本发明属于亚表面缺陷检测的技术领域，具体涉及一种基于pec/ut数据融合的亚表面缺陷深度检测方法及系统。
背景技术：
当前应用于重大装备的导电结构件大都长期服役于高温、高压、高速等恶劣的工作环境下，易受环境的影响产生裂纹、孔洞、腐蚀等缺陷。因此，为降低安全隐患，避免发生安全事故，对重大装备导电结构件中的缺陷进行及时准确地检测具有重大意义。现今，对导体的表面缺陷和深层缺陷的检测方法已经比较成熟，而导体亚表面缺陷的检测依然是行业急需解决的重要问题。
针对导体亚表面缺陷深度检测，单传感器检测能力有限的问题，研究多传感器数据融合方法，目前基于脉冲涡流(pulsededdycurrent)和基于超声波(ultrasonic)的缺陷检测方法在常规缺陷检测方面研究广泛并取得了较好的成果，但是，脉冲涡流受趋肤效应的影响，随着缺陷深的增加脉冲涡流技术的检测能力会下降；而由于超声技术存在表面检测盲区，在表面和亚表面缺陷的检测上也存在限制，可见二者在导体缺陷深度检测上存在互补性，因此迫切需要一种基于脉冲涡流和超声波数据融合的亚表面缺陷深度检测方法。
技术实现要素：
本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种基于pec/ut数据融合的亚表面缺陷深度检测方法及系统，能够从证据的可靠性、证据冲突、证据与样本的分布关系等多方面评价证据的可信度，合理地对证据权重进行分配，从而提高算法的量化精度。
为了解决上述技术问题，本发明采用的技术方案为：一种基于pec/ut数据融合的亚表面缺陷深度检测方法，包括：
s101、借助脉冲涡流和超声波检测仪对不同缺陷深度下的亚表面缺陷进行多次检测，获得基于脉冲涡流和基于超声波的亚表面缺陷数据样本；s102、对采集到的脉冲涡流和超声波的样本数据单独进行特征提取，将所提取的特征和缺陷深度大小作为输入，对应的缺陷深度作为输出，构建基于脉冲涡流和基于超声波的svm分类器，通过所构建的分类器分别对脉冲涡流和超声波进行分类，获得不同缺陷深度下，脉冲涡流和超声波的缺陷概率分布；s103、分别通过证据信息熵、冲突熵和分布熵对证据可信度进行评价，构建出基于多准则的权重优化模型，利用该模型对证据的可信度大小进行评价，并根据证据的可信度大小自适应分配证据权重；s104、根据权重优化模型获得的证据权重对证据概率密度分布进行修正，将证据权重分配过程中产生的冗余概率分配给另一证据，最后进行d-s融合，并加权获得量化结果。
优选地，所述步骤s102中具体包括：s1021、采集到的脉冲涡流和超声波的样本数据中包含多种不同深度下的缺陷数据，记第i类深度下的数据样本集合为xi，i＝1,2,…,n；s1022、单独提取多种脉冲涡流和超声波信号特征pec_xij，ut_xij，其中i表示缺陷深度，j＝(1,2,…n)表示特征序号；s1023、根据所提取特征和对应的缺陷深度，分别构建基于脉冲涡流的亚表面缺陷深度svm分类模型和基于超声波的亚表面缺陷深度svm分类模型，利用所构建的模型进行预测获得脉冲涡流和超声波的亚表面缺陷深度检测概率密度分布p,q。
优选地，所述构建基于多准则的权重优化模型，具体包括：
s1031、计算不同缺陷深度下，pec/ut的信息熵值h(pec)、h(ut)，计算公式为：
式(1)中，mi表示脉冲涡流证据或超声波证据，aj为脉冲涡流或超声波中提取的第j种缺陷深度；
s1032、计算不同缺陷深度下，pec/ut的冲突熵值hk(pec)、hk(ut)，计算公式为：
式(2)中，mi表示脉冲涡流证据或超声波证据，kj表示待测证据与不同深度下样本证据的冲突大小，j表示缺陷深度类别，k的计算公式如下：
式(3)中，m(a)表示检测缺陷深度结果为a的概率，n表示脉冲涡流证据或超声波证据；
s1033、计算不同缺陷深度下，pec/ut的分布熵值s(pec)，s(ut)，计算公式为：
式(4)中，mi表示脉冲涡流证据或超声波证据，dj表示待测证据与不同深度下样本类中心的海林格距离，海林格距离公式如下：
式(5)中，di为证据距离，p为待测证据，qi为不同类别的类中心位置；
s1034、将证据信息熵、冲突熵和分布熵组合获得证据组合权重，权重组合公式如下：
优选地，所述步骤s104中，具体包括：
s1041、根据基于多准则的权重优化模型获得的证据权重对证据概率密度分布进行修正，计算公式如下：
式(7)中，m(a)、m(b)表示脉冲涡流证据和超声波证据，w(a)、w(b)表示对应的权重均小于1，m(a')、m(b')表示修正后的脉冲涡流证据和超声波证据；
s1042、进行d-s证据融合，组合规则如下：
s1043、加权获得量化结果，加权公式如下：
式(9)中，m(a)表示d-s融合后的概率，i代表对应的缺陷深度。
相应地，一种基于pec/ut数据融合的亚表面缺陷深度检测系统，包括：样本采集单元：借助脉冲涡流和超声波检测仪对不同缺陷深度下的亚表面缺陷进行多次检测，获得基于脉冲涡流和基于超声波的亚表面缺陷数据样本；svm分类器建立单元：对采集到的脉冲涡流和超声波的样本数据单独进行特征提取，将所提取的特征和缺陷深度大小作为输入，对应的缺陷深度作为输出，构建基于脉冲涡流和基于超声波的svm分类器，通过所构建的分类器分别对脉冲涡流和超声波进行分类，获得不同缺陷深度下，脉冲涡流和超声波的缺陷概率分布；权重优化模型建立单元：分别通过证据信息熵、冲突熵和分布熵对证据可信度进行评价，构建出基于多准则的权重优化模型，利用该模型对证据的可信度大小进行评价，并根据证据的可信度大小自适应分配证据权重；d-s融合单元：根据权重优化模型获得的证据权重对证据概率密度分布进行修正，将证据权重分配过程中产生的冗余概率分配给另一证据，最后进行d-s融合，并加权获得量化结果。
优选地，所述svm分类器建立单元，具体包括：数据整理单元：采集到的脉冲涡流和超声波的样本数据中包含多种不同深度下的缺陷数据，记第i类深度下的数据样本集合；特征提取单元：单独提取多种脉冲涡流和超声波信号特征；分类模型建立单元：根据所提取特征和对应的缺陷深度，分别构建基于脉冲涡流的亚表面缺陷深度svm分类模型和基于超声波的亚表面缺陷深度svm分类模型，利用所构建的模型进行预测获得脉冲涡流和超声波的亚表面缺陷深度检测概率密度分布p,q。
优选地，所述权重优化模型建立单元，具体包括：信息熵计算单元：计算不同缺陷深度下，pec/ut的信息熵值；冲突熵计算单元：计算不同缺陷深度下，pec/ut的冲突熵值；分布熵计算单元：计算不同缺陷深度下，pec/ut的分布熵值；权重组合单元：将证据信息熵、冲突熵和分布熵组合获得证据组合权重。
优选地，所述d-s融合单元中，具体包括：修正单元：根据基于多准则的权重优化模型获得的证据权重对证据概率密度分布进行修正；融合单元：进行d-s证据融合；结果输出单元：加权获得量化结果。
本发明与现有技术相比具有以下有益效果：
本发明一种基于pec/ut数据融合的亚表面缺陷深度检测方法本实施例通过计算证据信息熵、证据冲突熵和证据分布熵构建证据可信度评价模型，合理地对证据权重进行分配，用证据权重对独立检测的bpa优化后会产生冗余概率，为降低检测的不确定性，提出将冗余概率按证据权重重新分配，最后进行d-s加权融合获得联合概率分布和量化结果，该算法提高了单传感器的量化精度，满足亚表面缺陷深度检测的基本要求，具有较高的应用价值。
附图说明
下面结合附图对本发明做进一步详细的说明；
图1为本发明本实施例一提供的一种基于pec/ut数据融合的亚表面缺陷深度检测方法的流程示意图；
图2为本发明实施例一提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图；
图3为本发明实施例二提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图；
图4为本发明实施例三提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图；
图5为本发明实施例四提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图；
图中：101为样本采集单元，102为svm分类器建立单元，1021为数据整理单元，1022为特征提取单元，1023为分类模型建立单元，103为权重优化模型建立单元，1031为信息熵计算单元，1032为冲突熵计算单元，1033为分布熵计算单元，1034为权重组合单元，104为d-s融合单元，1041为修正单元，1042为融合单元，1043为结果输出单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本实施例一提供的一种基于pec/ut数据融合的亚表面缺陷深度检测方法的流程示意图，如图1所示，包括：
s101、借助脉冲涡流和超声波检测仪对不同缺陷深度下的亚表面缺陷进行多次检测，获得基于脉冲涡流和基于超声波的亚表面缺陷数据样本；
s102、对采集到的脉冲涡流和超声波的样本数据单独进行特征提取，将所提取的特征和缺陷深度大小作为输入，对应的缺陷深度作为输出，构建基于脉冲涡流和基于超声波的svm分类器，通过所构建的分类器分别对脉冲涡流和超声波进行分类，获得不同缺陷深度下，脉冲涡流和超声波的缺陷概率分布；
s103、分别通过证据信息熵、冲突熵和分布熵对证据可信度进行评价，构建出基于多准则的权重优化模型，利用该模型对证据的可信度大小进行评价，并根据证据的可信度大小自适应分配证据权重；
s104、根据权重优化模型获得的证据权重对证据概率密度分布进行修正，将证据权重分配过程中产生的冗余概率分配给另一证据，最后进行d-s融合，并加权获得量化结果。
具体地，首先进行实验，获得pec/ut检测数据；然后构建svm分类器，对单传感器检测数据进行分类，获得不同缺陷深度下，pec/ut的缺陷概率分布；然后提出了一种多准则的证据可信度评价体系，通过计算证据信息熵、证据冲突熵和证据分布熵构建证据可信度评价模型，合理地对证据权重进行分配，用证据权重对独立检测的bpa优化后会产生冗余概率，为降低检测的不确定性，提出将冗余概率按证据权重重新分配，最后进行d-s加权融合获得联合概率分布和量化结果。
本实施例通过计算证据信息熵、证据冲突熵和证据分布熵构建证据可信度评价模型，合理地对证据权重进行分配，用证据权重对独立检测的bpa优化后会产生冗余概率，为降低检测的不确定性，提出将冗余概率按证据权重重新分配，最后进行d-s加权融合获得联合概率分布和量化结果，该算法提高了单传感器的量化精度，满足亚表面缺陷深度检测的基本要求，具有较高的应用价值。
所述步骤s102中具体包括：首先对脉冲涡流和超声波样本数据单独进行特征提取，将所提取的特征和缺陷深度大小作为输入，对应的缺陷深度作为输出，构建基于脉冲涡流和基于超声波的svm分类器，并利用所构建的分类器分别对脉冲涡流和超声波进行分类，获得不同缺陷深度下，脉冲涡流和超声波的缺陷概率分布，具体方法说明如下：
s1021、采集到的脉冲涡流和超声波的样本数据中包含多种不同深度下的缺陷数据，记第i类深度下的数据样本集合为xi，i＝1,2,…,n；
s1022、单独提取多种脉冲涡流和超声波信号特征pec_xij，ut_xij，其中i表示缺陷深度，j＝(1,2,…n)表示特征序号；
s1023、根据所提取特征和对应的缺陷深度，分别构建基于脉冲涡流的亚表面缺陷深度svm分类模型和基于超声波的亚表面缺陷深度svm分类模型，利用所构建的模型进行预测获得脉冲涡流和超声波的亚表面缺陷深度检测概率密度分布p,q。
所述构建基于多准则的权重优化模型，分别通过证据信息熵、冲突熵和分布熵三个角度对证据可信度进行评价，获得证据组合权重，具体方法说明如下：
s1031、计算不同缺陷深度下，pec/ut的信息熵值h(pec)、h(ut)，计算公式为：
式(1)中，mi表示脉冲涡流证据或超声波证据，aj为脉冲涡流或超声波中提取的第j种缺陷深度；
s1032、计算不同缺陷深度下，pec/ut的冲突熵值hk(pec)、hk(ut)，计算公式为：
式(2)中，mi表示脉冲涡流证据或超声波证据，kj表示待测证据与不同深度下样本证据的冲突大小，j表示缺陷深度类别，k的计算公式如下：
式(3)中，m(a)表示检测缺陷深度结果为a的概率，n表示脉冲涡流证据或超声波证据；
s1033、计算不同缺陷深度下，pec/ut的分布熵值s(pec)，s(ut)，计算公式为：
式(4)中，mi表示脉冲涡流证据或超声波证据，dj表示待测证据与不同深度下样本类中心的海林格距离，海林格距离公式如下：
式(5)中，di为证据距离，p为待测证据，qi为不同类别的类中心位置；
s1034、将证据信息熵、冲突熵和分布熵组合获得证据组合权重，权重组合公式如下：
所述步骤s104中，根据基于多准则的权重优化模型获得的证据权重对证据概率密度分布进行修正，将证据权重分配过程中产生的冗余概率分配给另一证据，最后进行d-s融合，并加权获得量化结果，具体方法说明如下：
s1041、根据基于多准则的权重优化模型获得的证据权重对证据概率密度分布进行修正，计算公式如下：
式(7)中，m(a)、m(b)表示脉冲涡流证据和超声波证据，w(a)、w(b)表示对应的权重均小于1，m(a')、m(b')表示修正后的脉冲涡流证据和超声波证据；
s1042、进行d-s证据融合，组合规则如下：
s1043、加权获得量化结果，加权公式如下：
式(9)中，m(a)表示d-s融合后的概率，i代表对应的缺陷深度。
图2为本发明实施例一提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图，如图2所示，一种基于pec/ut数据融合的亚表面缺陷深度检测系统，包括：
样本采集单元101：借助脉冲涡流和超声波检测仪对不同缺陷深度下的亚表面缺陷进行多次检测，获得基于脉冲涡流和基于超声波的亚表面缺陷数据样本；
svm分类器建立单元102：对采集到的脉冲涡流和超声波的样本数据单独进行特征提取，将所提取的特征和缺陷深度大小作为输入，对应的缺陷深度作为输出，构建基于脉冲涡流和基于超声波的svm分类器，通过所构建的分类器分别对脉冲涡流和超声波进行分类，获得不同缺陷深度下，脉冲涡流和超声波的缺陷概率分布；
权重优化模型建立单元103：分别通过证据信息熵、冲突熵和分布熵对证据可信度进行评价，构建出基于多准则的权重优化模型，利用该模型对证据的可信度大小进行评价，并根据证据的可信度大小自适应分配证据权重；
d-s融合单元104：根据权重优化模型获得的证据权重对证据概率密度分布进行修正，将证据权重分配过程中产生的冗余概率分配给另一证据，最后进行d-s融合，并加权获得量化结果。
图3为本发明实施例二提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图，如图3所示，在实施例一的基础上，所述svm分类器建立单元102，具体包括：
数据整理单元1021：采集到的脉冲涡流和超声波的样本数据中包含多种不同深度下的缺陷数据，记第i类深度下的数据样本集合；
特征提取单元1022：单独提取多种脉冲涡流和超声波信号特征；
分类模型建立单元1023：根据所提取特征和对应的缺陷深度，分别构建基于脉冲涡流的亚表面缺陷深度svm分类模型和基于超声波的亚表面缺陷深度svm分类模型，利用所构建的模型进行预测获得脉冲涡流和超声波的亚表面缺陷深度检测概率密度分布p,q。
图4为本发明实施例三提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图，如图4所示，在实施例二的基础上，所述权重优化模型建立单元103，具体包括：
信息熵计算单元1031：计算不同缺陷深度下，pec/ut的信息熵值；
冲突熵计算单元1032：计算不同缺陷深度下，pec/ut的冲突熵值；
分布熵计算单元1033：计算不同缺陷深度下，pec/ut的分布熵值；
权重组合单元1034：将证据信息熵、冲突熵和分布熵组合获得证据组合权重。
图5为本发明实施例四提供的一种基于pec/ut数据融合的亚表面缺陷深度检测系统的结构示意图，如图5所示，在实施例三的基础上，所述d-s融合单元104中，具体包括：
修正单元1041：根据基于多准则的权重优化模型获得的证据权重对证据概率密度分布进行修正；
融合单元1042：进行d-s证据融合；
结果输出单元1043：加权获得量化结果。
在本说明书的描述中，参考术语“一个实施例”、“一部分实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
可以理解的是，上述方法、装置及系统中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
1.一种基于pec/ut数据融合的亚表面缺陷深度检测方法，其特征在于：包括：
s101、借助脉冲涡流和超声波检测仪对不同缺陷深度下的亚表面缺陷进行多次检测，获得基于脉冲涡流和基于超声波的亚表面缺陷数据样本；
s102、对采集到的脉冲涡流和超声波的样本数据单独进行特征提取，将所提取的特征和缺陷深度大小作为输入，对应的缺陷深度作为输出，构建基于脉冲涡流和基于超声波的svm分类器，通过所构建的分类器分别对脉冲涡流和超声波进行分类，获得不同缺陷深度下，脉冲涡流和超声波的缺陷概率分布；
s103、分别通过证据信息熵、冲突熵和分布熵对证据可信度进行评价，构建出基于多准则的权重优化模型，利用该模型对证据的可信度大小进行评价，并根据证据的可信度大小自适应分配证据权重；
s104、根据权重优化模型获得的证据权重对证据概率密度分布进行修正，将证据权重分配过程中产生的冗余概率分配给另一证据，最后进行d-s融合，并加权获得量化结果。
2.根据权利要求1所述的一种基于pec/ut数据融合的亚表面缺陷深度检测方法，其特征在于：所述步骤s102中具体包括：
s1021、采集到的脉冲涡流和超声波的样本数据中包含多种不同深度下的缺陷数据，记第i类深度下的数据样本集合为xi，i＝1,2,…,n；
s1022、单独提取多种脉冲涡流和超声波信号特征pec_xij，ut_xij，其中i表示缺陷深度，j＝(1,2,…n)表示特征序号；
s1023、根据所提取特征和对应的缺陷深度，分别构建基于脉冲涡流的亚表面缺陷深度svm分类模型和基于超声波的亚表面缺陷深度svm分类模型，利用所构建的模型进行预测获得脉冲涡流和超声波的亚表面缺陷深度检测概率密度分布p,q。
3.根据权利要求1所述的一种基于pec/ut数据融合的亚表面缺陷深度检测方法，其特征在于：所述构建基于多准则的权重优化模型，具体包括：
s1031、计算不同缺陷深度下，pec/ut的信息熵值h(pec)、h(ut)，计算公式为：
式(1)中，mi表示脉冲涡流证据或超声波证据，aj为脉冲涡流或超声波中提取的第j种缺陷深度；
s1032、计算不同缺陷深度下，pec/ut的冲突熵值hk(pec)、hk(ut)，计算公式为：
式(2)中，mi表示脉冲涡流证据或超声波证据，kj表示待测证据与不同深度下样本证据的冲突大小，j表示缺陷深度类别，k的计算公式如下：
式(3)中，m(a)表示检测缺陷深度结果为a的概率，n表示脉冲涡流证据或超声波证据；
s1033、计算不同缺陷深度下，pec/ut的分布熵值s(pec)，s(ut)，计算公式为：
式(4)中，mi表示脉冲涡流证据或超声波证据，dj表示待测证据与不同深度下样本类中心的海林格距离，海林格距离公式如下：
式(5)中，di为证据距离，p为待测证据，qi为不同类别的类中心位置；
s1034、将证据信息熵、冲突熵和分布熵组合获得证据组合权重，权重组合公式如下：
4.根据权利要求1所述的一种基于pec/ut数据融合的亚表面缺陷深度检测方法，其特征在于：所述步骤s104中，具体包括：
s1041、根据基于多准则的权重优化模型获得的证据权重对证据概率密度分布进行修正，计算公式如下：
式(7)中，m(a)、m(b)表示脉冲涡流证据和超声波证据，w(a)、w(b)表示对应的权重均小于1，m(a’)、m(b’)表示修正后的脉冲涡流证据和超声波证据；
s1042、进行d-s证据融合，组合规则如下：
s1043、加权获得量化结果，加权公式如下：
式(9)中，m(a)表示d-s融合后的概率，i代表对应的缺陷深度。
5.一种基于pec/ut数据融合的亚表面缺陷深度检测系统，其特征在于：包括：
样本采集单元：借助脉冲涡流和超声波检测仪对不同缺陷深度下的亚表面缺陷进行多次检测，获得基于脉冲涡流和基于超声波的亚表面缺陷数据样本；
svm分类器建立单元：对采集到的脉冲涡流和超声波的样本数据单独进行特征提取，将所提取的特征和缺陷深度大小作为输入，对应的缺陷深度作为输出，构建基于脉冲涡流和基于超声波的svm分类器，通过所构建的分类器分别对脉冲涡流和超声波进行分类，获得不同缺陷深度下，脉冲涡流和超声波的缺陷概率分布；
权重优化模型建立单元：分别通过证据信息熵、冲突熵和分布熵对证据可信度进行评价，构建出基于多准则的权重优化模型，利用该模型对证据的可信度大小进行评价，并根据证据的可信度大小自适应分配证据权重；
d-s融合单元：根据权重优化模型获得的证据权重对证据概率密度分布进行修正，将证据权重分配过程中产生的冗余概率分配给另一证据，最后进行d-s融合，并加权获得量化结果。
6.根据权利要求5所述的一种基于pec/ut数据融合的亚表面缺陷深度检测方法，其特征在于：所述svm分类器建立单元，具体包括：
数据整理单元：采集到的脉冲涡流和超声波的样本数据中包含多种不同深度下的缺陷数据，记第i类深度下的数据样本集合；
特征提取单元：单独提取多种脉冲涡流和超声波信号特征；
分类模型建立单元：根据所提取特征和对应的缺陷深度，分别构建基于脉冲涡流的亚表面缺陷深度svm分类模型和基于超声波的亚表面缺陷深度svm分类模型，利用所构建的模型进行预测获得脉冲涡流和超声波的亚表面缺陷深度检测概率密度分布p,q。
7.根据权利要求5所述的一种基于pec/ut数据融合的亚表面缺陷深度检测方法，其特征在于：所述权重优化模型建立单元，具体包括：
信息熵计算单元：计算不同缺陷深度下，pec/ut的信息熵值；
冲突熵计算单元：计算不同缺陷深度下，pec/ut的冲突熵值；
分布熵计算单元：计算不同缺陷深度下，pec/ut的分布熵值；
权重组合单元：将证据信息熵、冲突熵和分布熵组合获得证据组合权重。
8.根据权利要求5所述的一种基于pec/ut数据融合的亚表面缺陷深度检测方法，其特征在于：所述d-s融合单元中，具体包括：
修正单元：根据基于多准则的权重优化模型获得的证据权重对证据概率密度分布进行修正；
融合单元：进行d-s证据融合；
结果输出单元：加权获得量化结果。
技术总结