為測(cè)試集?；赟VM分類的超聲回波信號(hào)缺陷診斷模型工作流程如圖2所示。

圖2 缺陷診斷流程

1)將所有回波信號(hào)的高維原始特征向量歸一化，歸一化的區(qū)間是[0,1]。

2)為了實(shí)現(xiàn)參數(shù)壓縮，聚焦有用的關(guān)鍵參數(shù)，減小分析計(jì)算量，采用主成分分析法(Principle Component Analysis，PCA)降維，為了盡可能還原原始樣本，將累積貢獻(xiàn)率定為 97%，進(jìn)而降低數(shù)據(jù)維度，提高分析效率。

3)訓(xùn)練集中的特征向量進(jìn)行SVM分類器建模，按照網(wǎng)格搜索算法給懲罰參數(shù)nu和核函數(shù)參數(shù)g賦值。本論文是按照最小值-10，最大值0，步進(jìn)值大小為0.2給nu賦值；按照最小值-10，最大值10，步進(jìn)值大小為 0.5給 g賦值。與此同時(shí)，按照交叉驗(yàn)證思想，進(jìn)行10折交叉驗(yàn)證，選擇出學(xué)習(xí)準(zhǔn)確率最高的一組最優(yōu)參數(shù)組合，作為最終SVM 分類模型參數(shù)。

4)利用測(cè)試集中的數(shù)據(jù)作為分類器的輸入數(shù)據(jù)，檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確率是否達(dá)到要求。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 檢測(cè)系統(tǒng)及診斷算法測(cè)試方案

為了證明系統(tǒng)的有效性，我們選用有缺陷的木質(zhì)材料作為被測(cè)試件，對(duì)系統(tǒng)的整體性能進(jìn)行驗(yàn)證，包括驗(yàn)證系統(tǒng)硬件各模塊的可用性及SVM方法進(jìn)行缺陷診斷結(jié)果的準(zhǔn)確率。

木質(zhì)被測(cè)試件的俯視圖如圖3所示。在試件上表面比較均勻的分布28個(gè)待測(cè)點(diǎn)，每?jī)蓚€(gè)點(diǎn)之間測(cè)一組數(shù)據(jù)，共可得到378組數(shù)據(jù)。其中試件的上半部分分布著待測(cè)點(diǎn)1到16號(hào)，我們認(rèn)定這一部分是已知的、試件無(wú)缺陷的部分，這一部分的16個(gè)點(diǎn)，可以測(cè)得120組數(shù)據(jù)，這些數(shù)據(jù)將作為SVM分類器的訓(xùn)練集，其余的258組數(shù)據(jù)作為測(cè)試集。

圖3 被測(cè)試件

對(duì)同一試件的測(cè)試中，保持激發(fā)電壓恒定，測(cè)量不同測(cè)試點(diǎn)之間的回波信號(hào)，保存并分析其特征。本實(shí)驗(yàn)中，激發(fā)電壓為120 V恒定，AD采樣率為5 MHz，超聲傳感器主頻為50 kHz。

3.2 檢測(cè)系統(tǒng)實(shí)測(cè)信號(hào)特征分析

實(shí)際測(cè)得378組回波信號(hào)數(shù)據(jù)，得到8192×378的一個(gè)矩陣，每一列是信號(hào)的8192個(gè)數(shù)據(jù)點(diǎn)，其中部分無(wú)缺陷和有缺陷的回波信號(hào)波形如圖4和圖5所示。兩圖對(duì)比可以看出部分有無(wú)缺陷的回波信號(hào)之間差異很大，部分差異很小，很多信號(hào)依靠人工判讀都無(wú)法識(shí)別。

進(jìn)行回波信號(hào)缺陷診斷，首先對(duì)每一組回波信號(hào)進(jìn)行特征分析，得到2.1節(jié)所述的29維特征向量，即得到一個(gè)29×378的特征矩陣，特征分析可以讓回波信號(hào)數(shù)據(jù)的維數(shù)大大減小。

圖4 無(wú)缺陷回波信號(hào)

圖5 有缺陷回波信號(hào)

特征矩陣每一列是一個(gè)樣本，由于同一個(gè)樣本中，不同特征值之間數(shù)值差異較大，所以對(duì)特征矩陣進(jìn)行行歸一化，歸一化范圍為[0，1]。

然后利用PCA降維算法進(jìn)行特征提取，前十維特征的貢獻(xiàn)率如表1所示，為了兼顧盡量更好地還原數(shù)據(jù)樣本和特征降維減少計(jì)算量，貢獻(xiàn)率定為97%，所以選取降維矩陣中的前八維特征向量。

表1 降維矩陣前 維特征向量的累積貢獻(xiàn)率

利用已知數(shù)據(jù)分類標(biāo)簽為無(wú)缺陷的120組數(shù)據(jù)作為訓(xùn)練集，建立SVM分類器模型，利用網(wǎng)格搜索法結(jié)合十折交叉驗(yàn)證對(duì)模型參數(shù)進(jìn)行調(diào)整，調(diào)整后的具體模型參數(shù)為:

1)SVM類型：?jiǎn)畏诸恛ne-class SVM。

2)核函數(shù)類型：高斯核函數(shù)。

3)交叉驗(yàn)證模式：10折交叉驗(yàn)證。

4)懲罰參數(shù)nu：0.0034。

5)核函數(shù)參數(shù)g：0.0078。

最后得到在上述模型參數(shù)下，模型的準(zhǔn)確率為98%。

3.3 基于SVM的缺陷診斷算法診斷結(jié)果分析

利用未在訓(xùn)練集中用到的258組數(shù)據(jù)作為測(cè)試集，輸入到模型中進(jìn)行測(cè)試，有248個(gè)數(shù)據(jù)都預(yù)測(cè)正確，準(zhǔn)確率為96.124%，結(jié)果如圖6所示。

圖6 測(cè)試數(shù)據(jù)分類結(jié)果

其中有波形50, 100, 130, 132, 141, 151, 161, 162, 210, 211共計(jì)10個(gè)數(shù)據(jù)發(fā)生判斷錯(cuò)誤，波形50, 100, 130, 132, 141是無(wú)缺陷被判斷為有缺陷，波形151, 161, 162, 210, 211是有缺陷的被判斷為無(wú)缺陷，這些波形差異很小，每個(gè)波形都既有有缺陷的特征和無(wú)缺陷的特征，無(wú)法診斷其損傷特性。此種誤差帶來(lái)的診斷的不確定性，可以通過(guò)多測(cè)幾組不同距離和方向的數(shù)據(jù)來(lái)盡量減小和消除。

通過(guò)上述實(shí)驗(yàn)可以發(fā)現(xiàn)，本檢測(cè)系統(tǒng)在波形顯示和數(shù)據(jù)分析方面有較好的正確性和可靠性。分類模型訓(xùn)練只需要較少的數(shù)據(jù)就可以得到較高的準(zhǔn)確率。

4 結(jié)束語(yǔ)

本論文針對(duì)傳統(tǒng)的超聲波檢測(cè)設(shè)備對(duì)試件缺陷診斷不準(zhǔn)確的問(wèn)題，提出了一種機(jī)器學(xué)習(xí)在超聲波無(wú)損檢測(cè)中的應(yīng)用，并對(duì)實(shí)際試件進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

首先從時(shí)域和時(shí)頻域兩個(gè)方面進(jìn)行了回波信號(hào)的特征選擇，然后運(yùn)用PCA的方法進(jìn)行數(shù)據(jù)特征提取與篩選，接著建立SVM分類器模型，并利用網(wǎng)格搜索算法結(jié)合十折交叉驗(yàn)證對(duì)模型參數(shù)進(jìn)行調(diào)整，最后用測(cè)試集數(shù)據(jù)對(duì)模型進(jìn)行評(píng)估，最終使用硬件系統(tǒng)實(shí)際測(cè)量超聲波回波信號(hào)和對(duì)回波信號(hào)進(jìn)行分析診斷并驗(yàn)證診斷準(zhǔn)確率，實(shí)驗(yàn)表明回波信號(hào)發(fā)射和采集穩(wěn)定可靠，診斷準(zhǔn)確率較高，本檢測(cè)系統(tǒng)比較完善。

本研究中的基于SVM方法的缺陷診斷算法，是通過(guò)對(duì)時(shí)頻域分析后的回波信號(hào)進(jìn)行學(xué)習(xí)，建立判斷規(guī)則，就可以得知試件各個(gè)部分的缺陷診斷結(jié)果，并實(shí)驗(yàn)驗(yàn)證該算法的準(zhǔn)確率可達(dá)95%以上，解決了傳統(tǒng)的人工肉眼識(shí)別、經(jīng)驗(yàn)判斷的缺陷診斷模式不準(zhǔn)確的問(wèn)題，對(duì)解決自動(dòng)化診斷超聲回波信號(hào)具有切實(shí)可行的指導(dǎo)意義。