用于涡流测试中在线识别缺陷的改进PSO-SVM模型

准确快速地识别缺陷对于使用涡流（EC）非破坏性测试对在役设备的结构完整性和健康状况进行监控至关重要。 本文介绍了一种新颖的无模型方法，该方法包括三个主要模块：信号预处理模块，分类器模块和优化模块。 在信号预处理模块中，提出了一种两级差分结构，以抑制可能污染EC信号的提离波动。 在分类器模块中，基于一对多策略的多类支持向量机（SVM）具有良好的准确性。 在优化模块中，通过改进的粒子群算法（IPSO）获得分类器的最优参数。 提出的IPSO技术可以通过以下策略提高主PSO的收敛性能：惯性权重的非线性处理，黑洞的引入以及具有极端扰动的模拟退火模型。 通过将其他样本添加到测试集中，已经验证了IPSO-SVM模型的良好泛化能力。 实验表明，该算法比其他著名的分类器具有更高的识别精度和效率，并且训练集少，优点更加明显，有利于在线应用。