基于電弧聲的超窄間隙焊接熔合狀態識別

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，極易產生電弧攀升風險，導致底部側壁出現熔合不良現象。針對焊劑片約束電弧超窄間隙焊接熔合狀態難以在線監測的問題，提出一種基于電弧聲的底部側壁熔合狀態識別方法。建立超窄間隙焊接過程電弧聲信號采集系統，在分析電弧聲產生機理和人耳辨識行為的基礎上，提取有效表征焊接過程的短時能量、平均振幅、Moore響度、梅爾倒譜系數及其一階、二階差分等特征參量，基于粒子群優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壁熔合狀態識別模型。研究結果表明，此方法可以實現未熔合、臨界熔合及熔合良好三類狀態的識別，準確率可達91.7%，為超窄間隙焊接熔合狀態的在線監測提供了一種新的途徑。

關鍵詞：超窄間隙焊接;電弧聲;人耳辨識行為;PSO-LSSVM;熔合狀態識別

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焊接面和底部，實現單道多層焊縫成形，在大厚度構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難以穩定，極易產生電弧攀升風險，導致底部側壁出現未熔合或臨界熔合狀態。而良好的熔合狀態是優質焊接接頭的重要表征，因此，焊縫底部側壁熔合狀態的檢測識別對實現超窄間隙焊接熔合狀態監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的相關性進行深入研究，實現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，熔合狀態無法觀察。電弧聲是電弧對熔池的持續沖擊及其自身的高頻振蕩等以聲波形式的表征，反映了焊接過程穩定性和焊縫熔合性等重要信息，已被證實可運用于實時監測焊接過程狀態[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性，并從多角度提取特征，建立有效模型對焊縫熔透狀態進行識別[8-10]。

文中在建立超窄間隙焊接過程電弧聲信號采集系統的基礎上，圍繞電弧聲所蘊含的豐富信息，分析其產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的特征參量，建立超窄間隙焊接底部側壁熔合狀態識別模型，進行三種典型熔合狀態區分。

1 試驗

1.1 試驗系統

厚鋼板超窄間隙焊接試驗及電弧聲采集系統如圖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）、高速數據采集卡（NI USB-6361）和控制系統（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，采樣頻率設定為50 kHz。

1.2 數據獲取

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為底部側壁熔寬;hf為熔深;H為熱影響區寬度;Bw為焊縫最大熔寬。其中，Bl是保證側壁及根部熔合良好的關鍵參數，當Bl-Gw>1 mm時，電弧才能充分加熱坡口兩側壁和坡口根部，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時刻的熔合狀態由其前后各一段時間窗內的焊接過程共同決定，結合熔滴過渡行為，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，具有非平穩非線性及各態歷經性，但由于聲源激勵慣性，短時（10～30 ms）存在穩定的物理特性[12]，可看作準穩態過程。因此，選擇窗寬L=1 000（20 ms）的漢寧窗對電弧聲信號分幀，幀移設為500，即10 ms。

對于一段時域電弧聲信號s（n），由窗函數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下的典型電弧聲信號波形如圖4所示。

2.2 特征提取

常規電弧焊采取V型或X型坡口，電弧垂直于單側被焊面，電弧聲在開放環境產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，同時熔化兩側壁實現每層單道成形，發聲區域相對密閉，傳聲介質復雜多樣。鑒于此，在分析超窄間隙焊接電弧聲產生機理的基礎上，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。

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變化決定著電弧聲道傳輸特性。電弧能量與電弧形態密切相關，可在一定程度上反映熔合狀態變化。

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。熔合狀態良好對應電弧被有效約束，熔滴過渡和熔池振蕩穩定，聲道系統完整，電弧聲平穩規律，能量分布均勻，數值較低;未熔合狀態熔滴過渡雜亂，甚至頻繁出現斷弧-引弧過程，聲道系統被破壞，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行為，可表示為

類似地，平均振幅與熔合狀態在一定程度上也存在著相關性。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，并及時進行調節。這說明人的聽覺系統在參數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

人的內耳基礎膜會自動調節聽到的聲信號，即針對不同頻率在相應臨界帶寬內產生不同的振動以區分不同類型的諧振頻率。梅爾倒譜系數（Mel-scale Frequency Cepstral Coefficients，MFCC）是由Mel標度頻率域提取的倒譜參數[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，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。

（4）將每個濾波器的輸出取對數，得到相應頻帶的對數功率譜

（5）離散余弦變換（DCT），得到24個MFCC系數

標準MFCC只能反映聲信號的靜態特性，其動態特性可用一階、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，如圖5所示。將每個系數所對應的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特性實際響應。

以功率和方差構建二維響度特征，不同熔合狀態響度特征如圖6所示，可以看出，三種熔合狀態的響度功率、方差存在一定有效區分。

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

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）中的不等式約束轉換為等式約束，以誤差平方和損失函數替代二次規劃作為經驗損失，將求解二次規劃問題轉化為線性方程組問題，提高求解速度和收斂精度。

3.2 粒子群優化算法

在LSSVM模型參數尋優問題中，需要優化的值有正則化參數λ和內核參數σ。常用優化方法有交叉驗證法、統計法及建模經驗法等。交叉驗證法參數搜索范圍不易確定，一定程度上影響識別速度及精度;統計法及建模經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解。其魯棒性好、收斂時間短、全局搜索能力強，在函數優化、神經網絡參數優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函數的內核參數。PSO通過尋找它們的最優組合來提高LSSVM的分類精度。

4 狀態識別

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個狀態分布不均的樣本中，三種狀態分別隨機選取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識別模型進行試驗驗證，結果如圖8所示，準確率可達91.7%。

5 結論

（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是一種經濟、非接觸且有效的焊接過程熔合狀態監測方式。

（2）設計構建的超窄間隙焊接電弧聲信號采集系統，可穩定地獲取電弧聲信號，從而間接獲得焊接過程信息。在分析電弧聲產生機理和人耳智能辨識行為的基礎上，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（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。

（3）基于粒子群（PSO）對LSSVM的關鍵參數尋優，所建立的超窄間隙焊接底部側壁熔合狀態識別模型可以實現未熔合、臨界熔合以及熔合良好三類狀態的高精度識別，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相關性[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神經網絡識別模型[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.