铆接铝合金板铆钉失效缺陷检测方法研究

doi:10.19562/j.chinasae.qcgc.2024.02.019

摘要/Abstract

摘要：

针对车身用铝合金板内部铆钉缺陷特征提取难度大、缺陷类型与程度识别准确率低的问题，提出一种基于高斯卷积深度信念网络与双向长短期记忆网络相结合的铆钉失效缺陷诊断模型与检测方法。首先，面向5种铆钉断裂缺陷设计试件并搭建自动检测系统，通过规划和调整探头姿态有效地降低提离效应对检测信号的影响。其次，设计双网络融合诊断模型提取和学习多维度缺陷特征信息，解决检测曲线中由时序变化特性和空间分布状态表征的缺陷信息提取难题。实验结果表明，与传统卷积网络及单一深度信念网络相比，优化后算法诊断模型的平均准确率为99.85%，相比提升了14.54%，且具有良好的通用性和鲁棒性，可实现铆钉内部缺陷的在线诊断。

关键词: 铆钉内部缺陷, 检测系统, 模式识别, 特征融合

Abstract:

For the difficulties in feature extraction and low recognition rate in defect types and grades of rivet on aluminum alloy plates for car body， the diagnosis model and detection method for rivet failure defects are proposed based on the Gaussian convolutional deep belief network and long short-term memory network. Firstly， the specimens are designed for five types of fracture defects and an automatic detection system is constructed. The planned path and pose of the probe are set to lower lift-off effect on signals. Secondly， the dual network fusion diagnostic model is designed to extract and learn the multi-dimensional defect feature information， solving the problem of extracting defect information represented by temporal variation characteristics and spatial distribution state in detection curves. The experiments results show that the optimized model has an average recognition rate of 99.85%， with an increase of 14.54% compared with that of the traditional convolutional network and single deep belief network. The model has better compatibility and robustness， which can realize online diagnosis of internal defects of rivets.

Key words: defects in rivet, detection system, pattern recognition, feature fusion

刘凉,张滢,史晨阳,赵新华,孟宪明,刘增昌. 铆接铝合金板铆钉失效缺陷检测方法研究[J]. 汽车工程, 2024, 46(2): 366-374.

Liang Liu,Ying Zhang,Chenyang Shi,Xinhua Zhao,Xianming Meng,Zengchang Liu. Research on Detection Method of Failure Defects of Rivet on Riveted Aluminum Alloy Plates[J]. Automotive Engineering, 2024, 46(2): 366-374.

图/表 24

图1

表1

图2

表2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

表3

表4

图14

图15

图16

表5

图17

图18

图19

参考文献 23

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	岁波，都东，常保华，等. 轻型车身自冲铆连接技术的发展［J］. 汽车工程， 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，马运五，楼铭，等. 轻量化多材料汽车车身连接技术进展［J］. 机械工程学报， 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	武新军，张卿，沈功田. 脉冲涡流无损检测技术综述［J］. 仪器仪表学报， 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. 集成涡流无损检测系统设计与关键技术研究［D］. 长沙：国防科学技术大学， 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 （FarEastCon）， 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.

铆钉缺陷类型	铆钉缺陷分布特征
钉脚一字裂纹	圆柱面底部裂纹呈现近似一字型分布
钉脚十字裂纹	圆柱面底部裂纹呈现近似十字型分布
轴向（分布）断裂	圆柱面沿轴向产生断裂的区域性缺损
径向（分布）断裂	钉帽根部及圆柱面沿径向产生断裂的区域性缺损
横向截面断裂	圆柱面横向截面整体产生腐蚀型缺损

缺陷类型	断裂尺寸/mm	断裂区域（长×宽）/mm²	缺陷等级
钉脚一字裂纹钉脚一字裂纹钉脚一字裂纹	长度0.5~1		轻度
	长度1~3		中度
	长度3~4		严重
钉脚十字裂纹钉脚十字裂纹钉脚十字裂纹	长度0.5~1		轻度
	长度1~3		中度
	长度3~4		严重
轴向（分布）断裂轴向（分布）断裂		（1~2）×（1~2）	中度
轴向（分布）断裂轴向（分布）断裂		（2~4）×（2~4）	严重
径向（分布）断裂径向（分布）断裂	深度0.5~1		轻度
径向（分布）断裂径向（分布）断裂	深度1~2		中度
横向截面断裂横向截面断裂	高度1~3		中度
横向截面断裂横向截面断裂	高度3~4		严重

缺陷类型	缺陷等级	训练样本数	测试样本数	标签
无缺陷	无	248	89	1
钉脚一字裂纹	轻度	212	74	2
	中度	210	75	3
	严重	201	72	4
钉脚十字裂纹	轻度	212	74	5
	中度	210	75	6
	严重	201	72	7
轴向分布断裂	中度	210	75	8
轴向分布断裂	严重	201	72	9
横向截面断裂	中度	210	75	10
横向截面断裂	严重	201	72	11
径向分布断裂	轻度	212	74	12
径向分布断裂	中度	212	74	13

GCRBM结构层数	第1层	第2层
卷积核个数	9	16
卷积核大小	3×3	3×3
池化大小	2×2	2×2
训练批次	10	10
学习率	0.005	0.001
权重更新动量	0.9	0.9

[1]	马雷, 杨顺清, 王欢欢, 翟家琛, 徐健傲. 融合图像显著性特征的轻量级目标检测算法[J]. 汽车工程, 2024, 46(1): 84-91.
[2]	崔英祥, 张幽彤, 魏洪乾. 基于样本熵的车载CAN网络入侵检测[J]. 汽车工程, 2023, 45(7): 1184-1191.
[3]	关宇昕,冀浩杰,崔哲,李贺,陈丽文. 智能网联汽车车载CAN网络入侵检测方法综述[J]. 汽车工程, 2023, 45(6): 922-935.
[4]	陈龙,杨晨,蔡英凤,王海,李祎承. 基于多模态特征融合的行人穿越意图预测方法[J]. 汽车工程, 2023, 45(10): 1779-1790.
[5]	程腾,孙磊,侯登超,石琴,张峻宁,陈炯,黄鹤. 基于特征融合的多层次多模态目标检测[J]. 汽车工程, 2021, 43(11): 1602-1610.
[6]	刘志强, 张光林, 郑曰文, 贺晓宇. 基于检测无迹信息融合算法的多传感融合方法^*[J]. 汽车工程, 2020, 42(7): 854-859.
[7]	张阳阳, 贾云献, 吴巍屹, 苏小波, 时晓文. 概率神经网络在车辆齿轮箱典型故障诊断中的应用^*[J]. 汽车工程, 2020, 42(7): 972-977.
[8]	陈文强,熊辉,李克强,李晓飞,张德兆. 基于深度神经网络的行人及骑车人联合检测[J]. 汽车工程, 2018, 40(6): 726-.