基于Gentle Adaboost的氣密性檢測系統(tǒng)

張梓齊，耿樂陶，李陽，楊正樂，郭子興，胡敏，莊正飛，2，3

(1.華南師范大學(xué)生物光子學(xué)研究院，廣東廣州 510631；2.華南師范大學(xué)(清遠(yuǎn))科技創(chuàng)新研究院，廣東清遠(yuǎn) 511517；3.師大瑞利光電科技(清遠(yuǎn))有限公司，廣東清遠(yuǎn) 511517)

0 前言

氣密性是衡量電子產(chǎn)品以及工業(yè)生產(chǎn)中密封性能的一個(gè)重要評(píng)判標(biāo)準(zhǔn)。如果電子手環(huán)發(fā)生泄漏，可能導(dǎo)致用戶游泳時(shí)手環(huán)進(jìn)水；如果天然氣等工業(yè)管道中發(fā)生氣體泄漏，可能會(huì)引起爆炸、火災(zāi)等不可逆后果[1]。因此，不論是電子產(chǎn)品還是工業(yè)生產(chǎn)中，氣密性檢測都是至關(guān)重要的一環(huán)。常見的氣密性檢測方法主要分為差壓法、水檢法、流量法[2]、氦質(zhì)譜檢測[3]、超聲波檢測等[4]。其中氦質(zhì)譜檢測精度很高，但其造價(jià)與檢測成本高昂；超聲波檢測雖能定位泄漏點(diǎn)，卻由于超聲波傳感器存在測量盲區(qū)、泄漏信號(hào)互耦等問題[5]，不適用于較小的電子產(chǎn)品；流量法檢測精度不高，易受環(huán)境影響；水檢法由于需將被測物浸泡在水中，檢測結(jié)束后處理過程復(fù)雜，并會(huì)對(duì)被測物造成損壞；差壓法兼具精度與效率，且成本較低，得到了廣泛的應(yīng)用[6]。但由于被測物端需構(gòu)造密閉系統(tǒng)，測試所使用的壓力、平衡時(shí)間、保壓時(shí)間、環(huán)境溫度、被測物體積等因素都將對(duì)測試結(jié)果造成非線性的影響，導(dǎo)致差壓法中所需的工藝參數(shù)很難準(zhǔn)確評(píng)估[7]。例如防水馬達(dá)等，需測量它在工作情況下的氣密性，由于馬達(dá)工作中產(chǎn)生的熱量會(huì)破壞測試腔的溫度守恒，進(jìn)而導(dǎo)致差壓法的誤檢率大大增加。近年來，隨著機(jī)器學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，它被應(yīng)用于解決此類較難建立物理模型的問題，如徐晶偉等[8]通過采集抗血栓裝置的壓力特征參數(shù)，利用訓(xùn)練后的支持向量機(jī)模型實(shí)現(xiàn)氣密性檢測。本文作者基于傳統(tǒng)差壓法，提出一種新的系統(tǒng)，不再通過單一的差壓值判斷，而是以采集過程量與人為預(yù)設(shè)參數(shù)作為輸入，利用超參數(shù)優(yōu)化后的Gentle Adaboost集成分類算法建立工藝參數(shù)與過程量等因素與測試物密封性能間的關(guān)系，證明利用Gentle Adaboost集成分類算法提高差壓法檢測結(jié)果的正確率。并搭建完整的檢測系統(tǒng)，以實(shí)現(xiàn)終端數(shù)據(jù)采集、數(shù)據(jù)傳輸、人機(jī)交互與集成分類模型判別。

1 檢測流程及氣路結(jié)構(gòu)

傳統(tǒng)的差壓衰減式檢測方法是根據(jù)理想狀態(tài)方程得到的，如式(1)所示：

pV=nRT

(1)

在普適氣體常數(shù)R恒定、測試前后溫度不變、被測物體積V恒定情況下，如果被測物發(fā)生泄漏，則單位體積內(nèi)氣體分子數(shù)n將會(huì)降低，測試品的氣壓p也將會(huì)降低，通過標(biāo)準(zhǔn)品與測試品之間的差壓傳感器即可反映出該壓力變化，從而判斷產(chǎn)品的氣密性。

此系統(tǒng)采用的是差壓衰減式與機(jī)器學(xué)習(xí)相結(jié)合的方法，其內(nèi)部氣路如圖1所示。

圖1 檢測系統(tǒng)氣路

閥V1、V2、V3、V4為常閉型電磁閥，其中閥V1在掉電的情況下導(dǎo)通A、R兩端可實(shí)現(xiàn)測試氣路的排氣動(dòng)作，通電后導(dǎo)通P、A兩端，實(shí)現(xiàn)測試過程中的充壓動(dòng)作。檢測動(dòng)作如下：充氣階段，氣體經(jīng)手動(dòng)調(diào)壓閥降至電氣比例閥的可調(diào)節(jié)范圍，電氣比例閥接收下位機(jī)傳輸?shù)碾妷盒盘?hào)后，自動(dòng)控制其開度，調(diào)整充入測試系統(tǒng)內(nèi)部的氣壓至設(shè)定值，閥V1、V2、V3導(dǎo)通，氣體進(jìn)入標(biāo)準(zhǔn)物與測試物內(nèi)部。充氣時(shí)間結(jié)束后，關(guān)閉閥V2、V3，隨后打開閥V4，進(jìn)入平衡階段。平衡時(shí)間結(jié)束后，關(guān)閉閥V4，進(jìn)入保壓階段，采集此時(shí)差壓傳感器、直壓傳感器及溫度傳感器的示數(shù)記為初值，保壓時(shí)間結(jié)束后，采集此時(shí)差壓傳感器、直壓傳感器及溫度傳感器的示數(shù)記為終值。其中雖然溫度可能上下波動(dòng)，但最終差壓值僅與保壓前后溫度差有關(guān)。因此計(jì)算初值與終值的差記為差值，將設(shè)置的保壓時(shí)間、平衡時(shí)間、充氣壓力等參數(shù)與傳感器的初值、終值與差值輸入經(jīng)訓(xùn)練的Gentle Adaboost分類模型，根據(jù)獲得的參數(shù)進(jìn)行二分類，最終對(duì)被測物進(jìn)行良品/不良品的區(qū)分。測試完成后，進(jìn)入排氣階段，下位機(jī)輸出0 V電壓給電氣比例閥，閥V1關(guān)閉，閥V2、V3導(dǎo)通，將系統(tǒng)內(nèi)部的氣體排出，排氣結(jié)束后，各個(gè)電磁閥恢復(fù)初始狀態(tài)。

2 系統(tǒng)組成

2.1 系統(tǒng)結(jié)構(gòu)

此測試系統(tǒng)分為下位機(jī)檢測控制模塊與上位機(jī)數(shù)據(jù)處理存儲(chǔ)模塊。下位機(jī)主要負(fù)責(zé)檢測流程的控制、溫度與壓力傳感器數(shù)值的采集、測試壓力控制等功能。其中下位機(jī)控制器采用的是STM32F103，它采用了ARM架構(gòu)下的Cortex-M3處理器，與傳統(tǒng)控制芯片不同的是它具有更短的中斷響應(yīng)周期，穩(wěn)定性更高，適用于工控領(lǐng)域。由于控制器輸出功率較低無法直接控制電磁閥，故通過驅(qū)動(dòng)固態(tài)繼電器來實(shí)現(xiàn)對(duì)電磁閥的控制，并增加了節(jié)能模塊，避免電磁閥長時(shí)間工作發(fā)熱造成的溫度失衡。上位機(jī)主要負(fù)責(zé)歷史數(shù)據(jù)以及預(yù)設(shè)參數(shù)的存儲(chǔ)、機(jī)器學(xué)習(xí)模型的部署以及人機(jī)交互界面等功能。上下位機(jī)間采用RS232串口通信，以自定義協(xié)議的方式實(shí)現(xiàn)數(shù)據(jù)流的傳輸與解碼。檢測系統(tǒng)的結(jié)構(gòu)如圖2所示。

圖2 檢測系統(tǒng)結(jié)構(gòu)

2.2 傳感器校準(zhǔn)

系統(tǒng)中所使用的溫度傳感器是校準(zhǔn)后直接通過RS485串口利用Modbus協(xié)議發(fā)送給下位機(jī)。壓力測量部分考慮到精度與響應(yīng)速度故選用單晶硅壓力傳感器，壓力傳感器的毫伏信號(hào)經(jīng)過變送器模塊濾波放大為4～20 mA信號(hào)，隨后經(jīng)過AD模塊進(jìn)行模數(shù)轉(zhuǎn)換成數(shù)字量信號(hào)，通過線性化公式即可得出實(shí)時(shí)壓力值。此系統(tǒng)所用的壓力傳感器以康斯特ConST31壓力校驗(yàn)儀為標(biāo)準(zhǔn)進(jìn)行線性化校準(zhǔn)，采集傳感器模數(shù)轉(zhuǎn)換后數(shù)字量d與實(shí)際壓力值p構(gòu)造數(shù)據(jù)集F(d,p)，數(shù)據(jù)集內(nèi)的點(diǎn)F(di，pi)(i=1，2，3，…，m)由式(2)來進(jìn)行擬合：

(2)

式中：ki(i=1，2，3，…，n)是多項(xiàng)式系數(shù)，n是多項(xiàng)式的階數(shù)。F內(nèi)各個(gè)數(shù)據(jù)的誤差平方和為式(3)：

(3)

式中：m是樣本的維度。

存在一個(gè)最優(yōu)的系數(shù)ki(i=1，2，3，…，n)使S取極小值，獲得最佳擬合效果[9]。因壓力傳感器數(shù)字量與實(shí)際壓力值之間的關(guān)系近似一次函數(shù)，故選用一階多項(xiàng)式。k1與k0可由式(4)(5)得到：

(4)

(5)

為了提高壓力傳感器的精確度，采用分段線性化，即不同壓力范圍使用的線性化公式不同。表1為直壓傳感器分段線性化后的系數(shù)，表2為差壓傳感器分段線性化后的系數(shù)。

表2 單晶硅差壓傳感器分段線性化系數(shù)

由R2可看出：傳感器線性擬合程度高，轉(zhuǎn)換誤差小，采集得到的物理量真實(shí)可靠。

2.3 軟件設(shè)計(jì)

測試系統(tǒng)軟件設(shè)計(jì)分為下位機(jī)與上位機(jī)兩部分，其中下位機(jī)開發(fā)環(huán)境為MDK5.35，程序采用UCOSIII實(shí)時(shí)操作系統(tǒng)框架，以滿足采集任務(wù)的實(shí)時(shí)性需求，主要分為測試采集任務(wù)、傳感器校準(zhǔn)任務(wù)、測試壓校準(zhǔn)任務(wù)、急停排氣任務(wù)等。急停模塊的搶占優(yōu)先級(jí)最高，可隨時(shí)搶占內(nèi)核，執(zhí)行排氣流程并復(fù)位程序。其他模塊程序優(yōu)先級(jí)相同，無法相互搶占。測試采集任務(wù)是執(zhí)行氣密性檢測流程的程序；傳感器校準(zhǔn)任務(wù)是對(duì)傳感器進(jìn)行清零校準(zhǔn)的程序，解決傳感器在無壓力情況下未歸零的問題；測試壓校準(zhǔn)任務(wù)是校準(zhǔn)電氣比例閥所控制的測試氣壓，防止工業(yè)現(xiàn)場氣源壓力較大波動(dòng)造成的測試壓偏移問題。

上位機(jī)開發(fā)環(huán)境為Pycharm2020.1，所用語言為Python3.6.1，分為通信程序、歷史數(shù)據(jù)存儲(chǔ)程序、機(jī)器學(xué)習(xí)模型部署、HMI人機(jī)交互界面等。上下位機(jī)通信程序中自定義了通信協(xié)議來實(shí)現(xiàn)不同的功能，如表3所示。

表3 自定義協(xié)議功能

下位機(jī)傳輸過來的測量數(shù)據(jù)與設(shè)置參數(shù)通過解碼后寫入對(duì)應(yīng)Excel文件中。機(jī)器學(xué)習(xí)模型通過Pytorch框架進(jìn)行訓(xùn)練，訓(xùn)練完成后導(dǎo)出，利用Python進(jìn)行調(diào)用。上位機(jī)界面采用PyQt進(jìn)行設(shè)計(jì)，如圖3所示。

圖3 上位機(jī)界面

3 機(jī)器學(xué)習(xí)模型

為了克服測量工作中電機(jī)帶來的發(fā)熱問題，文中建立了新的差壓式氣密性檢測數(shù)據(jù)采集框架，整個(gè)測試系統(tǒng)不再局限于采集差壓值，而是通過采集平衡時(shí)間，保壓時(shí)間，測試壓以及差壓值的初值、終值及變化量，測試腔與標(biāo)準(zhǔn)腔測試前后的溫度差等物理量作為機(jī)器學(xué)習(xí)模型的輸入值，通過訓(xùn)練完成的模型判斷被測物的氣密性狀態(tài)。因被測物分為良品與不良品，屬于二分類問題，故采用分類模型。

3.1 單一分類算法

單一的分類算法主要有K近鄰、支持向量機(jī)、決策樹等[10]。K近鄰分類算法是根據(jù)訓(xùn)練數(shù)據(jù)集尋找待分樣本鄰域內(nèi)所有訓(xùn)練樣本中出現(xiàn)次數(shù)最多的類，并將待分樣本歸于該類[11]。支持向量機(jī)分類算法是在特征空間中尋找一條線或一個(gè)面將數(shù)據(jù)集劃為兩類，并且特征空間中的點(diǎn)到這條線或面的距離最大，利用線性分類對(duì)樣本數(shù)據(jù)進(jìn)行劃分[12]。 決策樹算法類似分段函數(shù)，是帶有判決規(guī)則(if-then)的倒置樹狀結(jié)構(gòu)，分為決策節(jié)點(diǎn)、分支節(jié)點(diǎn)與葉子節(jié)點(diǎn)。判斷時(shí)從根節(jié)點(diǎn)開始，根據(jù)實(shí)例特征的每個(gè)判斷結(jié)果，進(jìn)入各子節(jié)點(diǎn)中，直至分配到對(duì)應(yīng)類的葉子節(jié)點(diǎn)中[13]。

上述的單一分類算法皆有自身的局限性。支持向量機(jī)存在對(duì)缺失值敏感的缺點(diǎn)，當(dāng)訓(xùn)練樣本出現(xiàn)特征缺失時(shí)，將影響超平面的求解。決策樹也不易處理缺失數(shù)據(jù)，并容易忽略數(shù)據(jù)集中各屬性的相互關(guān)聯(lián)。K近鄰分類算法在處理不均衡數(shù)據(jù)時(shí)偏差較大，不易發(fā)現(xiàn)特征間的關(guān)系。

3.2 Gentle Adaboost集成分類算法

集成學(xué)習(xí)(Ensemble Learning)利用某種策略與規(guī)則將多個(gè)弱分類器的分類結(jié)果綜合，變成強(qiáng)分類器來進(jìn)行分類判斷，克服了單一分類算法的缺點(diǎn)，能更好地應(yīng)對(duì)數(shù)據(jù)質(zhì)量參差不齊、特征間關(guān)系復(fù)雜等情況[14]。文中使用Gentle Adaboost算法實(shí)現(xiàn)集成學(xué)習(xí)，屬于Boosting系列算法中的Adaboost算法[15]。傳統(tǒng)的Adaboost算法中基分類器之間存在依賴關(guān)系，每個(gè)基分類器的訓(xùn)練集都有其對(duì)應(yīng)權(quán)重。訓(xùn)練開始時(shí)，每個(gè)訓(xùn)練集的權(quán)重相同，第一個(gè)基分類器訓(xùn)練完成后，根據(jù)誤差率計(jì)算該基分類器的系數(shù)，并減少此輪正確分類的樣本權(quán)值，增加被錯(cuò)誤分類的樣本權(quán)值，更新下一個(gè)基分類器訓(xùn)練集的權(quán)重，達(dá)到下一輪訓(xùn)練中矯正錯(cuò)誤識(shí)別的樣本；依次迭代，最后組合時(shí)加大分類誤差率小的基分類器的權(quán)重，減少分類誤差率大的基分類器權(quán)重。但過度關(guān)注錯(cuò)誤分類的樣本，容易造成過擬合現(xiàn)象，使容易分類的樣本分類出錯(cuò)。而Gentle Adaboost算法克服了這一問題，其在每一輪迭代中都會(huì)利用最小二乘法進(jìn)行加權(quán)回歸，獲得此輪最佳的弱分類器，最終將所有回歸函數(shù)結(jié)果相加作為強(qiáng)分類器[16]。此系統(tǒng)所用強(qiáng)分類器的訓(xùn)練流程如下：假設(shè)訓(xùn)練集總共有n個(gè)樣本(y1,y2,…,yn)，初始化每輪迭代中每個(gè)樣本的權(quán)重為1/n后，進(jìn)行首輪迭代，在所有的特征中選出首輪樣本權(quán)重集合W1及樣本加權(quán)均方誤差最小的弱分類器f1(x)，根據(jù)f1更新下一輪權(quán)重集合W2，并進(jìn)行歸一化處理，隨后繼續(xù)尋找下一輪的最佳弱分類器。按上述步驟重復(fù)k輪，將所有的最佳弱分類器相加得到最終的強(qiáng)分類器，如式(6)所示：

(6)

獲取每輪最佳弱分類器的過程中，將會(huì)針對(duì)輸入特征的個(gè)數(shù)進(jìn)行遍歷，每一個(gè)特征下對(duì)應(yīng)的所有樣本特征值都會(huì)被拷入一維特征數(shù)組中，按照從小到大進(jìn)行排序，隨后針對(duì)每一個(gè)特征數(shù)組遍歷來尋找最佳弱分類器。以其中一個(gè)特征舉例：

假設(shè)總共有n個(gè)樣本，從第一個(gè)樣本開始遍歷，計(jì)算以該樣本為節(jié)點(diǎn)時(shí)，左右兩部分樣本的置信度。假設(shè)遍歷到第i個(gè)樣本時(shí)，前i個(gè)樣本置信度如式(7)所示：

(7)

后i個(gè)樣本置信度如式(8)所示：

(8)

其中：yk是第k個(gè)樣本的類別標(biāo)簽，yk=1時(shí)表示為良品，yk=-1時(shí)表示為不良品；wk是第k個(gè)樣本的權(quán)重。該節(jié)點(diǎn)兩側(cè)的加權(quán)均方根誤差如式(9)(10)所示：

(9)

(10)

如果S1、S2的和小于誤差值，則更新誤差值為S1、S2的和，誤差值的初值為0，并將該樣本在此特征中的對(duì)應(yīng)值記錄為弱分類器的閾值，同時(shí)記錄當(dāng)前弱分類器的分類置信度為α1與α2，然后對(duì)下一個(gè)樣本點(diǎn)重復(fù)上述步驟，直到遍歷完所有特征，最后獲得的弱分類器即為經(jīng)過最小二乘加權(quán)回歸后的均方誤差最小的分類器。

最終整個(gè)檢測系統(tǒng)的機(jī)器學(xué)習(xí)結(jié)構(gòu)如圖4所示。

圖4 檢測系統(tǒng)的機(jī)器學(xué)習(xí)結(jié)構(gòu)

4 實(shí)驗(yàn)分析

4.1 樣本分析

在控制測試氣體濕度相同、充氣時(shí)間相同的條件下，針對(duì)4種不同容積的防水電機(jī)(1.39、1.84、14.49、103.07 mL)遍歷不同的平衡時(shí)間與保壓時(shí)間、不同的標(biāo)準(zhǔn)腔與測試腔溫差值以及不同的測試壓力，利用文中檢測系統(tǒng)采集了3 658組樣本數(shù)據(jù)，其中良品樣本1 829組，不良品樣本1 829組。部分?jǐn)?shù)據(jù)如表4所示。

表4 系統(tǒng)部分采集數(shù)據(jù)

由表4可看出：檢測過程中測試腔溫度發(fā)生變化時(shí)，將極大影響差壓值差值，進(jìn)而影響傳統(tǒng)差壓法的判斷結(jié)果；不同容積的被測物在受近似溫差影響時(shí)，所造成的差壓值差值變化也不同；若檢測系統(tǒng)的標(biāo)準(zhǔn)腔發(fā)生溫度變化，也會(huì)影響差壓值差值。采集的數(shù)據(jù)中部分特征的散點(diǎn)與核概率密度估計(jì)如圖5所示。

圖5中Δp表示測試壓力差值，Dp1表示差壓值初值，Dp2表示差壓值的差值，ΔT1表示標(biāo)準(zhǔn)腔溫度差值，ΔT2表示測試腔溫度差值，由圖5(a)可看出：多個(gè)特征的分布及兩兩特征之間均存在非線性的關(guān)系，且有較多混合區(qū)域。由差壓值終值的核概率密度估計(jì)圖可看出，良品與不良品具有較大的重疊范圍，傳統(tǒng)的差壓法僅使用差壓值終值判斷，將無法區(qū)分重疊部分的樣品。上述特征的相關(guān)系數(shù)熱力圖如圖6所示。

由圖6可看出：差壓值差值與測試壓差值存在高度正相關(guān)；標(biāo)準(zhǔn)腔溫度差值與差壓值差值存在低度正相關(guān)；測試腔溫度差值與差壓值差值存在顯著負(fù)相關(guān)。因此，影響氣密性檢測的因素間存在復(fù)雜的關(guān)系，因溫度造成良品與不良品的差壓值區(qū)別不大，若使用傳統(tǒng)差壓法將無法進(jìn)行判別。

4.2 模型訓(xùn)練與比較

將采集到的樣本劃分為訓(xùn)練集與測試集，采用留出法驗(yàn)證，訓(xùn)練集與測試集比例為3∶1，訓(xùn)練完后利用測試集來衡量模型準(zhǔn)確度。此實(shí)驗(yàn)采用貝葉斯優(yōu)化框架[17]，迭代30次來對(duì)Gentle Adaboost分類模型進(jìn)行超參數(shù)優(yōu)化，迭代過程中所求得的最小分類誤差如圖7所示。最佳超參數(shù)為：弱學(xué)習(xí)器數(shù)量435個(gè)，學(xué)習(xí)率0.001，最大分裂數(shù)16個(gè)。

圖7 最小分類誤差

實(shí)驗(yàn)中選用了另外3種模型與Gentle Adaboost作為對(duì)照，分別是：以歐氏距離為度量公式，鄰近點(diǎn)個(gè)數(shù)為10的K近鄰模型；核函數(shù)為高斯函數(shù)，核尺度為1，框約束級(jí)別為1的支持向量機(jī)模型；最大分裂度為20，基于基尼多樣性指數(shù)的決策樹模型。4種模型的混淆矩陣及ROC曲線如圖8所示。

圖8 四種模型的混沌矩陣(a)與ROC曲線(b)

經(jīng)訓(xùn)練后，914組測試樣本結(jié)果所組成的混淆矩陣中Gentle Adaboost算法僅有2個(gè)錯(cuò)誤識(shí)別，遠(yuǎn)低于其他3類模型。由圖8(b)可知：Gentle Adaboost算法的ROC曲線與AUC面積皆為最佳，該模型泛化性能最好。由圖9可看出：基于Gentle Adaboost的氣密性檢測系統(tǒng)準(zhǔn)確度、精確度及召回率更高，比單一的分類模型效果更好。此實(shí)驗(yàn)同時(shí)利用測試集中4種不同內(nèi)部容積的防水電機(jī)的數(shù)據(jù)，對(duì)文中系統(tǒng)與傳統(tǒng)差壓式檢測系統(tǒng)的分類正確率進(jìn)行比較，結(jié)果如圖10所示。

圖9 4種算法的性能參數(shù)

圖10 所提系統(tǒng)與傳統(tǒng)方法性能對(duì)比

由圖10可知：在無溫度影響時(shí)，傳統(tǒng)的差壓式氣密性檢測方法的分類正確率還維持在一個(gè)較高的水平，但引入溫度影響后，其分類正確率皆發(fā)生了顯著下降，文中測試系統(tǒng)在有無溫度的影響下，分類正確率皆維持在高水平。因此，文中測試系統(tǒng)比傳統(tǒng)差壓式系統(tǒng)的分類準(zhǔn)確率更高。

5 結(jié)束語

文中設(shè)計(jì)搭建一種新的差壓式氣密性檢測系統(tǒng)，利用差壓法檢測過程中的各物理量變化狀態(tài)與測試前設(shè)置的工藝參數(shù)作為機(jī)器學(xué)習(xí)的輸入值，通過Gentle Adaboost集成分類器判斷被測物的氣密性好壞，克服了傳統(tǒng)差壓法僅使用差壓值作為評(píng)判標(biāo)準(zhǔn)而出現(xiàn)的誤檢率高、魯棒性差、易受環(huán)境影響等缺點(diǎn)。同時(shí)通過不同分類算法間的對(duì)比，進(jìn)一步驗(yàn)證了集成分類算法在此類問題中的優(yōu)越性。實(shí)驗(yàn)結(jié)果表明：文中系統(tǒng)檢測準(zhǔn)確度達(dá)到99.8%，與傳統(tǒng)方法相比誤判率低、穩(wěn)定性強(qiáng)。并且該系統(tǒng)已成功應(yīng)用于某血壓計(jì)生產(chǎn)車間中，解決了員工不易設(shè)置工藝參數(shù)、檢測結(jié)果易受外界影響、檢測節(jié)拍慢等難題，在4 967組測試中準(zhǔn)確率為99.52%，能有效地應(yīng)用于復(fù)雜的工業(yè)現(xiàn)場。