呂瑞宏，趙 晗，趙柏山，楊佳怡

（沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院， 沈陽(yáng)110870）

1 引 言

管道防腐層缺陷檢測(cè)與識(shí)別是保障管道防腐層安全運(yùn)行的重要研究?jī)?nèi)容，利用超聲導(dǎo)波檢測(cè)防腐層缺陷具有明顯優(yōu)勢(shì)[1-3]。然而防腐層缺陷信號(hào)具有多模態(tài)、頻散特性，回波信號(hào)的識(shí)別、分析和處理難度較大[4-5]。為了更好地研究防腐層缺陷與回波信號(hào)的對(duì)應(yīng)關(guān)系，針對(duì)超聲導(dǎo)波回波信號(hào)的成分分析和處理尤為重要[6]。

目前，針對(duì)檢測(cè)信號(hào)的識(shí)別分析和診斷主要集中在防腐層缺陷信號(hào)的時(shí)頻特征分析[7]上。通過(guò)對(duì)檢測(cè)信號(hào)進(jìn)行時(shí)頻分析和模式識(shí)別，能夠有效實(shí)現(xiàn)信號(hào)的識(shí)別分效率以及準(zhǔn)確率。胡明宇等[8]將小波包去噪和模式識(shí)別應(yīng)用于局部放電信號(hào)的研究；孫潔娣等[9]將LMD 局域均值分解應(yīng)用于天然氣管道泄漏特征的識(shí)別分析，取得較好的成果；姜久亮等[10]通過(guò)內(nèi)積延拓LMD 結(jié)合SVM 方法，對(duì)軸承故障診斷方法進(jìn)行研究；蹇清平等[11]基于SVM 方法，對(duì)油管內(nèi)外表面缺陷進(jìn)行了識(shí)別，有效提升了識(shí)別準(zhǔn)確率；吳建鑫[12]等基于線性回歸將SVM 學(xué)習(xí)應(yīng)用于大規(guī)模分類；儲(chǔ)茂祥[13]基于雙支持向量機(jī)方法對(duì)鋼表面缺陷進(jìn)行多信息分類，使其理論更加完善。

基于上述研究，在此針對(duì)SVM 對(duì)處理大樣本缺陷回波信號(hào)大樣本特征參數(shù)、防腐層缺陷多分類問(wèn)題和SVM 核函數(shù)選擇的局限性，以及SVM 處理多維回波信號(hào)特征參數(shù)的優(yōu)勢(shì)，提出基于主成分分析的SVM 防腐層缺陷分類方法。通過(guò)對(duì)防腐層回波信號(hào)進(jìn)行局域均值分解，獲得噪聲主導(dǎo)與信號(hào)主導(dǎo)分量的轉(zhuǎn)折點(diǎn)，針對(duì)防腐層缺陷信號(hào)峰度、偏度、離散、形狀和小波包能量系數(shù)的特征矩陣，進(jìn)行主成分分析降維SVM 模型特征指標(biāo)的相關(guān)性，并引入動(dòng)態(tài)擾動(dòng)粒子群算法，解決傳統(tǒng)SVM 懲罰系數(shù)和核函數(shù)無(wú)法動(dòng)態(tài)尋優(yōu)的問(wèn)題，構(gòu)建基于主成分分析的SVM 動(dòng)態(tài)粒子群優(yōu)化模型，實(shí)現(xiàn)管道防腐層缺陷類型的識(shí)別與分類。

2 防腐層缺陷信號(hào)主成分分解模型

針對(duì)超聲導(dǎo)波的頻散和多模態(tài)特性， 以及實(shí)驗(yàn)檢測(cè)過(guò)程中引入的噪聲影響， 使得接收到的超聲回波信號(hào)非常復(fù)雜，需要對(duì)非線性超聲回波信號(hào)進(jìn)行時(shí)頻分析。

2.1 防腐層缺陷信號(hào)自適應(yīng)分解

針對(duì)復(fù)雜、非線性、不平穩(wěn)、多分量的防腐層缺陷信號(hào)， 采用局域均值分解對(duì)缺陷回波信號(hào)進(jìn)行時(shí)頻分析，將其分解為一系列回波信號(hào)分量之和?；夭ㄐ盘?hào)分量都由防腐層缺陷包絡(luò)信號(hào)及防腐層缺陷純調(diào)頻信號(hào)相乘組成。通過(guò)回波信號(hào)分量的瞬時(shí)幅值和瞬時(shí)頻率， 可對(duì)防腐層缺陷信號(hào)進(jìn)行自適應(yīng)分解，從而實(shí)現(xiàn)防腐層缺陷信號(hào)的時(shí)頻分布。

對(duì)于防腐層缺陷信號(hào)進(jìn)行均值處理，并求得其包絡(luò)值，如下二式所示：

式中ni、ni+1為相鄰局域極值點(diǎn)。

用直線連接所有缺陷均值點(diǎn)mi，并對(duì)連接后的均值波形進(jìn)行平滑處理，從而得到缺陷均值函數(shù)；用直線連接所有缺陷包絡(luò)值ai，對(duì)連接后的包絡(luò)值平滑處理，得到缺陷包絡(luò)函數(shù)。并從信號(hào)Y(t)中分離缺陷均值函數(shù)，得到：

式中，m11(t)為缺陷均值函數(shù)。對(duì)h11(t)解調(diào)，可得：

重復(fù)進(jìn)行以上迭代，直到S1n(t)為理想條件下的純調(diào)頻缺陷信號(hào)。由于受到分解效果、迭代次數(shù)、速度等影響，選擇迭代停止條件為：a1n(t)≈1。迭代終止時(shí)，將此過(guò)程中產(chǎn)生的所有缺陷包絡(luò)函數(shù)相乘，得到初始回波信號(hào)分量的缺陷包絡(luò)信號(hào)，初始缺陷信號(hào)分量PF1(t)為：

從信號(hào)Y(t)中分離初始缺陷信號(hào)分量，得到信號(hào)u1(t)，將u1(t)作為初始缺陷信號(hào)重復(fù)以上迭代過(guò)程，直到uk(t)為單調(diào)函數(shù)。最后，防腐層缺陷回波信號(hào)X(t)被分解為k 個(gè)單分量與一個(gè)余量uk(t)之和：

經(jīng)LMD 分解過(guò)的信號(hào)，會(huì)得到一系列的PF 分量，而噪聲主要存在于前面的高頻分量中，往后的大部分都是信號(hào)的主導(dǎo)部分，用連續(xù)均方誤差噪聲確定噪聲與信號(hào)主導(dǎo)分量之間的區(qū)分點(diǎn)：

因在PF 分量分解過(guò)程中噪聲能量是逐步減少的，所以將PF 分量能量第一次出現(xiàn)轉(zhuǎn)折的地方定為區(qū)分點(diǎn)q，作為CMSE 的局部最小值點(diǎn)。

首先對(duì)防腐層缺陷信號(hào)Y(t)進(jìn)行LMD 分解，依次得出由高頻到低頻排列的PF 分量，并通過(guò)式(7)計(jì)算PF 分量的CMSE。通過(guò)獲取各CMSE 中的區(qū)分點(diǎn)q，將該點(diǎn)之前的PF 量提出并進(jìn)行軟閾值去噪，并將去噪后的PF 分量與剩余的PF 分量和余量相加重構(gòu)，則可獲得去噪后防腐層缺陷信號(hào)如下式：

2.2 缺陷回波信號(hào)時(shí)頻域特征選取

超聲導(dǎo)波與不同管道防腐層缺陷相互作用時(shí)，缺陷回波信號(hào)的時(shí)域特征參數(shù)會(huì)有明顯的差異。對(duì)于相同幅值的激勵(lì)信號(hào)，防腐層缺陷截面積越大，防腐層缺陷回波信號(hào)的幅值越高，因此有量綱的時(shí)域特征不能用來(lái)區(qū)分不同類型的管道防腐層缺陷。故此，選用峰度、偏度、離散和形狀系數(shù)四個(gè)時(shí)域無(wú)量綱特征參數(shù)在時(shí)域上區(qū)分管道防腐層缺陷類型。

峰度系數(shù)（Ku）是用來(lái)描繪缺陷回波信號(hào)的尖銳程度的無(wú)量綱特征參數(shù)，可以用來(lái)區(qū)分不同類型的防腐層缺陷。峰度系數(shù)的定義公式為：

其中，N 為缺陷波形數(shù)據(jù)點(diǎn)的個(gè)數(shù)，F(xiàn)i為缺陷波形在各數(shù)據(jù)點(diǎn)處的幅值，F(xiàn) 為缺陷波形平均幅值。

偏度系數(shù)（Sk）被用來(lái)描述缺陷波形的分布正態(tài)性。由于超聲導(dǎo)波在傳播過(guò)程中與不同類型管道防腐層缺陷相互作用，會(huì)使得防腐層缺陷信號(hào)產(chǎn)生一定程度的偏斜，偏度系數(shù)可以用來(lái)區(qū)分不同類型的防腐層缺陷。偏度系數(shù)定義公式如下：

離散系數(shù)（v）被用來(lái)描述防腐層缺陷信號(hào)的離散程度。離散系數(shù)越大表示防腐層缺陷信號(hào)的分布離散程度越大，可以此來(lái)區(qū)分不同類型的防腐層缺陷。離散系數(shù)定義公式如下式：

形狀系數(shù)（Sc）是時(shí)域特征參數(shù)中能夠較好區(qū)分不同類型防腐層缺陷的特征參數(shù)，能夠表征防腐層缺陷的跨度。形狀系數(shù)定義公式如下：

其中，L 為防腐層缺陷信號(hào)所占據(jù)的長(zhǎng)度，S 為防腐層缺陷信號(hào)與橫坐標(biāo)之間的包絡(luò)面積，e 為防腐層缺陷信號(hào)的幅值。

然而，在檢測(cè)過(guò)程中，由于作用于管道防腐層的超聲導(dǎo)波激勵(lì)頻率不同，僅通過(guò)時(shí)域特征參數(shù)難以表征不同類型的防腐層缺陷。而對(duì)不同防腐層缺陷通過(guò)使用相同頻率的激勵(lì)信號(hào)進(jìn)行檢測(cè)時(shí)，缺陷回波信號(hào)的頻譜會(huì)存在差異，此時(shí)便不能僅根據(jù)缺陷回波信號(hào)頻譜進(jìn)行分類，而是需要量化不同防腐層缺陷信號(hào)在頻譜上的差異。

小波包分析可以對(duì)每一層缺陷信號(hào)所有頻率成分進(jìn)行分解，從而獲得更高的防腐層缺陷信號(hào)時(shí)頻分辨率。從小波包分解后的防腐層缺陷信號(hào)提取頻段能量作為頻域特征可以反映防腐層缺陷信號(hào)在頻域上的能量分布差異。對(duì)防腐層缺陷信號(hào)進(jìn)行小波包分解后，防腐層缺陷信號(hào)的能量被分解到不同的頻段，如果管道防腐層中存在缺陷，頻段能量會(huì)聚焦在防腐層缺陷處，則其他頻段的能量也會(huì)相應(yīng)的發(fā)生變化。將歸一化處理后的各頻段的能量構(gòu)成小波包缺陷能量譜特征集，歸一化后的頻域特征參數(shù)如下式所示：

式中，za，b為第a 層上第b 個(gè)節(jié)點(diǎn)頻段的能量；Za為第a 層上各個(gè)頻段能量的總和。

2.3 防腐層缺陷信號(hào)特征降維

為了在時(shí)頻域充分反映防腐層缺陷信息，需提取多維度特征參數(shù)，而多維度特征參數(shù)之間的相關(guān)性會(huì)對(duì)后續(xù)的缺陷識(shí)別分類產(chǎn)生影響。同時(shí)多維度的特征參數(shù)會(huì)對(duì)缺陷識(shí)別的計(jì)算過(guò)程造成負(fù)擔(dān)，因此選用合適的特征降維方法能夠有效提高缺陷的分類準(zhǔn)確程度。

在此，選用峰度、偏度、離散和形狀系數(shù)四個(gè)時(shí)域無(wú)量綱特征參數(shù)在時(shí)域上區(qū)分管道防腐層缺陷類型，并對(duì)防腐層缺陷信號(hào)進(jìn)行7 層小波包分解，選擇前20 個(gè)小波包能量系數(shù)在頻域上區(qū)分管道防腐層缺陷類型。

防腐層缺陷信號(hào)特征向量矩陣為x(m·n)，為了消除防腐層缺陷信號(hào)時(shí)頻域特征參數(shù)不同量綱以及大差異數(shù)值產(chǎn)生的影響，對(duì)特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理如下：

式中，xj為缺陷特征均值，sj為缺陷特征標(biāo)準(zhǔn)差，i=1，2，...，m，j=1，2，...，n，為標(biāo)準(zhǔn)化后的缺陷特征。標(biāo)準(zhǔn)化特征參數(shù)的相關(guān)系數(shù)矩陣為：

其中：

求解矩陣T 的特征值和對(duì)應(yīng)的特征向量，并求解累計(jì)貢獻(xiàn)率：

一般選取φ(j)在85%～95%的整數(shù)，就確定了前j 個(gè)主成分來(lái)表征85%～95%原始數(shù)據(jù)信息，在保證信息完整的情況下，達(dá)到數(shù)據(jù)降維的目的。

3 基于擾動(dòng)粒子群優(yōu)化SVM 分類模型

3.1 擾動(dòng)粒子群算法參數(shù)尋優(yōu)

粒子群算法通過(guò)粒子的速度迭代和位移迭代進(jìn)行尋優(yōu)，算法原理簡(jiǎn)易，僅需調(diào)節(jié)較少的參數(shù)，具有良好的記憶功能和參數(shù)優(yōu)化穩(wěn)定性，同時(shí)也具有優(yōu)良的全局收斂性和尋優(yōu)速率，但在尋優(yōu)過(guò)程中易出現(xiàn)陷入局部最優(yōu)參數(shù)值和未完成尋優(yōu)即輸出參數(shù)的情況，而且種群多樣性差，搜索范圍受限較大。這一情況在多維度參數(shù)尋優(yōu)過(guò)程中更為明顯。

設(shè)在d 維空間進(jìn)行參數(shù)尋優(yōu)，m 個(gè)元素組成整個(gè)種群，第i 個(gè)元素位置為=(xi1，xi2，...，xid)，速度為，其中i=1，2，...，m；最優(yōu)參數(shù)位置為，整個(gè)種群的最優(yōu)位置為；第i 個(gè)元素的速度按下式更新：

第i 個(gè)粒子的位置更新公式為：

其中，t 表示更新的代數(shù)，c1和c2表示加速度系數(shù)，最小值取0，最大值取2.5。此處選取c1=1.5，c2=1.7；r1和r2為在0 和1 之間任取的隨機(jī)數(shù)，用來(lái)表示尋優(yōu)過(guò)程的記憶功能。

為加快傳統(tǒng)參數(shù)尋優(yōu)過(guò)程的收斂速度、提高參數(shù)尋優(yōu)精度，并解決粒子群算法易陷入局部最優(yōu)參數(shù)值的問(wèn)題，在此對(duì)算法的速度更新改進(jìn)為：

對(duì)于t 時(shí)刻粒子的速度更新公式，引入動(dòng)態(tài)變化的速度更新權(quán)重，此權(quán)重的形式為指數(shù)函數(shù)與一個(gè)0 和1 之間任取隨機(jī)數(shù)的乘積，其定義公式為：

式(22)在迭代初期，為了增強(qiáng)參數(shù)種群的全局尋優(yōu)能力，使ω 盡可能取較大值；到了迭代后期，為了提高參數(shù)種群的局部尋優(yōu)能力，使ω 盡可能取較小值。雖然在整個(gè)尋優(yōu)過(guò)程中，ω 整體保持下降趨勢(shì)，但并不要求前一次尋優(yōu)時(shí)的迭代慣性權(quán)重要比后一次的取值大。這樣提高了參數(shù)種群多樣性，還增強(qiáng)了粒子跳出局部最優(yōu)參數(shù)值的能力，有助于參數(shù)取值有效趨近全局最優(yōu)參數(shù)值。

式（22）中δ 為尋優(yōu)擾動(dòng)，考慮到全局最優(yōu)參數(shù)和局部最優(yōu)參數(shù)的值域相鄰處存在較優(yōu)參數(shù)，采取在全局最優(yōu)參數(shù)值域搜索的過(guò)程中，在全局最優(yōu)參數(shù)和局部最優(yōu)參數(shù)中加入尋優(yōu)擾動(dòng)，這樣可以避免尋優(yōu)過(guò)程陷入局部最優(yōu)參數(shù)值，提高參數(shù)在全局最優(yōu)參數(shù)的尋優(yōu)能力。經(jīng)過(guò)大量仿真研究發(fā)現(xiàn)δ=0.01時(shí)可有效提高局部尋優(yōu)和全局尋優(yōu)的效果。

3.2 支持向量機(jī)缺陷分類

支持向量機(jī)理論是以樣本統(tǒng)計(jì)進(jìn)行模式識(shí)別為基礎(chǔ)，強(qiáng)調(diào)以結(jié)構(gòu)風(fēng)險(xiǎn)的最小化為前提，能夠解決例如神經(jīng)網(wǎng)絡(luò)等統(tǒng)計(jì)學(xué)習(xí)理論在模式識(shí)別方面的缺點(diǎn)。樣本統(tǒng)計(jì)學(xué)習(xí)方法也是針對(duì)高維數(shù)據(jù)統(tǒng)計(jì)學(xué)習(xí)方法的分類學(xué)習(xí)理論。此理論以高維數(shù)據(jù)統(tǒng)計(jì)方向?qū)π碌膶W(xué)習(xí)理論進(jìn)行研究，在此種統(tǒng)計(jì)學(xué)習(xí)理論下的模式識(shí)別強(qiáng)調(diào)對(duì)于對(duì)漸近性能的提高，同時(shí)在高維度特征參數(shù)的分類條件下還能獲得最優(yōu)的預(yù)測(cè)分類精度。

目前的理論研究主要集中在優(yōu)化基本SVM 算法中參數(shù)選擇的難點(diǎn)問(wèn)題。傳統(tǒng)SVM 理論算法中的懲罰系數(shù)C 和RBF 核函數(shù)g 值， 對(duì)其基本要靠人工經(jīng)驗(yàn)進(jìn)行取值，這導(dǎo)致了學(xué)習(xí)過(guò)程過(guò)于繁雜，且缺乏理論根據(jù)，通常測(cè)試集分類效果不佳。本研究針對(duì)基本SVM 算法中參數(shù)選擇的難點(diǎn)問(wèn)題通過(guò)采用擾動(dòng)粒子群優(yōu)化算法，對(duì)SVM 理論算法中所參數(shù)值進(jìn)行尋優(yōu)，使預(yù)測(cè)效果達(dá)到理想效果。

擾動(dòng)粒子群算法的支持向量機(jī)缺陷分類步驟為：首先進(jìn)行參數(shù)初始化，設(shè)置種群大小，設(shè)置學(xué)習(xí)因子c1和c2，預(yù)置尋優(yōu)次數(shù)T、慣性權(quán)重的取值范圍及擾動(dòng)范圍，設(shè)置參數(shù)C 和g 的取值范圍以及初始參數(shù)尋優(yōu)速度和參數(shù)位置；然后計(jì)算各次尋優(yōu)的適應(yīng)度值并計(jì)算每次尋優(yōu)的平均適應(yīng)度值，將適應(yīng)度值排序后求出個(gè)體和全局極值點(diǎn)，并對(duì)初始參數(shù)尋優(yōu)速度和參數(shù)位置進(jìn)行更新；按式(22)進(jìn)行每個(gè)參數(shù)的尋優(yōu)速度更新，按式(21)進(jìn)行參數(shù)的位置更新，對(duì)參數(shù)進(jìn)行自適應(yīng)的變異計(jì)算（變異率為10%），檢驗(yàn)是否滿足尋優(yōu)終止條件；最后將C 和g 的尋優(yōu)結(jié)果輸入SVM 進(jìn)行分類，通過(guò)對(duì)參數(shù)訓(xùn)練集進(jìn)行基于統(tǒng)計(jì)學(xué)習(xí)參數(shù)訓(xùn)練，對(duì)測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試，得到防腐層缺陷分類結(jié)果，并對(duì)分類結(jié)果的準(zhǔn)確率做分析。

4 實(shí)驗(yàn)研究

4.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

實(shí)驗(yàn)對(duì)象為COMSOL 軟件預(yù)制的含若干防腐層缺陷的管道，管道為內(nèi)徑35mm、壁厚5mm 的結(jié)構(gòu)鋼， 防腐層為厚度4mm 的石英材料， 管道長(zhǎng)度為300mm。對(duì)實(shí)驗(yàn)對(duì)象進(jìn)行超聲導(dǎo)波缺陷檢測(cè)，通過(guò)COMSOL 軟件處理并獲取檢測(cè)到的缺陷信號(hào)，共獲取178 組信號(hào)，其中裂紋60 組，凹坑59 組，孔洞59組，并使用MATLAB 進(jìn)行仿真分析。含缺陷的管道防腐層建模如圖1 所示。

圖1 含缺陷的管道防腐層COMSOL 建模

仿真中加載頻率為2.5MHz、幅值為0.1mm 的正弦交變力作為激勵(lì)源。超聲波激勵(lì)信號(hào)為：

加入式(24)所示的激勵(lì)信號(hào)，對(duì)三種波形的缺陷回波信號(hào)進(jìn)行采集，得到缺陷回波信號(hào)的時(shí)域特征參數(shù)如表1 所示。

表1 防腐層缺陷時(shí)域特征參數(shù)

由表1 數(shù)據(jù)可知，在相同的激勵(lì)條件下，不同缺陷的回波信號(hào)在時(shí)域上的特征參數(shù)存在一定差異，時(shí)域特征參數(shù)可以作為表征不同缺陷的特征參數(shù)。

4.2 LMD 缺陷信號(hào)時(shí)頻分析

原超聲導(dǎo)波檢測(cè)信號(hào)及其經(jīng)LMD 局域均值分解的8 階PF 分量和殘余分量如圖2 所示。由圖可知，原信號(hào)X(t)由于在檢測(cè)過(guò)程中混入噪聲，在分解出的PF 分量中，隨著分解的階數(shù)升高，噪聲的混疊明顯減弱，其攜帶的原始信號(hào)信息隨之變得明顯。由于噪聲主要存在于前面的高頻分量中，往后的大部分都是信號(hào)的主導(dǎo)部分，用連續(xù)均方誤差噪聲確定噪聲與信號(hào)主導(dǎo)分量之間的區(qū)分點(diǎn)n 為4。實(shí)驗(yàn)得出前4 階PF 分量為噪聲主導(dǎo)部分，5 階到8 階PF 分量為信號(hào)主導(dǎo)部分。LMD 分解前4 階噪聲主導(dǎo)PF 分量如圖2(a)所示;5～8 階信號(hào)主導(dǎo)PF 分量及余量如圖2(b)所示。

圖2 LMD 局域均值分解PF 分量及余量

由圖2(a)可知，對(duì)于防腐層缺陷回波信號(hào)進(jìn)行LMD 分解，提取出的前4 階PF 分量雜亂，其噪聲主要存在于高頻成分中；由圖2(b)可知，對(duì)于防腐層缺陷回波信號(hào)進(jìn)行LMD 分解，隨著分解階數(shù)的增大，信號(hào)對(duì)于缺陷信息的表征變得更為清晰，即信號(hào)主導(dǎo)部分分量。對(duì)前4 階PF 分量進(jìn)行小波閾值去噪，結(jié)果如圖3 所示。

圖3 對(duì)前4 階PF 分量小波閾值去噪

將去噪后的PF 分量與剩余的PF 分量及余量相加重構(gòu)，得到去噪后信號(hào)。原始與信號(hào)重構(gòu)信號(hào)如圖4 所示。由圖中對(duì)缺陷回波信號(hào)預(yù)處理前后的對(duì)比情況可知，對(duì)信號(hào)進(jìn)行LMD 局域均值分解，通過(guò)連續(xù)均方誤差噪聲確定噪聲與信號(hào)主導(dǎo)分量之間的區(qū)分點(diǎn)，并對(duì)噪聲主導(dǎo)成分進(jìn)行小波閾值去噪，相加重構(gòu)后，可以有效去除回波信號(hào)中的噪聲。

圖4 防腐層缺陷原始信號(hào)與重構(gòu)信號(hào)

4.3 SVM 缺陷分類結(jié)果分析

實(shí)驗(yàn)對(duì)缺陷信號(hào)的特征系數(shù)進(jìn)行PCA 主成分分析，將提取的主成分通過(guò)支持向量機(jī)進(jìn)行缺陷分類。缺陷類型分別為孔洞、凹坑和裂紋，并通過(guò)改進(jìn)粒子群算法對(duì)SVM 方法中所涉及的懲罰系數(shù)C 和RBF 核函數(shù)g 值尋優(yōu)，得到BestC=0.1，g=654.8023。詳細(xì)對(duì)比結(jié)果如表2 示。在178 組測(cè)試集中，共11組錯(cuò)分，分類準(zhǔn)確率達(dá)到了93.8%。

表2 防腐層缺陷分類結(jié)果

5 結(jié) 束 語(yǔ)

利用非線性超聲導(dǎo)波對(duì)管道防腐層進(jìn)行內(nèi)檢測(cè)，對(duì)回波信號(hào)進(jìn)行時(shí)頻分析，采用主成分分析提取回波信號(hào)的特征參數(shù)，并基于改進(jìn)的粒子群算法優(yōu)化的支持向量機(jī)對(duì)缺陷類型進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，利用改進(jìn)后的粒子群算法對(duì)SVM 方法中所涉及的懲罰系數(shù)C 和RBF 核函數(shù)g 值尋優(yōu)，使其分類準(zhǔn)確率達(dá)到了93.8%，相比傳統(tǒng)SVM 分類在準(zhǔn)確率上有12.9%的提高，改善效果明顯，為管道防腐層缺陷檢測(cè)提供了一種有效的分類方法。