基于電弧聲的超窄間隙焊接熔合狀態(tài)識別

任樂 張愛華 常東東 何倩玉 馬晶

摘要：超窄間隙焊接坡口深而窄，極易產(chǎn)生電弧攀升風險，導致底部側(cè)壁出現(xiàn)熔合不良現(xiàn)象。針對焊劑片約束電弧超窄間隙焊接熔合狀態(tài)難以在線監(jiān)測的問題，提出一種基于電弧聲的底部側(cè)壁熔合狀態(tài)識別方法。建立超窄間隙焊接過程電弧聲信號采集系統(tǒng)，在分析電弧聲產(chǎn)生機理和人耳辨識行為的基礎(chǔ)上，提取有效表征焊接過程的短時能量、平均振幅、Moore響度、梅爾倒譜系數(shù)及其一階、二階差分等特征參量，基于粒子群優(yōu)化最小二乘支持向量機的方法（PSO-LSSVM）建立超窄間隙焊接底部側(cè)壁熔合狀態(tài)識別模型。研究結(jié)果表明，此方法可以實現(xiàn)未熔合、臨界熔合及熔合良好三類狀態(tài)的識別，準確率可達91.7%，為超窄間隙焊接熔合狀態(tài)的在線監(jiān)測提供了一種新的途徑。

關(guān)鍵詞：超窄間隙焊接;電弧聲;人耳辨識行為;PSO-LSSVM;熔合狀態(tài)識別

中圖分類號：TG444? ? ? 文獻標志碼：A? ? ? ? ?文章編號：1001-2003（2021）07-0011-07

DOI：10.7512/j.issn.1001-2303.2021.07.03

0? ? 前言

焊劑片約束電弧超窄間隙焊接（以下簡稱超窄間隙焊接）是一種高效、節(jié)能、低熱輸入、低成本的焊接新方法[1]。電弧在焊劑片約束下同時作用于兩側(cè)焊接面和底部，實現(xiàn)單道多層焊縫成形，在大厚度構(gòu)件等制造中具有廣泛的應用需求和廣闊的應用前景。然而約束電弧對坡口寬度變化非常敏感，在深窄且時變坡口內(nèi)難以穩(wěn)定，極易產(chǎn)生電弧攀升風險，導致底部側(cè)壁出現(xiàn)未熔合或臨界熔合狀態(tài)。而良好的熔合狀態(tài)是優(yōu)質(zhì)焊接接頭的重要表征，因此，焊縫底部側(cè)壁熔合狀態(tài)的檢測識別對實現(xiàn)超窄間隙焊接熔合狀態(tài)監(jiān)測與控制具有重要意義。

研究人員借助電弧傳感[2]、機器視覺[3]、紅外熱像[4]、熔池振蕩[5]等方法對焊接過程與熔合狀態(tài)的相關(guān)性進行深入研究，實現(xiàn)了一定的識別與控制效果。超窄間隙焊接由于坡口深窄和焊劑片遮蔽，熔合狀態(tài)無法觀察。電弧聲是電弧對熔池的持續(xù)沖擊及其自身的高頻振蕩等以聲波形式的表征，反映了焊接過程穩(wěn)定性和焊縫熔合性等重要信息，已被證實可運用于實時監(jiān)測焊接過程狀態(tài)[6-7]。一些學者針對多種焊接過程研究了電弧聲與熔深的相關(guān)性，并從多角度提取特征，建立有效模型對焊縫熔透狀態(tài)進行識別[8-10]。

文中在建立超窄間隙焊接過程電弧聲信號采集系統(tǒng)的基礎(chǔ)上，圍繞電弧聲所蘊含的豐富信息，分析其產(chǎn)生機理和人耳智能辨識行為，研究并提取有效表征焊接過程熔合狀態(tài)的特征參量，建立超窄間隙焊接底部側(cè)壁熔合狀態(tài)識別模型，進行三種典型熔合狀態(tài)區(qū)分。

1 試驗

1.1 試驗系統(tǒng)

厚鋼板超窄間隙焊接試驗及電弧聲采集系統(tǒng)如圖1所示，主要由弧焊電源、送絲機、四自由度機械臂及板式焊槍、拾音器（DS-2FP2020-A）、高速數(shù)據(jù)采集卡（NI USB-6361）和控制系統(tǒng)（FX-3U PLC及工控機）等組成。

試驗用焊絲為直徑1.6 mm的H08Mn2Si，母材為厚30 mm的Q235低碳鋼。拾音器固定在機械臂前端，拾音距離25 cm，并與熔池位置保持相對靜止，采樣頻率設(shè)定為50 kHz。

1.2 數(shù)據(jù)獲取

對Q235厚鋼板進行超窄間隙焊接試驗，坡口寬度4.5～5.5 mm，同時采集焊接過程電弧聲。待焊接完成將接頭剖開，打磨拋光并用4%的硝酸酒精溶液腐蝕，觀察和檢測焊縫截面形貌，如圖2所示。

圖2b中，Gw為坡口寬度;Bl為底部側(cè)壁熔寬;hf為熔深;H為熱影響區(qū)寬度;Bw為焊縫最大熔寬。其中，Bl是保證側(cè)壁及根部熔合良好的關(guān)鍵參數(shù)，當Bl-Gw>1 mm時，電弧才能充分加熱坡口兩側(cè)壁和坡口根部，獲得熔合良好的焊接接頭。當Bl較小時（0

聽覺生理學研究表明，人耳對兩次聲音主觀辨識的間隔響應時間至少需要100 ms，少于100 ms時，聽覺神經(jīng)會將后聲混淆為前聲的加強，從而無法辨識[11]。t時刻的熔合狀態(tài)由其前后各一段時間窗內(nèi)的焊接過程共同決定，結(jié)合熔滴過渡行為，對每個截面前后各80 ms、時長共計160 ms的電弧聲信號進行分析。

2 電弧聲信號預處理與特征提取

2.1 預處理

超窄間隙焊接是機理不清、強非線性、多變量耦合的復雜冶金過程，所獲取的電弧聲會由于受制于聲源、聲道特性和采集系統(tǒng)而存在混雜、直流偏置等干擾。因此，在提取特征前需對其進行預處理。

2.1.1 加窗分幀

電弧聲是一種時序隨機信號，具有非平穩(wěn)非線性及各態(tài)歷經(jīng)性，但由于聲源激勵慣性，短時（10～30 ms）存在穩(wěn)定的物理特性[12]，可看作準穩(wěn)態(tài)過程。因此，選擇窗寬L=1 000（20 ms）的漢寧窗對電弧聲信號分幀，幀移設(shè)為500，即10 ms。

對于一段時域電弧聲信號s（n），由窗函數(shù)w（l）分幀后得到第i幀信號：

2.1.2 消除直流分量

通過直流耦合方式采集的電弧聲信號存在直流偏置，可按式（2）消除。

消除直流分量后的三種熔合狀態(tài)下的典型電弧聲信號波形如圖4所示。

2.2 特征提取

常規(guī)電弧焊采取V型或X型坡口，電弧垂直于單側(cè)被焊面，電弧聲在開放環(huán)境產(chǎn)生并通過空氣主導向外傳播;而超窄間隙焊接在深窄坡口底部施焊，同時熔化兩側(cè)壁實現(xiàn)每層單道成形，發(fā)聲區(qū)域相對密閉，傳聲介質(zhì)復雜多樣。鑒于此，在分析超窄間隙焊接電弧聲產(chǎn)生機理的基礎(chǔ)上，模擬焊工智能辨識行為對電弧聲進行處理，并提取有效特征用以識別熔合狀態(tài)。

2.2.1 短時能量

聲信號由聲源激勵和聲道沖激響應卷積而成，電弧聲的聲源激勵為電弧能量的變化，電弧行為與熔池的動態(tài)變化決定著電弧聲道傳輸特性。電弧能量與電弧形態(tài)密切相關(guān)，可在一定程度上反映熔合狀態(tài)變化。

加窗后第i幀聲信號si （l）的短時能量為

對每段160 ms的電弧聲信號，得到15維短時能量特征。熔合狀態(tài)良好對應電弧被有效約束，熔滴過渡和熔池振蕩穩(wěn)定，聲道系統(tǒng)完整，電弧聲平穩(wěn)規(guī)律，能量分布均勻，數(shù)值較低;未熔合狀態(tài)熔滴過渡雜亂，甚至頻繁出現(xiàn)斷弧-引弧過程，聲道系統(tǒng)被破壞，電弧聲“ 嘈雜無序 ”，能量值較高。

2.2.2 平均振幅

平均振幅是聲信號幅度變化的表征，衡量著聲源激勵的動態(tài)行為，可表示為

類似地，平均振幅與熔合狀態(tài)在一定程度上也存在著相關(guān)性。然而電弧聲能量及振幅僅可部分反映焊接過程的局部差異，且可能產(chǎn)生混淆。高水平的焊工憑借電弧聲便可判斷當前焊接過程，并及時進行調(diào)節(jié)。這說明人的聽覺系統(tǒng)在參數(shù)辨識中有著良好的性能。為此，進一步從倒譜域與響度對電弧聲進行分析。

2.2.3 梅爾倒譜系數(shù)

人的內(nèi)耳基礎(chǔ)膜會自動調(diào)節(jié)聽到的聲信號，即針對不同頻率在相應臨界帶寬內(nèi)產(chǎn)生不同的振動以區(qū)分不同類型的諧振頻率。梅爾倒譜系數(shù)（Mel-scale Frequency Cepstral Coefficients，MFCC）是由Mel標度頻率域提取的倒譜參數(shù)[13]，基于人耳聽覺機理的頻率非線性，使用非均勻帶通濾波器組模擬人耳聽覺系統(tǒng)，從而減少噪音影響。

對于一段電弧聲信號s（n），其MFCC的提取流程為：

（1）預加重，并加窗分幀。

（2）快速傅里葉變換（FFT）。

（3）計算信號能量譜e（k）后，通過M個（M=24）Mel三角濾波器組進行濾波

式中 Hm為Mel濾波器組系數(shù)。

（4）將每個濾波器的輸出取對數(shù)，得到相應頻帶的對數(shù)功率譜

（5）離散余弦變換（DCT），得到24個MFCC系數(shù)

標準MFCC只能反映聲信號的靜態(tài)特性，其動態(tài)特性可用一階、二階差分描述。對于15幀的電弧聲，使用24階Mel濾波器組共得到15×72維的特征。由于熔合狀態(tài)對聲道傳輸特性的影響，以及MFCC模擬人耳對低頻聲音的敏感性，每部分的前12維即可有效表征熔合狀態(tài)，如圖5所示。將每個系數(shù)所對應的15幀求均值，最終得到36維特征。

2.2.4 Moore響度

響度是人耳進行系統(tǒng)辨識所憑借的最重要的聽覺特征之一，表征著對聲音強弱的主觀判斷。焊接過程中，電弧和熔池的動態(tài)行為會改變電弧聲道傳輸特性，從而改變電弧聲響度。Moore響度[14]準確地模擬了包含耳蝸濾波器頻率選擇特性的人耳聽音傳遞過程，反映人耳對聲音的非線性特性和頻率相關(guān)特性實際響應。

以功率和方差構(gòu)建二維響度特征，不同熔合狀態(tài)響度特征如圖6所示，可以看出，三種熔合狀態(tài)的響度功率、方差存在一定有效區(qū)分。

使用上述方法得到的特征，結(jié)合坡口寬度、焊接電壓、送絲速度及焊接速度構(gòu)建共58維的特征向量。在此基礎(chǔ)上建立超窄間隙焊接底部側(cè)壁熔合狀態(tài)識別模型。

3 識別模型

3.1 LSSVM

最小二乘支持向量機（LSSVM）通過將支持向量機（SVM）中的不等式約束轉(zhuǎn)換為等式約束，以誤差平方和損失函數(shù)替代二次規(guī)劃作為經(jīng)驗損失，將求解二次規(guī)劃問題轉(zhuǎn)化為線性方程組問題，提高求解速度和收斂精度。

3.2 粒子群優(yōu)化算法

在LSSVM模型參數(shù)尋優(yōu)問題中，需要優(yōu)化的值有正則化參數(shù)λ和內(nèi)核參數(shù)σ。常用優(yōu)化方法有交叉驗證法、統(tǒng)計法及建模經(jīng)驗法等。交叉驗證法參數(shù)搜索范圍不易確定，一定程度上影響識別速度及精度;統(tǒng)計法及建模經(jīng)驗法則需大量實驗積累，通過人為主觀給定，同樣不適用于超窄間隙焊接熔合狀態(tài)的識別。

粒子群算法（PSO）是基于群體智能理論的進化計算方法，種群粒子在每次迭代搜索中，通過跟蹤個體極值及全局極值不斷更新位置及速度，并借助個體間信息傳遞及信息共享尋找最優(yōu)解。其魯棒性好、收斂時間短、全局搜索能力強，在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡參數(shù)優(yōu)化等問題中有廣泛應用。

PSO-LSSVM算法流程如圖7所示。λ決定了適應誤差的最小化和平滑程度，σ是RBF函數(shù)的內(nèi)核參數(shù)。PSO通過尋找它們的最優(yōu)組合來提高LSSVM的分類精度。

4 狀態(tài)識別

對厚度為30 mm的Q235厚鋼板焊件進行超窄間隙焊接，以上文2.2節(jié)提取的58維特征向量作為模型輸入，將未熔合、臨界熔合和熔合良好三種狀態(tài)分別標記為1、2、3，作為模型識別輸出，樣本分布與劃分情況如表1所示。

在試驗得到的176個狀態(tài)分布不均的樣本中，三種狀態(tài)分別隨機選取40個，將120個樣本按1∶1隨機劃分訓練集與測試集。使用所建立的超窄間隙焊接熔合狀態(tài)識別模型進行試驗驗證，結(jié)果如圖8所示，準確率可達91.7%。

5 結(jié)論

（1）電弧聲信號蘊含有大量焊接過程信息，基于電弧聲分析識別熔合狀態(tài)是一種經(jīng)濟、非接觸且有效的焊接過程熔合狀態(tài)監(jiān)測方式。

（2）設(shè)計構(gòu)建的超窄間隙焊接電弧聲信號采集系統(tǒng)，可穩(wěn)定地獲取電弧聲信號，從而間接獲得焊接過程信息。在分析電弧聲產(chǎn)生機理和人耳智能辨識行為的基礎(chǔ)上，基于電弧聲提取的短時能量、平均振幅、Moore響度、梅爾倒譜系數(shù)（MFCC）及其一階、二階差分等特征可有效表征焊接過程熔合狀態(tài)。

（3）基于粒子群（PSO）對LSSVM的關(guān)鍵參數(shù)尋優(yōu)，所建立的超窄間隙焊接底部側(cè)壁熔合狀態(tài)識別模型可以實現(xiàn)未熔合、臨界熔合以及熔合良好三類狀態(tài)的高精度識別，準確率可達91.7%。

參考文獻：

龔練. 鋼軌超窄間隙焊接熔池形成及接頭性能研究[D].甘肅：蘭州理工大學，2017.

程永超，肖珺，陳樹君，等.基于弧壓反饋的薄板GTAW智能熔透控制[J].焊接學報，2018，39（12）：1-4，43，129.

楊嘉佳，王克鴻，吳統(tǒng)立，等.基于熔池視覺特征的鋁合金雙絲焊熔透識別[J].焊接學報，2017，38（3）：49-52，131.

Alfaro S C A， Franco F D. Exploring infrared sensoring for real time welding defects monitoring in GTAW[J]. Sensors，2010，10（6）：5962-5974.

顧玉芬，席保龍，李春凱，等.基于熔池振蕩的GTAW熔透實時傳感與控制[J].電焊機，2020，50（12）：5-8，108.

劉立君，蘭虎，鄭紅艷，等. MIG焊電弧聲信號與熔透狀態(tài)相關(guān)性[J].機械工程學報，2010，46（14）：79-84.

Tarn J，Huissoon J. Developing psycho-acoustic experiments in gas metal arc welding[C]//Mechatronics & Automation，IEEE International Conference. IEEE，2005.

Lv N，Xu Y，Li S，et al. Automated control of welding pene-tration based on audio sensing technology[J]. Journal of Materials Processing Technology，2017（250）：81-98.

Zhang Z，Wen G，Chen S. Audible Sound-based Intelligent Evaluation for Aluminum Alloy in Robotic Pulsed GTAW：mechanism， feature selection and defect detection[J]. IEEE Transactions on Industrial Informatics，2017：1-1.

高向東，林俊，蕭振林，等.電弧焊熔透ICA-BP神經(jīng)網(wǎng)絡識別模型[J].焊接學報，2016，37（5）：33-36，130.

高文元，遲放魯，賀秉坤. 臨床聽覺生理學[M]. 北京：人民軍醫(yī)出版社，2004.

呂娜. 基于電弧聲信號的鋁合金脈沖GTAW熔透特征識別及其實時控制研究[D].上海：上海交通大學，2014.

IMAI S. Cepstral analysis synthesis on the mel frequency scale[C]//IEEE International Conference on Acoustics，Speech & Signal Processing. IEEE，1983：93-96.

MOORE B C J. ANSI S3.4-2005 （Revision of ANSI S3.4-1980）. Procedure for the computation of steady sounds[S]. [S.I.]：Acoustical Society of America，2005.