ADVANCED EXPLAINABLE MACHINE LEARNING (XML) APPROACHES AND THEIR APPLICATIONS IN MANUFACTURING PROCESSES
摘要
制造业处于技术进步的前沿,机器学习技术为流程优化、质量提升和预测性维护提供了前所未有的机会。然而,现代制造过程的复杂性常常导致机器学习模型或复杂的深度学习模型被视为缺乏透明度和可解释性的“黑箱”。这种不透明性引起了对信任、问责性以及理解底层决策过程能力的关注。在本文中,我们深入探讨了如何将可解释的机器学习方法整合到制造领域。我们专注于弥合复杂机器学习模型和人类理解之间的差距,最终促进这些模型在车间的无缝采用。我们探索了两种知名的可解释性技术:局部可解释模型无关解释(LIME)和SHAPley可加性解释(SHAP)。我们展示了如何通过基于LIME的可解释机器学习方法,更好地理解制造过程中光学显微镜图像中的微观结构属性和加工性。结果显示,这种解释方法可以全面调查微观结构异质性对可持续材料加工中加工行为的影响,并找到纤维结构异质性对结果加工力的因果关系。基于SHAP的方法通过声发射(AE)信号调查了振动辅助原子力显微镜(AFM)基础纳米加工的机制解释,揭示了振动辅助纳米加工的基本理解。这些技术提高了透明度,允许制造专业人员自信地定制材料和流程。这些可解释方法提供的透明洞察力增强了对机器学习模型的信任,促进了领域专家之间的协作,并鼓励了明智的决策制定。此外,这些技术为构建符合监管、负责任和道德的生产流程奠定了基础,将推动整个行业进入智能和透明生产时代。总之,将基于LIME和SHAP的解释整合到制造过程中,为高级机器学习模型和领域专业知识之间建立了共生关系。通过揭示微观结构属性和加工性之间复杂的关系,这些技术将制造实践提升到新的透明度、创新和优化水平。
引言
1.ML模型比人类更有效率。它们灵活,能够分析大量数据而无需独特的洞察力或深入的领域知识。原材料表征数据(例如,图像和频谱)和传统的材料状态变量(如压力和温度)可以作为ML模型的输入。ML模型也具有准确性。在制造业领域,它们在不同尺度上对各种材料属性显示出卓越的预测准确性。例如,原子属性如势能和晶体结构(Behler 2016; Schmidt 等人 2019),微观属性如应变分布(Z. Yang 等人 2019),以及宏观属性如机械-热稳定性和压缩强度(Lu 等人 2020; Gallagher 等人 2020)。
2.缺乏透明度可能会阻碍这些模型在制造场景中的应用,因为在这些场景中,问责性、可追溯性和人类理解至关重要。同时,材料的微观结构在制造应用中起着关键和基本的作用。微观结构是材料内部多尺度结构的排列、组成和表征。理解和控制微观结构至关重要,因为它直接影响材料的机械、热、电和化学性能。然而,在制造领域,微观结构与加工性之间的关系仍然存在知识空白。研究的主要目标是实现XML方法在制造领域的应用。它可以指导如何开发XML方法,使制造商能够理解机器学习模型是如何得出特定预测或决策的,例如,识别对模型输出影响最大的特征、交互和模式。本文介绍了 LIME和SHAP两种XML方法,以提高ML模型的透明度、可解释性和洞察力,这些模型旨在理解制造应用中不同尺度下材料异质微观结构与加工性之间的关系。XML方法的应用将描述制造部门的几个用例,并提出一些机会。通过利用两种类型的可解释性技术(LIME和SHAP),本报告对可持续材料加工中微观结构异质性对加工行为结果的影响进行了全面调查,从过程监控显微图像中提取物理描述符,并发现了纤维结构异质性对结果加工力的因果关系;调查了振动辅助原子力显微镜(AFM)基础纳米加工的机制解释,通过声发射(AE)信号,揭示了振动辅助纳米加工的基本理解。总之,这项研究的目标是通过制造应用的XML方法,弥合复杂机器学习模型和制造领域知识之间的差距。因此,高级XML模型理解微观结构属性和加工性结果之间的关系,并提供准确的预测和清晰、可解释和可操作的解释。这为减少黑盒模型的不透明度和增加系统信任提供了手段。
3.本文基于LIME和SHAP方法,提出了一种XML方法,用于理解材料异质微观结构与不同尺度下的加工行为之间的关系。用于分析微观结构特征对异质材料加工性的影响。它可以用于生成过程-结构-属性映射,指导制造过程。此外,它还可以帮助制造商做出明智的决策,排除问题,改进流程,并确保机器学习在制造工作流程中的成功整合。
(1)提出了一种基于LIME的XML方法,从过程监控显微图像中提取物理描述符,并发现纤维结构异质性对微尺度下结果加工力的因果关系。这种方法为发现材料微观结构对结果过程动态的因果关系,并在材料去除过程中准确预测切削行为提供了机会。此外,提出了一种图像处理分析方法,用于表征其模糊和半透明光学显微图像(OM)的异质微观结构,并建立微观结构与可持续材料加工性之间的关系。这是一种非接触式、快速、准确、经济的基于图像处理的分析方法,可以直接从原位微观结构中提取复合材料的微观结构。本应用报告了对可持续材料加工中微观结构异质性对切削力结果行为影响的全面调查。
(2)提出了一种基于SHAP的XML方法,通过声发射信号对振动辅助原子力显微镜(AFM)基础纳米加工进行表征,以揭示振动辅助纳米加工的基本理解。这种XML模型可以进行研究,以调查振动辅助AFM基础纳米加工的机制解释,这将有助于揭示振动辅助纳米加工的基本理解。本应用报告了一种基于传感器的监测方法,通过自动选择区分不同材料去除量的声发射频谱响应,允许实时分类振动辅助纳米图案化的不同条件。它为发现振动辅助纳米制造过程中的工艺表征和机制提供了机会。
4.第3章报告了对可持续材料加工中微观结构异质性对切削力结果行为影响的全面调查。本章介绍了一种基于图像处理的分析方法,用于表征微观结构特征。这种非接触式、快速、准确且经济的材料表征方法可以帮助分析复合材料的异质微观结构,并促进其工业应用。同时,实施了一种基于LIME的XML方法,通过发现加强元素/纤维微观结构之间的关系,来解释CNN黑盒模型。提出的基于LIME的XML方法从过程监控显微图像中提取物理描述符,并发现纤维结构异质性对结果加工力的因果关系。第4章介绍了一种基于SHAP的XML方法,用于研究微加工和振动辅助AFM基础纳米加工的机制解释,通过声发射信号,有助于揭示振动辅助纳米加工的基本理解。
综述
在我们的案例中,后验方法更适合,因为我们研究的目标集中在识别和解释材料微观结构在不同尺度上对结果过程动态的影响。此外,后验解释允许评估和比较不同的机器学习模型,以选择给定制造问题最有效的模型。LIME在制造业的第一个应用是揭示纳米划痕过程中从声发射中收集到的材料微观结构的物理见解(Iquebal, Pandagare, 和 Bukkapatnam 2020)。
第三章:基于 LIME 的 XML 方法在可持续材料增材加工过程中的应用
1.图像采集:使用光学显微镜对NFRPs的微观结构进行成像。2.使用SLIC和分水岭算法对图像中的纤维增强元素进行分割提取。3.可以从分割出来的增强元素图像中用物理描述符进行表示量化。4.用CNN模型将图像作为输入预测切削力。5.用LIME生成CNN模型的可解释性分析。6.相关性显著的部分将被提取进行微观结构分析。7.观察到解释性强的部分FVF数值高。8.研究其他物理解释符对于切削力的影响
1.由于NFRPs的微观结构高度异质,纤维结构增强元素的堆积在不同方向上表现出显著变化。将纤维结构的包络和填充密度与宏观动态过程联系起来的知识尚未充分研究。增强元素在聚丙烯(PP)基体中是基本的和束状纤维素结构。由于增强纤维材料的机械性能显著强于基体复合材料,异质微观结构在决定局部机械性能和表面光洁度方面起着基础性作用。宏观动态反映材料去除和工具-工件交互可能在局部区域有所不同。大多数传统模型通过考虑每个组分在宏观尺度的比例来估计整体机械性能。这些加权平均模型不适合分析微观尺度的机械性能,因为在微观尺度上,微观结构异质性显著影响机械性能和结果加工性。理解NFRPs微观结构与机械行为之间的关系对于加工过程表征和质量保证至关重要,但目前很少有研究明确地解释微观尺度上微观结构对整体机械性能的贡献模型。
2.本节旨在介绍一种基于LIME的XML方法,以解释材料微观结构的异质性如何影响来自材料原位微观结构的加工动态和切削行为。图3.1a展示了NFRP材料的正交切削示意图,其中增强纤维垂直于切削方向排列。早期研究表明,材料去除机制随着多现象(例如毛刺、脱粘、基体材料开裂和纤维断裂)的演变,受到增强元素物理性质的影响。由于刀具几何形状、未切削屑厚度和材料微观结构处于相同尺度,增强元素的分布可能显著影响局部机械性能,进而影响子区域的加工性。这种异质结构可能基本上影响NFRP加工的切削行为。然而,对NFRPs微观结构在微观尺度上的研究需要大量的实验测试,这导致高成本/时间消耗,甚至可能在加工实验中损坏材料(例如拉伸测试)。数据驱动建模的应用可以在减少大量物理实验的同时提取有用的知识和信息。收集加工过程中的数据和相应的切削力允许各种机器/深度学习算法学习这些变量之间的关系,而黑盒模型如何实现准确预测的机制仍未被解释。XML方法旨在提供细节,使黑盒模型的运作对过程清晰易懂。Iquebal 等人从纳米划痕过程中收集的声发射(AE)中提取了材料微观结构的物理见解。
3.因此,我们首先提出了一种从显微图像中提取增强元素特征的算法,然后提出了这种用于过程监控和表征的可解释方法,所提出方法的详细信息如下:为了揭示纤维元素微观结构与加工行为之间的关系,首先提出了一个卷积神经网络(CNN)模型,基于NFRPs的原位微观结构,利用在NFRP切削实验中收集的传感器数据来预测加工过程中的切削力。接下来,开发了一个名为局部可解释模型无关解释(LIME)图形回归器的XML方法,结合了随机梯度下降(SGD)算法,来解释黑盒CNN模型。这种高级XML模型结合了基于图像的微观结构分析,提取异质结构的特征(物理描述符),并找到它们与加工行为之间的联系。实验案例研究的结果表明,所提出的方法可以准确预测增强纤维结构在基体中的切削力和行为变化(R²超过90%)。相关的不可知模型解释了微观结构异质性如何控制结果的机械性能和切削力。
4.本实验案例研究中使用的正交试验台。在刀具支架上放置了加速度计和声发射(AE)传感器;另一个加速度计放置在工件支架上,其下方安装了测力计。使用数据采集系统(DAQ),以1MHz的采样率同步收集AE和加速度计的传感器信号。该设置允许在微秒级精度下及时捕获工件支架上安装的振动信号,当切削开始时的变化。此外,安装在工件支架下方的三轴测力计以2kHz的采样率收集力信号。以4、10和12米/分钟的切削速度进行的切削实验,纤维取向角(FOA)为90度。所有实验都使用高速摄像机(Phantom Miro Lab310)记录,分辨率为640×480像素,帧速率为1000帧/秒。图3.2 a) 展示了带有安装的传感器(两个振动传感器、一个测力计、一个HSC和一个AE传感器)的正交切削试验台以及相关数据采集系统;b) 展示了由传感器收集的振动和AE信号以及加工NFRP表面横截面的显微图像。总体而言,生成的数据集允许流传感器数据与NFRPs材料的原位微观结构图像之间的一对一匹配,这些材料正在进行加工。
5.天然纤维增强聚合物(NFRPs)的微观结构表现出高度的变异性,这可能会影响材料的局部机械性能,造成加工性问题,并在加工过程中引起严重的表面完整性问题。然而,大多数现有的研究增强型复合材料异质微观结构的方法需要机械测试和大量的后材料表征:这些程序可能会永久性地损坏材料,而且离线表征(例如,SEMs)成本高昂且耗时。我们报告了一种基于图像处理的方法,用于表征天然纤维增强复合材料的异质微观结构。所提出的方法为通过处理光学显微图像快速测试和快速表征材料的微观结构提供了机会。与传统的离线表征方法相比,这种基于图像的方法由于其高计算效率,有助于在线表征,因为它可以实现实时监测方案。
6.一个关键问题阻碍了快速和快速的基于图像的表征,即通过光学图像提取异质复合材料微观结构轮廓的困难。例如,使用Alicona InfiniteFocus拍摄的NFRPs的光学显微图像,当使用高强度光源进行显微成像时,复合材料的透明性可能会在纤维元素(R区域)和基体区域(B区域)之间创建模糊的边界。在光学图像中很难区分R和A区域。我们提出了一种简单线性迭代聚类(SLIC)-分水岭算法,用于在微观尺度下从显微图像中检测化合物的轮廓。这种非接触式方法可以准确高效地处理大量的显微图像,并评估微观结构异质性。在本报告中,异质微观结构的特征通过物理描述符(H. Xu等人,2014)量化。这种基于图像的分析方法具有快速(实时)、成本效益高和准确性的优势。它可以提供一个流程框架,用于分析和检查材料的微观结构。在使用所提出的SLIC-分水岭算法获得增强元素段之后,引入了物理描述符来描述材料的异质微观结构特征。具体来说,引入了六个指标,包括纤维体积分数(FVF)、纵横比、偏心率、紧凑度、最近邻距离和熵,用于呈现材料微观结构的异质性,包括纤维元素在基体中的大小、形状和空间相关性。
7.主要就是对于天然纤维增强聚合物(NFRPs)的异质微观结构进行图像分析,常规的SEM方法太贵了,提出了一种基于光学显微图像的图像处理方法,以快速、无损地表征材料的微观结构。然后就是微观结构轮廓很难分割,提出了一种算法。提取后对于分割增强的元素进行物理描述符计算。物理描述符是用来量化和描述材料微观结构特征的一系列数值指标。物理描述符可以帮助研究者和工程师理解和预测材料的宏观性能,如机械强度、热导率、电导性等,这些性能往往受到材料微观结构的直接影响。以量化和描述NFRPs微观结构的特征。
8.提出了一个深度学习方法,结合了可解释机器学习(XML)的核心,用于预测NFRPs加工过程中的切削力变化。同时,切削力分析可以提供实时反馈,预测切削行为并优化 NFRP 的切削参数和加工策略。 研究人员可以确定切削速度、进给率和切削深度的最佳组合,以实现高效的材料去除和改善的表面光洁度研究的目标是揭示NFRPs微观结构与切削力行为之间的关系。
9.模型无关回归器解释深度学习方法:(1).利用LIME方法构建的图形回归器能够捕捉输入特征(在本例中为NFRPs的微观结构特征)与模型输出(切削力)之间的关系。(2).使用SGD算法来优化LIME模型的系数,确保线性模型在局部邻域内与CNN模型的预测结果尽可能接近。(3).通过LIME模型,可以评估每个特征(如NFRPs的微观结构特征)对模型预测结果的贡献度。(4).将LIME图形回归器应用于实际的NFRPs加工案例,分析不同微观结构特征对切削力预测结果的影响。
10.红色表示显着性较大,白色区域显示相对较小的统计显着性。 为了进一步研究为什么不同区域对最终的加工变化有不同的影响,然后应用图形解释回归器来解释每个分段区域的微观结构对加工行为的最终变化的影响。重建了图像,恢复后的图像中的片段被黑色覆盖,即段中的像素零,如果其段为零,则该段为零 可解释的表示为零。因此,这种带有 SGD 算法的 LIME 图形回归方法使我们能够通过系数对段之间的 CNN 结果和切削力进行解释(线性回归模型)。
11.结果表明,LIME模型能够识别出对切削力预测有显著影响的微观结构特征。例如,具有较高纤维体积分数(FVF)的区域对切削力的贡献更大。此外,我们还发现,具有更规则形状和更紧密排列的增强元素的区域,其对应的LIME系数也更为显著。通过这种可解释的机器学习方法,我们不仅能够预测NFRPs的切削力,还能够理解这些预测背后的微观结构原因。这对于优化NFRPs的加工过程和提高产品质量具有重要意义。这项研究使我们能够建立增强元件微观结构(特别是增强元件密度和流形)与切削力影响之间的统计关系。 SLIC 分水岭方法提供了用物理描述符表征微观结构的机会。 深度学习方法可以识别那些可能与整体切割行为密切相关或影响可忽略不计的行为。 因此,所开发的XML可以通过NFRP异质微观结构的物理描述符建立结构性能联系,这可以成为未来评估NFRP可加工性能的可行工具。 这项研究提供了组织化合物和增强元素以增强纤维增强材料的整体强度和可加工性的见解。
12.接下来,我们分析微观结构的异质性及其对最终切削行为的影响。 提供了从过程监测显微图像中提取的一些物理描述符,例如纤维体积分数、纵横比、偏心率、致密性和最近邻距离。 这些描述符是可测量的量,描述材料的微观结构特征和异质性。 所提出的 XML 方法可以提取物理描述符并找到纤维结构的异质性与合成加工力的因果关系。 通过物理描述符分析微观结构及其与材料机械性能变化的关系,这种方法为发现材料微观结构与最终工艺动力学之间的因果关系提供了机会,并准确预测材料去除过程中的切削行为。人们可以得出这样的结论:在相似的纤维密度(或最近邻距离)下,统计差异表明纤维结构的变化在最终的加工行为中发挥了作用。 长径比和偏心率的趋势表明,对于相同的横截面积,纤维横截面越圆,切割力越高,反之亦然。 这一结果与不同截面下断裂韧性的变化一致(Chegdani et al. 2018a)。 紧密度的影响更为明显:紧密度越高,切削力就越高。 对于相同的横截面积,较低的致密性意味着纤维具有较小的直径并且更密集地分散在纤维基体中。 因此,较低的长径比、较小的偏心率和较高的致密性表明纤维元件更紧密、更均匀地结合在一起,边界更平滑(扭曲更少)。 也就是说,具有高几何完美度的增强元件倾向于强化材料并增加加工天然纤维增强材料期间的切削力。 换句话说,复合材料越均匀,切削力越低。
第四章:基于 SHAP 的 XML 方法在新兴原子力显微镜 (AFM) 纳米加工中的应用
利用AE信号对AFM纳米加工过程进行实时监控,通过对AE信号进行时域频谱分析,提取信号特征。通过倒谱分析得到的AE信号的频域响应,这些响应包含了信号的谐波成分和基本频率,它们与特定的加工事件(如材料去除、裂纹扩展)相关。使用随机森林算法分类这些信号以表征不同的切削力。然后使用SHAP对于倒谱信号进行解释,观察不同AE信号频率对于预测的影响。
1.原子力显微镜(AFM)的纳米图案化技术为满足成本效益高的定制无掩模光刻技术的需求提供了巨大的潜力,这种技术在许多应用中都非常有用。已经研究了各种基于AFM的纳米图案化工艺,用于不同的纳米制造目的,例如机械直接划伤,动态耕作、电场辅助纳米光刻、热机械去除和沉积。最近创新的振动辅助AFM基础纳米加工工艺,通过整合平面内振动,可以在涉及机械接触的工艺中减少尖端磨损并提高纳米图案化的效率。通过振动辅助,这种基于AFM的纳米加工工艺可以在不同材料上制造高保真的3D纳米图案。
2.超声振动纳米AFM加工是一种结合了超声振动技术和原子力显微镜(AFM)的先进纳米加工技术。这种技术利用超声振动器产生的高频振动带动AFM探针,实现对样品表面纳米级别的加工。超声振动辅助AFM加工技术在提高材料去除率、加工表面质量和降低磨削力方面具有优势。具体来说,超声振动AFM加工通过超声振动器使样品产生高频振动,这种振动能够传递给AFM探针,从而在加工过程中实现对样品表面的断续接触。这种断续接触减少了探针磨损,提高了加工效率和质量。超声振动还能增加AFM悬臂梁的动态等效硬度,提高加工力,使材料更容易发生塑性形变,进一步增强加工效果。此外,超声振动AFM加工技术还能够实现对加工深度的闭环控制。通过相位反馈系统,可以实时监测探针的振动相位差,并根据这个参数对加工深度进行精确控制。这种基于相位反馈的闭环控制模式提高了AFM加工的精度、可控性和稳定性。在实际应用中,超声振动辅助的AFM纳米加工技术已经在多种材料上成功制造了三维纳米结构。例如,在聚甲基丙烯酸甲酯(PMMA)样品上,通过控制设定力、重叠百分比、轴振动幅度和加工速度等关键参数,实现了多层3D纳米结构的制造。
3.声发射传感器在材料去除过程中捕捉由材料变形、断裂和摩擦产生的弹性波。因此,这种高度敏感的传感器显示出用于精密机械加工过程中的实时监控和实时检测的潜力。与AFM划痕过程中的机械加工机制相关的研究已有报道。与以往的研究相比,我们当前的设置加入了振动以促进材料的去除,这在分析AE特征时带来了问题,因为AE脉冲/波形与过程振动高度耦合,传统的测量方法(例如,能量水平和计数率)可能不准确。AE信号捕捉了在材料内部由机械事件产生的瞬态弹性波,例如内部缺陷的启动、裂纹的扩展和塑性变形。在精密机械加工过程中,AE信号的间歇性行为,即时变频率模式,与加工期间材料变形的间歇性密切相关。在切割过程中产生的AE信号可以被建模为一般源和滤波器的卷积。
不同的加工参数集(例如切削深度、进给速率和切削速度)可能会在加工过程中在 AE 信号中引入独特的时间频谱特征。 倒谱分析用于分析收集的 AE 信号中的此类时变特征:它可以被视为在切割过程中捕获 AE 特征的细微变化的有效工具,因为倒谱可以通过分离源的表示来提取独特的特征 和信号的滤波器特性,从而能够根据与不同加工条件/材料去除机制相关的特定 AE 共振特性进行分类。在倒谱分析中,幅度谱的对数运算可以解释为信号强度感知尺度的近似值。 分贝 (dB) 提供信号幅度的对数表示。 由于倒谱分析通常处理在较宽动态范围内变化的信号,因此使用 dB 可以帮助将该范围压缩到更易于管理的范围。因此,dB 的使用在倒谱分析中很常见。倒谱分析是传统频域分析的一种变体,强调所呈现的频率谐波。 如上所述,加工参数设置或材料特性的变化可能会导致切割过程中 AE 信号的频率调制。 倒谱特征可以帮助区分这些调制,并表示从不同加工条件收集的不同 AE 信号的光谱特征的变化。 同时,剪切通常涉及瞬态事件和 AE 信号的突然变化。 倒谱分析擅长捕获瞬态特征,使其对于识别和分类特定切削事件或异常很有价值(FitzPatrick、Rodgers、Woodfield 等人,2017 年)。 在不同切割的情况下,切割条件可能会发生变化,倒谱特征可以适应并捕获 AE 信号的动态特性,从而有助于分类。 此外,AE 信号显示出强烈的谐波频率(FitzPatrick、Rodgers、Hooper 等人,2017 年)。 鉴于周期性分量在 AE 信号的频谱中显示为尖峰,如果计算傅里叶变换,则它在与原始信号中出现回声的时间相对应的位置处包含一个峰。 当存在多个谐波时,倒谱分析可以识别振动的基频。 直观上,倒谱测量谐波峰值的每赫兹率,即信号的周期,其中周期是频率的倒数,倒谱中的突出峰值代表信号中的周期及其倍数。 因此,探索应用倒谱分析来辅助比较AE信号,更好地反映AE信号的瞬态内容。
4.为了验证所提出的监测方案,设计了一组纳米制造(划痕)实验,在 PMMA 样品表面上使用不同的切削力(50、150、250、350 和 450 nNs),划痕长度约为 1 𝜇𝑚。不同的力在加工表面上产生明显不同的图案。 加工的沟槽宽度(基于从 50 nN
到 450 nN 的不同切削力)为 16 nm、43 nm、53 nm、69 nm 和 82 nm,沟槽深度为 1.0 nm、4.8 nm、8.2 nm、12.1 分别为16.4 nm和16.4 nm。这组实时收集传感器信号的实验用于研究 AE 传感器设置在表征不同纳米制造条件方面的有效性。
使用 iFFT 提取瞬态 AE 信号的倒谱特征后,将频域响应用作随机森林模型(Wang、Chegdani 等人,2020b)的输入,以对不同切割条件进行分类。 随机森林将隐式选择对分类问题贡献最大的特征(频带子集)。 所选特征与基尼重要性值相关联,直观地表明它们在分类中的重要性,即表征不同的加工条件。 然而,基尼重要性并不适用于决策树领域之外的模型。 它不能轻易扩展以解释其他类型的机器学习模型。 此外,基尼重要性提供了有关特征的个体重要性的信息,但没有明确揭示特征之间的相互作用。 它可能无法捕获特征对模型预测的联合影响。 因此,我们考虑采用一种先进的可解释的与模型无关的特征重要性方法(SHAP 值)来探索 AE 传感器信号对纳米级加工过程表征的重要性。随机森林模型将不同的五个种类的切削力条件和响应的AE信号进行分类。
5.用随机森林来处理分类加工表面和非加工表面的AE信号分类。随机森林将隐式选择对分类问题贡献最大的具有高基尼重要性值的特征(频带子集),这允许通过其重要性值找到最重要的频谱特征。 可能会注意到,150kHz 左右的频段和 30kHz 至 50kHz 的低频范围对分类问题有贡献。 这些光谱带与 PMMA/丙烯酸材料失效的声发射频率响应高度相关(Barbezat 等人,2004 年)。 所提出的监测方案允许基于捕获振动辅助纳米加工期间与材料失效相关的AE响应的频率特征来准确估计纳米加工条件。 因此,基于时谱特征的随机森林特征选择和分类方法可以根据不同切削力水平下的间歇性AE信号准确表征纳米加工。
6.为了进一步理解为什么 AE 信号可以区分不同的纳米图案条件,AE 信号的频域谱被用作所提出的随机森林模型的输入,以对不同切割条件进行分类。 首先,我们从AE信号中获得5种切割条件下的倒谱。 图4.6a是5种切割条件下AE信号的时域响应及其相应的频域响应(频谱图)和相应的频域响应。
图4.7显示了图4.6a)中AE的倒谱响应,去除了基频下的倒谱,并限制在0-1.516秒、1.516-3.022秒、3.022-4.516秒、4.517-5.987秒的时间范围内,以及 分别为 5.987-9.312 秒。 谐波是基频的倍数(2𝑓0、3𝑓0、…),在图中得到了很好的体现。 他们表明,每次切割的幅度与基频都非常吻合。 在 AE 信号中,倒谱中的谐波可以表示与特定事件相关的重复模式或频率分量,例如裂纹扩展或结构变化 (Bhuiyan et al. 2018)。 我们将从倒谱中提取的谐波用作所提出的随机森林模型的输入,以对不同的切割条件进行分类。 混淆矩阵如图4.6 d)所示,这也表明该方法可以根据倒谱特征准确(100%)预测不同的切削条件。
7.然后,将基于 SHAP 的 XML 方法应用于这些倒谱谐波。 因此,SHAP 值与 AE 信号倒谱的谐波相结合,可以为不同频率分量对整体预测模型的贡献提供有价值的见解,这可用于进一步理解为什么 AE 信号可以区分不同的纳米图案化条件。 我们获得 SHAP 值来揭示 5 种切削条件下从 AE 信号中提取的倒谱中的潜在过程特征。
我们绘制了每个频率的SHAP值分布图,如图4.8所示。每个实例由每个频率上的单个点表示,其中点的x位置由SHAP值确定,而y位置由其频率确定。颜色用于显示倒谱的值。我们有以下观察结果,这些观察结果对于切割条件和倒谱之间的关系很重要:
1.倒谱的值与特征的重要性无关。与频率的影响相比,倒谱的大小与SHAP值的关系不明显:倒谱大或者小的点SHAP值较小,而倒谱中等(-35 ~-25𝑑𝑏)的点对切削力的分类有显著影响。
2.每次切割,大的SHAP值集中在高频(> 15𝑘𝐻𝑧)。对于切割1和切割2,拥有大的绝对SHAP值的点集中在15𝑘𝐻𝑧.对于切割3、4和5,具有大的绝对SHAP值的点分布在高频域上。这表明高频分量对切削力的分类有显著影响。
3.切削力的增加,重要频率也增加。对于较小的切削力(切削1和2),SHAP绝对值较大的频率集中在15𝑘𝐻𝑧,但对于切削3和切削4,SHAP绝对值较大的频率均匀分布在高频区域,而对于切削5,SHAP绝对值较大的频率大部分集中在高频区域。
图 4.9 显示了五种切削条件下的积分 SHAP值。 可以看出,频率和SHAP值之间存在关系。 所提出的基于 SHAP 的 XML 方法可以帮助表明 AE 响应如何与 AFM 纳米加工期间的材料失效相关。 因此,该模型可用于研究微加工和基于振动辅助 AFM 的纳米加工的机理解释,这将有助于阐明对振动辅助纳米加工的基本理解。 该方法可以为通过在纳米加工过程中实时监测AE信号来确定切削力提供有效的工具。
基于 SHAP 的 XML 方法可用于通过纳米尺度内的声发射信号来表征基于振动辅助原子力显微镜 (AFM) 的纳米加工。 倒谱分析能够提取包含强谐波的信号中的频率。 应用倒谱分析对 AE 数据的切削条件进行分类,并且基于 SHAP 的 XML 方法指示哪个频率是重要的。 这些实验是在基于 AFM 的振动辅助纳米加工实验中进行的,配备了定制设计的监测系统,用于捕获和解释 AE 信号。 然后将收集到的数据可视化,以帮助更好地理解 AE 信号的基本物理原理。
1. AE 波形信号的能量通过将其从 0 Hz 划分到 250 kHz 来可视化。 倒谱分析表明,5种切削呈现出不同的能量水平,在不同频段上具有统计显着性,观察到的大部分频率集中在 15 kHz 左右的频率范围。
2. 随机森林分类器上特征重要性和 Shapley 分数的计算能够识别 AE 数据频率范围,这对于区分不同的切削条件至关重要。 这些结果表明,高频分量显着影响切削力的分类,并且重要频率随切削力的增加而增加。
这将使我们能够全面了解 AE 信号的复杂行为及其对不同切削条件的动态响应,进一步增强我们对其影响和程度的了解。 所提出的框架有可能扩展到识别与其他类型事件相关的频率,例如分层、裂纹扩展和微观结构演化,这是一个正在进行的研究方向。 探索与当前正在研究的材料以外的材料中的过程区扰动相关的频率也是我们未来工作的一部分。 这种方法很有前景,但重要的是要仔细考虑任何信号的频率内容,以便正确解释倒谱分析的结果。 该 XML 模型可用于研究基于振动辅助 AFM 的纳米加工的机理解释,这将有助于阐明对振动辅助纳米加工的基本理解。
第五章:结论与展望
1.基于 LIME 的 XML 方法在可持续材料增材加工过程中的应用
开发的基于 LIME 的图形回归模型提取了可持续材料的微观结构特征对最终加工行为的影响。 这种 XML 方法通过发现基于可持续材料的原位微观结构的底层机制来解读 CNN 模型。 它还建立了有关异质微观结构及其对 NFRP 切削加工行为的贡献的知识。 案例研究表明,使用开发的 LIME 图形回归模型,可以分配对整体可加工性影响最大的重要局部区域。 与模型无关的图形回归结果表明,纤维元素的密集度在最终加工的加工行为中起着更重要的作用。 此外,除了纤维密度和确定的切削力之间的关系之外,所提出的方法还可以将异质微观结构的流形与合成切削力的变化联系起来。 具体来说,研究结果表明,具有光滑轮廓边界的紧密均匀的纤维元素(即具有较低长径比、较低偏心率和较高致密性的纤维结构)往往会强化材料并增加 NFRP 加工过程中的切削力。 这种解释方法在可持续材料上的成功应用表明 XML 算法在制造业中具有广阔的前景。 微观结构特征,特别是纤维增强元件的局部密度,可以通过局部 XML 方法与整体切削力联系起来。 该方法可以进一步提供一个可行的工具来分析微观结构特征对异质材料可加工性的影响,从而生成工艺-结构-性能图。
2.基于 SHAP 的 XML 方法在新兴原子力显微镜 (AFM) 纳米加工中的应用
先进的基于 SHAP 的方法已应用于 AE 信号,这有助于从多尺度的角度解释微结构对所实现的可加工性的影响。 第 4.3 节介绍了如何利用 Shapley 值来确定频谱图的重要特征。 基于SHAP的XML方法提出了一种通过集成各种物理信息的多尺度方法来研究纤维织物对机械性能和切割行为的多尺度影响。 AE 波形信号的能量通过将其从 0 Hz 划分到 250 kHz 来可视化。 倒谱分析表明,五种切割在不同频段上呈现出具有统计显着性的不同能量水平。 据观察,大多数频率集中在 15 kHz 左右的频率范围内。 此外,随机森林分类器上特征重要性和 Shapley 分数的计算能够识别 AE 数据中的频率范围,这对于区分不同的切削条件至关重要。 这些结果表明,高频分量显着影响切削力的分类,并且重要频率随切削力的增加而增加。 这将使我们能够全面了解 AE 信号的复杂行为及其对不同切削条件的动态响应,进一步增强我们对其影响和程度的了解。 所提出的框架有可能扩展到识别与其他类型事件相关的频率,例如分层、裂纹扩展和微观结构演化,这是一个正在进行的研究方向。 探索与当前正在研究的材料以外的材料中的过程区扰动相关的频率也是我们未来工作的一部分。
作为 XML 方法的未来工作,可解释的机器学习 (ML) 方法在制造流程中的应用对于提高效率、质量和安全性具有重大前景。 它可以专注于将各种可解释性技术集成到制造过程中使用的现有机器学习模型中。 这种集成可以增强对模型预测和底层决策过程的理解。 此外,越来越需要使机器学习模型在制造环境中更加透明和可信。 它可以探索增强模型透明度的技术,例如为模型输出提供直观的解释以及在未来的研究中纳入不确定性量化方法。 它还可以探索解释某些异常发生的原因、识别影响因素并提出纠正措施以防止再次发生的技术。 通过关注这些未来的方向,我们可以释放 XML 方法在提高制造流程的效率、质量和安全性方面的全部潜力,同时促进利益相关者之间的信任和协作。