在邵氏硬度测试中,测试曲线因材料缺陷、操作波动或仪器干扰可能产生突变点(异常值),传统人工筛查效率低且易疏漏。基于机器学习的智能识别算法可实时捕捉异常模式,其核心技术逻辑如下:
1.数据预处理与特征提取
采用滑动窗口对测试序列分段,计算局部均值(μ)和标准差(σ),构建统计特征向量。对非线性趋势数据,通过Savitzky-Golay滤波平滑后,提取一阶差分特征(ΔH)和二阶导数特征(Δ²H),增强突变敏感性。
2.双阈值动态判别机制
统计阈值法:设定全局阈值(如μ±3σ),标记显著偏离点。
自适应阈值法:根据局部数据密度动态调整阈值,避免材料硬度梯度变化导致的误判。
复合规则:仅当连续3个点满足ΔH>2σ且Δ²H>1.5σ时判定为突变,平衡灵敏度与噪声鲁棒性。
3.深度学习增强模型
对于复杂场景(如多层复合材料),采用LSTM网络建模时序依赖关系,输入窗口内硬度序列及操作参数(如压针速度),输出突变概率。通过迁移学习预训练通用模型,再在小样本场景微调,提升泛化能力。
4.工程化优化策略
实时性保障:算法复杂度控制在O(n),适配嵌入式系统。
可视化辅助:突变点自动标注并叠加原始曲线,支持人工复核。
自学习机制:通过在线增量学习更新模型,适应新批次材料特性。
应用成效
某橡胶制品企业实测显示,该算法使突变点检出率从人工的72%提升至98%,误报率低于3%。特别在自动化测试线中,可实时触发报警并联动复测,显著提升质量控制效率。未来结合数字孪生技术,有望实现测试参数的动态优化。