基于焊接力与机器学习的搅拌摩擦焊缺陷检测方法

《Crystals》：An Approach for Defect Detection in Friction Stir Welding Based on the Welding Force and Machine Learning

　　

本研究采用多种机器学习算法实现搅拌摩擦焊（FSW）缺陷检测，以力衍生特征作为模型输入。此外，系统研究了焊接力与缺陷形成之间的内在联系，并评估了基于力特征驱动的缺陷检测模型的有效性。结果表明，行进力（????）、侧向力（????）和下压/轴向力（????）的平均值与波形变化与FSW接头的缺陷形成高度相关，其中????的增加会导致????与????的波形畸变。在724组实验数据中，????_avg是缺陷形成最重要的特征。基于Fy_avg和Fz_avg阈值判定的缺陷检测准确率为80.3%。相比之下，采用决策树（DT）、K-最近邻（KNNs）、支持向量机（SVM）和人工神经网络（ANN）四种机器学习算法，以提取的力特征作为输入构建缺陷检测模型，准确率分别达到93.5%、97.5%、95.7%和94.9%。这些发现进一步阐明了潜在机理，即????和????主要源于搅拌针旋转与行进引起的挤压和剪切作用，而????则主要归因于轴肩的压缩作用。

**论文解读：基于焊接力与机器学习的搅拌摩擦焊缺陷检测研究**

**一、研究背景与意义**

搅拌摩擦焊（Friction Stir Welding, FSW）作为一种固态连接技术，已在轨道交通、航空航天和汽车工业的铝合金结构制造中得到广泛应用。随着其在批量生产和大型结构制造中的部署日益增加，对智能FSW系统的需求不断增长，旨在提升焊接质量的同时降低生产成本。准确的缺陷检测是此类智能化FSW实施的基础。然而，焊接过程中的缺陷形成受多种因素制约，包括不合理的焊接参数、工具磨损、装配间隙和工作尺寸偏差等，目前尚无一种普适性的方法能够在复杂焊接条件下实现可靠的缺陷检测。

已有研究表明，缺陷形成的关键特征信号内嵌于焊接力、温度和扭矩等关键过程变量之中。其中，由行进力（Fx）、侧向力（Fy）和下压力（Fz）组成的焊接力，因其与工具–工件相互作用的直接关联性而日益受到关注。然而，先前研究多基于较小数据集（最多仅28个训练样本），所得结论的泛化能力难以保证。机器学习方法能够从经验数据中提取隐含模式，为解决此类非线性复杂问题提供了新途径，但在FSW缺陷检测领域，利用足够大规模数据、以力特征驱动机器学习模型的研究仍较为有限。

**二、研究内容与主要结论**

本研究开发了一套定制化三轴测力系统，用于原位采集FSW全过程中的Fx、Fy和Fz信号，并重点针对孔洞和隧道型缺陷等内部缺陷进行表征。研究人员通过金相检验结合力信号波形的对比分析，系统揭示了焊接力特征与缺陷形成之间的相关性。在此基础上，提取了24个时域和频域力特征，作为四种机器学习算法的输入，实现无缺陷与缺陷接头的有效分类。研究结果表明：Fx、Fy和Fz的平均值与波形变化与缺陷形成高度相关，其中Fy的增加会引起Fx和Fy的波形畸变；基于Fy_avg和Fz_avg的阈值判定在724组数据上的准确率为80.3%；而DT、KNN、SVM和ANN四种机器学习模型的准确率分别达93.5%、97.5%、95.7%和94.9%。通过搅拌针断裂实验定量揭示了力的来源机理：82.2%的Fx和85.8%的Fy由搅拌针的搅拌作用产生，63.6%的Fz由轴肩的压缩作用所致。该研究为FSW缺陷在线检测提供了理论依据和技术支撑，论文发表于《Crystals》。

**三、主要关键技术方法**

本研究涉及的主要技术方法包括：（1）定制三轴力测量系统的构建，用于原位采集焊接过程中的三维力信号，采样频率为7800 Hz；（2）时域与频域特征提取方法，包括采用快速傅里叶变换（FFT）提取谐波幅值；（3）机器学习建模方法，涵盖决策树（DT）、支持向量机（SVM）、K-最近邻（KNN）和人工神经网络（ANN）四种分类算法；（4）搅拌针断裂实验方法，用于定量解耦轴肩和搅拌针对焊接力的贡献；（5）基于灰度阈值分割的金相图像缺陷量化方法。实验材料为5A06铝合金（150 mm×250 mm×8 mm），共开展185组焊接实验。

**四、研究结果与分析**

**（一）力信号与缺陷的关联分析（3.1节）**
通过分析不同工艺参数下接头的力信号与横截面形貌，研究发现：在550 rpm/160 mm/min参数下，无缺陷接头的Fx、Fy呈近似正弦周期波动，频率为9 Hz（与工具旋转频率一致），二者相位差约1/4周期；在550 rpm/240 mm/min条件下，Fy的异常升高与孔洞缺陷的形成密切相关；在550 rpm/320 mm/min条件下，当Fy持续增加至等于或超过Fx时，产生较大尺寸的隧道型缺陷，且三向力波形均出现严重畸变。

**（二）力特征在缺陷检测中的作用（3.2节）**
基于724组数据集的信息增益（IG）排名分析表明，Fy_avg与缺陷的相关性最高，其后依次为A3Fx、A1Fy和A3Fy等频域特征。五种最高重要性特征的两两组合分类测试显示，单一或成对特征无法对全部样本进行准确分类，说明力特征与缺陷之间的关系呈非线性特征。

**（三）机器学习缺陷检测模型（3.3节）**
采用362个无缺陷样本和362个缺陷样本构成的均衡数据集，四种算法的分类准确率分别为：DT 93.5%、SVM 95.7%、KNN 97.5%、ANN 94.9%。其中KNN模型表现最优。

**（四）下压深度、Fz_avg与缺陷的关系（3.4节）**
在600 rpm和240 mm/min条件下，Fz_avg随下压深度的增加而增大。当下压深度从0.12 mm增至0.20 mm时，Fz_avg显著提高，接头由含缺陷转为无缺陷状态，表明适当的下压深度和Fz_avg有助于增强轴肩的锻压作用。

**（五）搅拌针断裂实验（3.5节）**
通过人为制造搅拌针断裂事件，定量确定Fx和Fy主要来源于搅拌针的搅拌作用（分别占82.2%和85.8%），而Fz主要由轴肩的压缩作用产生（占63.6%）。

**五、讨论与结论**

讨论部分指出，Fy_avg之所以成为缺陷识别的最关键特征，在于其能够反映塑化材料所受驱动力方向与材料流动方向之间的关系：较低的Fy有利于材料在工具周围充分流动，而较高的Fy导致材料被压缩沉积于后退侧（RS）而无法随工具旋转，从而形成缺陷。一阶谐波幅值反映了工具偏心运动引起的周期性振荡特征；三阶谐波则与搅拌针上的三个平面结构密切相关。Fz_avg主要反映轴肩与工件间的压缩和摩擦作用，过大或过小的Fz_avg均可能导致不同类型的缺陷。

研究结论如下：（1）焊接力特征与FSW接头缺陷具有高度相关性，包括Fy的升高、Fz的降低以及Fx、Fy和Fz的波形畸变；（2）基于Fy_avg和Fz_avg的阈值检测在724组数据上的准确率为82.1%，以力特征为输入的DT、KNN、SVM和ANN模型准确率分别达到93.5%、95.7%、97.5%和94.9%，DT模型的决策过程揭示Fy_avg在缺陷形成中具有最高重要性；（3）Fx和Fy主要来源于工具行进和旋转引起的搅拌针与工件间的挤压和剪切作用，Fz主要源于轴肩的压缩作用，缺陷形成中最重要的五个特征来自Fx、Fy和Fz，分别为Fy_avg、A1Fy、A3Fx、A3Fy和Fz_avg。