Multi-information fusion welding defect identification combining neighborhood rough set and optimized SVM
-
摘要:
针对多传感器信息融合焊接过程产生的“大数据”，将邻域粗糙集 (neighborhood rough set, NRS)与优化支持向量机 (support vector machine, SVM)相结合，提出一种多信息融合焊接缺陷识别方法，以特征重要性为启发信息构造基于NRS的快速约简算法，利用野狗优化算法 (dingo optimization algorithm, DOA)选取SVM的关键参数，通过试验获取熔池图像、焊接电流和振动信号等焊接信息，采用特征融合与NRS约简生成精简的数据集，载入 DOA-SVM进行优化训练后建立焊接缺陷识别模型，设计多组试验对该方法进行对比验证. 结果表明，模型对 6种焊缝质量类别识别准确率为98.03%，且训练和预测时间短、泛化能力强，能满足焊接质量在线检测的要求.
Abstract:A multi-information fusion welding defect recognition method is proposed by combining NRS with optimized SVM to address the “big data” generated during the multi-sensor information fusion welding process. A fast reduction algorithm based on NRS was constructed using feature importance as inspiration information, and the DOA was used to select the key parameters of SVM. Through welding experiments, welding quality information such as melt pool images, welding currents, and vibration signals was obtained. A simplified dataset was generated using feature fusion and NRS reduction, and then loaded into DOA-SVM for optimization training to establish a welding defect recognition model. Multiple sets of experiments were designed to compare and verify the method. The results showed that the model achieved an accuracy of 98.03% in identifying six types of weld quality categories, with short training and prediction time and strong generalization ability, which could meet the requirements of online welding quality detection.
-
0. 序言
纤维石英增强的二氧化硅复合材料(SiO2f/SiO2)具备热稳定性好、介电常数低、透波性能好和强度高等优点，广泛应用在导弹、卫星和火箭上[1]. 在SiO2f/SiO2复合材料的应用过程中，经常涉及到与自身或者其它金属的焊接，而钎焊是一种最常用的连接方法[2]. 由于SiO2f/SiO2复合材料的表面能很低，普通钎料对SiO2f/SiO2复合材料表面的润湿性很差，通常通过在钎料中添加活性元素来提高润湿性，AgCuTi是钎焊复合材料常用的活性钎料[3]，其中Ti元素由于活性高，能够与SiO2发生反应，降低界面能从而促进润湿[4]. Ti和SiO2的界面反应比较复杂.使用AgCuTi钎料钎焊SiO2材料时，界面结构为SiO2/TiSi2+Ti4O7[5]. 而使用AgCuInTi钎料钎焊SiO2f/SiO2复合材料时，界面结构为SiO2/TiO+TiSi2化合物[6].
在AgCuTi钎料和SiO2f/SiO2复合材料界面均发现了Ti-O和Ti-Si化合物，但是真正与SiO2结合的是哪种化合物并不清楚. 活性元素Ti在什么条件下与O反应，在什么条件下与Si发生反应，界面的反应机制也不清楚. 使用第一性原理计算能够从原子和电子的尺度研究界面原子的结合和反应机理. 因此，文中使用第一性原理计算深入研究了Ti和SiO2的界面结合机制.
1. 计算步骤与方法
使用第一性原理计算软件Materials Studio的CASTEP模块进行界面结合机理的研究，该软件基于密度泛函理论，采用赝势平面波方法进行计算. 经过收敛性测试，交换关联能采用GGA-PBE，截断能设置为340 eV，K点网格设置为3 × 6 × 1. 结构弛豫时，最大力、最大应力和最大位移的收敛阈值分别为0.5 eV/nm，0.1 GPa和 0.2e−3 nm.
为了验证选择的计算参数能够满足计算精度要求，对Ti的晶格进行了几何优化，驰豫后Ti的晶格参数为a = b = 0.295 92 nm，c = 0.465 57 nm，与试验结果(a = b = 0.295 06 nm，c = 0.467 88 nm)和其它文献[7]中的计算结果均比较接近，证明了计算参数选择的合理性.
对于Ti/SiO2界面，根据构建界面的最小错配度原则，建立了(3 × 1)Ti(10-10)/(31/2 × 1)SiO2(0001)界面模型，(3 × 1)Ti(10-10)层的晶格参数为：a = 0.467 88 nm，b = 0.885 18 nm，α = 90°，而 (31/2 × 1) SiO2 层的晶格参数为：a = 0.491 00 nm，b = 0.850 44 nm，α = 90°. 选用二者的平均数作为界面层的晶格参数. 对于构建好的界面模型，〈001〉方向上的错配度为2.35%，〈010〉方向上的错配度为1.96%. 根据表面能收敛性测试，建立了6层Ti(10 - 10)/16层SiO2 (0001)界面模型. 在z轴方向上加入了厚度为1.6 nm的真空层来分离两个表面层的自由表面.
对于SiO2 (0001)表面，既有可能是O终止表面，也有可能是Si终止表面，因此，分别建立了O终止面界面(O-T)和Si终止面界面(Si-T)模型，如图1所示. 在O-T界面中，Si和O原子比为1∶2.4，是一种富O界面；在Si-T界面中，Si和O原子比为1∶1.67，是一种富Si界面. 同时，对于同一种终止面界面，建立了三种典型的对位模型：Ti原子位于O原子的正上方(top)，Ti原子位于两个O原子的桥位的上方(bridge)，Ti原子位于三个O原子的空位的上方(hollow)，分别如图1c，1d，1e所示.
![]()
图 1 Ti/SiO2界面结构侧视图和三种不同界面结构俯视图Figure 1. Side view of Ti/SiO2 interfacial structure and three interface configurations. (a) O termination surface；(b) Si termination surface；(c) top；(d) bridge； (e) hollow2. 结果与讨论
2.1 不同界面结构的分离功
使用分离功(work of separation, Wsep)来评价Ti/SiO2界面结合的强度. 通常，分离功定义为把一个界面可逆地分成两个自由表面所需的功，可以由式(1)计算得出[8]，即
$$ {W_{{\rm{sep}}}} = \left( {{E_{{\rm{Si}}{{\rm{O}}_2}}} + {E_{{\rm{Ti}}}} - {E_{{\rm{interface}}}}} \right)/{A_{{\rm{interface}}}} $$ (1) 式中：
$E_{\rm {SiO}_2}$ ，ETi是单独的SiO2和Ti层的能量；Einterface是界面结构的总能量；Ainterface是界面的面积. 分离功可以用结合能关系(universal binding energy relation，UBER)[9]的方法进行计算，在UBER方法中，手动地将界面距离由一个很大的值逐渐调小，直至分离功达到最大然后变小，这样就可以得到最大的分离功和对应的平衡界面距离(d0). 然后，对分离功最大的界面结构进行驰豫，得到驰豫后的分离功.在驰豫过程中，仅对界面上下各三层原子进行驰豫，其余原子的位置保持固定不变.图2为不同Ti/SiO2界面结构的UBER曲线，曲线的峰值对应每种界面结构的最大分离功. 结果显示SiO2表面的终止面以及界面原子对位对界面结合强度均有影响. 总体来说，O终止面界面的分离功大于Si终止面界面的分离功，同时，相应的界面平衡距离也更短，表明界面形成的Ti-O键比Ti-Si键更强且键长更短. 对于O终止面界面，hollow对位界面的分离功最大为7.48 J/m2，界面平衡距离为0.12 nm. 而top和bridge对位界面的分离功分别为6.24 J/m2和7.07 J/m2. 对于Si终止面界面，不同的对位对界面分离功影响较小，top和bridge对位界面的UBER曲线基本重合，最大分离功为2.24 J/m2，界面平衡距离为0.20 nm，而hollow对位界面的分离功为1.97 J/m2.
图3为驰豫后的Ti/SiO2界面结构侧视图，其中图3a为O终止面hollow对位界面驰豫以后的界面结构，驰豫后界面的分离功为8.99 J/m2，大于未驰豫的界面分离功. 在弛豫过程中，界面处的Ti原子和O原子逐渐向对方运动. 同时发现，次界面层的Ti原子也运动到界面与O成键，表明O对Ti有很强的的吸引力. 界面的Ti-O键长由驰豫前的0.238 2 nm缩短到0.201 2 ~ 0.206 3 nm，这已经与TiO2体相内Ti-O键长(0.197 3 nm)极为接近. 图3b为Si终止面hollow对位界面驰豫以后的界面结构，驰豫后界面的分离功为2.65 J/m2，同样也大于未弛豫的界面分离功. 弛豫后界面的Ti-Si键长0.246 7 ~ 0.253 1 nm，略大于驰豫前键长(0.242 3 ~ 0.247 3 nm). 而TiSi2化合物中的Ti-Si键长为0.274 1 nm.
![]()
图 3 驰豫后的Ti/SiO2界面结构侧视图Figure 3. Side view of relaxed Ti/SiO2 interfacial structure. (a) O termination surface; (b) Si termination surface2.2 电子行为
原子间的键合强度决定了界面的力学性能，因此，进一步研究了Ti/SiO2界面的电子行为.
图4为驰豫后界面的差分电荷密度图，其中图4a为O终止界面的差分电荷密度图，差分密度图是由整个界面的电子密度减去每个原子初始的电子密度得到的. 可以看出，界面处的O原子周围有电荷聚集区，而Ti原子周围有电荷大耗散区，表明O原子和Ti原子分别得到和失去电子，变为负离子和正离子，并通过静电引力形成离子键. 使用Mulliken布居数半定量地评价了电荷转移和离子性，结果显示Ti1和O1 原子的布居数分别为+0.24 和−0.91，界面Ti1-O1的键集居数为0.29，表明界面形成的Ti-O键主要是离子键. 图4b为Si终止面界面的差分电荷密度图，界面处的Ti2和Si2原子周围均有电荷的耗散区，说明两个原子均失去电子，两个原子间的区域有电荷的聚集区，说明电子归两个原子共有，键合有共价键的成分. Ti2和Si2原子的布居数分别为−0.27和+1.04，说明界面的Ti和Si原子之间也有电荷转移，键合有离子键的成分，Ti2-Si2键的键集居数为0.76，说明界面的Ti-Si键的离子键成分较小，共价键的成分较大.
![]()
图 4 驰豫后界面的差分电荷密度图Figure 4. Charge density difference for the interface after relaxation. (a) O termination surface; (b) Si termination surface图5为驰豫后界面特定原子的分态密度图(partial density of stats，PDOS)，其中图5a为O终止界面的PDOS，可以发现Ti和O原子的态密度在−11.5 ~ +1.3 eV的能量范围内有明显的重叠，对应Ti-3d/O-2p电子的强烈杂化，表明原子之间的离子键结合. 同时，Ti的p和d轨道在−22.5 ~ −19.3 eV的能量范围出现了很小的峰，与O-s轨道电子态密度的峰在同一位置，这个位置的峰宽度较窄，表明电子局域化程度较高，界面的Ti-O键还有小部分共价键的成分. 图5b为Si终止面界面部分原子的态密度图，在−11 ~ +1 eV能量区域，Si和Ti有范围较大的峰的重合，表明之间的键合有离子键的成分. 在−3 ~ +1 eV能量范围内，有重合度很高，宽度很窄的峰，表明键合有共价键的成分，说明界面形成的Ti-Si键是共价-离子混合键.
![]()
图 5 驰豫后界面特定原子的PDOSFigure 5. PDOS projected on selected atoms of interface after relaxation. (a) O termination surface; (b) Si termination surface2.3 界面能
界面能(γ)可以用来评价特定条件下界面结构的热力学稳定性，界面能可以由下式计算得到[10]
$$ \gamma = \dfrac{1}{{2A}}\left( {{G_{{\rm{slab}}}} - N_{\rm{O}}^{}\mu _{\rm{O}}^{} - N_{{\rm{Si}}}^{}\mu _{{\rm{Si}}}^{} - {N_{{\rm{Ti}}}}\mu _{{\rm{Ti}}}^{}} \right)= \dfrac{1}{{2A}}\left[ {{G_{{\rm{slab}}}} - \dfrac{1}{2}N_{\rm{O}}^{}\mu _{{\rm{Si}}{{\rm{O}}_2}}^0 - \left( {N_{{\rm{Si}}}^{} - \dfrac{1}{2}N_{\rm{O}}^{}} \right)\mu _{{\rm{Si}}}^{} - {N_{{\rm{Ti}}}}\mu^0 _{{\rm{Ti}}}} \right] $$ (2) 式中：Gslab是界面的吉布斯自由能；Ni和μi分别是i(i = Si, O, Ti, SiO2)原子的数量和化学势.
考虑到温度的影响，Si的化学势可以表示为
$$\mu _{{\rm{Si}}}^{} = \mu _{{\rm{Si}}}^0 + kT\ln {a_{{\rm{Si}}}}$$ (3) 式中：k是玻尔兹曼常数；T是温度；aSi是Si的活度. 因此，界面能可以进一步表示为
$$\gamma = \frac{1}{{2A}}\Biggr[ {E_{{\rm{slab}}}} - \frac{1}{2}N_{\rm{O}}^{}\mu _{{\rm{Si}}{{\rm{O}}_2}}^0 - \left( {N_{{\rm{Si}}}^{} - \frac{1}{2}N_{\rm{O}}^{}} \right)\left( {\mu _{{\rm{Si}}}^0 + kT\ln {a_{{\rm{Si}}}}} \right) -{N_{{\rm{Ti}}}}\mu _{{\rm{Ti}}}^{\rm{0}} \Biggr]$$ (4) SiO2的表面既有可能是O终止面，也有可能是Si终止面. 根据之前的结算结果，如果O终止面界面稳定，界面会形成Ti-O化合物；如果Si终止面界面稳定，界面会形成Ti-Si化合物. 图6为Ti/SiO2界面在1 173 K时的不同界面结构的界面能. 对于富Si界面，界面能随着Si活度的下降而上升，而富O界面显示出相反的趋势. 当Si的活度大于e−35时，富Si界面稳定，Si的活度小于e−35时，富O界面稳定. 因此，在使用含Ti钎料钎焊SiO2时，界面处易形成Ti-O化合物，反应式如下
$$ {\rm{Ti}} + {\rm{Si}}{{\rm{O}}_2} \to {\rm{Ti}} {\text{-}} {\rm{O}} + {\rm{Si}} $$ (5) SiO2中的Si就被Ti置换出来. Si扩散进入钎料后，活度升高，与钎料中的Ti反应生成Ti-Si化合物，即
$$ {\rm{Ti}} + {\rm{Si}} \to {\rm{Ti}} {\text{-}} {\rm{Si}} $$ (6) 界面应该为SiO2/Ti-O化合物/Ti-Si化合物/钎料.
3. 结论
(1)建立了错配度很小的Ti(10-10)/SiO2(0001)界面模型，分别考虑了不同的终止面和原子对位. 结果发现，O终止面界面的分离功大于Si终止面界面的分离功，同时，相应的界面平衡距离也更短，对于O终止面界面，驰豫后分离功最大为8.99 J/m2，Si终止面界面为2.65 J/m2.
(2)使用差分电荷密度、Mulliken布局数和态密度研究了界面电子行为，发现在O终止面界面，Ti和O原子之间形成很强的离子-共价键；而在Si终止面界面，Ti和Si之间形成的键合主要是共价键，也有部分离子键的成分.
(3)在钎焊温度1 173 K下，当Si的活度大于e−35时，富Si界面稳定，Si的活度小于e−35时，富O界面稳定. 在使用含Ti钎料钎焊SiO2f/SiO2复合材料时，界面处易形成Ti-O化合物. SiO2中的Si被Ti置换出来. Si扩散进入钎料后，活度升高，与钎料中的Ti反应生成Ti-Si化合物，所以界面应该为SiO2/Ti-O化合物/Ti-Si化合物/钎料.
-
![]()
图 3 多信息融合焊接过程知识建模的基本流程
Figure 3. Basic flow of welding process knowledge modeling based on multi-information fusion
![]()
图 5 各质量类型焊缝外观与熔池图像轮廓
Figure 5. Appearance and pool contour images of welds of different quality types. (a) weld appearance; (b) geometric shape of molten pool
![]()
图 6 各焊接质量类型的灰度等级
Figure 6. Gray scale of each welding quality type. (a) 01; (b) 02; (c) 03; (d) 04; (e) 05; (f) 06
![]()
图 8 各质量类型电流信号时域特征
Figure 8. Time domain characteristics of current signals for various quality types. (a) standard deviation distribution; (b) mean distribution; (c) root mean square distribution; (d) peak to peak distribution; (e) peak factordistribution; (f) shape factordistribution; (g) skewness distribution; (h) kurtosis distribution
![]()
图 9 3种质量状态下焊接振动信号时域特征
Figure 9. Time domain characteristics of welding vibration signals under three different quality states. (a) mean distribution; (b) root mean square distribution; (c) root mean square amplitude distribution
![]()
图 10 各质量状态下焊接振动信号的3个频域特征
Figure 10. Three frequency domain characteristics of welding vibration signals under different quality states. (a) mean frequency; (b) standard deviation; (c) skewness
表 1 焊接多源信息的数据集
Table 1 Data set of welding multi-source information
编号 类型 数据组G/个 01 气孔 335 02 未焊透 340 03 烧穿 366 04 未焊满 359 05 良好 358 06 焊偏 162 
下载: 导出CSV
表 2 各信息源未约简与约简模型的分类质量
Table 2 Classification quality of unreduced and reduced models for each information source
信息源 未约简特征数 准确率
Acc(%)约简后特征数 准确率
Acc(%)电流信号 8 80.33 7 79.33 振动信号 87 78.85 40 79.02 熔池图像 139 94.22 13 94.30 多源信息 234 96.80 17 96.88
下载: 导出CSV
表 3 不同模型分类准确率对比(%)
Table 3 Comparisons of classification accuracy of different models
CART SVM DOA-SVM 未约简 95.81 96.80 97.79 约简后 94.01 96.88 98.03
下载: 导出CSV
表 4 约简的DOA-SVM模型试验结果
Table 4 Experimental results of reduced DOA-SVM model
编号 类型 精确度P 召回率R F1分数F 01 气孔 1.000 0.969 0.984 02 未焊透 0.937 1.000 0.967 03 烧穿 1.000 1.000 1.000 04 未焊满 0.989 1.000 0.994 05 良好 1.000 0.957 0.978 06 焊偏 1.000 1.000 1.000
下载: 导出CSV
-
[1] 李汝跃. 大型机械焊接工艺优化与参数控制研究[J]. 中国机械, 2023(20): 51 − 54. LI Ruyue. Research on optimization and parameter control of welding process for large machinery[J]. Machine China, 2023(20): 51 − 54.
[2] 刘鑫, 赵丽丽. 智能化机器人焊接技术研究进展[J]. 科学家, 2017, 5(8): 19 − 20. LIU Xin, ZHAO Lili. Research progress in intelligent robot welding technology[J]. Scientist, 2017, 5(8): 19 − 20.
[3] 张琨, 邹宗轩, 刘烨, 等. 铝合金TIG焊接熔池状态多传感器数据协同感知算法[J]. 焊接学报, 2022, 43(3): 50 − 55. ZHANG Kun, ZOU Zongxuan, LIU Ye, et al. Multi sensor data collaborative perception algorithm for aluminum alloy TIG welding melt pool status[J]. Transactions of the China Welding Institution, 2022, 43(3): 50 − 55.
[4] 于鹏. 铝合金脉冲多重控制GMAW焊接质量在线监测研究 [D]. 长春: 吉林大学, 2020. YU Peng. Research on online monitoring of aluminum alloy pulse multiple control GMAW welding quality [D]. Changchun: Jilin University, 2020.
[5] 张志芬. 基于多信息融合的铝合金脉冲GTAW过程焊接缺陷特征提取研究[D]. 上海: 上海交通大学, 2015. ZHANG Zhifen. Research on feature extraction of welding defects in aluminum alloy pulse GTAW process based on multiple information fusion [D]. Shanghai: Shanghai Jiao Tong University, 2015.
[6] 朱焘. K-TIG 焊接焊缝偏差与熔透状态识别的研究[D]. 广州:华南理工大学, 2019. ZHU Tao. Research on deviation and penetration status identification of K-TIG welding seams [D]. Guangzhou: South China University of Technology, 2019.
[7] HU Q H, YU D R, XIE Z X. Neighborhood classifiers[J]. Expert systems with applications, 2008, 34(2): 866 − 876. doi: 10.1016/j.eswa.2006.10.043
[8] 张迪. 邻域粗糙集模型的拓展研究 [D]. 北京: 北京邮电大学, 2023. ZHANG Di. Research on the extension of neighborhood rough set models [D]. Beijing: Beijing University of Posts and Telecommunications, 2023.
[9] PAWLAK Z. Rough sets: Theoretical aspects of reasoning about data [M]. Dordrecht: Kluwer Academic Publishing, 1991.
[10] ZHANG X, LIU C, XUE L, et al. Simultaneous feature selection and SVM parameter by using artificial bee colony algorithm [C]//Proceedings of the 2022 6th International Conference On Electronic Information Technology and Computer Engineering, 2022: 1737 − 1745.
[11] PERAZA-VÁZQUEZ H, PEÑA-DELGADO A F, ECHAVARRÍA-CASTILLO G, et al. A bio-inspired method for engineering design optimization inspired by dingoes hunting strategies[J]. Mathematical Problems in Engineering, 2021, 2021: 1 − 19.
[12] 冯林. 基于粗糙集理论的不确定信息处理与知识获取方法研究 [D]. 成都: 西南交通大学, 2008. FENG Lin. Research on uncertain information processing and knowledge acquisition methods based on rough set theory [D]. Chengdu: Southwest Jiaotong University, 2008
[13] 胡清华, 于达仁, 谢宗霞. 基于邻域粒化和粗糙逼近的数值属性约简[J]. 软件学报, 2008, 19(3): 640 − 649. doi: 10.3724/SP.J.1001.2008.00640 HU Qinghua, YU Daren, XIE Zongxia. Numerical attribute approximation based on neighborhood granularity and rough approximation[J]. Journal of Software, 2008, 19(3): 640 − 649. doi: 10.3724/SP.J.1001.2008.00640
[14] ALMAZÁN Covarrubias J H, PERAZA Vázquez H, PEÑA Delgado A F, et al. An improved dingo optimization algorithm applied to SHE-PWM modulation strategy[J]. Applied Sciences, 2022, 12(3): 992. doi: 10.3390/app12030992
[15] MILENKOVIĆ B, JOVANOVIĆ Đ, KRSTIĆ M. An application of Dingo Optimization Algorithm (DOA) for solving continuous engineering problems[J]. FME Transactions, 2022, 50(2): 331 − 338. doi: 10.5937/fme2201331M
[16] ALIKHAN J S, ALAGESWARAN R, AMALI S M J. Dingo optimization based network bandwidth selection to reduce processing time during data upload and access from cloud by user[J]. Telecommunication Systems, 2023, 83: 189 − 208.
[17] 王克鸿, 沈莹吉, 钱锋, 等. MAG焊熔池图像特征及可用信息分析[J]. 焊接学报, 2006, 27(11): 53 − 56. WANG Kehong, SHEN Yingji, QIAN Feng, et al. Characterization of MAG weld pool images and analysis of available information[J]. Transactions of the China Welding Institution, 2006, 27(11): 53 − 56.
[18] 冯志强, 袁浩, 刘鹏, 等. 变间隙MAG焊熔透状态的粗糙-模糊控制方法[J]. 焊接学报, 2023, 44(11): 22 − 35. FENG Zhiqiang, YUAN Hao, LIU Peng, et al. A rough-fuzzy control method for the penetration state of variable gap MAG welding[J]. Transactions of the China Welding Institution, 2023, 44(11): 22 − 35.
[19] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Image net classification with deep convolutional neural networks [C]//Advances in Neural Information Processing Systems, 2012: 1079 − 1105.
[20] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv, 2014, 1409.1556.
[21] JOSE M, KUMAR S S, SHARMA A. Vibration assisted welding processes and their influence on quality of welds[J]. Science and Technology of Welding and Joining, 2016, 21(4): 243 − 258. doi: 10.1179/1362171815Y.0000000088
-
期刊类型引用(1)
1. 陆益敏，马丽芳，王海，奚琳，徐曼曼，杨春来. 脉冲激光沉积技术生长铜材碳基保护膜. 材料研究学报. 2023(09): 706-712 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 141
- HTML全文浏览量: 16
- PDF下载量: 30
- 被引次数: 2
