基于局部离群因子与隔离森林的激光超声缺陷检测OA北大核心
针对激光超声(LU)缺陷检测中最大振幅图存在伪像的问题,结合主成分分析(PCA)和两种无监督的机器学习算法局部离群因子(LOF)与隔离森林(IF),以实现对LU数据的无监督异常检测。首先,利用PCA算法对LU数据进行降维处理,减轻了LU数据的复杂度;其次,利用LOF算法和IF算法进行了数据异常值的识别分析,并利用累积分布函数和核密度估计确定异常值的阈值大小;最后,对比了LOF算法、IF算法以及最大振幅图的检测结果。结果表明:LOF算法有更优的缺陷识别精度和更低的误判率。
李阳;朱文博;静丰羽;叶中飞;马云瑞;周洋;邹云
郑州大学机械与动力工程学院,河南郑州450001郑州大学机械与动力工程学院,河南郑州450001中国电建集团河南电力器材有限公司,河南漯河462000国网河南省电力公司电力科学研究院,河南郑州450052国网河南省电力公司电力科学研究院,河南郑州450052郑州大学机械与动力工程学院,河南郑州450001郑州大学机械与动力工程学院,河南郑州450001
机械工程
激光超声缺陷检测主成分分析局部离群因子隔离森林铝合金
《郑州大学学报（工学版）》 2025 (1)
P.105-112,8
河南省重点研发与推广专项(222102220025)。
评论