基于支持向量机的缺陷识别方法

　　缺陷检测和识别是机械、冶金、航空、航天、船舶、海洋工程、石油化工等行业的产品制造中必需的重要环节。传统的缺陷检测可分为有损检测和无损检测两大类。有损检测主要采用抽样破坏性试验,不能完全反映产品的整体质量状况,而且成本高昂。常用的无损检测手段有:磁粉探伤、普通射线探伤、超声波检测和工业CT等,这些方法各有自己的优缺点。目前应用最广泛的缺陷识别方法是超声波检测[1],然而,超声波探伤过程繁琐、容易受人为因素影响、在线实施难度较大。为此,一些学者提出了利用信号处理技术提取超声缺陷的特征值,采用神经网络等智能方法来自动辨识缺陷,并取得了一定的成就[2-3]。该方法需要弄清各种产品缺陷的超声特性与所提取的特征值间的对应关系,难度较大且可移植性比较差。更为重要的是,要使神经网络具有较高的缺陷鉴别能力,必须加大样本的训练数目。而对于电站锅炉、核反应堆容器、航空发动机转子、舰船涡轮增压器等产品来说,由于制备样品的高成本和困难性,通常无法实现加大样本量[1]。如果采用神经网络对这样的小本产品进行缺陷辨识,容易产生过学习和推广性不理想等弊端,导致误判的几率较大,从而为产品的质量埋下了隐患。并且,神经网络还可能存在局部极小值、收敛速度慢等缺点。

　　另一方面,人们在缺陷识别过程中,往往单纯追求借助于某种检测仪器,而对产生缺陷的诸多因素重视不够。实际上,工厂在产品中试和生产过程中,都积累了大量的与缺陷有关的数据。这些数据往往作为技术资料或报表存档,或是存入数据库中被闲置起来。与获得这些数据所付出的昂贵的试验成本相比,其有效作用没有得到充分发挥,造成了资源的巨大浪费。数据挖掘则是从这些数据中提炼出隐含的、前所未知的、对决策有潜在价值的知识和规则的一种有效手段。

　　支持向量机(Support Vector Machine, SVM)是基于统计学习理论的VC维理论和结构风险最小化原则的新型学习机器。统计学习理论是由V.Vapnic等人在20世纪60-70年代提出的,针对小样本统计学习问题的一个理论框架,它追求的是在现有信息情况下的最优解。人工神经网络遵循的却是经验风险最小原则,追求的是在样本趋于无穷时的最优解。由于实际的训练样本不可能无穷多,致使期望风险和实际的经验风险存在一定的差异,从而使得神经网络的推广性较差[4]。

　　基于上述原因,从数据挖掘的角度出发,结合产品中试和生产过程中形成缺陷的各类因素,采用支持向量机分类算法,来探索出一种针对小样本的自动缺陷识别方法。

　　1　基于支持向量机的模式分类