超声检测是无损检测中应用较为广泛的一种,也是金属材料内部缺陷检测的常用方法。缺陷信号的特征提取与识别方法对材料内部缺陷的定性起着至关重要的作用,特征提取保证了约简后特征的数量和分辨性,识别方法保证了信号分类的准确率。论文主要针对采煤机械的缺陷信号进行特征提取与识别,对预防煤炭开采过程中的事故和降低事故率具有重大的意义。本文主要围绕采煤机的铸造缺陷检测,从缺陷信号的特征提取、属性约简以及识别等方面进行研究。主要的研究内容包含以下几点:(1)对实验数据进行小波去噪和小波包能量特征提取研究。使用由超声探伤仪采集的人工模拟缺陷信号进行实验,采用小波阈值方法对信号进行去噪,并对去噪结果进行对比。分析了缺陷信号能量作为特征信息的可行性,利用小波包实现缺陷信号的能量特征提取。实验证明,缺陷信号的能量信息对区分不同缺陷具有较好的分辨性。(2)针对小波包能量特征提取维数高的问题,利用邻域粗糙集算法进行冗余属性的约简。研究邻域取值的重要性,针对常用的均匀邻域取值方法粒化效果不理想的问题,提出不均匀邻域取值的思想,给出不均匀邻域和依赖度的计算方法,以及属性约简算法的流程。实现了不均匀标准差和不均匀斜率的邻域值粒化方法,并进行实验研究。实验结果表明,二者在降维的同时均保留了极具分辨性的特征,且不均匀斜率方法效果更优。(3)研究缺陷信号智能识别算法,利用BP神经网络和支持向量机对缺陷信号进行分类识别,并采用遗传算法对支持向量机训练参数进行优化。利用不同方法对约简后的特征属性进行分类实验,实验结果表明,在小样本情况下,支持向量机相比BP神经网络分类准确率更高。针对不均匀斜率的分类正确率,BP神经网络达到89%,支持向量机达到了93%,后者效果明显更优,同时说明不均匀邻域取值的方法明显优于均匀邻域取值,验证了不均匀邻域粗糙集的可行性。