金屬材料焊接接頭缺陷形成原因及識別方法研究

孫文剛

近年來，隨著建筑行業超高壓、特高壓應用需求的逐漸發展，對于金屬材料的焊接要求日漸苛刻。金屬材料在發展工程中不斷強化對于強度和剛度的要求，相比之下，對于其材料可塑性的研究較為滯后。在此背景下，金屬材料的焊接成為了對其進行構架和塑造連接的主要方式。考慮到實際的施工環境以及工藝技術水平的限制，不同金屬材料在焊接過程中的耐受性存在著明顯的差異，在焊接接頭處，氣孔、夾渣的情況出現頻發，同時未熔合、未焊透也是在焊接接頭中較為常見的一種缺陷。為了確保焊接工藝的施工效果，對接頭處的缺陷進行準確識別是十分必要的，其也是焊接施工驗收工作中一項重要的內容。隨著現代化技術的逐漸發展，接頭焊接缺陷的識別方法也實現了新突破。在傳統識別方法中，主要是通過抽樣的方式，對個別焊接接頭進行檢查，而現代識別方式中，通過圖像就可以實現對焊接接頭內部情況的分析，能夠滿足對全部接頭進行識別的檢驗需求。但其識別效果仍存在進一步提升的空間。與其他類型的缺陷相比，焊接接頭的缺陷隱蔽性較強，一旦不能及時發現沒造成的影響也是巨大的。為此，對焊接接頭質量進行有效檢測是極為必要的。

基于此，本文提出金屬材料焊接接頭缺陷形成原因及識別方法研究。在分析了引起焊接接頭缺陷的原因以及形成的缺陷類型的基礎上，提出了以模糊神經網絡為基礎的缺陷識別方法，將不同缺陷的特征作為缺陷識別的依據，并通過實驗驗證了所提方法的有效性。通過本文的研究，以期為金屬材料焊接工藝的優化提升提供參考，為相關驗收工作提供幫助。

1 金屬材料焊接接頭缺陷形成原因分析

在對金屬材料焊接接頭缺陷識別方法進行設計之前，首先需要明確引起缺陷的主要因素以及這些因素的作用結果，通過總結出不同缺陷對應的特征，為后續的識別工作提供基礎。為此，本文分別從以下幾個方面進行了研究。

1.1 焊接熱源對缺陷形成的影響

對于不同金屬材料而言，其熔點、導熱性是存在一定差異的。在對金屬材料進行焊接時，對焊接熱源的選擇僅考慮金屬材料的熔點是遠遠不夠的。當材料的導熱性較差時，焊接熱源所產生的熱量無法實現在材料中的完成傳導，這會直接導致焊接接頭處的金屬材料無法達到熔點，在焊接時僅能實現表面的熔化和焊接，內部結構并未發生改變，由此產生的缺陷類型主要表現為未熔合或未焊透。通過觀察X 射線圖像，可以發現在焊接接頭處存在明顯的中空構造。另外一種現象是由于焊接熱源過高引起的，當其溫度遠遠超過金屬材料的熔點時，每次焊接操作都會對原本的焊接成果產生熔化作用，導致最終的焊接接頭出現明顯的咬邊，這種缺陷通過直觀的方式就可以判斷。但是需要注意的是，在不同的輪廓影響下，其外形可能會對缺陷的判斷造成一定的干擾，形成缺陷重復識別或缺陷識別丟失的問題。為此，在識別過程中，按照輪廓對其進行分解分析是極為必要的。

1.2 材料屬性對缺陷形成的影響

金屬材料本身的屬性也是影響焊接接頭缺陷的重要因素。受金屬特性影響，其膨脹系數也各不相同功能。當金屬材料的膨脹系數較大時，在焊接過程中接頭處的材料遇熱會發展為原來幾倍大的體積，可以理解為是對金屬材料的局部重熔再造，而焊接僅能實現對材料的連接，無法實現對熔化后材料內部氣體的排放，因此，極易導致空穴缺陷的出現，通過觀察X 射線圖像，可以發現在焊接接頭出有明顯的黑色斑點，其即為氣泡。當金屬材料的膨脹系數較小時，其在焊接熱源的作用下僅能實現小面積的膨脹，難以滿足焊接的需求，最終將會導致接頭處存在異常，受不同材料屬性影響，這種缺陷也表現為不同形式，包括接頭固體化、出現裂紋等，其也可通過直接觀察的方式判斷。同樣地，其也受輪廓影響干擾影響嚴重，一旦X 射線圖像的輪廓出現非常態構造極易引起判斷結果的誤差。

1.3 工藝技術對缺陷形成的影響

造成焊接接頭缺陷的另外一個主要的，也是最關鍵的因素就是焊接工藝技術。作為焊接活動中最主要的一部分，其對焊接效果的影響也是最明顯的。焊接工藝不僅包括焊接技術的實施，同時也包括對待焊接金屬材料的調整，合適的坡口造型以及間隙大小選擇都直接影響最終焊接接頭的成品效果。當坡口或間隙不合理時，極易造成接頭處的夾渣、氣孔、斷裂等缺陷。其中，夾渣缺陷的X 射線圖像表現為明顯的大面積光斑。這種光斑不僅會對其他類型的缺陷帶來掩蔽作用，同時也會降低直接觀察缺陷的準確性。

2 金屬材料焊接接頭缺陷識別

通過上述的分析，本文總結出在不同因素的作用下，金屬材料的焊接接頭缺陷主要表現為裂紋、空穴、固體、未熔合、未焊透以及其他6 種，并分析了相應的X 射線圖像特征。以此為基礎，本文設計了以缺陷特征為基礎的焊接接頭缺陷識別方法。

2.1 缺陷特征提取

由于每種焊接接頭缺陷影像之間的差異較大，因此，本文以不同焊接缺陷對應的X 射線圖像特征作為缺陷識別的依據，為此，首先對圖像特征進行提取。

在獲得的圖像中，反饋出的信息不僅包括由缺陷造成的影像結果，同時也有由于焊接由試件外觀產生的影響結果，要實現對焊接缺陷的準確識別，首先要準確提取出可以作為判斷依據的缺陷影像結果。本文將影像形狀尺寸、黑度、位置、延伸方向、輪廓、細節作為特征區分的標準。此時可以將影相的特征表示。其中，焊接缺陷X 射線圖像特征中包含尺寸上的特征和顏色上的特征，對于焊接接頭而言，其主要是指影像的黑度，此時需要獲取圖像中焊接缺陷對應的位置特征以及圖像中焊接缺陷的延伸方向特征，對于圖像中焊接缺陷的輪廓特征和圖像中焊接缺陷在細節上表現出的特征，需要結合焊接接頭的實際情況進行差異化獲取。以此為基礎，在得到焊接接頭的影像資料后，首先從形狀作出判斷，通過不同的特征參數對上述標準進行描述，以此實現對原始圖像的分割。假設焊接接頭缺陷影像中對應的輪廓形狀參數為a，那么在表現出的細節特征分割標準下，可以將圖像分解為與圖像特征數量相同的獨立圖像，這就意味著圖像分解與表現出的細節特征之間存在直至相關性。

又由上文可知，圖像中焊接缺陷在細節上表現出的特征，就意味著圖像中包含的特征信息是多樣化的，此時，焊接接頭缺陷影像的形狀參數a 中與細節特征的重疊部分即可作為一個分割部分。

經過分解后的影像就轉化為多個具有單一輪廓特征的焊接圖像，此時，再運用輪廓跟蹤法對具有相同分割結果的焊接缺陷特征參數進行提取，獲得分解后的影像中提取到的特征結果。

在此基礎上，將提取到的特征結果進行聚類，通過這樣的方式將提取出的特征結果按種類進行劃分。需要注意的是，征聚類的目標距離直接影響聚類的效果，因此本文以特征參數的50%作為聚類半徑。

通過這樣的方式，實現對金屬材料焊接接頭缺陷特征的提取，并以聚類的形式進行差異化管理。

2.2 缺陷識別

根據上述的聚類結果，本文利用卷積神經網絡實現對金屬材料焊接接頭缺陷的識別。考慮到金屬材料焊接接頭缺陷特征的多樣性以及聚類結果的復雜性，本文以3 級的卷積神經網絡作為識別基礎，其中每級包括2 個層，分別對應2 個卷積層、2個池化層以及2 個全連接層。不僅如此，考慮到各層級之間的連接效果可能會對識別結果造成影響，本文利用Soft-max 函數進行連接。以此為基礎，具體的識別過程如下。

首先，在卷積層中，設計卷積核的大小為3×3，標準步長為1，當隨著訓練的次數逐漸增加，其輸出的結果也逐漸趨于穩定，可以適當增加步長以提高識別的效率，為此，本文設置步長的取值范圍為[1,5]。

以此為基本單位對訓練樣本進行訓練。在第一個采樣層的窗口，將上文得到的聚類結果3×3 的規模排布在全連接層，并確保每層分布的特征數量相同。此時的特征分布是以均衡的狀態存在于卷積神經網絡中的。這樣做的目的是最大限度實現對所有特征的訓練，避免出現特征丟失的問題，同時也提高訓練結果的可靠性。在訓練過程中，將第一個全連接層的特征結果作為第一個池化層的特征，以此展開形成的圖像的一維向量結果，作為卷積神經網絡的輸入值。對應的特征也將轉化為一維形式，以此從多個維度對特征進行深度學習，確保最終輸出結果的準確性。同時，為了加強網絡結構可擴充性，提高對特征分析的準確性，在輸出層運用具有糾錯機制的Softmax 函數作為過濾，當卷積神經網絡對部分特征的映射出現異常時，不會影響全局結果。對圖像特征進行匹配時，輸出對應的“無缺陷”和“有缺陷”結果。將訓練結果作為輸入值在網絡中進行反向計算，計算出結果中存在的誤差，再將此誤差反向傳播完成對網絡計算結果的糾偏，直至偏差達到設定值。以此實現對金屬材料焊接接頭缺陷的準確識別。

3 試驗測試

為了測試本文提出識別方法的應用效果，進行了試驗測試。

3.1 測試條件

測試以熔焊缺陷作為識別目標，按缺陷性質，本文設置了6種缺陷，分別為裂紋缺陷、空穴缺陷、固體缺陷、未熔合和未焊透，以及其他。以某焊接廠的焊接接頭圖像作為測試數據，分別采集了無缺陷的焊接接頭圖像300 幅，有各類缺陷的焊接接頭圖像600 幅。其中，代表圖像如圖1 所示。

在圖1 中，圖（a）和圖（b）為無缺陷狀態下焊接接頭的圖像采集結果，圖（c）～圖（h）均為存在缺陷的焊接接頭圖像采集結果。其中，圖（c）為夾渣缺陷，圖（d）為氣孔缺陷，圖（e）為夾鎢缺陷，圖（f）為未焊透缺陷，圖（g）為未熔合缺陷，圖（h）是咬邊缺陷。上述8 中焊接缺陷都是在焊接接頭中比較常見的缺陷類型。

圖1 焊接接頭圖像

以上述代表圖像為基礎，隨機選取200 幅無缺陷的圖像和400 幅存在缺陷的圖像作為訓練樣本，在剩余的實驗數據中隨機選擇50 幅無缺陷圖像和100 幅存在缺陷圖像為實驗樣本，對焊接接頭的情況進行識別。為了實現對識別效果的量化分析，分別采用損失率P 和準確率E 作為評價指標。

以此為基礎，開展對3.1 部分準備缺陷的識別測試。

3.2 測試結果

在上述測試條件下，分別統計了在訓練次數下，本文方法的識別情況，并采用基于神經網絡的識別方法和基于蟻群算法的識別方法作為對照組，同時進行識別測試。為了更加準確地對識別結果進行分析，除上述指標外，本文還對異常識別結果的類型進行了具體的統計，分為缺陷未識別錯誤和無缺陷但誤識別錯誤兩類。最終得到的具體結果如表1 所示。

表1 本文方法的缺陷識別結果

從表1 中可以看出，隨著訓練次數的增加，三種方法對于缺陷的識別結果均呈現出逐步提升的發展趨勢，但是通過其結果的變化速度可以看出，基于神經網絡的識別方法和基于蟻群算法的識別方法明顯在收斂性方面具有明顯不足，當訓練次數從200 增加到300，從400 增加到500，從600 增加到700 的過程中，基于神經網絡的識別方法對于錯誤的缺陷識別并為實現優化。基于蟻群算法的識別方法雖然結果隨著訓練次數的增加提升，但是其當訓練次數達到900 次時，才得到相對較優的識別結果。相比之下，本文方法對焊接接頭缺陷識別的損失率逐漸降低，當訓練次數達到300 后，損失率基本穩定在0.2%以內，相對應的，識別結果的準確率逐漸提高，并最終穩定在96%以上。并且，在識別結果中，未能識別的缺陷數量逐漸減少，當訓練次數達到500 時，能夠實現對缺陷的100%識別，具有良好的識別效果。

4 結語

對于金屬材料焊接接頭缺陷的有效識別不僅對于確保建筑結構的可靠性具有十分重要的現實意義，對于加速焊接技術的發展也有重要的推動作用。考慮到金屬材料焊接接頭缺陷的形成一般是由多種因素共同作用形成的，因此明確其形成原因是對缺陷進行準確識別的重要基礎。本文提出金屬材料焊接接頭缺陷形成原因及識別方法研究，全面具體地研究了引起焊接接頭缺陷的因素，并以此為基礎設計了相應的缺陷識別方法，實驗結果表明所提方法能夠實現對不同缺陷的準確識別。通過本文的研究，以期為金屬材料焊接工作的驗收以及金屬材料焊接工藝的進步提供幫助。