一种可解释的深度学习框架，用于通过声发射技术监测激光冲击强化过程中的残余应力

《Journal of Industrial Information Integration》：Explainable deep learning framework for residual stress monitoring in laser shock peening via acoustic emission

本文提出结合频率带重校准声谱图（FBRS）和双微分卷积网络（BDCN）的智能监测方法，用于激光冲击强化过程中声发射信号的高精度分析。通过自适应调整频带分辨率和双向微分卷积特征提取，有效解决了传统方法时频特征捕捉不足和语义信息丢失问题，在铝合金和钛合金实验中验证了方法的高效性和优越性。

　　在智能制造领域，利用声发射（Acoustic Emission, AE）技术对激光制造过程进行质量监控和保障具有重要意义。尽管如此，当前的监控技术在准确表征AE信号的时间-频率分布以及瞬态动态方面仍存在一定的局限性，同时针对这些特定分析任务的神经网络模型也较为缺乏。为了弥补这一缺陷，本文提出了一种前沿的监控方法，将双差分卷积网络（Bi-Differential Convolutional Network, BDCN）与频率带重新校准频谱图（Frequency Bands Recalibration Spectrogram, FBRS）相结合。这种方法不仅提升了对瞬态AE信号的分析能力，还通过灵活的频率分辨率调整，能够在有限的像素空间内更有效地突出关键信息。

FBRS是一种新颖的分析技术，它通过适应性地重新分配频率分辨率，能够更清晰地捕捉到瞬态信号中的有用成分。在激光制造过程中，AE信号通常具有高度的瞬态特性，因此传统的信号处理方法往往难以准确提取其特征。FBRS则通过调整频率带的分布，使得信号在时间-频率平面上的表现更加清晰和有代表性。这种调整不仅提高了信号的可辨识性，还增强了其在不同应用场景下的适应性。通过这种方法，可以更好地识别出与材料性能变化相关的信号特征，从而为后续的分类和预测提供坚实的基础。

BDCN是一种创新的非线性网络模型，它通过整合两个专门设计的功能模块，分别用于水平和垂直差分，实现方向性特征处理和应力状态分类的双重任务。在激光冲击加工（Laser Shock Peening, LSP）过程中，材料表面的应力变化是一个重要的指标，而这些变化往往与AE信号的特征密切相关。BDCN通过差分操作，能够更精确地捕捉信号中的方向性纹理和梯度变化，同时通过互补的增强策略，有效减少低频特征的损失，从而确保特征信息的完整性。这种模型不仅具备强大的非线性处理能力，还能够实现端到端的特征提取与分类，使得整个监控过程更加高效和准确。

本文所提出的方法已在铝合金属7075和钛合金TC4的实验数据上进行了严格的验证，结果显示该方法在区分精度和鲁棒性方面优于当前的先进网络。LSP是一种重要的表面处理技术，广泛应用于航空航天、石油化工和核设备等领域。它能够显著提高关键材料表面的残余应力，从而延长其疲劳寿命。因此，对LSP加工过程的监控至关重要。传统的离线检测方法由于其固有的局限性，正逐渐被基于AE技术的在线监测方法所取代。AE技术作为一种成熟的无损检测手段，在机械故障诊断、结构健康监测和地质勘探等多个领域都有广泛应用。

在LSP加工过程中，高能激光束与材料相互作用的时间非常短暂，仅持续数十纳秒。这一过程中产生的高压等离子体会形成激光诱导的等离子体冲击波。由于AE传感器具有极高的灵敏度，能够准确捕捉这些冲击波在空气中（或水介质）以及材料内部的传播情况。这些传感器通过分析等离子体冲击波的特征，并结合人工智能技术，能够实现可靠且非侵入式的诊断。在实际应用中，AE信号的特征提取和处理是确保LSP加工质量的关键环节。

然而，在基于信号分析的加工过程监控中，如何准确提取信号的特征表示仍然是一个重大挑战。许多传统的参数特征，如信号能量、飞行时间以及AE熵，往往无法有效捕捉信号的非线性特性。因此，近年来时间-频率特征逐渐成为主流方法。目前，常用的时间-频率特征可以分为线性和非线性分布方法。线性分布方法包括短时傅里叶变换（Short-time Fourier Transform, STFT）和连续小波变换（Continuous Wavelet Transform, CWT），而非线性分布方法则涵盖梅尔频率倒谱（Mel-Frequency Cepstrum, MFC）和恒Q变换（Constant-Q Transform, CQT）等技术。非线性分布方法的优势在于其能够更精确地聚焦于与目标任务高度相关的特定时间-频率区域。例如，MFC擅长于提取低频信息，而CQT则能有效分析非均匀的频谱特性，从而捕捉关键的信号细节。

然而，由于AE信号本身具有高频率特性，传统的分析方法往往需要进行一系列的定制化调整才能展现其效果。例如，Yuan等人采用改进的梅尔频率倒谱系数方法进行结构裂纹材料类型的识别，而Zhang等人则优化了滤波分布，并提出了适用于LSP应用的重新平衡MFC方法。尽管这些方法在某些方面取得了一定的进展，但它们通常依赖于专家知识，适用性较为有限。因此，开发一种独立于先验知识的非线性分布方法至关重要。此外，这种方法还应具备自适应和数据驱动的特性，以确保其在不同应用场景下的客观性和泛化能力，从而提升其实用价值。

在LSP加工过程的质量监控中，已有大量研究取得了显著进展。例如，Mathew等人基于神经网络方法，在贝叶斯框架下开发了一种稳健的预测模型，用于探索LSP系统中残余应力在不同工艺参数下的响应模式。同样，Li等人通过大量对比实验得出结论，认为基于数据驱动的机器学习方法是在线监控LSP过程的优秀替代方案。Zhou等人进一步推动了这一领域的发展，他们利用机器学习模型提升了激光冲击加工参数在镍铝青铜表面的自动化监控和优化能力。这些研究共同表明，基于机器学习的LSP过程建模和优化正在成为工业界主流的处理方式。

尽管这些方法各有优势，但它们的一个共同特点是：仅依赖于强大的神经网络来表示时间-频率特征中嵌入的非线性语义信息。然而，现有方法仍存在一些局限性：首先，当前的模型在特征表示过程中往往只服务于单一目的，这使得在信息传输过程中难以避免信息损失，从而导致关键细节的遗漏。其次，通用的计算模块主要关注特征的强度表示，而其在捕捉纹理细节方面的能力仍显不足。在我们之前的研究中，我们提出了基于高通滤波器核网络的方法来解决第二个问题。虽然这种方法在提取高频信息方面取得了一定的成效，但其存在显著的信息冗余问题，并且仅关注图像中的高频特征，忽略了其他重要信息。

本文在信号特征提取和信号特征处理方面进行了开创性的探索，如图1所示。具体而言，在信号特征提取阶段，我们提出了一种频率带重新校准频谱图（FBRS），以克服现有非线性时间-频率分布方法的局限性。该方法通过分析和调整输入信号的特性，展现出极强的适应性和鲁棒性，使得关键信号信息的捕捉更加准确。在信号特征处理阶段，我们设计了一种双差分卷积网络（BDCN），作为特征处理和分类的集成解决方案。该网络首先通过水平和垂直差分卷积捕捉方向性纹理结构，从而放大FBRS频谱图中的局部频谱变化和方向性梯度。这些增强的特征随后通过两种互补的低频优化策略与强度信息相结合，从而在保留全局语义信息的同时，抑制噪声的影响。最终，这些表示被直接输入到分类层中，使得模型能够联合学习具有区分性的特征，并实现残余应力的预测，整个过程采用端到端的方式进行。

在LSP实验数据上的验证表明，所提出的监控策略具有高度的可行性和适应性。与当前最先进的方法进行对比实验进一步证明了该方法在可靠性和性能方面的优势。本文的主要贡献可以总结为以下三点：第一，提出了FBRS方法，以提升信号的非线性时间-频率分布特性，显著增强了信号特征提取的适应性和准确性；第二，设计的BDCN通过梯度差分和低频增强机制，整合了信号的强度和纹理属性，有效减少了语义特征信息的损失；第三，通过全面的实验验证，证明了该方法在LSP过程质量监控中的优越性能和实际应用潜力。

本文的其余部分结构如下：第二部分介绍了所提出方法的理论基础和实现过程；第三部分通过严格的实验验证了该方法的有效性，并对实验结果进行了详细讨论；第四部分对全文进行了总结。通过这些内容的系统阐述，本文旨在为LSP过程的质量监控提供一种新的、有效的解决方案，推动智能制造技术的发展。