1.基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤一、对已知埋藏深度和长度的亚表面裂纹进行超声反射和透射信号进行探测，具体为在亚表面裂纹的两侧各设置一个超声探头，并在其中一个超声探头远离亚表面裂纹的一侧设置脉冲激光器探头；脉冲激光器探头激励出表面声波，两个超声探头分别检测到反射表面波信号RW(n)和透射表面波信号TW(n)；通过对不同的亚表面裂纹按照相同方法探测，得到多组反射表面波信号和透射表面波信号；

步骤二、分别提取反射表面波信号和透射表面波信号的时域特征，以及反射表面波信号的频域特征；

k

步骤三、对步骤二所得时域特征和频域特征进行k重小波变换，得到2子带；并根据所得k k k到的2 子带计算小波能量熵WEE、小波奇异熵WSE、2个小波尺度熵WTEk；合计得到2 +2个小波熵，将其作为时频域特征参数；

步骤四、利用步骤三中得到时频域特征参数，训练以时频域特征参数作为输入，以亚表面裂纹埋藏深度和长度作为输出的BP神经网络；

步骤五、利用步骤四所得的BP神经网络，对未知埋藏深度和长度的亚表面裂纹进行探测，获得被测亚表面裂纹的时频域特征参数；将所得时频域特征参数输入步骤训练得到的BP神经网络，得到被测亚表面裂纹的埋藏深度和长度。

2.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤二中所述的时域特征如下表所示：T1＝|W(n)max‑W(n)min|

其中，W(n)为通过反射表面波信号RW(n)和透射表面波信号TW(n)计算得到的特征参数；W(n)max、W(n)min分别为特征参数W(n)中的最大值、最小值；|W(n)|max为特征参数W(n)的绝对值中的最大值；N为反射波或透射波的数据点数；σ为反射波或透射波的标准差； 为反射波或透射波的数据平均值；其中T1～T8分别为波形的幅值、平方平均值、样本方差、偏度、峰度、峰度因子、形状因子、脉冲因子；T9和T10分别为反射系数和透射系数。

3.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤二中所述的频域特征通过对反射回波信号RW(n)进行离散傅里叶变换得到。

4.根据权利要求3所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：在离散傅里叶变换过程中使用快速傅里叶变换，以减少计算机计算离散傅里叶变换所需要的乘法次数。

5.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特k

征在于：步骤三中，小波能量熵WEE、小波奇异熵WSE、2个小波尺度熵WTEk的计算公式如下：其中，Ei为第i个子带的能量功率；zik、zjk为第i或j个小波系数在第k个子带所出现的频数；λi、λj为根据信号奇异值分解理论得到的小波系数重构矩阵的第i、j个奇异值；l为奇异值分解得到的对角矩阵的阶数。

6.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤四中，将多组时频域特征参数分为训练组与测试组，利用训练组对BP神经网络进行训练；训练完成后，将测试组的时频域特征参数输入，通过BP神经网络得到预测裂纹埋藏深度和长度，将预测结果与仿真结果进行对比，计算得到相对误差，若误差达到要求则网络训练完成；若误差未达到要求，则根据步骤一至三中的方法获取新的时频域特征参数再次进行训练，直到误差达到要求。

7.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：BP神经网络中，每个预测因子需10个样例，训练数据的数量大于100个。

8.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：步骤一中，入射的表面声波波长的两倍大于亚表面裂纹的埋藏深度；入射的表面声波波长的10倍小于工件厚度。

9.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：所述的脉冲激光器探头采用压电陶瓷探测。

10.根据权利要求1所述的基于表面波和BP神经网络的亚表面裂纹尺寸测量方法，其特征在于：所述的超声探头采用激光干涉仪。