工業(yè)CT的高鐵齒輪箱體材料缺陷識別

艾軼博，王 楠，闕紅波，楊 斌，張衛(wèi)冬（.北京科技大學(xué)國家材料服役安全科學(xué)中心，00083北京；.中國南車股份有限公司南車戚墅堰機車車輛工藝研究所有限公司，30江蘇常州）

工業(yè)CT的高鐵齒輪箱體材料缺陷識別

艾軼博1，王 楠1，闕紅波2，楊 斌1，張衛(wèi)冬1
（1.北京科技大學(xué)國家材料服役安全科學(xué)中心，100083北京；2.中國南車股份有限公司南車戚墅堰機車車輛工藝研究所有限公司，213011江蘇常州）

高鐵齒輪箱是高速列車的重要部件，為保障高鐵的安全、穩(wěn)定運行，需要對高鐵齒輪箱箱體出廠及檢修時的鑄件內(nèi)部缺陷進行檢驗，并對箱體內(nèi)部缺陷實現(xiàn)自動、準(zhǔn)確的分類和識別.基于此利用三維工業(yè)CT技術(shù)，設(shè)計實驗獲取到高鐵齒輪箱體材料的4種內(nèi)部缺陷的三維體數(shù)據(jù)，根據(jù)齒輪箱體內(nèi)部缺陷的物理背景知識，對三維體數(shù)據(jù)進行特征提取，設(shè)計Adaboost_BTSVM多分類算法，實現(xiàn)基于三維工業(yè)CT的箱體材料內(nèi)部缺陷的自動分類識別，并使重點關(guān)注的收縮類缺陷的分類準(zhǔn)確率達到85%以上、裂紋類缺陷的分類準(zhǔn)確率達到100%，為實現(xiàn)高鐵齒輪箱箱體材料的缺陷自動識別提供技術(shù)保障.

模式分類；支持向量機；三維特征提取；高鐵齒輪箱體；鑄造缺陷；工業(yè)CT

高鐵齒輪箱箱體結(jié)構(gòu)復(fù)雜，多采用鑄造方法生產(chǎn).由于鑄造工序繁多，影響鑄件質(zhì)量的因素復(fù)雜且具有較大的相關(guān)性，難以綜合控制，鑄造缺陷難以避免［1］.同時，鑄件的部分缺陷在服役過程中會不斷演化，最終導(dǎo)致鑄件失效，使高鐵齒輪箱報廢、縮短使用壽命甚至造成高鐵運行事故.因此，檢測和識別高鐵齒輪箱箱體的鑄件內(nèi)部缺陷［2］，對保障高鐵齒輪箱的服役安全和高鐵列車安全穩(wěn)定運行具有重要意義，對高鐵齒輪箱箱體鑄件的內(nèi)部缺陷檢測和質(zhì)量評估將成為高鐵齒輪箱箱體安全評價的首要環(huán)節(jié).

工程結(jié)構(gòu)材料鑄件中存在各種尺度和維數(shù)的缺陷，在服役過程中，微結(jié)構(gòu)形態(tài)、缺陷分布和形貌、界面特性、孔隙率等都極大的影響著材料宏觀整體韌性、強度、硬度等力學(xué)性能［3］.依據(jù)鑄造鋁合金規(guī)范，高鐵齒輪箱體的鑄造缺陷相當(dāng)于晶粒級，與微結(jié)構(gòu)強烈相互作用，超聲、紅外等無損檢測手段并不適用，而工業(yè)CT（computed tomography）是材料內(nèi)部微觀結(jié)構(gòu)狀況的最佳無損檢測手段［4－5］.目前在齒輪箱箱體裂紋失效分析中，采集二維圖像信息，很難將箱體材料疲勞短裂紋檢測出來，其他缺陷，如氣孔和渣孔等也同樣難以識別，但三維立體結(jié)構(gòu)數(shù)據(jù)能夠有效、完整的記錄材料中幾乎所有的缺陷.因此本文以高鐵齒輪箱箱體材料作為研究對象，重點研究高鐵齒輪箱體材料的4種內(nèi)部缺陷通過工業(yè)CT技術(shù)獲取高鐵齒輪箱箱體材料的三維體數(shù)據(jù)，提取鑄件內(nèi)部缺陷的三維幾何特征作為缺陷的特征數(shù)據(jù)，并針對待分類鑄件內(nèi)部缺陷特點設(shè)計齒輪箱體內(nèi)部缺陷分類算法，應(yīng)用Adaboost改進BTSVM（二叉樹SVM）方法設(shè)計分類器，實現(xiàn)高鐵齒輪箱體材料內(nèi)部缺陷的有效檢測和缺陷類型的識別.

1 高鐵齒輪箱體鑄件內(nèi)部缺陷類別

高鐵齒輪箱體材料的內(nèi)部缺陷種類眾多，根據(jù)國家分類標(biāo)準(zhǔn)中對不同種類鑄造缺陷的定義，將鑄件內(nèi)部缺陷劃分為4類：氣孔類缺陷，收縮類缺陷，夾雜類缺陷和裂紋類缺陷［6］.

根據(jù)高鐵齒輪箱體質(zhì)檢要求，在出廠檢測和定期檢修時，有裂紋類缺陷視為不合格，其他缺陷也要滿足幾何尺寸要求.裂紋類缺陷，會導(dǎo)致高鐵齒輪箱在服役過程中，出現(xiàn)開裂、斷裂等，嚴重影響高速列車的運行安全.雖然出廠檢測合格的箱體被視為不存在裂紋類缺陷的，但高鐵齒輪箱體在服役一段時間后，箱體材料中可能會出現(xiàn)裂紋類缺陷；此外，箱體材料中的其他缺陷在服役中也容易演化為裂紋缺陷，特別是收縮類缺陷，在服役過程中容易造成應(yīng)力集中而使力學(xué)性能大大降低，演化為裂紋類缺陷.因此，在高鐵齒輪箱體材料出廠檢測和服役過程中定期檢修時，需要特別注意裂紋缺陷和收縮類缺陷的識別.

2 高鐵齒輪箱體材料內(nèi)部缺陷數(shù)據(jù)采集

本文采用GE v｜tome｜x m CT全能型微焦點X射線工業(yè)CT檢測系統(tǒng)，對高鐵齒輪箱體材料試樣進行內(nèi)部缺陷檢測，檢測試樣最小分辨率為5μm.

由鑄件內(nèi)部缺陷可知，合格的高鐵齒輪箱體材料被視為不存在裂紋缺陷的，要得到裂紋類缺陷數(shù)據(jù)就需要對合格箱體的試樣材料進行加速試驗，模擬箱體材料的服役過程中內(nèi)部裂紋類缺陷的產(chǎn)生.選取高頻疲勞試驗機對試樣進行高頻疲勞加載實驗，依據(jù)箱體材料的屈服強度，確定疲勞加載載荷為150 MPa，設(shè)置實驗機頻率下降1 Hz自動停止，觀察是否出現(xiàn)裂紋，如此反復(fù)，直到試樣出現(xiàn)肉眼可見時裂紋停止實驗.由于疲勞裂紋較小，設(shè)計了試樣加持工具，使試樣在進行CT掃描時，也能持續(xù)提供大約1.5 kN的拉力，提取清晰裂紋三維數(shù)據(jù).

3 高鐵齒輪箱體材料內(nèi)部缺陷自動識別

3.1 箱體材料內(nèi)部缺陷特征提取

對實驗得到的數(shù)據(jù)進行處理，首先采用閾值分割的方法進行缺陷提取.通過灰度值，可以將夾雜類缺陷從背景材料中區(qū)分出來；裂紋類缺陷的三視圖中可以發(fā)現(xiàn)試樣內(nèi)部條狀缺陷，即為裂紋缺陷.如圖1所示為夾雜類缺陷，圖2所示為氣孔類缺陷和收縮類缺陷，圖3中箭頭所指示的為裂紋缺陷.

圖1 夾雜類缺陷

圖2 氣孔類缺陷和收縮類缺陷

圖3 裂紋（箭頭所指）類缺陷

在區(qū)分縮孔類缺陷和氣孔的時候，可以借助缺陷的斷層截面圖和3D圖進行區(qū)分.根據(jù)氣孔與縮孔的定義，氣孔為圓形孔洞且內(nèi)壁光滑，而縮孔形狀不規(guī)則且孔壁表面粗糙，在圖4和圖5中可明顯區(qū)分出2種缺陷.

圖4 收縮類缺陷斷層截面

因此，利用工業(yè)CT三維數(shù)據(jù)進行缺陷類別的識別需要考慮缺陷灰度、缺陷內(nèi)壁光滑程度、缺陷的基本形狀、缺陷幾何大小等等.4類鑄造缺陷的三維數(shù)據(jù)類別較多，最終選取如下參量作為分類的特征值.

1）半徑、表面積、體素等從整體上描述缺陷的大小.

2）緊密度.缺陷表面及其體積之間的比值.對于體積差不多的氣孔類缺陷和收縮類缺陷，由于氣孔類缺陷內(nèi)壁光滑，收縮類缺陷內(nèi)壁凹凸不平，緊密度差距很大.

3）球度.與缺陷體積相同的球體表面與缺陷表面之間的比率.對于裂紋類缺陷、氣孔類缺陷以及收縮類缺陷的區(qū)分很明顯.

4）尺寸（X、Y、Z）、PX、PY、PZ（封閉缺陷的邊界框的尺寸和缺陷投影形狀）.對于氣孔類缺陷、收縮類缺陷和裂紋類缺陷的區(qū)別非常有效.

5）平均灰度值、灰度偏差（缺陷內(nèi)的平均灰度值和灰度值偏差）.用于區(qū)分夾雜類缺陷，并對所有缺陷的灰度平均值和灰度偏差進行歸一化后作為分類特征值.

雖然依據(jù)缺陷的幾何特征，可以對缺陷類型進行人工標(biāo)記，但鑄件檢測尤其在服役檢修時，內(nèi)部缺陷較多，對于缺陷的分類識別還需要開展自動識別方法研究.

3.2 多分類器設(shè)計

支持向量機（SVM）是一種機器學(xué)習(xí)算法［7－8］，通過構(gòu)造不同的超平面，引入非負松弛變量集合，在錯誤最小的情況下盡量將樣本準(zhǔn)確分離［9］.SVM算法在解決小樣本［10］、非線性、數(shù)據(jù)不平衡［11］及高維模式［12］識別中表現(xiàn)出許多特有的優(yōu)勢.SVM本質(zhì)是二分類器［13］，通過對K個類別設(shè)定I個分類器實現(xiàn)多分類功能，二叉樹方法可以與SVM結(jié)合，實現(xiàn)多分類算法.

本研究中，由于缺陷數(shù)據(jù)中，夾雜類缺陷較多，氣孔、縮孔類缺陷次之，裂紋缺陷較少，夾雜類缺陷差別區(qū)分度大、裂紋類缺陷次之，且各類缺陷數(shù)據(jù)嚴重不平衡，考慮選用SVM進行作為二叉樹多分類器的基礎(chǔ)分類器［11］，即BTSVM分類器.

依據(jù)各類鑄件內(nèi)部缺陷的不同特點，對缺陷進行分類，分類器設(shè)計主要考慮如下：

1）夾雜類缺陷.空隙的灰度值低于周圍材料的灰度值，而夾雜的灰度值高于周圍材料的灰度值，由此設(shè)計第1層分類器用以區(qū)分夾雜類缺陷.

2）裂紋類缺陷.呈現(xiàn)條狀或者片狀（平面），與氣孔收縮類缺陷有明顯不同.

3）考慮裂紋缺陷在產(chǎn)品出廠檢測時的重要性，在進行多分類時，第2層分類把裂紋看做一類，氣孔和縮孔看做一類，設(shè)計第2層分類器.在第2層分類時就將裂紋缺陷區(qū)分出來，可以有效避免裂紋缺陷遭受2次分類錯誤.如果將裂紋缺陷放在第2層分類器區(qū)分，第1層區(qū)分時會對一部分裂紋缺陷進行錯誤區(qū)分，第2層區(qū)分時又會對裂紋缺陷進行一次錯誤區(qū)分，裂紋的準(zhǔn)確率就會降低.

4）第3層分類器，將氣孔類缺陷和收縮類缺陷分開.

高鐵齒輪箱箱體鑄造缺陷多分類器設(shè)計如圖6所示.

圖6 高鐵齒輪箱箱體內(nèi)部缺陷多分類器設(shè)計

由于鑄件各類內(nèi)部缺陷的數(shù)量差別很大，待分類的樣本數(shù)量不均衡，此外氣孔和縮孔兩類缺陷在形貌上相似度高、錯分率較高，特別是對裂紋缺陷的識別希望盡可能達到100%，需要設(shè)計有效的分類器來實現(xiàn)鑄件內(nèi)部缺陷的分類識別.

3.3 Adaboost_BTSVM多分類算法

目前，基于Boosting方法中Adaboost“adaptive boosting”（自適應(yīng)增強）方法應(yīng)用較多，它能夠自適應(yīng)的調(diào)整弱學(xué)習(xí)算法的錯誤率，使其在弱學(xué)習(xí)算法學(xué)習(xí)的過程中經(jīng)過若干次迭代以后整體錯誤率能夠達到期望值［14］.Adaboost方法能夠調(diào)整增加易分錯樣本的權(quán)值，增加易錯分樣本訓(xùn)練次數(shù)，并通過不斷地加入新的“弱分類器”，直到聯(lián)合生成一個強分類器，以達到某個預(yù)定的足夠小的誤差率，這正與高鐵齒輪箱體材料鑄造缺陷分類識別的數(shù)據(jù)特點相吻合，因此采用Adaboost算法與BTSVM分類器相結(jié)合來進行鑄造缺陷分類研究.

Adaboost算法的具體流程如圖7所示，總的訓(xùn)練樣本集為D，有n個樣本，每個樣本都有自己的權(quán)值Wk（i），初始權(quán)值為1／n，在選取每個分類器的樣本時，都是由權(quán)值從大到小選擇.Ck為多個弱分類器，每次由當(dāng)前權(quán)值（根據(jù)上一次訓(xùn)練結(jié)果，將易分錯的樣本權(quán)值增加，分對的樣本的權(quán)值減小）分布選取不同的樣本放到Ck中進行訓(xùn)練（按權(quán)值大小將對樣本進行排隊，權(quán)值大的排在前面，由前往后選取樣本放到Ck中進行訓(xùn)練），以達到對容易分錯的樣本進行多次訓(xùn)練的目的，從而提高分類準(zhǔn)確度.

對于k個弱分類器，也都對應(yīng)一個權(quán)值ak，表示這個分類器的準(zhǔn)確程度.最終的強分類器g（x）由k個弱分類器組成，分類準(zhǔn)確的弱分類器相應(yīng)的權(quán)值較大，分類不準(zhǔn)確的分類器，權(quán)值較小，g（x）＝.測試時，將樣本代入每個分類器進行檢查，根據(jù)每個分類器的權(quán)值，計算g（x），得到樣本的類別.

本文選擇SVM作為二叉樹節(jié)點位置的分類器，組成二叉樹SVM多分類器.在每個節(jié)點處，用Adaboost改進SVM算法，即SVM為Adaboost的弱分類器.這就是Adaboost_BTSVM多分類算法.

圖7 Adaboost算法流程

4 結(jié)果分析

依據(jù)上述分類算法，選取了320個缺陷進行訓(xùn)練和測試，其中氣孔類缺陷有110個，收縮類缺陷有170個，裂紋類缺陷有40個.分別用一對多SVM，二叉樹SVM和用Adaboost改進二叉樹SVM方法進行多分類學(xué)習(xí).利用數(shù)據(jù)的60%作為訓(xùn)練樣本，40%作為測試樣本，分類準(zhǔn)確率比較如表1所示.

表1 3種分類器分類準(zhǔn)確率比較%

通過表1比較學(xué)習(xí)結(jié)果，可見：

1）用Adaboost改進二叉樹SVM方法，取得了較好的分類結(jié)果，這是由于應(yīng)用Adaboost算法，通過反復(fù)迭代與權(quán)值調(diào)整，減少了由于裂紋數(shù)據(jù)訓(xùn)練樣本少而導(dǎo)致錯誤分類結(jié)果.

2）Adaboost_BTSVM算法的裂紋識別準(zhǔn)確率最高能達到100%，收縮類缺陷的準(zhǔn)確率達到85.29%，顯著提高了收縮類缺陷和裂紋缺陷的分類準(zhǔn)確率，對于有效識別裂紋缺陷保障高鐵齒輪箱的安全運行具有重要意義.

3）結(jié)果中氣孔和縮孔類缺陷識別率較低，是由于而且物理幾何形態(tài)相似，且訓(xùn)練樣本數(shù)據(jù)有限，存在一定的錯分情況.

5 結(jié) 論

1）本研究針對高鐵齒輪箱體鑄件的4種缺陷的特征，對缺陷工業(yè)CT三維數(shù)據(jù)進行處理，選取缺陷的半徑、表面積、緊密度、球度、體素、平均灰度值、灰度偏差等幾何特征作為缺陷分類的特征值.

2）利用Adaboost改進二叉樹SVM算法進行高鐵齒輪箱體內(nèi)部缺陷自動識別后，較SVM方法與二叉樹SVM方法準(zhǔn)確率有較大提高，收縮類缺陷和裂紋類缺陷分類準(zhǔn)確率明顯提高，總準(zhǔn)確率達到84.42%，其中裂紋類缺陷的分類準(zhǔn)確率達到100%，收縮類缺陷的準(zhǔn)確率達到85.29%.

［1］曹慶峰，王立志，李琪，等.齒輪箱箱體裂紋失效分析［J］.熱加工工藝，2008，37（17）：134－136.

［2］MERY D，JAEGER T，F(xiàn)ILBERT D.A review of methods for automated recognition of casting defects［J］.Insight，2002，44（7）：428－436.

［3］AMANAT N，TSAFNAT N，JONES A S，et al.An investigation into compression properties and microstructure using X?ray microtomography［J］.Scripta Materialia，2009，60（2）：92－95.

［4］WITTE F，F(xiàn)ISCHER J，BECKMANN F，et al.Three?dimensional microstructural analysis of Mg?Al?Zn alloys by synchrotron?radiation?based microtomography［J］.Scripta Materialia，2008，58（6）：453－456.

［5］敖波，張小海，李春陽，等.疲勞裂紋擴展高分辨率CT分析新進展［J］.CT理論與應(yīng)用研究，2010，19（2）：35－41.

［6］范金輝，華勤.鑄造工程基礎(chǔ)［M］.北京：北京大學(xué)出版社，2009.

［7］張宇航，張曄.SVM和RVM對高光譜圖像分類的應(yīng)用潛能分析［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2012，44（3）：34－39.

［8］DEMETGUL M.Fault diagnosis on production systems with support vector machine and decision trees algorithms［J］. The International Journal of Advanced Manufacturing Technology，2013，67（9／10／11／12）：2183－2194.

［9］SCH?LKOPF B，PLATT J C，SHAWE?TAYLOR J，et al. Estimating the support of a high?dimensional distribution［J］.Neural Computation，2001，13（7）：1443－1471.

［10］WASIKOWSKI M，XUEWEN C.Combating the small sample class imbalance problem using feature selection［J］.IEEE Transactions on Knowledge and Data Engineering，2010，22（10）：1388－1400.

［11］楊智明，彭喜元.μSVM—一種適用于解決不平衡數(shù)據(jù)分類問題的新方法［J］.儀器儀表學(xué)報，2008，4（29）：795－798.

［12］BRAUN A C，WEIDNER U，HINZ S.Classification in high?dimensional feature spaces?Assessment using SVM，IVM and RVM with focus on simulated EnMAP data［J］. IEEE Selected Topics in Applied Earth Observations and Remote Sensing，2012，5（2）：436－443.

［13］ZHANG Shuning，WANG Fuli，HE Dakuo，et al.Online quality prediction for cobalt oxalate synthesis process using least squares support vector regression approach with dual updating［J］.Control Engineering Practice，2013，21（10）：1267－1276.

［14］MEIR R，RAETSCH G.An introduction to boosting and leveraging［J］.Advanced Lectures on Machine Learning，2003，2600：118－183.

（編輯 張 紅）

Material casting defect recognition of high?speed train gearbox shell based on industrial CT technology

AI Yibo1，WANG Nan1，QUE Hongbo2，YANG Bin1，ZHANG Weidong1
（1.National Center for Materials Service Safety China，University of Science and Technology Beijing，100083 Beijing，China；2.Qishuyan Institute Co.，Ltd.，China South Locomotive＆Rolling Stock Corporation limited，213011 Changzhou，Jiangshu，China）

High?speed train gearbox shell is an important component of high?speed train.In order to protect the operational safety of high?speed train gearbox shell，it is needed to detect the casting internal defect as product testing and maintenance inspection accurately and rapidly.In this paper，based on three?dimensional CT technology the test was developed to detect the casting defects of high?speed train gearbox shell；through the analysis of three?dimensional data of the four kinds detects，three?dimensional geometric features and characteristic values were obtained，and the Adaboost_BTSVM algorithm were used to achieve the automatic classification ofcasting defects of high?speed train gearbox shell.The according classification accuracy of shrinkage defects can be 85%，and the classification accuracy of crack defects can stand at 100%.These will provide an available automatic identification method for the defect of high?speed train gearbox shell.

pattern classification；support vector machine；3D feature extraction；high?speed train gearbox shell；casting defects；industrial CT technology

TP391

A

0367－6234（2015）10－0045－05

10.11918／j.issn.0367?6234.2015.10.009

2014－07－10.

國家自然科學(xué)基金面上項目（61273205）；教育部中央高校基本科研業(yè)務(wù)費項目（FRF－SD－12－028A）；高等學(xué)校學(xué)科創(chuàng)新引智計劃（B12012）.

艾軼博（1981—），女，博士研究生；張衛(wèi)冬（1974—），男，研究員，博士生導(dǎo)師.

張衛(wèi)冬，zwd＠ustb.edu.cn.