本發(fā)明涉及硬質(zhì)合金缺陷檢測領(lǐng)域，具體涉及一種基于聲發(fā)射信號的金剛石壓機(jī)頂錘裂紋在線檢測方法。

背景技術(shù)：

人造金剛石硬度高、耐磨性好，可廣泛用于切削、磨削、鉆探等機(jī)械加工行業(yè)和半導(dǎo)體等電子工業(yè)。我國人造金剛石產(chǎn)量居世界第一位，主要應(yīng)用六面頂壓機(jī)進(jìn)行生產(chǎn)制作。金剛石壓機(jī)頂錘是由硬質(zhì)合金材料合成，屬于脆性材料，在高溫高壓環(huán)境下，易產(chǎn)生裂紋。如果不及時(shí)檢測出裂紋，往往造成塌錘事故，給企業(yè)帶來巨大的經(jīng)濟(jì)損失。

傳統(tǒng)的金剛石壓機(jī)頂錘裂紋檢測方法主要有兩種，一種是人工利用鋸條在錘面劃過，通過檢修師的感官經(jīng)驗(yàn)判斷是否出現(xiàn)裂紋。這種方法要求停機(jī)拆卸，不僅效率低，而且對人工的經(jīng)驗(yàn)依賴性強(qiáng)；另一種方法是檢測金剛石壓機(jī)頂錘工作狀況下的電阻率，往往容易受到惡略工作環(huán)境的影響，電阻率測量誤差大，裂紋檢測準(zhǔn)確率低。

為了對本專利申請的技術(shù)背景做更深入的了解，發(fā)明人對關(guān)于聲發(fā)射信號對物體細(xì)微缺陷檢測的專利情況進(jìn)行了檢索。

在中國專利中有申請?zhí)枮?01010259859.6，名稱為一種金屬拉深件微小裂紋沖擊性信號的識別方法的發(fā)明專利，該方法先采用聲發(fā)射傳感器對金屬拉深件微小裂紋聲發(fā)射沖擊性信號進(jìn)行采集，對采集的信號進(jìn)行預(yù)處理，將預(yù)處理的信號輸入計(jì)算機(jī)中，再進(jìn)行小波包分析，對小波包分解后的不同頻段的數(shù)據(jù)進(jìn)行重構(gòu)，采用時(shí)間序列的方法對去噪后的聲發(fā)射信號進(jìn)行時(shí)序分析，建立時(shí)序模型，最后在計(jì)算機(jī)中結(jié)合模糊綜合評判方法與最大隸屬度原則實(shí)現(xiàn)對金屬拉深件的狀態(tài)辨別。

另外中國專利中還有申請?zhí)枮?01510271094.0，名稱為一種使用聲發(fā)射信號能量特征值預(yù)測脆性材料臨界失穩(wěn)的方法，其步驟為：①在待監(jiān)測脆性材料上安裝聲發(fā)射傳感器，采集聲發(fā)射信號；②根據(jù)聲發(fā)射信號的波形特征選取小波基；③對聲發(fā)射信號進(jìn)行1級小波包分解，分解成低頻段信號和高頻段信號；④分別計(jì)算低頻段信號和高頻段信號的能量特征值P1和P2；⑤分別繪制低頻段信號的能量特征值P1和高頻段信號的能量特征值P2的統(tǒng)計(jì)圖；⑥根據(jù)P1和P2的變化狀態(tài)判斷待監(jiān)測脆性材料是否處于臨界失穩(wěn)狀態(tài)。

上述兩個(gè)專利中對獲取到的信號數(shù)據(jù)的處理過程并沒有建立智能識別的模式，沒有自我學(xué)習(xí)的能力，其適用范圍有限，對于金剛石壓機(jī)頂錘來說，其在線檢測過程中數(shù)據(jù)量大，上述兩種專利方法，在數(shù)據(jù)量大的情況下其反應(yīng)速度必然有局限性，不能夠及時(shí)判斷危險(xiǎn)情況，難以直接借鑒使用。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明提供了一種基于聲發(fā)射信號的金剛石壓機(jī)頂錘裂紋檢測方法。

為達(dá)到發(fā)明目的，本發(fā)明的技術(shù)方案是：

一種基于聲發(fā)射信號的金剛石壓機(jī)頂錘裂紋在線檢測方法，其特征在于，綜合利用BSA-SVM智能檢測方法和K-SPWVD時(shí)頻信號分析方法進(jìn)行頂錘裂紋檢測，具體步驟如下：

第一部分檢測依據(jù)的建立

步驟1：在已知是否有裂紋的頂錘上安裝聲發(fā)射傳感器，首先對已知是否有裂紋的頂錘進(jìn)行聲發(fā)射信號采集，通過電路對傳感器采集的信號進(jìn)行預(yù)處理，將預(yù)處理后的信號輸入計(jì)算機(jī)；在計(jì)算機(jī)中對頂錘正常狀態(tài)下的聲發(fā)射信號和裂紋狀態(tài)下的聲發(fā)射信號進(jìn)行收集；

步驟2：計(jì)算機(jī)對上述頂錘正常狀態(tài)下的聲發(fā)射信號和裂紋狀態(tài)下的聲發(fā)射信號，利用回溯搜索優(yōu)化算法(BSA)對支持向量機(jī)模型(SVM)進(jìn)行參數(shù)的優(yōu)化和訓(xùn)練，得到金剛石壓機(jī)頂錘裂紋智能檢測模型，該模型名詞定為：基于回溯搜索優(yōu)化算法的支持向量機(jī)模型(BSA-SVM)；

步驟3：

利用上述步驟1中采集到的已有的裂紋狀態(tài)下的聲發(fā)射信號，

(a)首先，取M個(gè)數(shù)據(jù)點(diǎn)的頂錘裂紋狀態(tài)聲發(fā)射信號作為模板信號；

(b)然后，利用平滑偽維格納-威利分布(SPWVD)處理分析該模板信號，根據(jù)得到的頻譜信息確定頂錘裂紋特征頻率；

第二部分實(shí)時(shí)檢測過程

步驟4：

將聲發(fā)射傳感器安裝到正在工作的頂錘上，針對采集到的正在工作中的頂錘聲發(fā)射實(shí)時(shí)信號，首先利用基于回溯搜索優(yōu)化算法的支持向量機(jī)模型(BSA-SVM)進(jìn)行識別，

如果檢測到是非裂紋信號，則執(zhí)行步驟6；

如果檢測到是裂紋信號，暫定為一級疑似裂紋信號，同時(shí)執(zhí)行步驟5；

步驟5：

將上述一級疑似裂紋信號利用柯爾莫諾夫-斯米爾諾夫檢驗(yàn)(Kolmogorov-Smirnov test，簡稱K-S檢驗(yàn))與平滑偽維格納-威利分布(K-SPWVD)結(jié)合處理方法進(jìn)行處理，

該柯爾莫諾夫-斯米爾諾夫檢驗(yàn)與平滑偽維格納-威利分布(K-SPWVD)結(jié)合處理方法的工作過程包括

(i)首先對采集的一級疑似裂紋信號利用進(jìn)行連續(xù)平移L點(diǎn)長度的加窗截取，窗口長度為M，利用柯爾莫諾夫-斯米爾諾夫檢驗(yàn)(Kolmogorov-Smirnov test，簡稱K-S檢驗(yàn))方法與所述的模板信號進(jìn)行匹配；如果不匹配，說明是非裂紋信號，執(zhí)行步驟7；如果匹配，暫定為二級疑似裂紋信號，并轉(zhuǎn)到下一步(ii)；

(ii)再將上述二級疑似裂紋信號利用平滑偽維格納-威利分布(SPWVD)處理分析所截信號，根據(jù)得到的頻譜信息確定其特征頻率，如果能觀察到有步驟3(b)中的頂錘裂紋特征頻率，則判定為頂錘發(fā)生了裂紋，執(zhí)行步驟7，反之，則判定為非裂紋信號，執(zhí)行步驟6；

步驟6：

輸出頂錘沒有裂紋的判斷結(jié)果；

步驟7：

輸出頂錘有裂紋的結(jié)果。

優(yōu)選的，所述步驟2中的基于回溯搜索優(yōu)化算法的支持向量機(jī)模型(BSA-SVM)的建立過程包括，

a.確定訓(xùn)練樣本

從步驟1中采集的頂錘聲發(fā)射信號集中選取n₁組已知正常信號和n₂組已知疑似裂紋信號作為無裂紋狀態(tài)，n₃組已知裂紋信號對應(yīng)裂紋狀態(tài)，此處已知疑似裂紋信號為頂錘沒有裂紋但信號波形與裂紋信號相似的信號；無裂紋狀態(tài)和裂紋狀態(tài)兩種類樣本共同組成訓(xùn)練樣本，利用小波包對信號進(jìn)行三層分解，提取各頻段的能量百分比作為樣本特征值，樣本特征值矩陣構(gòu)成支持向量機(jī)模型的輸入向量，模型的輸出為1或-1，分別代表無裂紋和裂紋狀態(tài)；

b.確定支持向量機(jī)的待優(yōu)化參數(shù)

支持向量機(jī)中有2個(gè)參數(shù)：核函數(shù)參數(shù)σ和懲罰函數(shù)參數(shù)C，標(biāo)記為p(σ，C)；

c.基于BSA的參數(shù)初始化

BSA的初始化是指初始化種群P和歷史種群oldP；種群包括N個(gè)個(gè)體，個(gè)體的長度設(shè)置為d＝2，代表參數(shù)的個(gè)數(shù)；種群P初始化表達(dá)式為：

P_i,j～U(low_j,up_j)

其中i＝1，2，3，…，N；j＝1，2，3，…，D；N和D分別代表種群的規(guī)模和問題維度，U(,)表示均勻分布函數(shù)，up_j和low_j分別表示第j維變量的上、下界；

歷史種群oldP初始化是防止首次運(yùn)行篩選Ⅰ時(shí)，oldP數(shù)值為空集；歷史種群oldP由以下公式?jīng)Q定：

oldP_i,j～U(low_j,up_j)

d.篩選Ⅰ

根據(jù)概率運(yùn)算重新定義oldP，其表達(dá)式為：

if a＜b then oldP＝P|a,b～U(0,1)

式中等號表示更新代替；新一代的歷史種群oldP是上一代或者是m代前的歷史種群，m＝1,2,…M-1，M為目前迭代次數(shù)；

e.突變

BSA通過下式形成試驗(yàn)種群的初始形式Mutant

Mutant＝P+F·(oldP-P)

式中F作為變異尺度系數(shù)用于控制變異的幅度，F(xiàn)＝3·randn，其中randn～N(0,1)，N(,)表示標(biāo)準(zhǔn)正態(tài)分布函數(shù)；

f.交叉

BSA通過交叉過程產(chǎn)生試驗(yàn)種群的最終形式T；該交叉方式是一種基于兩種交叉方式等概率調(diào)用的聯(lián)合交叉方式；

在交叉時(shí)，首先是交叉長度n的選擇，然后在歷史種群P中每個(gè)個(gè)體隨機(jī)篩選n個(gè)特征并與Mutant中等位置等維度的特征進(jìn)行交換，得到新的個(gè)體；n是(0,mixrate·D]中的整數(shù)，式中，mixrate是交叉概率，一般取為1，D是問題維度；

在每代的交叉中，n有兩種可能，由n的賦值方式?jīng)Q定，分為：

①交叉方式1：n＝1，即任意選取一維，互換歷史種群中個(gè)體與同位置試驗(yàn)種群個(gè)體；

或者

②交叉方式2：給每個(gè)個(gè)體隨機(jī)生成一個(gè)randn～N(0,1)，把

n(i)＝[mixrate·randn·D]

定義成交叉長度；式中，mixrate是交叉概率，D是問題維度；

上述兩種交叉方式等概率隨機(jī)調(diào)用構(gòu)成BSA的交叉方式；

g.篩選II

將試驗(yàn)種群帶入支持向量機(jī)，產(chǎn)生試驗(yàn)種群的適應(yīng)度函數(shù)，其表達(dá)式為：

式中：F表示種群中每個(gè)個(gè)體的適應(yīng)度，species表示樣本分類結(jié)果，groupnames表示樣本對應(yīng)狀態(tài)；

比較當(dāng)前種群與試驗(yàn)種群間的適應(yīng)度函數(shù)，用試驗(yàn)種群中的優(yōu)秀個(gè)體替換當(dāng)前種群中相應(yīng)的個(gè)體；如果本次最優(yōu)個(gè)體Pbest具有比全局最優(yōu)個(gè)體更好的適應(yīng)度，則全局最優(yōu)個(gè)體就用Pbest代替，同樣其對應(yīng)的適應(yīng)度值也用本次最優(yōu)個(gè)體的適應(yīng)度值代替；

h.如果本次最優(yōu)個(gè)體滿足預(yù)先設(shè)定的分類精度或者迭代次數(shù)，不再進(jìn)行種群更新，退出訓(xùn)練；否則轉(zhuǎn)入步驟(d)，更新種群。

本發(fā)明的技術(shù)效果

本發(fā)明的檢測方法充分利用了回溯搜索優(yōu)化算法的全局優(yōu)化性能，以及支持向量機(jī)模型的泛化能力；將柯爾莫諾夫-斯米爾諾夫檢驗(yàn)(Kolmogorov-Smirnov test簡稱K-S)與平滑偽維格納-威利分布(SPWVD)對信號時(shí)頻分析以及智能診斷方法進(jìn)行了綜合利用，實(shí)現(xiàn)金剛石壓機(jī)頂錘裂紋的在線檢測，所述方法準(zhǔn)確性高，運(yùn)算速度快，有利于在線應(yīng)用。

本發(fā)明的檢測方法首先根據(jù)現(xiàn)有已知狀況的頂錘正常狀態(tài)下的聲發(fā)射信號和裂紋狀態(tài)下的聲發(fā)射信號進(jìn)行收集并建立檢測時(shí)要用到的基于回溯搜索優(yōu)化算法的支持向量機(jī)模型(BSA-SVM)；利用裂紋狀態(tài)下的模板信號確定頂錘裂紋特征頻率，然后用這些對頂錘工作狀態(tài)下的實(shí)時(shí)聲發(fā)射信號進(jìn)行逐級檢測，逐級排除非裂紋聲發(fā)射信號，最后鎖定裂紋聲發(fā)射信號，這樣既不喪失運(yùn)算速度，又能提升檢測的準(zhǔn)確性。

附圖說明

圖1為金剛石壓機(jī)頂錘裂紋檢測流程圖；

圖2為BSA參數(shù)優(yōu)化流程圖；

圖3為SVM模型訓(xùn)練流程圖；

圖4-6為模板信號與待測信號匹配結(jié)果圖；

其中

圖4為平穩(wěn)信號與模板信號匹配結(jié)果圖；

圖5疑似裂紋信號與模板信號匹配結(jié)果圖；

圖6裂紋信號與模板信號匹配結(jié)果圖；

圖7-9為頂錘聲發(fā)射信號波形圖；

其中

圖7頂錘無異常平穩(wěn)狀態(tài)信號波形圖；

圖8頂錘無異常狀態(tài)疑似裂紋信號波形圖；

圖9頂錘產(chǎn)生裂紋狀態(tài)信號波形圖；

圖10為模板信號波形圖；

圖11為裂紋信號的SPWVD時(shí)頻譜圖；

圖12為BSA-SVM智能檢測模型測試結(jié)果；

圖13為待檢測的實(shí)時(shí)聲發(fā)射信號的SPWVD時(shí)頻譜圖；

圖14為K-SPWVD結(jié)合處理方法的流程圖

圖15為壓機(jī)頂錘及聲發(fā)射傳感器布置示意圖；

具體實(shí)施方式

下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

一種基于聲發(fā)射信號的金剛石壓機(jī)頂錘裂紋在線檢測方法，其流程如圖1所示，綜合利用BSA-SVM智能檢測方法和K-SPWVD時(shí)頻信號分析方法進(jìn)行頂錘裂紋檢測，具體步驟如下：

步驟1：在已知是否有裂紋的頂錘上安裝聲發(fā)射傳感器，首先對已知是否有裂紋的頂錘進(jìn)行聲發(fā)射信號采集，通過電路對傳感器采集的信號進(jìn)行預(yù)處理，將預(yù)處理后的信號輸入計(jì)算機(jī)；在計(jì)算機(jī)中對頂錘正常狀態(tài)下的聲發(fā)射信號和裂紋狀態(tài)下的聲發(fā)射信號進(jìn)行收集；

步驟2：計(jì)算機(jī)對上述頂錘正常狀態(tài)下的聲發(fā)射信號和裂紋狀態(tài)下的聲發(fā)射信號，利用回溯搜索優(yōu)化算法(BSA)對支持向量機(jī)模型(SVM)進(jìn)行參數(shù)的優(yōu)化和訓(xùn)練，如圖2和圖3所示，得到金剛石壓機(jī)頂錘裂紋智能檢測模型，該模型名詞定為：基于回溯搜索優(yōu)化算法的支持向量機(jī)模型(BSA-SVM)；

所述步驟2中的基于回溯搜索優(yōu)化算法的支持向量機(jī)模型(BSA-SVM)的建立過程包括，

a.確定訓(xùn)練樣本

從步驟1中采集的頂錘聲發(fā)射信號集中選取n₁組已知正常信號和n₂組已知疑似裂紋信號作為無裂紋狀態(tài)，n₃組已知裂紋信號對應(yīng)裂紋狀態(tài)，此處已知疑似裂紋信號為頂錘沒有裂紋但信號波形與裂紋信號相似的信號，無裂紋狀態(tài)和裂紋狀態(tài)兩種類樣本共同組成訓(xùn)練樣本，利用小波包對信號進(jìn)行三層分解，提取各頻段的能量百分比作為樣本特征值，樣本特征值矩陣構(gòu)成支持向量機(jī)模型的輸入向量，模型的輸出為1或-1，分別代表無裂紋和裂紋狀態(tài)；

b.確定支持向量機(jī)的待優(yōu)化參數(shù)

支持向量機(jī)中有2個(gè)參數(shù)：核函數(shù)參數(shù)σ和懲罰函數(shù)參數(shù)C，標(biāo)記為p(σ，C)；

c.基于BSA的參數(shù)初始化

BSA的初始化是指初始化種群P和歷史種群oldP；種群包括N個(gè)個(gè)體，個(gè)體的長度設(shè)置為d＝2，代表參數(shù)的個(gè)數(shù)；種群P初始化表達(dá)式為：

P_i,j～U(low_j,up_j)

其中i＝1，2，3，…，N；j＝1，2，3，…，D；N和D分別代表種群的規(guī)模和問題維度，U(,)表示均勻分布函數(shù)，up_j和low_j分別表示第j維變量的上、下界；

歷史種群oldP初始化是防止首次運(yùn)行篩選Ⅰ時(shí)，oldP數(shù)值為空集；歷史種群oldP由以下公式?jīng)Q定：

oldP_i,j～U(low_j,up_j)

d.篩選Ⅰ

根據(jù)概率運(yùn)算重新定義oldP，其表達(dá)式為：

if a＜b then oldP＝P|a,b～U(0,1)

式中等號表示更新代替；新一代的歷史種群oldP是上一代或者是m代前的歷史種群，m＝1,2,…M-1，M為目前迭代次數(shù)；

e.突變

BSA通過下式形成試驗(yàn)種群的初始形式Mutant

Mutant＝P+F·(oldP-P)

式中F作為變異尺度系數(shù)用于控制變異的幅度，F(xiàn)＝3·randn，其中randn～N(0,1)，N(,)表示標(biāo)準(zhǔn)正態(tài)分布函數(shù)；

f.交叉

BSA通過交叉過程產(chǎn)生試驗(yàn)種群的最終形式T；該交叉方式是一種基于兩種交叉方式等概率調(diào)用的聯(lián)合交叉方式；

在交叉時(shí)，首先是交叉長度n的選擇，然后在歷史種群P中每個(gè)個(gè)體隨機(jī)篩選n個(gè)特征并與Mutant中等位置等維度的特征進(jìn)行交換，得到新的個(gè)體；n是(0,mixrate·D]中的整數(shù)，式中，mixrate是交叉概率，一般取為1，D是問題維度；

在每代的交叉中，n有兩種可能，由n的賦值方式?jīng)Q定，分為：

①交叉方式1：n＝1，即任意選取一維，互換歷史種群中個(gè)體與同位置試驗(yàn)種群個(gè)體；

或者

②交叉方式2：給每個(gè)個(gè)體隨機(jī)生成一個(gè)randn～N(0,1)，把

n(i)＝[mixrate·randn·D]

定義成交叉長度；式中，mixrate是交叉概率，D是問題維度；

上述兩種交叉方式等概率隨機(jī)調(diào)用構(gòu)成BSA的交叉方式；

g.篩選II

將試驗(yàn)種群帶入支持向量機(jī)，產(chǎn)生試驗(yàn)種群的適應(yīng)度函數(shù)，其表達(dá)式為：

式中：F表示種群中每個(gè)個(gè)體的適應(yīng)度，species表示樣本分類結(jié)果，groupnames表示樣本對應(yīng)狀態(tài)；

比較當(dāng)前種群與試驗(yàn)種群間的適應(yīng)度函數(shù)，用試驗(yàn)種群中的優(yōu)秀個(gè)體替換當(dāng)前種群中相應(yīng)的個(gè)體；如果本次最優(yōu)個(gè)體Pbest具有比全局最優(yōu)個(gè)體更好的適應(yīng)度，則全局最優(yōu)個(gè)體就用Pbest代替，同樣其對應(yīng)的適應(yīng)度值也用本次最優(yōu)個(gè)體的適應(yīng)度值代替；

h.如果本次最優(yōu)個(gè)體滿足預(yù)先設(shè)定的分類精度或者迭代次數(shù)，不再進(jìn)行種群更新，退出訓(xùn)練；否則轉(zhuǎn)入步驟(d)，更新種群。

步驟3：

利用上述步驟1中采集到的已有的裂紋狀態(tài)下的聲發(fā)射信號，

(a)首先，取M個(gè)數(shù)據(jù)點(diǎn)的頂錘裂紋狀態(tài)聲發(fā)射信號作為模板信號；

(b)然后，利用平滑偽維格納-威利分布(SPWVD)處理分析該模板信號，根據(jù)得到的頻譜信息確定頂錘裂紋特征頻率；

步驟4：

將聲發(fā)射傳感器安裝到正在工作的頂錘上，針對采集到的正在工作中的頂錘聲發(fā)射實(shí)時(shí)信號，首先利用基于回溯搜索優(yōu)化算法的支持向量機(jī)模型(BSA-SVM)進(jìn)行識別，

如果檢測到是非裂紋信號，則執(zhí)行步驟6；

如果檢測到是裂紋信號，暫定為一級疑似裂紋信號，同時(shí)執(zhí)行步驟5；

步驟5：

將上述一級疑似裂紋信號利用柯爾莫諾夫-斯米爾諾夫檢驗(yàn)與平滑偽維格納-威利分布(K-SPWVD)結(jié)合處理方法進(jìn)行處理，如圖14所示，

該柯爾莫諾夫-斯米爾諾夫檢驗(yàn)與平滑偽維格納-威利分布(K-SPWVD)結(jié)合處理方法的工作過程包括

(i)首先對采集的一級疑似裂紋信號利用進(jìn)行連續(xù)平移L點(diǎn)長度的加窗截取，窗口長度為M，利用柯爾莫諾夫-斯米爾諾夫檢驗(yàn)(Kolmogorov-Smirnov test，簡稱K-S檢驗(yàn))方法與所述的模板信號進(jìn)行匹配；如果不匹配，說明是非裂紋信號，執(zhí)行步驟7；如果匹配，暫定為二級疑似裂紋信號，并轉(zhuǎn)到下一步(ii)；

(ii)再將上述二級疑似裂紋信號利用平滑偽維格納-威利分布(SPWVD)處理分析所截信號，根據(jù)得到的頻譜信息確定其特征頻率，如果能觀察到有步驟3(b)中的頂錘裂紋特征頻率，則判定為頂錘發(fā)生了裂紋，執(zhí)行步驟7，反之，則判定為非裂紋信號，執(zhí)行步驟6；

步驟6：

輸出頂錘沒有裂紋的判斷結(jié)果；

步驟7：

輸出頂錘有裂紋的結(jié)果。

下面為具體操作實(shí)例：

一種基于聲發(fā)射信號的金剛石壓機(jī)頂錘裂紋在線檢測方法，首先對已知狀況的頂錘正常、疑似裂紋信號和裂紋信號進(jìn)行采集，如圖7-9所示。

步驟1：從頂錘聲發(fā)射信號集中選取20組正常信號和20組疑似裂紋信號作為無裂紋狀態(tài)，20組裂紋信號作為裂紋狀態(tài)，共同組成訓(xùn)練樣本，每組信號為19968個(gè)點(diǎn)。再選取三種不同信號各10組組成測試樣本。對信號利用db5小波進(jìn)行小波包三層分解，以各頻段能量百分比構(gòu)成特征向量作為支持向量機(jī)的輸入。輸出為1或-1，分別代表無裂紋和裂紋狀態(tài)。

利用BSA算法得到支持向量機(jī)模型參數(shù)，設(shè)置參數(shù)如下：種群為30個(gè)，個(gè)體長度為2，σ∈[0.00001，30]，C∈[1，300]，分類精度即錯(cuò)誤分類率小于0.005，迭代次數(shù)為50次。利用前述BSA方法，得到支持向量機(jī)模型參數(shù)為懲罰因子C＝89.1525和核函數(shù)參數(shù)σ＝23.9546。

步驟2：將頂錘裂紋聲發(fā)射信號取2048個(gè)點(diǎn)作為模板，如圖10所示。對模板信號利用平滑偽維格納-威利分布分析，得到頂錘裂紋時(shí)頻譜特征，如圖11所示。

步驟3：針對工作狀態(tài)的采集到的頂錘實(shí)時(shí)聲發(fā)射信號測試樣本(包含30個(gè)樣本)，利用BSA-SVM模型進(jìn)行識別，結(jié)果如圖8所示；對檢測到某一裂紋信號的樣本，初步認(rèn)為是疑似裂紋信號，執(zhí)行步驟4。

步驟4：對該疑似裂紋信號首先利用模板信號進(jìn)行匹配，匹配結(jié)果為1，說明與模板信號相匹配，進(jìn)一步利用K-SPWVD處理方法進(jìn)行分析，如圖13、圖14所示，能夠觀察到頂錘裂紋特征頻率，據(jù)此判定為頂錘發(fā)生了裂紋，輸出結(jié)果。

本發(fā)明結(jié)合時(shí)頻分析方法和智能診斷方法，提出了一種新的金剛石壓機(jī)頂錘裂紋在線檢測新方法。利用回溯搜索優(yōu)化算法(BSA)方法對支持向量機(jī)模型參數(shù)進(jìn)行優(yōu)化選擇，避免了參數(shù)選擇的盲目性；K-SPWVD方法的應(yīng)用，既利用模板匹配方法，避免對每個(gè)待檢測信號均進(jìn)行復(fù)雜的時(shí)頻分析，提高了算法的效率，又充分利用了平滑偽維格納-威利分布良好的時(shí)頻分析性能。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。

權(quán)利要求書及說明書中名詞對應(yīng)對英文及縮寫對照表格