基于超声检测和树技术的电阻点焊质量的评估
Oacute;scar Martiacute;na, Mariacute;a Pereda, Joseacute; Ignacio Santos, Joseacute; Manuel Galaacute;nb
摘要
分类回归树和随机森林技术被提出作为电阻点焊焊点超声波波形图样本分类识别的工具。结果表明，分类回归模型制造了一个可接受的高解释性的错误数据。这些数据可能被用来理解和控制判定程序，命令其他的操作员，比较安全界限或者缓解他们对工业程序的临界性的依赖。和分类回归树相比，随机森林减少了降低决策成本的可解释性的错误率。森林的协议的使用被提出作为一个标准来减少操作员的工作量，这些操作员他们只会关注很难解释的超声波波形图的分析。
关键词：电阻焊，无损超声检测，随机树技术，分类回归树，分类，质量控制
- 简介
据Jou介绍电阻点焊是一种在汽车行业被广泛用于连接薄钢板的制造工艺，主要是因为如Martiacute;n et al所指出的，其自动化高速和适应性使它适合于大批量生产。重要的是，每辆车的焊点数量非常多(根据Hamidinejad等人介绍大概有 3000 – 7000个)，每个焊点可以有不同的质量。这是由于电阻焊是一个复杂的过程，涉及电子的相互作用，热，机械和冶金现象，像表明Moshayedi和Sattari-Far所指出来的一样。Raoelison 等人指出电阻焊焊点的质量是点焊熔核的大小的函数，它是金属加热后由于焦耳效应凝固而成。因此，电阻焊焊点的质量控制一直是一个长期的挑战，就像Martiacute;n 等人所指出的一样。将大大受益于有效的检测工具的设计。此外，在竞争激烈的汽车行业的趋势是减少每辆汽车的焊点的数量，这一事实增强了能够协助电阻焊焊点质量控制的感觉的研究，因为每辆车上的焊点越少，对焊点强度的要求越高。
Chen 等人表示超声无损检测是一种很有前途的在汽车行业里控制电阻点焊的焊点质量的技术。同时，Spinella 等人表示，这个测试技术是一项削减电阻焊焊点的质量控制的成本的机会，但他们也指出，它要求操作人员有一定程度的训练。尽管如此，Rupin 等人指出，一个复杂的材料微观结构可能扰乱超声波传播，因此，分析焊缝超声检测的数据可以是一个挑战，Zhang和Thomton等人认为超声A扫描在很大程度上依赖于操作人员的经验，并且Barrera Cardiel 等人表示分析超声波形图可能也有问题，因为示波图很难解释，或者因为花费很长一段时间反复解释示波图可能会影响人类操作员的效率。因此，一个能有效地协助操作人员分析超声波波形图和分类的工具将大大提高超声波无损检测技术在电阻点焊焊点检测的运用。Martiacute;n 等人开发了一种基于人工神经网络的超声波波形图的分类技术，效果很好，但缺点是人工神经网络是“黑盒子”，即他们缺乏分析能力。基础信息被网络在训练期间对用户是不公开的，因此，人工神经网络仅作为分类器不提供任何对结果的解释。
表1.钢板的化学成分
表2.钢板的机械性
两个基于分类树的工具，被推荐作在焊接质量控制的决策支持系统。最初，分类和回归树被使用，这是一个著名的决策树学习算法。作为起点，超声无损检测获得的超声波形图被操作人者分类。这个训练数据集加入了运算和允许操作人员近似判断的规则。之后，一个集成的技术由Breiman开发得到，叫做随机森林，为了增加分析的分类能力。
-
试验程序
- 材料和设备
用来电阻焊的材料是钢板，其化学成分和力学性能分别为表1和2所示。钢板的厚度是1毫米。钢板由50赫兹的单相交流电(AC)设备焊接，并通过使用水冷的截锥RWMA A组2类长16毫米和直径5毫米的电极。采用传感器的电阻焊焊点超声波检测，使用一个水柱延迟和一个可替换的橡胶膜，目的是实现良好的耦合的焊点表面，这可能会由于电极造成一个凹陷，如图1所示。频率和传感器的直径分别为20兆赫和4.5毫米。
图1.电阻焊焊点的横截图的宏观图，它的电极接触表面有压痕。
-
- 焊接状态
电阻焊工序得到了总共438个焊点。受控制的电阻焊的参数有焊接时间、焊接电流和电极压力，如Aslanlar所表示的这些是电阻焊最重要的焊接参数。这些参数的值如表3所示。McCauley 等人已经提出推荐值可以作为参考，但同时电压为焊点保持不变，焊接时间和焊接电流有着不同的数值，目的不仅为了实现好焊点，也考虑其他三个质量等级的焊点和将要被解分析的级别。
表3.电阻焊参数及其数值
-
- 电阻焊焊点超声波检测
使用a扫描数据的回波脉冲法用于超声检测。Zhang指出由A扫描获得的超声波形图技术是由振幅与时间组成的波形图；超声波束遇到一个分界面会产生一个回波产生，然后一系列的回波，这些波形与焊点的质量有关，通过这些回波可以获得：(i)反射分界面的位置可以由回波的位置确定；(ii)回波振幅的衰减反过来取决于焊点熔核组织的微观结构。
2.3.1超声波波形图数据
每个超声示波图的代表向量必须由超声波检测获得的数据分析得到。为了代表一个向量必须包含描述超声波波形图的主要因素。这些因素，根据Mansour提出的超声波的衰减和两个主要回波之间的单回波。同样重要的是，矢量不包含冗余信息。标准决定向量大小是在示波图里的回波的数量：太少回声产生的向量可能不足够代表，但是太多的回声会导致出现冗余信息的向量。Martiacute;n开发了一个可以只使用获得十个成分中的前六个回声的程序，十个成分是：
—向量的前五个成分是回声的相对高度。具体来说，第n个成分(n = 1，hellip;，5)是第(n 1)个回波的高度(hn 1)除以第一个回波的高度(h1)。由于获得向量的第一个回波的角色，超声波检测设备的设置被调整到波形图上的第一个回波显示的是第一个反射的回波。
—后五个成分是的连续的向量之间的距离：第n个成分(n = 6，hellip;，10)是第 (nminus;4)个回波和第(nminus;5)个回波之间的距离。
2.3.2 电阻点焊质量等级
每个焊点的质量水平由超声波波形图来判断。根据Moshayedi 和Sattari-Far的理论，其中焊点熔核尺寸是来确定焊点的力学性能最重要的参数；因此，运用超声检测的质量水平必须是点焊熔核尺寸的函数。Mansour表示，事实上，超声束的点焊熔核尺寸对示波图的影响有两个原因：(1)点焊熔核——融化和凝固之后，微观结构会出现或粗或柱状晶粒，就像图2所示；焊点熔核的衰减高于母材，因此，点焊熔核的厚度越大，衰减越高；(2) 两个板材之间的分界面产生超声波的反射束；如果点焊熔核直径小于超声波波束宽度，单层回波出现在主要的回波之间。
图2.电阻焊焊点焊核宏观图，微观结构粗糙柱状
根据Krautkramer和Krautkrame的研究，考虑到点焊熔核在超声波束的不同反映情况，焊点质量被分为四个级别：(i)好焊点;(ii)虚焊;(iii)过焊;(iv)没有焊接。根据ISO 14273:2000进行的拉断测试表现了不同的质量水平，结果如图3。
图3.拉断测试中不同质量水平的载荷位移曲线和抗拉抗剪承载能力
2.3.2.1好的焊缝。点焊熔核厚度很大而且直径大于超声波束宽度。因此，如图4所示：(i)回波序列的跨度短是由于较厚的点焊熔核的粗糙的微观结构造成的回波高衰减；(ii)连续回波之间的距离是两个焊板的厚度之和，因为超声波波束在下面的焊板的底部表面发生反射。
图4.超声波反射(上)，超声波示波图(下左)，特征量(下右)
2.3.2.2焊缝尺寸不足。Mansour表示超声波波束宽度必须近似等于最小容许点焊熔核直径，根据Kaminski的研究应至少是薄钢板厚度的四倍。因此，最小的许用点焊熔核直径是4.5毫米——一个熔核直径小于4.5毫米的焊点被分为焊缝尺寸不足，因此，所选择的传感器的直径是4.5毫米。如图5所示，由于点焊熔核直径小于超声波束宽度：(i)的超声波波束穿过点焊熔核导致主要与超声波束回声在下面的焊板的底部表面发生反射；(ii)超声束不经过点焊熔核，而在两个钢板之间的分界面发生反射，两个主要的回声之间产生单层回声。
图5.超声波反射(上)，超声波示波图(下左)，特征量(下右)
2.3.2.3. 粘焊。用于粘连的焊点分类的标准，跟据Zhang的研究，在热量输入和点焊熔核方面，因为热输入而熔化，使超声波束衰减。由低热量输入引起的粘连的焊缝，产生与足够的点焊熔核直径(即大于超声波束宽度)，但厚度更小了，根据Lancaster和Ouml;zyuuml;rek的研究，低热输入有利于焊接金属良好的微观结构，细微观结构比好焊点要好。因此，粘焊如图6所示：(i)衰减比好焊点低，每个回波之间的距离变大了；(ii)连续回声之间的距离是两张钢板的厚度之和，因为超声束在下面的钢板的底面发生反射。
图6.超声波反射(上)，超声波示波图(下左)，特征量(下右)
2.3.2.4. 没有焊接。没有熔化和凝固的金属;因此，晶粒的大小和铸造的晶粒的微观结构不一样，并且超声波的衰减也低于电阻电焊的焊点。因此，如图7所示：(i)每个回波之间的跨度大于电阻焊焊点的产生的跨度；(ii)回声之间的距离等于一张钢板的厚度，因为没有点焊熔核，两个钢板之间没有连续性。
图5.超声波反射(上)，超声波示波图(下左)，特征量(下右)
- 理论背景
树理论是节点和环的集合，其中每个节点都有唯一的根源——有一个传入的连接。决策树是一种通常用于制造回归的非参数模型 (如量化预测)或分类(如定性预测)。当树技术用于分类，每个节点代表一个特定的测试。输入情况的分类从树的根(即上节点)开始，然后跟着书走下来的路径是由测试的结果中的每个节点所决定的。路径中的节点将输入发送到适当的叶子(即子节点)，直到这个过程达到一个终端节点。终端节点通常将输入与输出联系起来；该输出可能是一个特定的种类标签或是一个所有可能种类的概率分布。
有几种基于树技术的分类方法，不过最常用的是Quinlan 的C4.5以及Breiman 等人的分类回归树技术。在这个工作中分类回归树技术是被最早使用的。简单来说，分类回归分类树是基于一组训练或学习数据建立的。这个组是一个Ntimes;(M 1)矩阵，其中N表示焊点数或集合的元素数，M是特征或属性Xj的数量，它定义了每个例子以及包括每种情况下的类cisin;c下降的额外的维度。
这棵树是根据每个节点的分裂规则自上而下建立的。这里，二叉树被认为是涉及一个单变量的规则。在这样的树中，一个规则只是这样形式的一个问题：“xj gt; ?”，即一个测试，检查输入情况下一个特定的属性的值xj是否大于一定数量，。因此，规则的定义需要选择一个确定的值xj和分度值。算法的目的是将学习样本分成子集，每个子集属于同一类中的大多数意见(或尽可能少的种类)。
流程正式在选择由递归和贪婪地变量xj 在M属性之中以及根据所给公制中在每个步骤最好的分组。用来量化多好的级别的指标的措施被分离一般被称为杂值。据Hastie et al .和Rokach Maimon 的研究，这两个被用于构建树的最受欢迎的杂质量是“信息增益”和“基尼系数”。在工作中的这两项的性能都进行了分析。
信息增益是基于香农熵的概念。熵是一个试图衡量混合数据对某个目标变量的量(即在目前的情况下，它所属的种类)。因此，如果所有种类都同样的代表数据集(最大的混合物)，那么熵最大;相反，如果所有数据集中的观测属于一个种类(最小的混合物)，那么数据集的熵等于0。因此，对于目前的分类目的是尽可能得减少熵。
具体来说，设训练例子S达到一个节点和其经验分布类p(c)，香农熵和S相关的函数为:
p(c)是在c类分类中输入情况的比例。(对于任何种类，在p(c)= 0的情况下， 0·log(0)被认为是0，一贯的极限表达式当p趋于0时。)在节点之后，两个分为S1和S2，各自的熵为H(Si)。因此，那么分离后可以被定义为加权平均产生的熵，分为S1和S2，权重占样本在每个分配的数量 (见下面的公式(2))。最后，期望减少的熵或信息增益可以被定义为在分离之前的熵之间的差异，H(S)，和分离之后的熵:
自然地，算法试图找到使获得的信息最佳化的规则，或减少预期的熵。在使用基尼系数函数，而不是使用公式(1)，该关于S的函数可以计算为:
基尼杂质是一种不能分类的度量，如果的测量频率可推测的地根据数据集的分类分配到种类。与熵一样，基尼杂质是最小化的指标，所以执行一个类似的优化。
一旦一个杂质数据被选中时，该算法用于学习树被认为是整个空间的每一个可能的训练数据集的特点找到最优区间。每分裂把数据分成两个叶子，同时递归地重复这个过程，根据每次的杂质测量寻找最佳分割。虽然， 如Criminisi 等人所指出的一样，其他分裂不同于在一个变量的线性函数可以考虑用来训练树，他们可以增加计算成本来找最优解，并且阻碍每个节点的决策规则的解释。
如果继续递归算法，它将构建一个最大的只包含对一个种类的观察的终端节点的树。 然而，最大的树有许多缺点：它们通常非常复杂，因此很难解释，并且当使用新数据时它们工作不是特别好，因为他们经常学习模式的训练集，但不是一般的问题，即他们“过度适合”。因此，最大的树必须被优化，通过切断无关的节点和坏树，即它们必须被“修剪”。在不同的修剪策略中， 使用10倍交叉验证的成本复杂性修剪已被使用。这项技术是基于树当应用到新的数据的误分类率。
分类树构建的方式展示了多种令人满意的特性，也就是:他们可以有效地处理连续和离散变量，非参数，不变的单调变换，对学习数据中的异常值要严格，并且服从解释和理解的分类模式。这些优势，加上在许多情况下合理的分类性能 ，证明他们的在不同领域使用，如工业设置(Georgilakis 等人在电力变压器绕组材料的选择的应用)、医药(Z
剩余内容已隐藏，支付完成后下载完整资料
英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147825]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
