随着科学进步与资源流逝,人们对节约的要求越来越高,无损检测这种不需要破坏材料本身就能检测其属性的技术已成为当今的发展方向。对使用最为广泛的铁磁材料来说,微磁领域中的巴克豪森信号可以用来检测其属性,是当前的研究热点。当前人们对基于巴克豪森信号检测金属硬度的研究是从时域和频域两个领域进行的。时域方法为经典方法,其依据是巴克豪森信号在时域上的形状会随着金属硬度的变化而变化,因此使用形状特征检测金属硬度。但由于巴克豪森信号在时域上的形状还会受到其他金属属性的影响,所以当试件的多种金属属性相差较大时硬度检测效果就会变差;频域检测方法是近年新提出的检测方法,其发现巴克豪森AR(Auto-Regression)谱的一些波峰的幅值只随一种金属属性的变化而单调变化,依据这些波峰就可以定性分析出金属的硬度。该方法解决了多种金属属性不同时硬度检测不准的问题,但它需要手动提取特征,特征单一,且因为每个信号的特征维度不同,无法利用机器学习算法自动执行,所以不满足实际应用的需求。以此为背景,本文设计了频域新特征,又分别设计了两种不同的硬度检测方法。本文的研究内容主要包括以下几个部分:第一,对传统巴克豪森频域检测方法及其所使用的特征进行了深入分析,先学习这些特征与方法有效的原因,再根据特征和方法的缺点与不足来确定整体的改进思路。第二,利用AR谱的一阶、二阶导数设计了3种频域新特征,它们分别是一阶导数波峰波谷之间的频率距离,二阶导数波谷所在的频率和波谷的深度。与传统频域的手动提取的与硬度相关波峰的峰高相比,新特征可以被自动提取,具有多样性和更强的抗干扰性。利用新旧特征将待检硬度分到正确硬度类别的实验表明,新特征的性能优于旧特征:基于旧频域特征的分类错误率大于2%,而基于新特征的分类错误率低于0.67%。第三,设计了一种基于信号相似度的硬度检测方法。该方法通过计算待检硬度与已知硬度的特征相似度,确定待检硬度与哪种已知硬度最接近。其输出是在已知硬度中与待检硬度最相似的类别,即离散型输出,因此使用词袋算法来统一特征维度。该检测方法的算法部分包括了集成学习化的BP(Back Propagation)神经网络以及PCA((Principal Component Analysis)特征降维。在匹配待检硬度的最相似硬度的实验中,传统频域方法和经典时域方法的误检率均超过20%,而基于信号相似度的的硬度检测方法误检率小于1%,趋近于0,证明了方法的高效性。第四,设计了一种基于新特征与硬度关系的硬度检测方法。该方法输出值为连续值,不再适用词袋算法,为此本文设计了基于观测点特征抽取算法来统一特征维度。基于观测点特征抽取算法借鉴了列采样,使用多组相同维度的特征子集来替代了特征全集。为了减少特征错位造成的影响,又设计了“离观测点最近的波谷”这一新的特征抽取准则。这种检测方法使用了基于CART树的随机森林算法。该方法的对两种金属进行了硬度检测实验,计算出检测值与真实值的均方误差:经典时域方法的均方误差分别为229.8 HV30、298.7 HV30,而新方法的均方误差分别为60.3 HV30、81.3 HV30,从而证明了方法的准确性。基于上述研究内容,本文将频域检测新方法用于铁磁材料硬度检测领域。