面向涡流硬度分选工况自适应感知的SVM动态优化方法

本发明涉及涡流无损检测，具体涉及面向涡流硬度分选工况自适应感知的svm动态优化方法。

背景技术：

1、涡流检测是一种基于电磁感应原理的无损检测方法，通过提取检测线圈的阻抗变化增量来评估被检对象的物理性能和结构完整性。硬度是衡量气门综合机械性能的关键指标，直接反映其抵抗弹性变形、塑性变形及反破坏的能力。支持向量机svm因对特征样本离群点不敏感、适用于非线性分类问题，已被引入涡流硬度分选领域，通过构建阻抗特征与硬度值之间的非线性映射关系实现硬度分类。

2、然而，现有基于svm的涡流硬度分选方法在实际工程应用中仍存在以下突出问题：涡流分选系统长时间工作时，涡流损耗及线圈自身发热会导致检测线圈阻抗值产生漂移，阻抗特征的缓慢漂移使得预先训练好的svm分类器与当前工况下的特征分布逐渐失配，分类准确率随温度升高呈明显下降趋势，而基于固定阈值的阻抗比对法和固定参数的svm方法均无法有效跟踪和补偿这种时变漂移；不同热处理批次气门的涡流特征分布差异显著，硬度值与涡流阻抗特征值之间呈现复杂的非线性关系，固定核参数的svm难以获得理想的分类超平面；传统svm的分类决策基于固定的硬边界，决策函数值大于零判为正类、小于零判为负类，当涡流特征因温升或批次差异发生漂移时，位于决策边界附近的样本极易被误分类，且系统无法感知这种误分类风险。

3、因此，需要一种能够自适应感知工况变化、实现svm核参数动态调整和决策边界软化的涡流硬度分选方法，以克服温升漂移和批次差异对分选准确率的影响，满足在线硬度分选场景的需求。

技术实现思路

1、本发明所要解决的技术问题是针对现有技术的不足，提供了面向涡流硬度分选工况自适应感知的svm动态优化方法。

2、为达到上述目的，本发明采用的技术方案为：

3、面向涡流硬度分选工况自适应感知的svm动态优化方法，包括如下步骤：

4、步骤s1、采集当前批次气门的原始涡流阻抗特征样本集，所述原始涡流阻抗特征样本集由正交互相关检测器提取的电阻幅值分量和电抗幅值分量构成二维原始特征向量；

5、步骤s2、基于滑动窗口内的合格样本，计算各特征分量在滑动窗口内的滑动均值和滑动标准差；

6、步骤s3、分别对电阻分量和电抗分量，计算一阶变化率和二阶变化率，并计算一阶变化率在滑动窗口内的局部标准差和二阶变化率在滑动窗口内的局部标准差，以局部标准差的倒数作为自适应权重，对一阶变化率和二阶变化率进行加权融合，得到各分量的广义漂移趋势算子；

7、步骤s4、对每个原始特征向量的电阻分量和电抗分量分别执行广义稳定化变换，得到稳定化后的电阻分量和稳定化后的电抗分量，构成稳定化特征向量；

8、步骤s5、基于广义漂移趋势算子计算漂移幅值指数和方向一致性指数，基于稳定化特征向量计算类间距离和平均类内散度，根据类间距离和平均类内散度计算可分性因子，根据可分性因子、漂移幅值指数和方向一致性指数计算工况质量指数；

9、步骤s6、根据工况质量指数自适应调整支持向量机的核参数和正则化参数，以调整后的核参数和正则化参数采用标准支持向量机算法训练分类器，构建分类决策函数；

10、步骤s7、根据工况质量指数和方向一致性指数计算自适应分类裕度；

11、步骤s8、对于待分选气门，提取其原始涡流阻抗特征向量，经广义稳定化变换后输入分类决策函数，根据分类决策函数输出值与自适应分类裕度的比较结果输出硬度分选结果。

12、进一步地，所述步骤s3具体包括以下步骤：

13、步骤s3.1、对于每个特征分量，计算滑动均值在相邻时刻的差值作为一阶变化率，计算一阶变化率在相邻时刻的差值作为二阶变化率；

14、步骤s3.2、分别计算一阶变化率在滑动窗口内的局部标准差和二阶变化率在滑动窗口内的局部标准差；

15、步骤s3.3、以一阶变化率在滑动窗口内的局部标准差的倒数作为一阶变化率的自适应权重，以二阶变化率在滑动窗口内的局部标准差的倒数作为二阶变化率的自适应权重；

16、步骤s3.4、将一阶变化率与其自适应权重的乘积加上二阶变化率与其自适应权重乘以加速度贡献系数后的乘积，除以两个自适应权重之和，得到广义漂移趋势算子。

17、进一步地，所述步骤s4具体包括以下步骤：

18、步骤s4.1、将原始特征分量相对于滑动均值做归一化偏差，得到空间归一化项；

19、步骤s4.2、将广义漂移趋势算子除以滑动标准差，并乘以漂移抑制系数和饱和因子，得到时间趋势校正项；所述饱和因子为以广义漂移趋势算子的平方为自变量的sigmoid函数；

20、步骤s4.3、从空间归一化项中减去时间趋势校正项，得到稳定化变换后的特征分量。

21、进一步地，所述步骤s5具体包括以下步骤：

22、步骤s5.1、由电阻分量的广义漂移趋势算子和电抗分量的广义漂移趋势算子构成二维广义漂移趋势向量，计算滑动窗口内各历史时刻的二维广义漂移趋势向量模方之和的平均值作为漂移幅值指数；

23、步骤s5.2、计算滑动窗口内相邻时刻广义漂移趋势向量夹角的余弦值的平均值作为方向一致性指数；

24、步骤s5.3、基于稳定化特征向量，计算稳定化后合格类样本的类中心与不合格类样本的类中心之间的欧几里得距离作为类间距离，计算合格类样本到其类中心的距离平方和不合格类样本到其类中心的距离平方之和除以两类样本总数作为平均类内散度，将类间距离除以平均类内散度平方根得到可分性因子；

25、步骤s5.4、将可分性因子与幅值衰减因子和方向一致性因子相乘得到工况质量指数，所述幅值衰减因子等于一除以一加漂移幅值指数，所述方向一致性因子等于一加方向一致性指数除以二。

26、进一步地，所述步骤s6具体包括以下步骤：

27、步骤s6.1、计算工况质量偏差项，所述工况质量偏差项等于参考工况质量指数减去当前工况质量指数后除以参考工况质量指数；

28、步骤s6.2、将核参数基准值乘以一加工况质量偏差项，得到当前核参数；将正则化参数基准值乘以一加工况质量偏差项的倒数，得到当前正则化参数；

29、步骤s6.3、以当前核参数和当前正则化参数，采用标准支持向量机算法训练分类器，构建分类决策函数。

30、进一步地，所述步骤s6中，支持向量机采用高斯径向基核函数，最大迭代次数为10000次，迭代终止精度为10的负4次方，类别权重采用默认等权配置，不启用概率估计输出，采用收缩启发式策略以加速训练，缓存大小为200mb，随机种子设置为42；核参数基准值和正则化参数基准值在离线阶段通过网格搜索与5折交叉验证确定，搜索范围均为2的负5次方到2的正5次方。

31、进一步地，所述步骤s7具体包括以下步骤：

32、步骤s7.1、获取工况质量偏差项；

33、步骤s7.2、计算方向一致性惩罚因子，所述方向一致性惩罚因子等于一加上一除以一加方向一致性指数的自然对数；

34、步骤s7.3、将基准裕度值乘以一加工况质量偏差项与方向一致性惩罚因子的乘积，得到自适应分类裕度。

35、进一步地，所述步骤s8具体包括以下步骤：

36、步骤s8.1、对于待分选气门，提取其原始涡流阻抗特征向量，执行广义稳定化变换，得到待测稳定化特征向量；

37、步骤s8.2、将待测稳定化特征向量输入分类决策函数，计算分类决策函数输出值；

38、步骤s8.3、当分类决策函数输出值大于自适应分类裕度时判为合格，当分类决策函数输出值小于自适应分类裕度的相反数时判为不合格，当分类决策函数输出值大于或等于自适应分类裕度的相反数且小于或等于自适应分类裕度时标记为需复检。

39、一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行任一项所述的面向涡流硬度分选工况自适应感知的svm动态优化方法。

40、一种电子设备，包括处理器和所述的存储介质，所述处理器执行所述存储介质中的指令。

41、相比于现有技术，本发明的有益效果如下：

42、1、本发明以局部标准差的倒数作为自适应权重，波动大的变化率被自动降权，波动小的变化率获得高权重，权重分配完全由数据驱动、动态调整，无需人工设置固定权重，克服了传统一阶差分法对噪声敏感、无法捕捉漂移加速度的缺陷。

43、2、本发明通过空间归一化消除个体幅值差异，通过广义漂移趋势算子进行前瞻性预补偿，通过sigmoid饱和因子抑制噪声误判，三者协同使稳定化后的特征序列具有更小的时序方差。

44、3、本发明通过相邻时刻漂移趋势向量夹角的余弦值度量漂移方向的振荡程度，能区分有序漂移和紊乱振荡两种不同的不稳定模式，实现了对工况稳定度更精细的刻画。

45、4、本发明将工况质量指数由可分性因子、幅值衰减因子、方向一致性因子三因子乘积构成，三者任一维度恶化都会导致工况质量下降，实现了对工况质量的全面综合评价。

46、5、本发明通过工况质量偏差驱动基础裕度调整，方向一致性指数通过对数与倒数嵌套函数对裕度施加非线性放大，二者协同使自适应分类裕度随工况动态伸缩，在不改动svm内部结构的前提下显著提升动态工况下的容错能力。