您當(dāng)前的位置：檢測資訊 > 科研開發(fā)
嘉峪檢測網(wǎng) 2024-05-06 12:46
［摘要］ 針對車身用鋁合金板內(nèi)部鉚釘缺陷特征提取難度大、缺陷類型與程度識別準(zhǔn)確率低的問題，提出一種基于高斯卷積深度信念網(wǎng)絡(luò)與雙向長短期記憶網(wǎng)絡(luò)相結(jié)合的鉚釘失效缺陷診斷模型與檢測方法。首先，面向5 種鉚釘斷裂缺陷設(shè)計(jì)試件并搭建自動檢測系統(tǒng)，通過規(guī)劃和調(diào)整探頭姿態(tài)有效地降低提離效應(yīng)對檢測信號的影響。其次，設(shè)計(jì)雙網(wǎng)絡(luò)融合診斷模型提取和學(xué)習(xí)多維度缺陷特征信息，解決檢測曲線中由時序變化特性和空間分布狀態(tài)表征的缺陷信息提取難題。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)卷積網(wǎng)絡(luò)及單一深度信念網(wǎng)絡(luò)相比，優(yōu)化后算法診斷模型的平均準(zhǔn)確率為99.85%，相比提升了14.54%，且具有良好的通用性和魯棒性，可實(shí)現(xiàn)鉚釘內(nèi)部缺陷的在線診斷。
關(guān)鍵詞：鉚釘內(nèi)部缺陷；檢測系統(tǒng)；模式識別；特征融合
前言
自沖鉚接技術(shù)被廣泛地應(yīng)用于新能源汽車輕量化與飛機(jī)制造領(lǐng)域［1-2］。鋁合金板鉚接技術(shù)依然是減輕車身質(zhì)量、提高設(shè)計(jì)強(qiáng)度的重要途徑之一［3］。由于該技術(shù)通過配合凹模與機(jī)械互鎖工藝來實(shí)現(xiàn)半空心鉚釘與鉚接板材之間的連接，因此，鎖緊部件的缺陷是評價鉚接質(zhì)量的核心指標(biāo)。而制造過程中鉚接工藝的復(fù)雜性以及使用過程中受外力、疲勞等因素影響，均會導(dǎo)致板材與鉚釘產(chǎn)生失效缺陷［4-5］。其中，半空心鉚釘是實(shí)施互鎖的核心部件，其斷裂缺陷導(dǎo)致的機(jī)械連接故障將直接影響系統(tǒng)結(jié)構(gòu)的整體安全，因此檢測鉚釘失效狀態(tài)是避免事故發(fā)生的重要保障措施。
鉚接構(gòu)件內(nèi)部失效缺陷主要包含鉚接板內(nèi)部斷裂與鉚釘斷裂缺損，其無損檢測方法包含射線透視檢測法、超聲波檢測法、渦流檢測法。其中，射線透視法利用數(shù)字射線成像技術(shù)來識別缺陷，Liu 等［6］基于低能量射線灰度值特性與對比度分布方法實(shí)現(xiàn)了對SiCf/SiC復(fù)合材料中鉚接孔邊緣微小缺陷的檢測。其缺點(diǎn)是射線的有害性和成像視角的局限性。超聲波法是根據(jù)聲波傳遞過程中材料缺陷對聲學(xué)性能造成的差異來檢測缺陷。Le等［7］基于超聲波法分析了雙層2024 鋁合金鉚接板鉚釘內(nèi)部斷裂與腐蝕缺陷，系統(tǒng)探測概率達(dá)到90%。其缺點(diǎn)是接觸性測量和受材質(zhì)表面粗糙度及粗顆粒反射波的影響。渦流檢測法通過檢測工件內(nèi)渦流磁場的變化來探測缺陷，探測深層缺陷的靈敏度較高，非常適于鉚接結(jié)構(gòu)內(nèi)部缺陷檢測［8］。Janovec 等［9］應(yīng)用渦流陣列技術(shù)檢測了Zlin 142機(jī)身的鉚接裂紋與腐蝕，對比驗(yàn)證了不同激勵頻率下的檢測效果。相比于傳統(tǒng)渦流技術(shù)，脈沖渦流檢測（pulsed eddy current testing，PECT）技術(shù)能提供更豐富的深層缺陷特征信息，具有良好應(yīng)用前景［10］。胡祥超［11］提出基于移相邏輯處理法的PECT結(jié)構(gòu)方案，證明其對3 層鉚接鋁板矩形缺陷有更好的深層缺陷探測性能。Fu 等［12］針對提離效應(yīng)補(bǔ)償問題，基于快速傅里葉變換分析各次諧波的動態(tài)變化軌跡，實(shí)現(xiàn)板材裂紋與腐蝕缺陷的有效檢測。目前，對車身鉚釘失效缺陷研究較少，對其不同斷裂形式進(jìn)行模擬、分析、開發(fā)自動檢測系統(tǒng)可拓展鉚接缺陷檢測的內(nèi)容。
深度學(xué)習(xí)算法非常適于缺陷特征的提取與診斷，目前在軸承［13］、電路故障［14］等方面取得良好的檢測效果，成為檢測領(lǐng)域的研究熱點(diǎn)［15］，同時也應(yīng)用到鉚接缺陷領(lǐng)域。Xie 等［16］提出鉚接區(qū)域分類網(wǎng)絡(luò)（RRCNet）識別鉚接點(diǎn)，將視場注意力單元與卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）相結(jié)合，實(shí)現(xiàn)飛機(jī)表面鉚釘頭平齊測量，最大標(biāo)準(zhǔn)差為0.005。Amosov 等［17］基于YOLO 網(wǎng)絡(luò)和模糊算法對不同圖像視角下飛機(jī)鉚接缺陷信息做識別與評價；模擬了鉚釘帽基部和中間部位的斷裂缺陷，基于CNN 和單層長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）識別4 類缺陷的超聲波信號，識別率為96.25%［18］。文獻(xiàn)［19］中設(shè)計(jì)出一種通用深度學(xué)習(xí)網(wǎng)絡(luò)來估計(jì)鉚接鋁板的斷裂位置與程度。目前，鉚釘內(nèi)部缺陷的特征提取與分類識別方法尚不完善，相比外部缺陷診斷更具挑戰(zhàn)性，其研究對于評價內(nèi)部鉚接質(zhì)量及故障溯源具有重要的工程實(shí)用價值。
本文中針對鋁合金板內(nèi)部鉚釘失效缺陷，提出高斯卷積深度信念網(wǎng)絡(luò)（Gaussian convolutional deep belief network，GCDBN）和雙向長短期記憶網(wǎng)絡(luò)（bidirectional long short-term memory，Bi-LSTM）相結(jié)合的鉚釘斷裂缺陷檢測方法與診斷模型。首先，基于脈沖渦流設(shè)備與六軸工業(yè)機(jī)器人完成檢測數(shù)據(jù)在線采集和處理。其次，根據(jù)多層檢測曲線的時序變化特性和空間分布狀態(tài)，采用多層特征融合方法將GCDBN 與Bi-LSTM 有機(jī)結(jié)合，綜合利用各層網(wǎng)絡(luò)多維度特征信息提取方法，提升檢測模型對時序信息所蘊(yùn)含的缺陷特征進(jìn)行學(xué)習(xí)、記錄和預(yù)測的綜合能力，同時基于粒子群優(yōu)化（particle swarm optimization，PSO）算法優(yōu)化求解模型參數(shù)，避免陷入局部最優(yōu)。最后，通過比較單一深度信念網(wǎng)絡(luò)、CNN、GCDBN 以及GCDBN-LSTM 等模型的識別結(jié)果，證明了本方法具有更優(yōu)的檢測性能與識別準(zhǔn)確率。
1、鉚釘缺陷類型與檢測系統(tǒng)架構(gòu)
1.1 鉚釘缺陷類型與試件制作
輕量化鋁合金車身在鉚接過程中，由于鉚釘鑄造缺陷、板材性能、鉚接工藝參數(shù)不匹配、鉚接設(shè)備及配套模具疲勞磨損等原因，引發(fā)鉚釘出現(xiàn)失效缺陷，導(dǎo)致鉚釘與板材之間難以產(chǎn)生充分的塑形變形，從而影響機(jī)械互鎖結(jié)構(gòu)性能，使得多層鉚接結(jié)構(gòu)在外界載荷下易產(chǎn)生局部疲勞斷裂與連接失效。此外，使用過程中環(huán)境因素也會損壞鉚接結(jié)構(gòu)，導(dǎo)致鉚釘產(chǎn)生區(qū)域性缺陷。針對上述鉚釘缺陷檢測需求，選取鋼制半空心鉚釘與3 層總厚度為8 mm 的5052鋁合金板材（其中2 塊厚度為3 mm，1 塊為2 mm）來制作缺陷鉚接試件，鉚釘總長L 為11.5 mm、釘帽直徑D 為7.5 mm、釘身直徑d 為5.2 mm，中空柱體直徑Φ 為3.2 mm，長度為7.2 mm，如圖1（a）所示。圖1（b）對比了鉚接前后半空心鉚釘?shù)慕Y(jié)構(gòu)部位。試件模擬了5 類常見的鉚釘斷裂失效缺陷，分別是釘腳（圓柱面底部）一字裂紋和十字裂紋、鉚釘軸向分布斷裂、徑向分布斷裂和橫向截面斷裂，如表1 所示。圖2 為正常鉚釘與各種缺陷鉚釘對應(yīng)的內(nèi)部鉚接示意圖（不代表其實(shí)際內(nèi)部鉚接狀態(tài)）及釘腳鉚扣形狀。
表1 鉚釘缺陷類型與分布特征
圖1 半空心鉚釘尺寸與結(jié)構(gòu)說明
圖2 正常與缺陷鉚釘鉚接示意圖及鉚扣形狀
針對上述缺陷，制作了大量鉚接試件，其總長為255 mm，寬度為110 mm，板上共有3 行5 列鉚釘，鉚釘水平間距為40 mm，垂直間距為30 mm，包含正常鉚釘、不同類型與程度的缺陷鉚釘。同時保證鉚接板與鉚釘帽的外觀無任何缺損（不含輕度劃痕）。缺陷程度將根據(jù)裂紋長度與分布范圍界定，并綜合考慮制造與后期使用過程中可能發(fā)生的失效情況，如表2所示。圖3從正面、背面和側(cè)面展示了一塊典型的鉚接試件。其中，第3列（#7、#8、#9）為3個無缺陷鉚釘，其余12 個為不同缺陷類型與程度的鉚釘。由側(cè)面圖可知，板體具有一定彎曲弧度，用來模擬實(shí)際鉚接車身的曲面。
表2 鉚釘缺陷類型與失效程度
圖3 典型的鉚接試件
1.2 鉚釘缺陷檢測系統(tǒng)架構(gòu)
本系統(tǒng)包括渦流檢測模塊、機(jī)器人模塊、同步控制模塊、數(shù)據(jù)處理模塊和缺陷檢測模塊5 個模塊，如圖4所示。
圖4 檢測系統(tǒng)架構(gòu)圖
（1）渦流檢測模塊
主要包括脈沖渦流檢測儀和檢測探頭，負(fù)責(zé)缺陷的數(shù)據(jù)采集與檢測工作。其一端與同步控制模塊相連實(shí)現(xiàn)設(shè)備啟停，另一端與數(shù)據(jù)處理模塊相連用于數(shù)據(jù)傳輸。
（2）機(jī)器人模塊
由一套非導(dǎo)磁性傳感器夾具與6 自由度機(jī)器人系統(tǒng)組成，如圖5 所示。其中，傳感器夾具可屏蔽系統(tǒng)末端的金屬構(gòu)件；機(jī)器人系統(tǒng)用于規(guī)劃探頭掃查路徑并自動完成掃查。首先，測量試件上鉚釘?shù)奈恢门c姿態(tài)，然后調(diào)整探頭運(yùn)動姿態(tài)使探測平面始終平行于板上對應(yīng)掃查點(diǎn)所在曲面的切平面，令二者保持恒定的掃查距離以降低提離效應(yīng)，如圖6 所示。掃查分3排完成，每排包含5個鉚釘，如圖7所示。
圖5 機(jī)器人檢測模塊
圖6 檢測探頭的掃查方式
圖7 投影到鉚接板上的掃查路徑
（3） 數(shù)據(jù)處理模塊
主要負(fù)責(zé)傳輸、存儲渦流檢測模塊的信號數(shù)據(jù)并進(jìn)行濾波降噪、數(shù)據(jù)截?cái)嗯c分割等工作，構(gòu)建出每個鉚釘?shù)男畔⑻卣鲾?shù)據(jù)集。首先，按照時序依次采集14次瞬時感應(yīng)電壓信號。圖8（a）給出了第1排鉚釘檢測信號曲線，此時掃查速度為8 mm/s。其次，將采集信號依次劃分為1~14 層，第1 層曲線的檢測時間為152.57 μs。此后合理選擇基準(zhǔn)信號對采樣數(shù)據(jù)進(jìn)行基準(zhǔn)適配。圖8（b）是以各層第10 個采樣點(diǎn)為基準(zhǔn)得到的適配曲線，每段凸起區(qū)間對應(yīng)單個鉚釘?shù)臋z測特征信息。適配過程會改變部分曲線位置，但不影響其一致性。最后，基于分割算法提取單個鉚釘檢測信息，如圖9 所示；并對鉚釘?shù)臋z測曲線進(jìn)行加權(quán)歸一化處理。
圖8 不同時序下采樣與適配數(shù)據(jù)曲線
圖9 單個正常鉚釘與缺陷鉚釘?shù)牟蓸訑?shù)
（4） 缺陷檢測模塊
采用高斯卷積深度信念網(wǎng)絡(luò)與雙向長短期記憶網(wǎng)絡(luò)作為鉚釘缺陷檢測與診斷的數(shù)學(xué)模型，完成缺陷的特征提取與自學(xué)習(xí)，并進(jìn)行分類識別。
2、改進(jìn)型卷積深度信念網(wǎng)絡(luò)模型
采用高斯卷積深度信念網(wǎng)絡(luò)與自適應(yīng)PSO 算法，初步構(gòu)建缺陷檢測模塊中的診斷網(wǎng)絡(luò)模型。
2.1 高斯卷積深度信念網(wǎng)絡(luò)
卷積受限玻爾茲曼機(jī)（convolution restricted Boltzmann machine，CRBM）是一種基于能量函數(shù)的無監(jiān)督模型［20］。多個CRBM 堆疊可組成卷積深度信念網(wǎng)絡(luò)。常規(guī)CRBM 可通過引入高斯可見單元（替換原有二值可見單元）處理實(shí)值數(shù)據(jù)［21］，通過構(gòu)建高斯CRBM 結(jié)構(gòu)（GCRBM）拓展出GCDBN 結(jié)構(gòu)［22］，更適于處理和分析鉚釘缺陷數(shù)據(jù)。
圖10 中GCRBM 結(jié)構(gòu)由可見層V、隱藏層H 和池化層P 組成。其中，可見層的高斯可見單元維度用DV×DV表示。隱藏層單元為H1， H2， …， HQ，維度用DH×DH表示，通過維度為DW×DW的卷積濾波器與可見單元相連。隱藏層的輸出采用了概率最大池化操作［22］，池化層各單元用矩陣DP×DP表示。
圖10 GCRBM結(jié)構(gòu)
GCRBM結(jié)構(gòu)的能量函數(shù)定義為
式中：v 和h 分別為可見單元和隱藏單元狀態(tài)向量；c和b 為對應(yīng)單元偏置參數(shù)；W 為卷積核矩陣；l 和i 為行號，m和j為列號；q為隱藏單元序號。
由式（1）可得GCRBM的條件概率分布：
式中：*為卷積操作；σ 為激活函數(shù)；G 為高斯分布函數(shù)；矩陣
中元素
為
。
此外，GCRBM采用對比散度算法調(diào)整權(quán)重。
2.2 自適應(yīng)PSO算法優(yōu)化GCDBN模型
若將兩個GCRBM 結(jié)構(gòu)堆疊構(gòu)成GCDBN 模型，為避免隨機(jī)初始化權(quán)重降低學(xué)習(xí)效率以及局部最優(yōu)解等問題，采用非線性PSO算法優(yōu)化各層初始權(quán)重。在迭代前期應(yīng)采用較大權(quán)重以便全局尋優(yōu)，后期應(yīng)適當(dāng)減小權(quán)值來加快算法收斂到最優(yōu)解。所采用的非線性權(quán)重調(diào)整方法為
式中：x 為慣性權(quán)重；xm為x 最大值；xn為x 最小值；k為迭代次數(shù)；km為最大迭代次數(shù)。
圖11 以首個GCRBM 結(jié)構(gòu)為例，給出算法的優(yōu)化流程。將粒子種群的適應(yīng)度函數(shù)值定義為
圖11 PSO優(yōu)化第1層GCRBM流程圖
式中：N 為樣本總數(shù)；H 和L 為樣本矩陣總行數(shù)和列數(shù)；
和
分別為序號為k 的數(shù)據(jù)樣本和樣本重構(gòu)數(shù)據(jù)的第r行第s列元素。
3、GCDBN-Bi-LSTM 缺陷診斷模型
圖8 和圖9 描述的渦流檢測信號提供了鉚釘在時間-空間上分布的序列特征信息。因此，考慮引入雙向長短期記憶網(wǎng)絡(luò)來提升識別準(zhǔn)確率。
3.1 雙向長短期記憶網(wǎng)絡(luò)
LSTM 包含選擇性記憶單元和特有的“門”結(jié)構(gòu)［23］，作為單向傳輸網(wǎng)絡(luò)對前向時間序列有較強(qiáng)的特征提取能力。Bi-LSTM 是由正向和逆向傳輸?shù)腖STM 連接組成，如圖12 所示，可處理時間序列中過去和未來的數(shù)據(jù)信息，二者共同作用來提取時序信息特征，比LSTM 更有利于對多層檢測數(shù)據(jù)進(jìn)行全面綜合的缺陷特征分析、記錄和預(yù)測。在時刻t，Bi-LSTM計(jì)算公式為
圖12 Bi-LSTM結(jié)構(gòu)圖
式中：t表示時刻；Ford、Back 分別代表正向和逆向傳播過程；
和
為前向和反向LSTM 網(wǎng)絡(luò)隱藏層輸出；h 為隱藏層狀態(tài)；X 為網(wǎng)絡(luò)輸入序列；c 為記憶單元輸出狀態(tài)；Wt為t時刻權(quán)重矩陣。
3.2 GCDBN-Bi-LSTM 模型構(gòu)建
在缺陷識別過程中，不僅要分析各層數(shù)據(jù)在空間分布上的陣列關(guān)系，還要研究其在時間測度上的變化規(guī)律。鑒于Bi-LSTM 擅長綜合時序數(shù)據(jù)在過去和未來的分布特征以及良好的全局性，故將Bi-LSTM與GCDBN相互融合來提升識別率。
為保留原始數(shù)據(jù)中的特征信息，采用多層特征融合的方法將GCDBN中各個GCRBM結(jié)構(gòu)的輸出數(shù)據(jù)以及原始樣本數(shù)據(jù)信息，通過維度變換轉(zhuǎn)化為列向量并行輸入到Bi-LSTM 進(jìn)行缺陷識別，其模型結(jié)構(gòu)如圖13所示，維度變換公式為
圖13 GCDBN-Bi-LSTM 結(jié)構(gòu)
式中：X1、X2、X3分別為原始數(shù)據(jù)矩陣與雙GCRBM 輸出數(shù)據(jù)矩陣經(jīng)維度轉(zhuǎn)換后的向量；zk為各矩陣中第k列元素；n為對應(yīng)矩陣的總列數(shù)。
經(jīng)過變換與融合后的數(shù)據(jù)維度為1 892，再結(jié)合Bi-LSTM 對融合信息中的時序變化特性和空間分布狀態(tài)（即時-空序列特征）進(jìn)行學(xué)習(xí)和識別?；跓o監(jiān)督貪婪學(xué)習(xí)方法逐次訓(xùn)練GCRBM 結(jié)構(gòu)，逐層傳遞信息特征來提高模型學(xué)習(xí)能力。完成GCDBN 訓(xùn)練后，對Bi-LSTM 做有監(jiān)督訓(xùn)練，將交叉熵函數(shù)作為訓(xùn)練損失函數(shù)，引入Adam 優(yōu)化器實(shí)現(xiàn)學(xué)習(xí)率自適應(yīng)調(diào)整，提高模型整體訓(xùn)練效率。
4、實(shí)驗(yàn)研究及性能分析
4.1 構(gòu)建數(shù)據(jù)集
根據(jù)缺陷檢測系統(tǒng)所述方法采集試件上各類鉚釘檢測數(shù)據(jù)并進(jìn)行處理，歸一化因子設(shè)為1.05。由此構(gòu)建的數(shù)據(jù)集包括6 種狀態(tài)類型和3 種缺陷等級，合計(jì)3 713 組檢測數(shù)據(jù)，如表3 所示。將其中2 740 組數(shù)據(jù)用作訓(xùn)練集，其余數(shù)據(jù)作為測試集。
表3 鉚釘檢測數(shù)據(jù)集及標(biāo)簽
4.2 基于GCDBN與LSTM 模型的實(shí)驗(yàn)對比分析
GCDBN 中雙層GCRBM 結(jié)構(gòu)參數(shù)如表4 所示，Bi-LSTM 神經(jīng)元個數(shù)設(shè)為70。采用PSO 算法優(yōu)化GCRBM 初始參數(shù)。粒子種群數(shù)設(shè)為15，迭代次數(shù)為120，慣性權(quán)重因子x最大值為0.9、最小值為0.4，學(xué)習(xí)因子f1和f2均設(shè)為2。經(jīng)120 次迭代后，其適應(yīng)度函數(shù)曲線逐漸下降并保持穩(wěn)定，如圖14所示。
表4 雙層GCRBM 結(jié)構(gòu)的參數(shù)
圖14 雙層GCRBM結(jié)構(gòu)的適應(yīng)度函數(shù)曲線
為綜合評價GCDBN-Bi-LSTM 模型性能，將其與GCDBN、LSTM、GCDBN-LSTM 做對比分析。首先，所有模型采用同一訓(xùn)練集和測試集，最大訓(xùn)練次數(shù)設(shè)為1 800 次。圖15 為訓(xùn)練損失函數(shù)曲線，均衰減下降至穩(wěn)定狀態(tài)。其中，LSTM 收斂速度和穩(wěn)定值最差；GCDBN 收斂速度最快，但穩(wěn)態(tài)損失值較高，為0.498；GCDBN-Bi-LSTM 收斂速度優(yōu)于GCDBNLSTM，且損失值更低（分別為0.047 和0.084）；基于PSO 優(yōu)化的GCDBN-Bi-LSTM 損失值最低（為0.033），收斂速度僅次于GCDBN。其次，圖16 針對PSO 算法的有效性，對比分析了GCDBN-Bi-LSTM中第2 層GCRBM 的重構(gòu)誤差曲線。顯然，優(yōu)化后誤差值更快達(dá)到穩(wěn)態(tài)值，表明所述模型具有更優(yōu)訓(xùn)練精度和更快收斂速度。
圖15 5種檢測模型的損失函數(shù)曲線
圖16 第2層GCRBM的重構(gòu)誤差曲線
表5 為5 種模型對測試集的診斷結(jié)果。其中，GCDBN與LSTM 識別率分別為96%和87.87%，均有7 種錯判缺陷；GCDBN-LSTM 識別率為99%，3 種被錯判；GCDBN-Bi-LSTM 識別率升為99.28%，降低了對一字裂紋中度缺陷的誤判率；經(jīng)PSO 算法優(yōu)化后，總識別率可達(dá)99.9%，錯判率最低，在釘腳十字裂紋中僅有1 組樣本（輕度缺陷）被誤判為釘腳一字裂紋，其原因是缺陷等級偏小且與一字裂紋輕度缺陷較為相似。
表5 5種模型的實(shí)驗(yàn)結(jié)果對比
4.3 其他網(wǎng)絡(luò)模型實(shí)驗(yàn)對比分析
基于相同數(shù)據(jù)集，對DBN、CNN 網(wǎng)絡(luò)做多次訓(xùn)練和測試，并與GCDBN-Bi-LSTM 進(jìn)行比較。其中，DBN 模型由兩層RBM 堆疊而成，隱含層神經(jīng)元個數(shù)為100，訓(xùn)練批次為10，學(xué)習(xí)率為0.01；CNN 模型由兩層卷積層和兩層全連接層組成，池化層與卷積層相連，卷積核大小為3×3，訓(xùn)練批次為10，學(xué)習(xí)率為0.05。
訓(xùn)練前先對訓(xùn)練集隨機(jī)排序，訓(xùn)練后采用相同的測試集。將該過程重復(fù)10 次，其識別率見圖17。其中，DBN 平均識別率為85.31%，優(yōu)于CNN 的82.89%，但識別穩(wěn)定性較差；GCDBN-Bi-LSTM 識別率均保持在99%以上，最高可達(dá)99.49%，平均識別率為99.33%；經(jīng)PSO 算法優(yōu)化后，其平均識別率提升至99.85%，比DBN 和CNN 提升了14.54 和16.96個百分點(diǎn)，驗(yàn)證了該模型具有更高的識別性能和魯棒性，可滿足實(shí)際鉚釘缺陷檢測需求。
圖17 不同網(wǎng)絡(luò)模型的實(shí)驗(yàn)結(jié)果對比
4.4 鉚釘缺陷在線檢測實(shí)驗(yàn)
圖18 說明了鉚釘缺陷在線檢測流程。根據(jù)該流程，基于所述方法構(gòu)建診斷模型，在中國汽車工業(yè)工程有限公司示范線上開展檢測實(shí)驗(yàn)，對1 050個各類鉚釘采集樣本進(jìn)行檢測識別，如圖19 所示。經(jīng)反復(fù)測試與系統(tǒng)參數(shù)優(yōu)化，最終可保證在線誤判率不高于0.5%，實(shí)現(xiàn)了鉚釘內(nèi)部缺陷的在線診斷，驗(yàn)證了所述自動檢測方法與系統(tǒng)的有效性與可行性，為車身鉚接缺陷檢測的實(shí)際應(yīng)用奠定了良好的技術(shù)基礎(chǔ)。同時，該方法的檢測流程具有良好的通用性，可適用于不同規(guī)格鋁合金板及鋼鋁混合結(jié)構(gòu)鉚接鉚釘?shù)娜毕輽z測與識別。
圖18 鉚釘缺陷在線檢測流程圖
圖19 開展鉚釘缺陷檢測實(shí)驗(yàn)
5、 結(jié)論
為實(shí)現(xiàn)車身用多層鋁合金板鉚釘內(nèi)部斷裂缺陷的自動檢測與診斷，本文提出一種基于PSO 算法優(yōu)化的GCDBN-Bi-LSTM 在線診斷模型與檢測方法。首先，以5 類常見鉚釘失效缺陷為檢測對象制作試件，采用脈沖渦流檢測法獲取包含時序變化特性和空間分布狀態(tài)的鉚釘檢測數(shù)據(jù)，采用適配、分割與歸一化算法來構(gòu)建檢測數(shù)據(jù)集，提高了數(shù)據(jù)處理速度；針對鉚接板彎曲弧度問題，提出探測平面與掃查點(diǎn)曲面切平面保持平行的掃查方式，有效降低了提離效應(yīng)影響。其次，基于多層特征融合方法將GCDBN和Bi-LSTM 相結(jié)合，通過提取和綜合多維度特征信息，來提升模型對時-空序列檢測信息中缺陷特征的學(xué)習(xí)和識別能力。實(shí)驗(yàn)發(fā)現(xiàn)，PSO+GCDBN-Bi-LSTM 模型的平均識別率高達(dá)99.85%，相比DBN 和CNN提升了14.54和16.96個百分點(diǎn)，具有更高診斷準(zhǔn)確率和魯棒性，驗(yàn)證了模型的檢測性能更佳。最后，通過開展鉚釘缺陷在線檢測實(shí)驗(yàn)，保證各種標(biāo)簽的在線誤判率不高于0.5%，實(shí)現(xiàn)了鉚釘內(nèi)部斷裂缺陷的高效在線檢測。該方法具有良好通用性和應(yīng)用價值，后續(xù)將對車身等內(nèi)部鉚接構(gòu)件開展在線檢測實(shí)驗(yàn)，來優(yōu)化系統(tǒng)結(jié)構(gòu)與性能參數(shù)。
參考文獻(xiàn)
［ 1 ］ LI D Z， CHRYSANTHOU A， PATEL I， et al. Self-piercing riveting-a review［J］. International Journal of Advanced Manufacturing Technology， 2017， 92：1777-1824.
［ 2 ］ 歲波， 都東， 常保華， 等. 輕型車身自沖鉚連接技術(shù)的發(fā)展［J］. 汽車工程， 2006， 28（1）：85-89.SUI B，DU D，CHANG B H，et al. A review on the development of self-piercing riveting technology for lightweight vehicle body［J］.Automotive Engineering， 2006， 28（1）：85-89.
［ 3 ］ 李永兵， 馬運(yùn)五， 樓銘， 等. 輕量化多材料汽車車身連接技術(shù)進(jìn)展［J］. 機(jī)械工程學(xué)報， 2016， 52（24）：1-23.LI Y B， MA Y W， LOU M， et al. Advances in welding and joining processes of multi-material lightweight car body［J］. Journal of Mechanical Engineering， 2016， 52（24）：1-23.
［ 4 ］ CHERAGHI S H. Effect of variations in the riveting process on the quality of riveted joints［J］. The International Journal of Advanced Manufacturing Technology， 2008， 39（11）：1144-1155.
［ 5 ］ ECKSTEIN J， ROOS E， ROLL K， et al. Experimental and numerical investigations to extend the process limits in self-pierce riveting［J］. American Institute of Physics， 2007， 907（1）：279-286.
［ 6 ］ LIU F F， LIU S P， ZHANG Q L， et al. Quantitative non-destructive evaluation of drilling defects in SiCf/SiC composites using low-energy X-ray imaging technique［J］. NDT & E International，2020， 116：102364.
［ 7 ］ LE M， KIM J， KIM S， et al. B-scan ultrasonic testing of rivets in multilayer structures based on short-time Fourier transform analysis［J］. Measurement， 2018， 128：495-503.
［ 8 ］ HE Y Z， LUO F L， PAN M C. Pulsed eddy current technique for defect detection in aircraft riveted structures［J］. NDT & E International， 2010， 43（2）：176-181.
［ 9 ］ JANOVEC M， SMETANA M， BUGAJ M. Eddy current array inspection of Zlin 142 fuselage riveted joints［J］. Transportation Research Procedia， 2019， 40：279-286.
［ 10 ］武新軍， 張卿， 沈功田. 脈沖渦流無損檢測技術(shù)綜述［J］. 儀器儀表學(xué)報， 2016， 37（8）：1698-1712.WU X J， ZHANG Q， SHEN G T. Review on advances in pulsed eddy current nondestructive testing technology［J］. Chinese Journal of Scientific Instrument， 2016， 37（8）：1698-1712.
［ 11 ］胡祥超. 集成渦流無損檢測系統(tǒng)設(shè)計(jì)與關(guān)鍵技術(shù)研究［D］. 長沙：國防科學(xué)技術(shù)大學(xué)， 2012.HU X C. Research on key technologies and design of integrated eddy current nondestructive testing system［D］. Changsha：National University of Defense Technology， 2012.
［ 12 ］FU Y W， LEI M L， LI Z X， et al. Lift-off effect reduction based on the dynamic trajectories of the received-signal fast Fourier transform in pulsed eddy current testing［J］. NDT & E International， 2017（87）：85-92.
［ 13 ］SHAO H D， JIANG H K， ZHANG H Z， et al. Rolling bearing fault feature learning using improved convolutional deep belief network with compressed sensing［J］. Mechanical Systems and Signal Processing， 2018， 100：743-765.
［ 14 ］YAN Hao， PENG Y M， SHANG W J， et al. Open-circuit fault diagnosis in voltage source inverter for motor drive by using deep neural network［J］. Engineering Applications of Artificial Intelligence， 2023， 120：105866.
［ 15 ］TERCAN H， MEISEN T. Machine learning and deep learning based predictive quality in manufacturing：a systematic review［J］. Journal of Intelligent Manufacturing， 2022， 33：1879-1905.
［ 16 ］XIE Q， LU D N， HUANG A Y， et al. RRCNet：rivet region classification network for rivet flush measurement based on 3-D point cloud［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 70：1-12.
［ 17 ］AMOSOV O S， AMOSOVA S G， IOCHKOV I O. Detection and recognition of manufacturing defects of rivet joints by their video images using deep neural networks［C］. International Multi-Conference on Industrial Engineering and Modern Technologies（Far-EastCon）， 2019：1-4.
［ 18 ］AMOSOV O S， AMOSOVA S G， IOCHKOV I O. Defects detection and recognition in aviation riveted joints by using ultrasonic echo signals of non-destructive testing［J］. IFAC-PapersOnLine，2021， 54（1）：484-489.
［ 19 ］EBRAHIMKHANLOU A， DUBUC B， SALAMONE S. A generalizable deep learning framework for localizing and characterizing acoustic emission sources in riveted metallic panels［J］. Mechanical Systems and Signal Processing， 2019， 130：248-272.
［ 20 ］LEE H， GROSSE R， RANGANATH R， et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations［C］. Proceedings of the 26th Annual International Conference on Machine Learning， 2009：609-616.
［ 21 ］SALAKHUTDINOV R， HINTON G. Using deep belief nets to learn covariance kernels for gaussian processes［C］. Proceedings of Advances in Neural Information Processing Systems， 2008，20：1249-1256.
［ 22 ］SHAO H D， JIANG H K， ZHANG H Z， et al. Electric locomotive bearing fault diagnosis using a novel convolutional deep belief network［J］. IEEE Transactions on Industrial Electronics，2018， 65（3）：2727-2736.
［ 23 ］HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）：1735-1780.
來源：《汽車工程》
關(guān)于我們 聯(lián)系我們 營業(yè)執(zhí)照 全國服務(wù)電話：400-818-0021 嘉峪檢測版權(quán)所有 備案號：京ICP備14047019號-2 
京公網(wǎng)安備11010802046783號
