基于機(jī)器學(xué)習(xí)的自沖鉚接質(zhì)量在線監(jiān)測

王健強，屈云鵬，蔣全超

（合肥工業(yè)大學(xué) 機(jī)械工程學(xué)院，合肥 230009）

0 引言

隨著汽車工業(yè)的持續(xù)快速發(fā)展，汽車已成為世界能源消耗和污染物排放的主要來源[1]。研究表明，車重每減輕1kg，1L的汽油就可以使汽車多行駛0.011km[2]。當(dāng)前，汽車車身輕量化的主流是增加輕質(zhì)材料的使用比例，鋁合金以其自身的質(zhì)量輕，加工性好，易于回收的特點，得到最為廣泛的應(yīng)用[3,4]。

自沖鉚接（SPR）技術(shù)通過沖頭壓迫鉚釘刺入板材，鉚釘張開形成鉚扣使板材連接在一起，是一種快速機(jī)械冷成形連接工藝。自沖鉚接有工藝步驟少、操作過程簡便及接頭力學(xué)性能好的特點，特別是疲勞強度是傳統(tǒng)電阻點焊接頭的3倍[5]。

但對鉚接質(zhì)量的監(jiān)測一直沒有合適的方法。外觀檢測法比較直觀和方便，通過直接觀察鉚釘和接頭來判斷鉚接質(zhì)量，但誤差較大。直接實驗法是對連接好的板件進(jìn)行剪切強度、抗拉強度的測試，截面觀察法是測量剖解后的截面形狀，包括互鎖情況、底部殘余等，這些方法可靠性高，但過程復(fù)雜，均為破壞實驗，無法實時監(jiān)測。文獻(xiàn)[6]通過在過程中引入攝像機(jī)來監(jiān)控自沖鉚接的過程。文獻(xiàn)[7]研究了采用窗口監(jiān)測鉚接曲線的方法，通過實驗室試驗獲得該點位的理想鉚接曲線，依據(jù)曲線的公差大小設(shè)置公差監(jiān)控窗口，不經(jīng)過窗口可視為鉚接不合格?；?qū)⑺泄钸B接起來形成公差帶，曲線位于公差帶內(nèi)視為合格。但設(shè)置窗口或公差帶較為困難，許多缺陷的公差帶會不斷重疊，監(jiān)測困難。

為此提出基于機(jī)器學(xué)習(xí)算法[8]和鉚接曲線的鉚接質(zhì)量監(jiān)測方法，建立了基于支持向量機(jī)的分類器模型，能實時準(zhǔn)確的監(jiān)測鉚接質(zhì)量。

1 缺陷樣本獲取

1.1 常見鉚接缺陷機(jī)理分析

1）鉚釘屈服

圖1所示右釘腿處即為鉚釘屈服，會導(dǎo)致鎖合不足，極大降低連接質(zhì)量，常見原因是底層板件相對于鉚釘硬度過大。使用simufact軟件對該過程進(jìn)行仿真分析缺陷形成過程，保持其他參數(shù)不變，鉚釘材料分別設(shè)置為DB.Henrob_H1_s和DB.Henrob_H2_s。

圖1 鉚釘屈服

圖2 50%行程材料流動

鉚釘硬度不足時在50%行程處出現(xiàn)明顯異常。正常情況下，受釘尖和下層板材料的擠壓，大量上層板材料被擠入釘腔，鉚釘開始刺入下層板。但缺陷鉚釘，釘尖過早彎曲，使得釘尖水平運動分量增大，同時釘腿與上層板接觸面積變大，導(dǎo)致材料更多被向下而非向釘腔內(nèi)擠壓，鉚釘進(jìn)一步彎曲，形成惡性循環(huán)。最終造成鉚釘鐓粗，鎖合不足。

2）底厚不足

圖3所示為底厚不足缺陷，嚴(yán)重時會刺穿底部，影響密封性，主要為鉚釘相對硬度過大造成，使用DB.Henrob_H4_s作為鉚釘材料進(jìn)行仿真。

圖3 底厚不足

在75%行程處，正常鉚接如圖4右圖所示，釘腿開始彎曲形成鎖合，而缺陷鉚釘仍擠壓上層板直至材料填滿釘腔，使得下層板在鉚模內(nèi)流動不足，鉚釘彎曲更加困難，導(dǎo)致底厚及鎖合變小。

圖4 75%行程材料流動

3）邊緣鉚接

邊緣鉚接易出現(xiàn)板件開裂缺陷，如圖5所示。下層板下部與凹模邊緣接觸處在鉚接過程中需要承受來自上層板和鉚模的反作用力，由于鉚模強度遠(yuǎn)大于板件，被鉚釘擠壓出的材料形成巨大內(nèi)應(yīng)力，最終在邊距最小處撕裂板件。

圖5 板件開裂

4）鉚模開裂

如圖6所示，在鉚模長時間使用、鉚模質(zhì)量達(dá)不到要求或鉚接速度過大時，巨大的鉚接力使得其表面裂開一個缺口。為了清晰展示鉚接缺陷，圖7所示仿真結(jié)果增大了變形系數(shù)。鉚接時開裂處材料沒有受到鉚模擠壓，釘腳刺入的同時材料流出，釘腳彎曲角度較大形成的鎖合不牢固。上層板材料沒有充滿釘腔，釘帽處也未形成有效擠壓，兩層板間出現(xiàn)縫隙，影響連接穩(wěn)定性。材料塑性大變形不夠，接頭難以成型，影響外觀和密封性。

圖6 開裂鉚模及鉚接結(jié)果（右側(cè)缺陷）

圖7 鉚模開裂仿真結(jié)果

1.2 鉚接試驗

通過試驗?zāi)M4種典型鉚接缺陷，每種記錄80條曲線，50條用于訓(xùn)練，30條用于測試，試驗的上下板件均為2mm 6111鋁板，抗拉強度280MPa，屈服強度150MPa；鉚釘長度為6.5mm，腿部直徑3.5mm，硬度為H2。使用Tucker公司的自沖鉚接設(shè)備，如圖8所示，該設(shè)備會自動分配并記錄256個點的鉚接載荷值。

圖8 Tucker自沖鉚接設(shè)備

合格樣本用來測試模型的召回率，為測試模型的泛化能力，再增加了一些樣本并施加微小的擾動：部分樣本頭高增加0.01mm，另一部分頭高減少0.01mm。通過減小鉚釘硬度至H0模擬鉚釘屈服，增大硬度至H4模擬底厚不足，設(shè)置0邊距模擬開裂，鉚模開裂直接使用開裂鉚模試驗。最終生成各種情況下的典型曲線如圖9所示。

圖9 位移-載荷曲線

1.3 數(shù)據(jù)預(yù)處理

為滿足模型訓(xùn)練需要，直接提取設(shè)備生成的256個特征點，用有N個256維列向量的矩陣X=(xij)n×256來表示。把SPR質(zhì)量合格的曲線用數(shù)字1表示，其余各種鉚接缺陷的曲線用數(shù)字0表示，或在多分類中用其他數(shù)字代表不同缺陷作標(biāo)簽列。

為使不同度量之間的特征具有可比性，同時又不改變原始數(shù)據(jù)的分布，對訓(xùn)練集不同特征的維度進(jìn)行標(biāo)準(zhǔn)化處理，并在測試集中使用相同的均值和方差進(jìn)行處理。

2 二元分類

2.1 原始數(shù)據(jù)

為選出合適的模型，先將有鉚接缺陷的數(shù)據(jù)標(biāo)為不合格，與合格數(shù)據(jù)進(jìn)行二元分類測試。實驗選取支持向量機(jī)（SVM）、邏輯回歸（LR）、梯度提升（GBC）和隨機(jī)森林（RF）這四種常見的模型，通過測試集的準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）及F-measure（F1）值對模型進(jìn)行評價。使用的語言為python，機(jī)器學(xué)習(xí)庫為sklearn。

SPR數(shù)據(jù)首先要保證模型的召回率。因為在經(jīng)過嚴(yán)格的實驗階段后，生產(chǎn)階段的合格數(shù)據(jù)量高于不合格數(shù)據(jù)量，過低的召回率會使得大量合格數(shù)據(jù)被誤報。

使用原始鉚接數(shù)據(jù)進(jìn)行測試的結(jié)果如表1所示，結(jié)果并不理想，雖然各模型的召回率均接近或為1，但就算效果最好的梯度提升模型，準(zhǔn)確率也僅為0.843，不能滿足監(jiān)測要求，需對數(shù)據(jù)進(jìn)行處理。

表1 原始數(shù)據(jù)測試結(jié)果

2.2 去除數(shù)據(jù)噪聲

原始數(shù)據(jù)的分類結(jié)果并不理想，因為鉚接曲線中有許多噪聲點沒有去除，特別是SVM模型，需要支持向量生成超平面，對噪聲特別敏感。同時一些曲線特征沒有被挖掘出來，結(jié)合自沖鉚接的先驗對數(shù)據(jù)進(jìn)行適當(dāng)?shù)奶幚砗?，再進(jìn)行測試。

鉚接過程可以分為4個階段。第一階段鉚釘接觸并刺入上層板，第二階段鉚釘逐漸穿透上層板，穿刺時載荷穩(wěn)定，穿刺后載荷會有所釋放，第三階段刺入下層板，第四階段完成鎖合。結(jié)合圖9可以看出，第一階段曲線整體穩(wěn)定，不同缺陷對應(yīng)的曲線標(biāo)準(zhǔn)化后區(qū)分度很小，但會放大與缺陷無關(guān)的正常的力值波動，故刪去這一部分?jǐn)?shù)據(jù)。

此時進(jìn)行測試，結(jié)果如表2所示，可以看出支持向量機(jī)和邏輯回歸模型的各項評價標(biāo)準(zhǔn)都有明顯上升，特別是支持向量機(jī)的準(zhǔn)確率超過了0.95，提高了14%效果最好。但隨機(jī)森林各指標(biāo)效果最差且各指標(biāo)無變化，梯度提升精確率下降，召回率未達(dá)到100%，故排除這兩個模型。

表2 去除噪聲測試結(jié)果

2.3 增加斜率特征

從第二階段開始，以鉚接合格曲線為分界線，板件開裂和鉚模開裂由于增加了底層板材料的流動空間，整個鉚接力曲線始終位于分界線下方，載荷變化率較?。幌喾?，鉚釘屈服及底厚不足時載荷急速上升位于合格曲線上方，載荷變化率較大。不同鉚接情況下載荷變化率曲線如圖10所示。

圖10 位移-載荷變化率曲線

由圖9可以看出，不同情況下的載荷變化率在第三四階段差異明顯，故將第三四階段載荷斜率作為新的特征維度加入到數(shù)據(jù)中，結(jié)果如表3所示。

表3 增加斜率特征測試結(jié)果

測試結(jié)果表明，支持向量機(jī)模型在增加斜率后各項指標(biāo)最好，召回率始終保持為1，精確率由原始數(shù)據(jù)的0.782到0.940再到增加斜率后的0.972，F(xiàn)1值為0.986能夠滿足實時監(jiān)測的要求；邏輯回歸模型，召回率也為1，精確率為0.946，也有較好效果。計算此時模型的AUC值，支持向量機(jī)為和邏輯回歸的AUC值均在0.99以上，滿足要求。

3 多元分類

為對數(shù)據(jù)集中的不合格樣本進(jìn)行進(jìn)一步的分類，以期找到鉚接缺陷原因，使用二元分類中效果最好的線性SVM模型為基礎(chǔ)，采用SVM一對一策略構(gòu)建多元分類器[9]。結(jié)果的混淆矩陣如表4所示。

表4 SVM多元分類器混淆矩陣

如表4所示，鉚釘屈服、底厚不足和鉚模開裂這三項缺陷的召回率分別為0.92、0.92以及0.95，識別準(zhǔn)確率高。但由于每次開裂位置和大小不同，板件開裂缺陷的曲線走勢波動較大，容易同鉚模開裂相混淆，有27%板材開裂被誤判成鉚模開裂，召回率僅0.73，為此應(yīng)輔以外觀觀察具體劃分。

4 結(jié)語

通過驗證多種機(jī)器學(xué)習(xí)算法，文中研究表明：

1）支持向量機(jī)模型對鉚接結(jié)果進(jìn)行預(yù)測效果最好，精確率為97.2%，召回率達(dá)100%，能夠用于鉚接質(zhì)量的實時監(jiān)測；邏輯回歸次之，精確率也達(dá)到了94.6%。

2）多元分類器測試結(jié)果表明，算法對鉚釘屈服、底厚不足及鉚模開裂等缺陷識別率高，板件開裂缺陷有27%概率會被誤判成鉚模開裂導(dǎo)致識別率稍低。

與傳統(tǒng)載荷-位移曲線公差帶監(jiān)測相比，機(jī)器學(xué)習(xí)算法可以直接對曲線大數(shù)據(jù)進(jìn)行學(xué)習(xí)，提高了質(zhì)量監(jiān)測的準(zhǔn)確率與效率。