基于Online LS-SVM的钢铁件淬硬层深度在线检测.pdfVIP

基于OnlineLS—SVM的钢铁件淬硬层深度在线检测 OnlineENDTforhardnessofironandsteeI basedonOnlineLS-SVM depth parts 贾健明，颜鹏 JIA Jian—ming．YANPeng (常州信息职业技术学院机电工程系。常州213164) 摘要：为了实现钢铁件淬硬层深度的在线电磁无损检测，提出了在线最小二乘支持向量机(online Leest：SQuareVector Support Machine)的建模方法。OnlineLS-SVM是以增量学习训I练 LS—SVM SVM，以减量学习减少样本数，实删＼样本估计的训练方法。实验结果表明，Onllne 不仅能实现钢铁件淬硬层深度的在线电磁无损检测，而且具有学习速度快。泛化性能好．对样 本依赖程度低的优点。 关键词：最小二乘支持向量机；人工神经网络；在线检测，电磁无损检测；硬度 56．8+1 009—01 中国分类每TGl 文献标识码A 文章编每1 34(2009)05—0082—04 0引言 支持向量机(onlineLS-SVM)进行建模。 在热处理淬火过程中必须及时检测工件的淬硬 1支持向量机(SVM) 层深度，并以此来调整工艺参数，从而最终获得合 vector machine)是统计 支持向量机(support 格的产品。为此，我们试制了DWY一1型电磁无损检 学习理论中的内容，也是最实用的部分。它是 测仪，如图l所示。运用软测量技术，通过测量工 Vapnik等人系统地研究了机器学习问题，特别是有 件的矫顽力估算工件的淬硬层深度…，测试系统原 限样本(小样本)情况下的统计学习问题，于1992 理框图如图2所示。我们并运用改进的RBF人工神 年到1995年间提出的【5I。主要针对模式识别问题，随 经网络建立了矫顽力与淬硬层深度之间的数学模型， 后又提出了针对实函数的支持向量机回归模型，并 提高了RBF人工神经网络的收敛速度，在时间上满 出现了各种改进的支持向量机。 足了在线检测的需要【2l。 然而，在实际测量过程中我们发现人工神经网 络还存在着如下缺陷，无法满足实时在线检测的要 求。首先，人工神经网络的泛化能力差，其预测精 度过分依赖于样本的数量和质量。而在实际测量中 训练数据的数量过大必然会大大增加训练的时间。 同时由于实际检测时的工况与建模时的工况不同会 引起预测精度的下降。虽然文献【3】提出了一种新的 网络训练方法——在线训练法，提高了在线检测的 精度，但这种网络的在线校正的效果并不太好，同 时由于需要进行定态检验而增加了算法的训练时问。 图lDWY-1型电磁无损检测仪 其次，RBF人工神经网络还存在着网络基函数中心