Page 76 - 无损检测2024年第六期

陈明良，等：

基于 SHAP 可解释性的焊缝缺陷类型超声识别 XGBoost 模型

要分布范围在2.91 MHz~5. 75 MHz，频谱峰值F 17 为 [7] CANTERO-CHINCHILLA S，WILCOX P D，
0. 006 3，其对应的功率谱熵S 34 为2. 27 bit，明显高 CROXFORD A J．Deep learning in automated ultrasonic
于横通孔。 NDE‒Developments，axioms and opportunities[J]．
从本质上说，超声波与不同形状反射体之间的 NDT & E International，2022，131：102703．
[8] GUMUS M，KIRAN M S．Crude oil price forecasting
作用会引起缺陷回波信号在波形、幅值等方面的差
using XGBoost[C]//2017 International Conference on
异，由此带来频谱、信息熵等多域特征的变化。分析
Computer Science and Engineering （UBMK）．Antalya，
超声波与缺陷的作用机制有助于理解机器学习模型
Turkey：IEEE，2017．
的预测效果、特征贡献差异及产生原因。 [9] 胡宏伟，张婕，彭刚，等．基于LBP-KPCA特征提取的
4 结论 焊缝超声检测缺陷分类方法[J]．焊接学报，2019，40
（6）：34-39，162．
采用集成学习模型XGBoost作为分类器，利用 [10] 蒲天骄，乔骥，赵紫璇，等．面向电力系统智能分析的
SHAP方法进行特征优选和可解释性分析，构建了 机器学习可解释性方法研究（一）：基本概念与框架[J]．
具有可解释性的焊缝缺陷类型超声识别XGBoost模 中国电机工程学报，2023，43（18）：7010-7030．
型，主要结论如下。 [11] 孙洪宇，彭丽莎，屈凯峰，等．机器学习在复合绝缘子
（1）对矩形槽、三角槽、方形槽、横通孔等4类 缺陷超声检测中的应用与展望[J]．无损检测，2021，43

（5）：58-63．
缺陷提取时域、频域及时频域的35个特征，通过计
[12] 金东镇，郭城楠，彭芳，等．从SHAP到概率——可解
算SHAP值量化特征贡献， 优选出8个高贡献特征。
释性机器学习在糖尿病视网膜病变靶向脂质组学研究
（2）将高贡献特征作为XGBoost模型的输入，

中的应用[J]．中国卫生统计，2023，40（4）：511-515．
实现了仅用较少特征即可获得较高的机器学习分类 [13] 赵婉辰，郑晨，肖斌，等．基于Bayesian采样主动机器
识别性能。 学习模型的6061铝合金成分精细优化[J]．金属学报，
（3）结合SHAP、超声波与缺陷之间的关系分析 2021，57（6）：797-810．

了特征贡献差异及产生原因，提出的XGBoost机器学 [14] 刘巧红，马雨生，蔡雨晨．基于XGBoost算法的糖尿病
习模型缺陷类型识别方法具有较强的可解释性。 分类预测模型及应用[J]．现代仪器与医疗，2023，29
（4）：1-6，11．
参考文献： [15] GHOLIZADEH S，LEMAN Z，BAHARUDIN B T H

T．State-of-the-art ensemble learning and unsupervised
[1] 张书宁，刘小川，马志远，等．多相非均质GFRP材料
learning in fatigue crack recognition of glass fiber
的超声检测及其声学v特性[J]．无损检测，2022，44
reinforced polyester composite （GFRP） using acoustic
（12）：6-11．
emission[J]．Ultrasonics，2023，132：106998．
[2] SUN H B，RAMUHALLI P，JACOB R E．Machine
[16] 孟昭亮，张泽涛，杨媛，等．改进的XGBoost杂散电流
learning for ultrasonic nondestructive examination of
welding defects：a systematic review[J]．Ultrasonics， 预测及可解释模型[J]．激光与光电子学进展，2022，59
（12）：1215011．
2023，127：106854．
[3] VIRKKUNEN I，KOSKINEN T，JESSEN-JUHLER O， [17] 陈蒙， 王华．地震动强度参数估计的可解释性与不确
et al．Augmented ultrasonic data for machine learning[J]． 定度机器学习模型[J]．地球物理学报，2022，65（9）：
Journal of Nondestructive Evaluation，2021，40（1）：4． 3386-3404．
[4] LIU J，XU G C，REN L，et al．Defect intelligent [18] SHANNON C E．A mathematical theory of
identification in resistance spot welding ultrasonic detection communication[J]．ACM SIGMOBILE Mobile Computing
based on wavelet packet and neural network[J]． and Communications Review，2001，5（1）：3-55．
The International Journal of Advanced Manufacturing [19] 付朕．矿用带式输送机托辊远程故障诊断系统[D]．徐
Technology，2017，90（9）：2581-2588． 州：中国矿业大学，2020．
[5] 原赛男，于闯，陈少敏．飞机典型结构冲击类损伤的智 [20] PASADAS D J，BARZEGAR M，RIBEIRO A L，et al．
能检测和评估[J]．无损检测，2023，45（5）：51-55． Guided waves based debonding classification in lap-joints
[6] LV G L，GUO S F，CHEN D，et al．Laser ultrasonics using modified Fisher discriminant criterion[J]．NDT &
and machine learning for automatic defect detection in E International，2023，137：102831．
metallic components[J]．NDT & E International，2023， [21] 李扬．基于随机森林模型解释的越野路面识别算法研
133：102752． 究[D]．长春：吉林大学，2022．
42
2024 年 第 46 卷 第 6 期
无损检测