基于聲信號識別的水下焊接質(zhì)量檢測方法研究

紀曉東， 程天宇， 華亮， 張新松

（南通大學 電氣工程學院， 江蘇 南通 226000）

隨著科學技術(shù)的不斷發(fā)展，水下焊接技術(shù)在現(xiàn)代造船業(yè)、航空制造業(yè)和汽車制造業(yè)等領(lǐng)域均起著關(guān)鍵性作用[1]。對于應用場景較多的船舶檢修而言，在發(fā)生結(jié)構(gòu)性故障時，水下焊接技術(shù)無疑是搶修的重要手段，確保焊接焊縫質(zhì)量顯得至關(guān)重要[2]。焊接質(zhì)量檢測一般分為焊后檢測和焊中檢測，其中焊中檢測是目前的研究熱點。判定焊接質(zhì)量的主要途徑包括光信號檢測法、X射線檢測法、磁粉檢測法、超聲無損檢測法、機器視覺檢測法和聲信號檢測法等。如Creaform公司[3]提出了一種海上風電導管架無損檢測法，可實現(xiàn)導管架的精準高效檢測，但該方法僅針對焊后質(zhì)量檢測，缺乏實時性；肖書浩等人[4]提出了基于光電信號的陶質(zhì)襯墊焊接質(zhì)量在線檢測方法，解決了焊接質(zhì)量檢測的實時性問題，但該方法僅適用于陸地檢測。在實際工程應用中，一些焊工依靠多年的焊接經(jīng)驗，僅通過聲音即可大致判斷焊接質(zhì)量[5]。由此可見，聲信號檢測法可以直接通過焊接過程中產(chǎn)生的聲信息進行焊接質(zhì)量判定，實時性強且效率高，被認為是最具潛力的水下焊接質(zhì)量檢測技術(shù)之一[6]。

如今，通過構(gòu)建基于聲信號采集的監(jiān)測系統(tǒng)來實時檢測焊接質(zhì)量的技術(shù)已逐步發(fā)展起來。如劉亮[7]對鎢極氣體電弧焊過程中產(chǎn)生的聲信號進行采集并開展時域特性分析，并將其應用于熔透焊接質(zhì)量的實時控制。但是，在實際焊接過程中，因燃燒電弧而導致的體積膨脹、過度熔滴對熔池沖刷會引起振蕩，焊接時無疑會夾雜著巨大的聲音，同時還存在設備運作聲、熔滴飛濺等雜音以及焊接缺陷、焊接過程不穩(wěn)定等狀況，使得焊接聲信號極易受環(huán)境干擾[8]。隨著神經(jīng)網(wǎng)絡技術(shù)的發(fā)展，其在質(zhì)量檢測中的應用日漸成熟。為解決類似水下焊接質(zhì)量檢測等較為復雜的問題，許多學者開始研究基于人工神經(jīng)網(wǎng)絡的質(zhì)量檢測技術(shù)[9]。其中，雙權(quán)值神經(jīng)網(wǎng)絡（double-weight neural network, DWNN）模型的非線性逼近能力強，具有學習速度快、網(wǎng)絡結(jié)構(gòu)好等特性[10]，適用于處理小樣本非線性數(shù)據(jù)的擬合問題，如高維數(shù)據(jù)非線性擬合等，可針對性地解決水下焊接質(zhì)量檢測不確定因素多等問題。

為解決水下焊接過程中存在的非線性程度高、參數(shù)耦合性強以及檢測效率低等問題，筆者以航空母艦用高強度低碳合金鋼——HSLA-115鋼為研究對象，提出了基于聲信號識別的水下焊接質(zhì)量檢測方法。首先，通過搭建水下焊接實驗平臺，獲取焊接過程中的聲信號，并利用短時加窗技術(shù)對聲信號進行特征提取；然后，將所提取的聲信號特征值作為訓練樣本，構(gòu)建基于DWNN的水下焊接質(zhì)量識別模型，旨在為我國水下焊接工藝的發(fā)展提供新思路。

1 水下焊接質(zhì)量判定

所搭建的水下焊接實驗平臺如圖1所示，包含焊接母材、焊條和焊接電源等。其中：焊接母材為航空母艦用高強度低碳合金鋼——HSLA-115鋼，其具有強度高、韌性好和耐腐蝕等特性；焊條采用BROCO藥皮包覆，由石蠟防水層、焊芯和藥皮層組成，其具有可在水下持續(xù)燃燒的性能；焊接電源采用KD-630M型三相逆變式直流焊接電源，其采用IGBT（insulated gate bipolar transistor，絕緣柵雙極型晶體管）功率模塊配合逆變控制技術(shù)，具有焊接電流穩(wěn)定的特點。

圖1 水下焊接實驗平臺Fig.1 Underwater welding experiment platform

在焊接實驗開始前，先將HSLA-115鋼加工成200 mm×100 mm的標準化焊件，再將部分焊件切V字口。在焊接實驗中，采用2種焊接速度（0.6，1.2 m/min）、4種板材厚度（6，8，10，12 mm）和5種焊接電流（110，140，150，160，180 A）分別進行水下焊接處理，每一種實驗組合均進行6次，共開展240（2×4×5×6=240）組實驗。在焊接實驗結(jié)束后，通過觀察焊縫表面的光滑程度及其熔透狀態(tài)來判定焊接質(zhì)量：若焊縫表層光滑，并與焊件邊緣深度熔合且連接順暢，則判定質(zhì)量合格；若焊縫出現(xiàn)毛糙、多氣孔、未熔合等現(xiàn)象，則判定質(zhì)量不合格。部分水下焊接實驗的測定結(jié)果如表1所示，焊接鋼板實物如圖2所示。

表1 部分水下焊接實驗的測定結(jié)果Table 1 Measurement results of partial underwater welding experiments

圖2 水下焊接鋼板實物Fig.2 Physical objects of underwater welded steel plate

2 聲信號的采集與處理

圖1所示實驗平臺采用水聽器獲取水下焊接過程中的聲信號。水聽器由中科探海公司提供，其型號為TH-AC0200，監(jiān)聽頻率范圍為0.5～30 kHz，采樣頻率為2 MHz，帶內(nèi)波動小于3 dB，動態(tài)范圍時變增益為68 dB，固定增益為18.2 dB。該水聽器具有輸入阻抗高、輸出阻抗低和噪聲低等特點。采用聲影軟件對水聽器獲取的聲信號進行采集。

2.1 聲信號預處理

采用Butterworth（巴特沃斯）濾波器對所采集的聲信號進行濾波降噪處理。該濾波器的幅值特性曲線如圖3所示，其在衰減斜率、線性相位與加載特性三個方面均具有特性均衡的優(yōu)點[11]，能夠有效減少聲信號中機械運行噪聲與水環(huán)境中氣泡噪聲的干擾。Butterworth濾波器的幅值平方函數(shù)可表示為：

圖3 Butterworth濾波器的幅值特性曲線Fig.3 Amplitude characteristic curve of Butterworth filter

式中：H(ω)為濾波器的幅值；N為濾波器的階數(shù)，本文取N=8；?為輸入信號的頻率；?c為低通濾波器的截止頻率。

圖4所示為在板材厚度為8 mm、焊接電流為140 A、焊接速度為1.2 m/min條件下所采集的聲信號濾波處理前后的頻譜圖對比。由圖可以看出，Butterworth濾波器有效抑制了聲信號中的原始噪聲信號。

圖4 濾波處理前后聲信號的頻譜圖對比Fig.4 Comparison of spectrogram of acoustic signal before and after filtering

2.2 聲信號特征提取

參照文獻[12]中所提出的特征提取方法，采用短時加窗技術(shù)對濾波處理后的聲信號進行特征提取。本文采用的窗函數(shù)為漢明窗，窗口長度為1 024，重疊50%進行分幀。從連續(xù)的聲信號中截取多個“分析幀”，并分別在每一個分析幀的時域特征中提取短時能量En、短時平均幅度Mn、短時平均過零率Zn這3個特征值，結(jié)果分別如圖5至圖7所示。

圖5 聲信號的短時能量Fig.5 Short-time energy of acoustic signal

圖7 聲信號的短時平均過零率Fig.7 Short-time average zero crossing rate of acoustic signal

3 基于DWNN的數(shù)據(jù)擬合算法

針對水下焊接聲信號的時域特征數(shù)據(jù)，本文采用文獻[13]中提出的多維函數(shù)擬合逼近算法（即DWNN）進行焊接質(zhì)量檢測。DWNN是一種新型的神經(jīng)網(wǎng)絡，具有分類能力強、學習速度快等優(yōu)點，其固定結(jié)構(gòu)如圖8所示。

圖8 結(jié)構(gòu)固定的DWNNFig.8 DWNN with fixed structure

在DWNN的數(shù)學模型中，對應隱含層神經(jīng)元的任意一個輸出Yj為：

式中：Aj為隱含層第j個神經(jīng)元的激勵函數(shù)；n為輸入向量的維數(shù)；Wij為第i個輸入節(jié)點到隱含層第j個神經(jīng)元的方向權(quán)值；xi為第i個輸入節(jié)點的輸入值；ηij為第i個輸入節(jié)點到隱含層第j個神經(jīng)元的核心權(quán)值。

為避免DWNN模型在優(yōu)化過程中陷入局部最優(yōu)解，引入粒子群優(yōu)化（particle swarm optimization,PSO）算法[14]。PSO算法通過實時更新粒子的速度和位置來修正和獲取DWNN的連接權(quán)值和幅值，以幫助DWNN跳出局部最優(yōu)解，從而得到全局最優(yōu)解。在整個求解過程中，粒子自身會通過不斷的迭代更新求得一個最優(yōu)解，此最優(yōu)解即粒子自身的個體極值pbest；除此解之外，還將從整個粒子群中找到一個最優(yōu)解，即全局極值gbest[15]。根據(jù)確定好的2個最優(yōu)解，粒子通過式(3)和式(4)進行速度和位置的實時更新：

式中：k為迭代次數(shù)；c1、c2為學習因子，用于調(diào)節(jié)2個最優(yōu)解的步長；r1、r2為0～1之間的隨機數(shù)；pbestid,k、gbestid,k分別為當前的個體極值和整個群落中的全局極值；vid,k、xid,k分別為第i個粒子經(jīng)過k次迭代后在d維分量上的速度及位置；w為慣性權(quán)重，用于改善PSO算法的收斂性。

將PSO算法加入DWNN后，最終的數(shù)據(jù)擬合公式如下：

式中：xi=(xi1,xi2, …,xis)、vi=(vi1,vi2, …,vis)分別為第i個粒子在s維向量搜索空間中的位置和速度。

根據(jù)上文，在DWNN模型中引入PSO算法的具體步驟如下。

步驟1：初建一個基礎的DWNN，設定初始隱含層神經(jīng)元j=1，最大隱含層神經(jīng)元個數(shù)為Lmax，閾值精度為ε，參照隱含層神經(jīng)元j選取輸入樣本和對應的期望輸出，并將其進行歸一化處理[16]。

步驟2：引入PSO算法，首先確定種群大小n，粒子的維數(shù)s，搜索范圍qi∈[qi,min,qi,max]，速度vi∈[vi,min,vi,max]，參數(shù)c1、c2，初始迭代次數(shù)k=1，最大迭代次數(shù)kmax等。隨后，根據(jù)設定的參數(shù)，產(chǎn)生n個粒子，具體公式如下：

式中：i∈{1, 2,…,n}，d∈{1, 2, …,s}；r(x)為0～1之間的隨機數(shù)。

步驟3：計算粒子的適應度值F，其由粒子的優(yōu)化目標決定，用于評價粒子的搜索性能，指導粒子群的搜索過程。F可表示為DWNN的實際輸出與樣本期望輸出的均方誤差：

式中：N2為訓練樣本數(shù)；Yh為第h個樣本的網(wǎng)絡實際輸出值；Dh,j為第h個樣本對應的第j個神經(jīng)元的期望輸出值。

步驟4：設定粒子適應度值為粒子自身最優(yōu)解，即個體極值pbest，將其所在位置默認為最優(yōu)位置X1，并找到粒子群中的全局極值gbest，其對應位置默認為最優(yōu)位置X2。

步驟5：首先根據(jù)步驟4所得的2個最優(yōu)解，更新粒子的位置和速度[17]，計算更新后粒子的適應度值F，將其與個體極值pbest對比擇優(yōu)，選定最大值并保留其位置信息。同理，再將適應度值F與全局極值gbest比較，選定最大值并保留其位置信息。

步驟6：確定最終的最優(yōu)適應度值及其對應的粒子位置和速度，將此作為第j個神經(jīng)元的方向權(quán)值、核心權(quán)值和幅值[18]，并將最終的最優(yōu)適應度值作為DWNN的計算精度[19]。

步驟7：判別DWNN是否滿足閾值精度ε或達到最大隱含層神經(jīng)元個數(shù)，若其中一個條件滿足，則結(jié)束算法，否則繼續(xù)迭代，使j=j+1，跳至步驟2。

引入PSO的DWNN算法的總體流程如圖9所示。

圖9 引入PSO的DWNN算法流程Fig.9 Flow of DWNN algorithm introducing PSO

4 實驗驗證及分析

利用水聽器采集水下焊接實驗過程中產(chǎn)生的聲信號，隨后對其進行濾波降噪處理和特征提取。以特征值En、Mn、Zn作為輸入，以焊接質(zhì)量作為輸出，基于特征樣本搭建圖10所示的DWNN，完成基于聲信號識別的水下焊接質(zhì)量檢測。

圖10 水下焊接質(zhì)量檢測用DWNN的結(jié)構(gòu)Fig.10 Structure of DWNN for underwater welding quality detection

從240組測試樣本中隨機選取50組焊接質(zhì)量合格的樣本及50組焊接質(zhì)量不合格的樣本形成訓練樣本集，用于構(gòu)建DWNN模型。同時，選取支持向量機（support vector machine, SVM）及反向傳播神經(jīng)網(wǎng)絡（back propagation neural network, BPNN）作為對照。SVM及BPNN的核心思想也是將特征映射至高維空間中并通過線性回歸完成分類任務[20]。然后，分別從剩余樣本中隨機選取40組作為驗證樣本集，其中20組焊接質(zhì)量合格的驗證結(jié)果用“1”表示，20組焊接質(zhì)量不合格的用“0”表示，結(jié)果如圖11所示。

圖11 基于不同方法的水下焊接質(zhì)量識別結(jié)果（100組訓練樣本）Fig.11 Underwater welding quality recognition results based on different methods (100 groups of training samples)

在實驗中，設定驗證值與真實值的偏差大于0.5時為識別錯誤。由圖11可知，對于40組測試樣本，DWNN模型均可實現(xiàn)有效檢測，識別率達到了100%；而SVM模型出現(xiàn)了3次錯誤識別，BPNN模型出現(xiàn)了2次錯誤識別。為了進一步描述不同方法的識別偏差，用誤差（真實值與測試值之間的差值）來量化識別模型的檢測精度，結(jié)果如圖12所示，誤差分析結(jié)果如表2所示。

表2 不同水下焊接質(zhì)量識別模型的誤差對比Table 2 Error comparison of different underwater welding quality recognition models

圖12 基于不同方法的水下焊接質(zhì)量識別誤差（100組訓練樣本）Fig.12 Underwater welding quality recognition error based on different methods (100 groups of training samples)

由圖12可知，DWNN模型識別的平均誤差約為0.002 2，最大誤差約為0.011 4，均方誤差僅為0.000 387，顯著優(yōu)于SVM模型和BPNN模型，表明基于DWNN的水下焊接質(zhì)量檢測方法的識別精度更高，抗干擾能力更強。具體分析誤差產(chǎn)生原因可知，由于焊縫不平整與噪聲等因素干擾，在對焊接質(zhì)量合格樣本進行質(zhì)量識別時會存在一定誤差。而對于焊接質(zhì)量不合格的樣本，可實現(xiàn)精準、有效識別，即識別誤差均為0，說明所構(gòu)建的DWNN模型對不合格焊件的識別精度更高。

一般焊件材料如304不銹鋼、T10工具鋼等的價格低廉，用途廣泛，測試樣本大小不受限制。但是，本文所研究的HSLA-115鋼的價格昂貴，多用于航空母艦，這類金屬焊件在一般情況下不具備獲取大量訓練樣本的背景，不適合使用監(jiān)督式深度學習神經(jīng)網(wǎng)絡進行訓練和識別。因此，需要在小樣本情況下，對DWNN模型的有效性和識別率進行測試。在240組測試樣本中重新抽取10組焊接質(zhì)量合格的樣本及10組焊接質(zhì)量不合格的樣本形成訓練樣本集，并重新構(gòu)建DWNN模型。同時，從剩余樣本中隨機選取40組作為驗證樣本集，同樣用“1”表示焊接質(zhì)量合格，用“0”表示焊接質(zhì)量不合格，識別結(jié)果和誤差分析結(jié)果分別如圖13和圖14所示。

圖13 基于不同方法的水下焊接質(zhì)量識別結(jié)果（20組訓練樣本）Fig.13 Underwater welding quality recognition results based on different methods (20 groups of training samples)

圖14 基于不同方法的水下焊接質(zhì)量識別誤差（20組訓練樣本）Fig.14 Underwater welding quality recognition error based on different methods (100 groups of training samples)

由圖13可知，僅用20組訓練樣本構(gòu)建識別模型時，SVM模型出現(xiàn)了5次錯誤識別，BPNN模型出現(xiàn)了3次錯誤識別。此外，通過對比圖12和圖14可知，SVM模型與BPNN模型的識別誤差顯著增大，而DWNN模型的識別誤差無明顯變化。

綜合2次實驗的驗證結(jié)果可得，當訓練樣本總數(shù)為100組時，DWNN模型相對于SVM模型和BPNN模型的識別精度更高，且識別過程更穩(wěn)定；當訓練樣本總數(shù)為20組時，由于訓練樣本數(shù)量的減少，SVM模型和BPNN模型的識別率明顯降低，而DWNN模型依然保持高識別率，說明DWNN模型不用依靠大量訓練樣本就能通過高維空間的特征映射完成特征向量的最優(yōu)覆蓋。

5 結(jié) 論

為解決水下焊接質(zhì)量檢測中存在的實時性差、識別精度低等問題，基于不同板材厚度、焊接電流和焊接速度條件下水下焊接過程中產(chǎn)生的聲信號的特征差異，通過提取短時能量、短時平均幅度和短時平均過零率這3個時域特征值作為訓練樣本，以構(gòu)建DWNN模型，實現(xiàn)了水下焊接質(zhì)量的實時檢測。實驗結(jié)果表明，不同焊接參數(shù)下水下焊接過程中的聲信號特征與焊接質(zhì)量之間存在映射關(guān)系，DWNN模型能夠在不依賴大樣本條件下精確表征映射關(guān)系，為基于聲信號識別的水下焊接質(zhì)量檢測提供了有效方法，同時也為HSLA-115鋼的水下焊接參數(shù)優(yōu)化以及水下焊件專家知識庫的構(gòu)建提供了參考依據(jù)。