在邵氏硬度測試中，測試曲線因材料缺陷、操作波動或儀器干擾可能產生突變點（異常值），傳統人工篩查效率低且易疏漏。基于機器學習的智能識別算法可實時捕捉異常模式，其核心技術邏輯如下：
1.數據預處理與特征提取
采用滑動窗口對測試序列分段，計算局部均值（μ）和標準差（σ），構建統計特征向量。對非線性趨勢數據，通過Savitzky-Golay濾波平滑后，提取一階差分特征（ΔH）和二階導數特征（Δ²H），增強突變敏感性。
2.雙閾值動態判別機制
統計閾值法：設定全局閾值（如μ±3σ），標記顯著偏離點。
自適應閾值法：根據局部數據密度動態調整閾值，避免材料硬度梯度變化導致的誤判。
復合規則：僅當連續3個點滿足ΔH>2σ且Δ²H>1.5σ時判定為突變，平衡靈敏度與噪聲魯棒性。
3.深度學習增強模型
對于復雜場景（如多層復合材料），采用LSTM網絡建模時序依賴關系，輸入窗口內硬度序列及操作參數（如壓針速度），輸出突變概率。通過遷移學習預訓練通用模型，再在小樣本場景微調，提升泛化能力。
4.工程化優化策略
實時性保障：算法復雜度控制在O(n)，適配嵌入式系統。
可視化輔助：突變點自動標注并疊加原始曲線，支持人工復核。
自學習機制：通過在線增量學習更新模型，適應新批次材料特性。
應用成效
某橡膠制品企業實測顯示，該算法使突變點檢出率從人工的72%提升至98%，誤報率低于3%。特別在自動化測試線中，可實時觸發報警并聯動復測，顯著提升質量控制效率。未來結合數字孿生技術，有望實現測試參數的動態優化。
