基于卷积神经网络的铆钉缺陷检测方法研究.docxVIP

基于卷积神经网络的铆钉缺陷检测方法研究

邹恒毅范周童聂广银蒲程刘凉

摘要：针对铆接过程中铆钉内部断裂缺陷难以分类判别问题，利用卷积神经网络和长短期记忆网络设计检测算法。首先，使用平滑滤波法将特征信号中的异常噪声值滤去，同时根据拟合函数对检测信号进行插值，提高特征数据的信息量。其次，利用处理后的故障样本训练网络来实现铆钉缺陷诊断。实验结果表明：该方法总体识别准确率可达99%，能够有效地进行铆钉缺陷诊断。

关键词：铆接质量涡流检测拟合插值缺陷识别

汽车车身轻量化是未来新能源汽车制造环节的重要方向。由于铝合金材料重量轻、延展性好、多层铆接结构机械稳定性能好[1]，因此被广泛引用于轻量化车身的设计与制造中。由于铆接材料、铆接设备、铆接工艺及环境存在不确定因素，导致多层铝板在铆接过程或者使用过程中，会产生断裂等情况[2]。这些缺陷将直接影响车身结构的稳定性，危害到消费者的安全。因此，对铆接缺陷开展无损检测十分重要。

由于铆接工艺中技术参数较多且耦合关系复杂[3]，针对内部铆接断裂缺陷的检测技术依然不成熟，缺少相应的国家标准。目前，在缺陷检测算法方面，于霞等针对航空发动机涡轮叶片缺陷，基于涡流检测提取信号特征，结合SVM模型对叶片裂纹缺陷分类[4]。饶雷等面向齿轮箱故障，提出了基于卷积神经网络（CNN）与SVM相结合的检测方法[5]。本文基于涡流检测信号，结合CNN和长短期记忆网络构建改进型缺陷识别算法，对标签样本数据进行学习和识别，实现铆钉缺陷的准确诊断。

2铆接板常见缺陷

本文采用5052铝合金板，利用钢制铆钉对三层铝合金板进行铆接。图1为三层铝合金板铆接实物图。

铆钉断裂缺陷的表现形式较多，这里主要分析四种内部断裂缺陷：一字裂缝、十字裂缝、径向断裂、轴向断裂和钉脚断裂。如图2所示，为铝合金板铆接过程中铆钉的不同缺陷表现形式。根据上述不同类型缺陷的断裂程度，可将正常铆钉和缺陷铆钉分成13种类型，如表1所示。

根据实际工业生产过程中的经验，具体生产流程中的13种常见铆接缺陷如表2所示。

3涡流检测信号处理

由于涡流信号采在集过程存在噪声，这里选择对脉冲噪声和高斯噪声进行中值滤波和均值滤波对响应信号进行降噪处理。

为了合理地拓展脉冲涡流信号的数据信息量，在降噪处理后，使用三阶样条函数对采样点之间的数据信息进行线性拟合。该函数在连续的数值点对之间使用不同的三阶多项式进行插值，不仅可通过各路径点，保证原始数据点的基本映射关系，同时可减少数据插值点的振荡。对涡流信号数据拟合前后效果对比，如图3所示。由图可知，拟合的波形图通过了所有原始涡流数据点，可较好地反应实际涡流采集信号信息。确定好拟合函数后，可对原始涡流信号进行拟合插补，扩充检测信号数据量。

4缺陷诊断算法及应用

4.1算法模型结构

由于CNN共享卷积核的特性，可使其对高维数据的处理上存在较大优势。但基于单一CNN网络的分析模型无法充分提取存在时序关联的数据特征，因此，为弥补单一网络特征提取尺度不足，提出将CNN与双向长短期记忆网络相结合的多维度、多尺度的网络模型。

传统网络模型可能会发生“过拟合”现象，为了防止CNN在训练过程中时出现过拟合的情况，我们在全连接层引入“Dropout”方法。在训练时，模型设定概率值P，当训练误差计算值小于这个概率P时，让隐藏层的神经元停止工作，从而提高网络的泛化能力。

4.2模型检测工作流程与性能参数调整

根据实际操作过程中的铆钉缺陷检测工艺流程，基于改进模型网络的铆接质量检测系统的工作流程如图4所示。

根据其流程，可具体表述为以下9个步骤：

①利用检测探头，对铆接点进行涡流信号的采集；

②对采集到的涡流信号进行平滑处理，并归一化；

③在涡流信号中查找特定点，提取特征值，并将一维涡流数字信号转换为二维特征矩阵；

④建立网络并初始化网络参数，根据样本和要求，构建合适深度的网络模型，确定网络参数（如学习率、迭代次数、步长等）；

⑤网络训练和前向传播，将样本输入到网络中，通过前向传播求得网络输出与预期目标的误差；

⑥判断网络是否收敛，若网络收敛，则执行步骤⑧，否则执行步骤⑦；

⑦反向传播和权值修改，基于BP反向传播算法思想，将步骤⑤求得的误差反向逐层传播到每个节点，并更新权值，重复执行步骤⑤～⑦，直至网络收敛；

⑧根据测试样本的精确度判断网络是否满足实际要求，如满足执行步骤⑨，否则跳转到步骤④，修改网络参数；

⑨输入铆接质量故障诊断结果。

为验证学习率对网络训练性能的影响，基于相同的数据集，通过改变不同的学习率进行对比分析。图5给出了100次实验的结果对比，学习率在0.001-0.01区间内，总体测试样本的识别准确率呈上升趋势，在0.01时达到最大。因此，最适应网络的学习率为0.01。

此外，Dropout误差系数能减轻过拟合。