基于Gentle Adaboost的氣密性檢測系統

張梓齊，耿樂陶，李陽，楊正樂，郭子興，胡敏，莊正飛，2，3

(1.華南師范大學生物光子學研究院，廣東廣州 510631；2.華南師范大學(清遠)科技創新研究院，廣東清遠 511517；3.師大瑞利光電科技(清遠)有限公司，廣東清遠 511517)

0 前言

氣密性是衡量電子產品以及工業生產中密封性能的一個重要評判標準。如果電子手環發生泄漏，可能導致用戶游泳時手環進水；如果天然氣等工業管道中發生氣體泄漏，可能會引起爆炸、火災等不可逆后果[1]。因此，不論是電子產品還是工業生產中，氣密性檢測都是至關重要的一環。常見的氣密性檢測方法主要分為差壓法、水檢法、流量法[2]、氦質譜檢測[3]、超聲波檢測等[4]。其中氦質譜檢測精度很高，但其造價與檢測成本高昂；超聲波檢測雖能定位泄漏點，卻由于超聲波傳感器存在測量盲區、泄漏信號互耦等問題[5]，不適用于較小的電子產品；流量法檢測精度不高，易受環境影響；水檢法由于需將被測物浸泡在水中，檢測結束后處理過程復雜，并會對被測物造成損壞；差壓法兼具精度與效率，且成本較低，得到了廣泛的應用[6]。但由于被測物端需構造密閉系統，測試所使用的壓力、平衡時間、保壓時間、環境溫度、被測物體積等因素都將對測試結果造成非線性的影響，導致差壓法中所需的工藝參數很難準確評估[7]。例如防水馬達等，需測量它在工作情況下的氣密性，由于馬達工作中產生的熱量會破壞測試腔的溫度守恒，進而導致差壓法的誤檢率大大增加。近年來，隨著機器學習及神經網絡的快速發展，它被應用于解決此類較難建立物理模型的問題，如徐晶偉等[8]通過采集抗血栓裝置的壓力特征參數，利用訓練后的支持向量機模型實現氣密性檢測。本文作者基于傳統差壓法，提出一種新的系統，不再通過單一的差壓值判斷，而是以采集過程量與人為預設參數作為輸入，利用超參數優化后的Gentle Adaboost集成分類算法建立工藝參數與過程量等因素與測試物密封性能間的關系，證明利用Gentle Adaboost集成分類算法提高差壓法檢測結果的正確率。并搭建完整的檢測系統，以實現終端數據采集、數據傳輸、人機交互與集成分類模型判別。

1 檢測流程及氣路結構

傳統的差壓衰減式檢測方法是根據理想狀態方程得到的，如式(1)所示：

pV=nRT

(1)

在普適氣體常數R恒定、測試前后溫度不變、被測物體積V恒定情況下，如果被測物發生泄漏，則單位體積內氣體分子數n將會降低，測試品的氣壓p也將會降低，通過標準品與測試品之間的差壓傳感器即可反映出該壓力變化，從而判斷產品的氣密性。

此系統采用的是差壓衰減式與機器學習相結合的方法，其內部氣路如圖1所示。

圖1 檢測系統氣路

閥V1、V2、V3、V4為常閉型電磁閥，其中閥V1在掉電的情況下導通A、R兩端可實現測試氣路的排氣動作，通電后導通P、A兩端，實現測試過程中的充壓動作。檢測動作如下：充氣階段，氣體經手動調壓閥降至電氣比例閥的可調節范圍，電氣比例閥接收下位機傳輸的電壓信號后，自動控制其開度，調整充入測試系統內部的氣壓至設定值，閥V1、V2、V3導通，氣體進入標準物與測試物內部。充氣時間結束后，關閉閥V2、V3，隨后打開閥V4，進入平衡階段。平衡時間結束后，關閉閥V4，進入保壓階段，采集此時差壓傳感器、直壓傳感器及溫度傳感器的示數記為初值，保壓時間結束后，采集此時差壓傳感器、直壓傳感器及溫度傳感器的示數記為終值。其中雖然溫度可能上下波動，但最終差壓值僅與保壓前后溫度差有關。因此計算初值與終值的差記為差值，將設置的保壓時間、平衡時間、充氣壓力等參數與傳感器的初值、終值與差值輸入經訓練的Gentle Adaboost分類模型，根據獲得的參數進行二分類，最終對被測物進行良品/不良品的區分。測試完成后，進入排氣階段，下位機輸出0 V電壓給電氣比例閥，閥V1關閉，閥V2、V3導通，將系統內部的氣體排出，排氣結束后，各個電磁閥恢復初始狀態。

2 系統組成

2.1 系統結構

此測試系統分為下位機檢測控制模塊與上位機數據處理存儲模塊。下位機主要負責檢測流程的控制、溫度與壓力傳感器數值的采集、測試壓力控制等功能。其中下位機控制器采用的是STM32F103，它采用了ARM架構下的Cortex-M3處理器，與傳統控制芯片不同的是它具有更短的中斷響應周期，穩定性更高，適用于工控領域。由于控制器輸出功率較低無法直接控制電磁閥，故通過驅動固態繼電器來實現對電磁閥的控制，并增加了節能模塊，避免電磁閥長時間工作發熱造成的溫度失衡。上位機主要負責歷史數據以及預設參數的存儲、機器學習模型的部署以及人機交互界面等功能。上下位機間采用RS232串口通信，以自定義協議的方式實現數據流的傳輸與解碼。檢測系統的結構如圖2所示。

圖2 檢測系統結構

2.2 傳感器校準

系統中所使用的溫度傳感器是校準后直接通過RS485串口利用Modbus協議發送給下位機。壓力測量部分考慮到精度與響應速度故選用單晶硅壓力傳感器，壓力傳感器的毫伏信號經過變送器模塊濾波放大為4～20 mA信號，隨后經過AD模塊進行模數轉換成數字量信號，通過線性化公式即可得出實時壓力值。此系統所用的壓力傳感器以康斯特ConST31壓力校驗儀為標準進行線性化校準，采集傳感器模數轉換后數字量d與實際壓力值p構造數據集F(d,p)，數據集內的點F(di，pi)(i=1，2，3，…，m)由式(2)來進行擬合：

(2)

式中：ki(i=1，2，3，…，n)是多項式系數，n是多項式的階數。F內各個數據的誤差平方和為式(3)：

(3)

式中：m是樣本的維度。

存在一個最優的系數ki(i=1，2，3，…，n)使S取極小值，獲得最佳擬合效果[9]。因壓力傳感器數字量與實際壓力值之間的關系近似一次函數，故選用一階多項式。k1與k0可由式(4)(5)得到：

(4)

(5)

為了提高壓力傳感器的精確度，采用分段線性化，即不同壓力范圍使用的線性化公式不同。表1為直壓傳感器分段線性化后的系數，表2為差壓傳感器分段線性化后的系數。

表2 單晶硅差壓傳感器分段線性化系數

由R2可看出：傳感器線性擬合程度高，轉換誤差小，采集得到的物理量真實可靠。

2.3 軟件設計

測試系統軟件設計分為下位機與上位機兩部分，其中下位機開發環境為MDK5.35，程序采用UCOSIII實時操作系統框架，以滿足采集任務的實時性需求，主要分為測試采集任務、傳感器校準任務、測試壓校準任務、急停排氣任務等。急停模塊的搶占優先級最高，可隨時搶占內核，執行排氣流程并復位程序。其他模塊程序優先級相同，無法相互搶占。測試采集任務是執行氣密性檢測流程的程序；傳感器校準任務是對傳感器進行清零校準的程序，解決傳感器在無壓力情況下未歸零的問題；測試壓校準任務是校準電氣比例閥所控制的測試氣壓，防止工業現場氣源壓力較大波動造成的測試壓偏移問題。

上位機開發環境為Pycharm2020.1，所用語言為Python3.6.1，分為通信程序、歷史數據存儲程序、機器學習模型部署、HMI人機交互界面等。上下位機通信程序中自定義了通信協議來實現不同的功能，如表3所示。

表3 自定義協議功能

下位機傳輸過來的測量數據與設置參數通過解碼后寫入對應Excel文件中。機器學習模型通過Pytorch框架進行訓練，訓練完成后導出，利用Python進行調用。上位機界面采用PyQt進行設計，如圖3所示。

圖3 上位機界面

3 機器學習模型

為了克服測量工作中電機帶來的發熱問題，文中建立了新的差壓式氣密性檢測數據采集框架，整個測試系統不再局限于采集差壓值，而是通過采集平衡時間，保壓時間，測試壓以及差壓值的初值、終值及變化量，測試腔與標準腔測試前后的溫度差等物理量作為機器學習模型的輸入值，通過訓練完成的模型判斷被測物的氣密性狀態。因被測物分為良品與不良品，屬于二分類問題，故采用分類模型。

3.1 單一分類算法

單一的分類算法主要有K近鄰、支持向量機、決策樹等[10]。K近鄰分類算法是根據訓練數據集尋找待分樣本鄰域內所有訓練樣本中出現次數最多的類，并將待分樣本歸于該類[11]。支持向量機分類算法是在特征空間中尋找一條線或一個面將數據集劃為兩類，并且特征空間中的點到這條線或面的距離最大，利用線性分類對樣本數據進行劃分[12]。 決策樹算法類似分段函數，是帶有判決規則(if-then)的倒置樹狀結構，分為決策節點、分支節點與葉子節點。判斷時從根節點開始，根據實例特征的每個判斷結果，進入各子節點中，直至分配到對應類的葉子節點中[13]。

上述的單一分類算法皆有自身的局限性。支持向量機存在對缺失值敏感的缺點，當訓練樣本出現特征缺失時，將影響超平面的求解。決策樹也不易處理缺失數據，并容易忽略數據集中各屬性的相互關聯。K近鄰分類算法在處理不均衡數據時偏差較大，不易發現特征間的關系。

3.2 Gentle Adaboost集成分類算法

集成學習(Ensemble Learning)利用某種策略與規則將多個弱分類器的分類結果綜合，變成強分類器來進行分類判斷，克服了單一分類算法的缺點，能更好地應對數據質量參差不齊、特征間關系復雜等情況[14]。文中使用Gentle Adaboost算法實現集成學習，屬于Boosting系列算法中的Adaboost算法[15]。傳統的Adaboost算法中基分類器之間存在依賴關系，每個基分類器的訓練集都有其對應權重。訓練開始時，每個訓練集的權重相同，第一個基分類器訓練完成后，根據誤差率計算該基分類器的系數，并減少此輪正確分類的樣本權值，增加被錯誤分類的樣本權值，更新下一個基分類器訓練集的權重，達到下一輪訓練中矯正錯誤識別的樣本；依次迭代，最后組合時加大分類誤差率小的基分類器的權重，減少分類誤差率大的基分類器權重。但過度關注錯誤分類的樣本，容易造成過擬合現象，使容易分類的樣本分類出錯。而Gentle Adaboost算法克服了這一問題，其在每一輪迭代中都會利用最小二乘法進行加權回歸，獲得此輪最佳的弱分類器，最終將所有回歸函數結果相加作為強分類器[16]。此系統所用強分類器的訓練流程如下：假設訓練集總共有n個樣本(y1,y2,…,yn)，初始化每輪迭代中每個樣本的權重為1/n后，進行首輪迭代，在所有的特征中選出首輪樣本權重集合W1及樣本加權均方誤差最小的弱分類器f1(x)，根據f1更新下一輪權重集合W2，并進行歸一化處理，隨后繼續尋找下一輪的最佳弱分類器。按上述步驟重復k輪，將所有的最佳弱分類器相加得到最終的強分類器，如式(6)所示：

(6)

獲取每輪最佳弱分類器的過程中，將會針對輸入特征的個數進行遍歷，每一個特征下對應的所有樣本特征值都會被拷入一維特征數組中，按照從小到大進行排序，隨后針對每一個特征數組遍歷來尋找最佳弱分類器。以其中一個特征舉例：

假設總共有n個樣本，從第一個樣本開始遍歷，計算以該樣本為節點時，左右兩部分樣本的置信度。假設遍歷到第i個樣本時，前i個樣本置信度如式(7)所示：

(7)

后i個樣本置信度如式(8)所示：

(8)

其中：yk是第k個樣本的類別標簽，yk=1時表示為良品，yk=-1時表示為不良品；wk是第k個樣本的權重。該節點兩側的加權均方根誤差如式(9)(10)所示：

(9)

(10)

如果S1、S2的和小于誤差值，則更新誤差值為S1、S2的和，誤差值的初值為0，并將該樣本在此特征中的對應值記錄為弱分類器的閾值，同時記錄當前弱分類器的分類置信度為α1與α2，然后對下一個樣本點重復上述步驟，直到遍歷完所有特征，最后獲得的弱分類器即為經過最小二乘加權回歸后的均方誤差最小的分類器。

最終整個檢測系統的機器學習結構如圖4所示。

圖4 檢測系統的機器學習結構

4 實驗分析

4.1 樣本分析

在控制測試氣體濕度相同、充氣時間相同的條件下，針對4種不同容積的防水電機(1.39、1.84、14.49、103.07 mL)遍歷不同的平衡時間與保壓時間、不同的標準腔與測試腔溫差值以及不同的測試壓力，利用文中檢測系統采集了3 658組樣本數據，其中良品樣本1 829組，不良品樣本1 829組。部分數據如表4所示。

表4 系統部分采集數據

由表4可看出：檢測過程中測試腔溫度發生變化時，將極大影響差壓值差值，進而影響傳統差壓法的判斷結果；不同容積的被測物在受近似溫差影響時，所造成的差壓值差值變化也不同；若檢測系統的標準腔發生溫度變化，也會影響差壓值差值。采集的數據中部分特征的散點與核概率密度估計如圖5所示。

圖5中Δp表示測試壓力差值，Dp1表示差壓值初值，Dp2表示差壓值的差值，ΔT1表示標準腔溫度差值，ΔT2表示測試腔溫度差值，由圖5(a)可看出：多個特征的分布及兩兩特征之間均存在非線性的關系，且有較多混合區域。由差壓值終值的核概率密度估計圖可看出，良品與不良品具有較大的重疊范圍，傳統的差壓法僅使用差壓值終值判斷，將無法區分重疊部分的樣品。上述特征的相關系數熱力圖如圖6所示。

由圖6可看出：差壓值差值與測試壓差值存在高度正相關；標準腔溫度差值與差壓值差值存在低度正相關；測試腔溫度差值與差壓值差值存在顯著負相關。因此，影響氣密性檢測的因素間存在復雜的關系，因溫度造成良品與不良品的差壓值區別不大，若使用傳統差壓法將無法進行判別。

4.2 模型訓練與比較

將采集到的樣本劃分為訓練集與測試集，采用留出法驗證，訓練集與測試集比例為3∶1，訓練完后利用測試集來衡量模型準確度。此實驗采用貝葉斯優化框架[17]，迭代30次來對Gentle Adaboost分類模型進行超參數優化，迭代過程中所求得的最小分類誤差如圖7所示。最佳超參數為：弱學習器數量435個，學習率0.001，最大分裂數16個。

圖7 最小分類誤差

實驗中選用了另外3種模型與Gentle Adaboost作為對照，分別是：以歐氏距離為度量公式，鄰近點個數為10的K近鄰模型；核函數為高斯函數，核尺度為1，框約束級別為1的支持向量機模型；最大分裂度為20，基于基尼多樣性指數的決策樹模型。4種模型的混淆矩陣及ROC曲線如圖8所示。

圖8 四種模型的混沌矩陣(a)與ROC曲線(b)

經訓練后，914組測試樣本結果所組成的混淆矩陣中Gentle Adaboost算法僅有2個錯誤識別，遠低于其他3類模型。由圖8(b)可知：Gentle Adaboost算法的ROC曲線與AUC面積皆為最佳，該模型泛化性能最好。由圖9可看出：基于Gentle Adaboost的氣密性檢測系統準確度、精確度及召回率更高，比單一的分類模型效果更好。此實驗同時利用測試集中4種不同內部容積的防水電機的數據，對文中系統與傳統差壓式檢測系統的分類正確率進行比較，結果如圖10所示。

圖9 4種算法的性能參數

圖10 所提系統與傳統方法性能對比

由圖10可知：在無溫度影響時，傳統的差壓式氣密性檢測方法的分類正確率還維持在一個較高的水平，但引入溫度影響后，其分類正確率皆發生了顯著下降，文中測試系統在有無溫度的影響下，分類正確率皆維持在高水平。因此，文中測試系統比傳統差壓式系統的分類準確率更高。

5 結束語

文中設計搭建一種新的差壓式氣密性檢測系統，利用差壓法檢測過程中的各物理量變化狀態與測試前設置的工藝參數作為機器學習的輸入值，通過Gentle Adaboost集成分類器判斷被測物的氣密性好壞，克服了傳統差壓法僅使用差壓值作為評判標準而出現的誤檢率高、魯棒性差、易受環境影響等缺點。同時通過不同分類算法間的對比，進一步驗證了集成分類算法在此類問題中的優越性。實驗結果表明：文中系統檢測準確度達到99.8%，與傳統方法相比誤判率低、穩定性強。并且該系統已成功應用于某血壓計生產車間中，解決了員工不易設置工藝參數、檢測結果易受外界影響、檢測節拍慢等難題，在4 967組測試中準確率為99.52%，能有效地應用于復雜的工業現場。