多源信息驅(qū)動的焊接典型缺陷在線智能識別

鄧鋼，馬志，陳偉光，劉昱，陳華斌

(1.中車長春軌道客車股份有限公司，長春 130062；2.中車工業(yè)研究院有限公司，北京 100160；3.上海交通大學(xué)，上海 200240)

0 前言

高鐵是中國自主創(chuàng)新的一個成功范例，從無到有，從引進、消化、吸收再創(chuàng)新到自主創(chuàng)新，現(xiàn)在已經(jīng)領(lǐng)跑世界。技術(shù)創(chuàng)新是中國高鐵的核心競爭力，貫穿于高速動車組每一個部件制造全流程。轉(zhuǎn)向架作為高速列車的重要承載部件，被稱為高鐵的“兩條腿”，其制造方式以焊接為主，由于焊接工藝本身的特點，使構(gòu)架產(chǎn)生了復(fù)雜的殘余應(yīng)力、變形及缺陷(燒穿、未熔合、卡絲與夾雜等)對轉(zhuǎn)向架的斷裂特性、疲勞強度和形狀尺寸的精度、穩(wěn)定性等產(chǎn)生了非常不利的影響。如何基于數(shù)字化、信息化和智能化的深度融合實現(xiàn)焊接制造過程中的缺陷實時預(yù)警，精準(zhǔn)識別甚至定量評估，形成對轉(zhuǎn)向架復(fù)雜場景下的焊接過程的全景式智能評判，可有效縮短轉(zhuǎn)向架構(gòu)件焊接制造的生產(chǎn)-檢驗周期，提高高速列車轉(zhuǎn)向架焊接質(zhì)量的可靠性及智能制造的水平[1-5]。

高速動車組轉(zhuǎn)向架的主體結(jié)構(gòu)是由高強度耐候鋼焊接而成，通常采用的焊接方法為機器人MAG焊(Metal active arc gas welding, MAG)?，F(xiàn)場焊接過程控制需嚴(yán)格按照ISO 3834和EN 15085的要求對每條焊縫進行嚴(yán)格的焊前、焊中及焊后檢查確保在規(guī)定的WPS(Welding procedure specification)進行施焊。眾所周知，焊接動態(tài)過程受材料冶金及熱傳導(dǎo)等多因素影響，其中任何微小變化均可能誘發(fā)缺陷，且缺陷產(chǎn)生機理模糊和復(fù)雜，這些使得目前針對焊接缺陷的預(yù)警及識別缺少行之有效而高效可靠的解決方法。

國內(nèi)外學(xué)者從不同的角度開展了焊縫質(zhì)量在線分析、監(jiān)測及識別等研究，張志芬[6]提取了焊接電弧光譜、聲音等信號，建立了鋁合金GTAW熔透狀態(tài)SVM-CV預(yù)測模型。Mirapeix等人[7]基于電孤光譜電子溫度曲線實現(xiàn)了對管板TIG焊接中貫穿性空洞、焊縫表面氧化和氣孔缺陷的預(yù)測。然而，實際焊接制造中缺陷類型繁多，缺陷的尺寸、面積及嚴(yán)重程度不盡相同，極易造成誤判或漏判；同時，基于單傳感信息的焊接缺陷在線檢測或者幾類信息簡單融合實現(xiàn)焊接缺陷的離線無損自動檢測，真正缺少焊接過程多類典型缺陷的在線檢測及智能識別的系統(tǒng)研究[8]。

文中依托中車長客轉(zhuǎn)向架車間焊接大師的經(jīng)驗知識(視聽信息)為基礎(chǔ)，模擬經(jīng)驗焊工的信息感知與質(zhì)量分析能力，通過添加小型集成型傳感系統(tǒng)，實時采集轉(zhuǎn)向架機器人MAG焊接過程與接頭質(zhì)量密切相關(guān)的熔池圖像、電弧聲音及實際作業(yè)電流電壓等多源數(shù)據(jù)，并對其焊接過程多模態(tài)傳感信息進行特征提取與相關(guān)性分析，建立基于XGBoost的焊接質(zhì)量缺陷識別知識模型，精確識別焊漏、未焊透、卡絲及夾渣等典型焊接缺陷。

1 焊接多源信息傳感及采集

文中在不改變高速動車組轉(zhuǎn)向架焊接車間機器人焊接系統(tǒng)基礎(chǔ)上，專門設(shè)計并研制了一套集電弧聲音、熔池圖像為一體的緊湊型智能傳感系統(tǒng)，并安裝在機器人末端法蘭上，為原先生產(chǎn)車間的“示教再現(xiàn)型”弧焊機器人安裝了“眼睛”與“耳朵”模擬經(jīng)驗焊工感知每個工位的焊接熔池圖像與電弧聲音信息，如圖1所示。轉(zhuǎn)向架機器人MAG焊接多源傳感系統(tǒng)通過高性能高速CMOS相機、傳聲器、電流/電壓霍爾傳感器等實時采集焊接動態(tài)熔池圖像、電弧聲音及電流/電壓參數(shù)。焊接本地端控制器可實現(xiàn)焊接過程多源異構(gòu)數(shù)據(jù)實時采集、顯示及短期存儲等功能。同時，焊接多源異構(gòu)數(shù)據(jù)同步鏡像傳輸、存儲和安裝在中車北京數(shù)據(jù)中心存儲服務(wù)器，用戶可以在web端進行查詢、下載等操作。

圖1 本地端焊接多源傳感系統(tǒng)

焊接熔池圖像采集頻率設(shè)置為10 Hz，電弧聲音、實際電壓值的采集頻率設(shè)置為10 kHz，在焊接過程中，每隔100 ms分析一次，即每次采集1張熔池圖片及與其對應(yīng)的1 000個電弧聲音數(shù)據(jù)及1 000個實際輸出電壓數(shù)據(jù)，作為1個數(shù)據(jù)包。

開展模擬件焊接工藝試驗，采用與轉(zhuǎn)向架構(gòu)件相同的母材、焊材、設(shè)備及操作環(huán)境，分別獲取良好、燒穿、未熔合、卡絲、夾雜5種質(zhì)量類型焊縫的多源信息數(shù)據(jù)包，數(shù)據(jù)信息見表1。

表1 多源信息數(shù)據(jù)包

2 焊接多源傳感信息處理及知識建模

2.1 熔池圖像分析及特征提取

熔池圖像特征與焊縫質(zhì)量關(guān)系最為密切[9]，分別采集焊縫質(zhì)量良好、燒穿、未熔合、卡絲及夾雜缺陷問題的熔池圖像，如圖2～圖6所示。其中，焊縫成形質(zhì)量良好時，熔池圖像紋理清晰，焊絲前端的熔池有明顯下凹特點，此時熔池近似為橢圓形；當(dāng)存在燒穿缺陷問題時，熔池不連續(xù)且明暗變化顯著；當(dāng)存在未熔合缺陷問題時，熔池面積較小而黯淡；當(dāng)存在卡絲缺陷問題時，焊絲末端與熔池分離，難以保持穩(wěn)定電?。划?dāng)存在夾雜缺陷問題時，熔池中間出現(xiàn)黑點，并且飛濺嚴(yán)重。結(jié)合對上述熔池圖像特點、尺寸形貌分析和歸納，擬提取熔池圖像中灰度值大于50的連續(xù)區(qū)域，作為熔池輪廓，并分別計算質(zhì)量良好、燒穿、未熔合、卡絲、夾雜五種狀態(tài)下的熔池寬度w和熔池長度h等幾何尺寸信息。

圖2 0號焊接熔池圖像特征分析及處理結(jié)果

圖3 1號焊接熔池圖像特征分析及處理結(jié)果

圖4 2號焊接熔池圖像特征分析及處理結(jié)果

圖5 3號焊接熔池圖像特征分析及處理結(jié)果

圖6 4號焊接熔池圖像特征分析及處理結(jié)果

進一步統(tǒng)計分析熔池圖像灰度值在[50,255]之間的分布情況，結(jié)果表明在質(zhì)量良好、燒穿、未熔合、卡絲、夾雜等5種狀態(tài)下，統(tǒng)計[50,99]，[100,149]，[150,199]，[200,255]4個區(qū)間像素點的個數(shù)，分別標(biāo)記為g50，g100，g150，g200，通過與焊縫質(zhì)量良好時的熔池灰度值分布比較，當(dāng)存在燒穿、未熔合、卡絲及夾雜缺陷問題時，g50，g100，g150，g200具有明顯差異。其中，當(dāng)存在燒穿缺陷問題時，g50與g100較小，而g150與g200較大；當(dāng)存在未熔合缺陷問題時，4個區(qū)間像素點個數(shù)都較小，g200幾乎為零；當(dāng)存在卡絲缺陷問題時，g50較大，而其它區(qū)間像素點個數(shù)較小；當(dāng)存在夾雜缺陷問題時，也是所有區(qū)間像素點個數(shù)較少。因此，選取熔池圖像的幾何特征尺寸：w，h及灰度信息g50，g100，g150，g200等作為焊接過程缺陷的特征輸入向量之一。

2.2 電弧聲音時域特征分析

電弧聲音特征與焊縫質(zhì)量具有明顯的相關(guān)性[10]，分別采集焊縫質(zhì)量良好、燒穿、未熔合、卡絲及夾雜缺陷問題的電弧聲音信息，如圖7所示。分別標(biāo)記焊縫質(zhì)量良好及存在燒穿、未熔合、卡絲、夾雜缺陷問題時的電弧聲音信息為0，1，2，3，4，并分別提取標(biāo)準(zhǔn)差、平均值、均方根、峰峰值、峰峰因子、波形因子、偏度、峭度8個數(shù)據(jù)特征，分別記為Sstd，Smean，Srms，Spk，SC，SsfSsk，Sku。通過與焊縫質(zhì)量良好時電弧聲音信息特征比較，當(dāng)存在燒穿、未熔合、卡絲、夾雜缺陷問題時，8個特征均有明顯差異。因此，選擇電弧聲音的8個時域特征，作為典型焊接缺陷識別的特征信號。

圖7 電弧聲音時域特征分析

2.3 焊接工藝參數(shù)時域特征分析

轉(zhuǎn)向架焊接過程工藝參數(shù)設(shè)定是直接反映焊接質(zhì)量的關(guān)鍵參數(shù)，電流設(shè)定參數(shù)過大就會出現(xiàn)前文提到“噼里啪啦”的電弧聲音特征，電壓設(shè)定值過大就會出現(xiàn)電弧聲音“嗚嗚”的特征。然而在實際生產(chǎn)環(huán)節(jié)，焊接電流、電弧電壓參數(shù)的設(shè)定值與實際 值往往存在一定差異，文中擬分別采集焊縫質(zhì)量良好、燒穿、未熔合、卡絲及夾雜缺陷問題的實際電壓值，如圖8所示。分別標(biāo)記每條焊縫成形質(zhì)量良好以及存在燒穿、未熔合、卡絲、夾雜缺陷問題時的實際電壓值為0，1，2，3，4，并分別提取實際電壓值的標(biāo)準(zhǔn)差、平均值、均方根、峰峰值、峰值因子、波形因子、偏度、峭度8個數(shù)據(jù)特征，分別記為Ustd，Umean，Urms，Upk，UC，Usf，Usk，Uku。通過與焊縫質(zhì)量良好時實際電壓值特征比較，當(dāng)存在燒穿、未熔合、卡絲、夾雜缺陷問題時，其時域特征值與理想焊縫有明顯差異。

圖8 實際電壓值分析

2.4 焊接多模態(tài)信息驅(qū)動的知識建模

對于質(zhì)量良好、燒穿、未熔合、卡絲、夾雜5種類型，熔池圖像的6個特征、電弧聲音信息的8個特征及實際電壓值的8個特征均與其相關(guān)，為了更好的實現(xiàn)識別準(zhǔn)確率與可靠性，需要多源信息特征進行融合處理。

XGBoost(Xtreme gradient boosting tree)是一種開源的基于決策樹的集成機器學(xué)習(xí)算法，使用梯度上升框架，在傳統(tǒng)Boosting 的基礎(chǔ)上，引入正則化項的邏輯回歸和線性回歸，對代價函數(shù)做了二階泰勒展開，能自動學(xué)習(xí)分裂方向且支持列抽樣，可以開展大規(guī)模并行計算，適用于分類和回歸問題[11-12]。如圖9所示，以XGBoost為基礎(chǔ)構(gòu)建轉(zhuǎn)向架焊接典型缺陷識別知識模型，其中輸入為熔池圖像、電弧聲音、實際電壓的關(guān)鍵特征，輸出為焊縫質(zhì)量類型，包括良好、燒穿、未熔合、卡絲、夾雜等5種類型焊縫。

圖9 基于XGBoost建模

3 模型測試驗證

以轉(zhuǎn)向架焊接車間工藝試驗獲取的試驗數(shù)據(jù)制作數(shù)據(jù)集，一共有2 277組數(shù)據(jù)。其中，良好為529組，燒穿為271組，未熔合為583組，卡絲為619組，夾雜為275組。按照7∶3的比例劃分?jǐn)?shù)據(jù)集與測試集，并開展知識模型訓(xùn)練與測試，效果如圖10所示，在訓(xùn)練過程中，隨著迭代次數(shù)增加，整體誤差趨近為0.0，在測試過程中，隨著迭代次數(shù)增加，整體誤差趨近為0.09，效果良好。

圖10 模型訓(xùn)練與測試效果

分別統(tǒng)計良好、燒穿、未熔合、卡絲、夾雜5種類型識別效果見表2，其中未熔合缺陷問題識別的F1得分最高，達(dá)到0.952，夾雜缺陷問題識別的F1得分最低，達(dá)到0.843，綜合識別精度約為0.91。該識別算法一次檢測需要15.6 ms，能夠滿足焊接過程實時檢測的要求。

表2 試驗測試結(jié)果統(tǒng)計

4 結(jié)論

(1)針對高速動車組轉(zhuǎn)向架焊接過程的典型缺陷預(yù)警及識別難題，通過模擬焊接技能大師，構(gòu)建機器人MAG焊接過程熔池圖像、電弧聲音、電壓值等多源異構(gòu)傳感數(shù)據(jù)軟、硬件平臺。

(2)開發(fā)焊接燒穿、未熔合、卡絲、夾雜等典型缺陷對應(yīng)的熔池圖像、電弧聲音及電弧電壓/焊接電流等多源異構(gòu)傳感處理、特征提取算法及相關(guān)性分析。

(3)建立轉(zhuǎn)向架機器人MAG焊接多模態(tài)信息驅(qū)動的缺陷預(yù)測XGBoost知識模型，并對典型缺陷識別進行模型驗證，綜合精度可達(dá)91%。