用于铝制轮毂缺陷检测的声学深度学习技术

《Scientific Reports》：Acoustic deep learning for defect detection in aluminium wheel rims

　　

摘要

在常规的车间检测中，要可靠地识别铝制轮辋的结构缺陷仍然是一项挑战，因为目前的检测主要依靠视觉和感官判断，再加上操作人员的经验。本研究提出了RimNet，这是一种基于深度学习的诊断框架，通过分析铝制轮辋对单次脉冲激励的声学响应来实现对其状态的自动评估。该方法结合了短时傅里叶变换与卷积神经网络，并通过领域过滤和硬负样本挖掘来提高缺陷相关状态的分离度。该数据集包含930个带有标签的样本，涵盖了各种实际的轮辋状态，包括几何偏差、材料缺陷以及正常使用状态。RimNet展现了出色的分类性能，在文件级别上达到了96.9%的准确率，而在所采用的评估方案下没有出现轮辋级别的误分类情况。通过对不确定性指标的分析——包括预测边际、熵值、布里尔分数以及基于能量的指标——发现预测稳定性与缺陷类型之间存在明显关联。那些被误分类的案例往往具有更小的预测边际和更高的不确定性，尤其是在受到几何变化影响的样本中。RimNet Predictor应用程序能够实现实时诊断，并为每个轮辋提供不确定性估计。由于该方法仅依赖麦克风采集数据，无需对轮辋平衡设备进行任何修改，因此可以轻松集成到车间和服务环境中。这些结果证明了基于声学深度学习的诊断技术在轻量化机械部件结构健康监测方面的应用潜力。