基于電弧聲信號的窄間隙脈沖熔化極氣體保護焊側壁熔合狀態在線識別

岳建鋒 龍新宇 黃云龍 郭嘉龍 劉文吉

摘要 ：為在焊接過程中實時了解焊縫內部的焊接狀況，構建了電弧聲信號實時采集系統。在焊槍擺動中心處于不同位置的情況下，進行了電弧聲信號特征與側壁熔合狀態的相關性分析。分別從時域與頻域中提取了與側壁熔合狀態相關性較強的電弧聲特征。為進一步提高熔合狀態預測的有效性，采用電弧聲特征參量構建了支持向量回歸的側壁熔合狀態識別模型。為減小不良特征對識別模型的影響，顯著提高模型的識別精度，采用遺傳算法進行了參數尋優。參數尋優后模型的總體識別率達93.33%，實現了窄間隙側壁熔合狀態的有效識別。

關鍵詞 ：窄間隙焊；電弧聲；側壁熔合；支持向量機;脈沖熔化極氣體保護焊

中圖分類號 ：TG409

DOI：10.3969/j.issn.1004-132X.2024.02.008

開放科學（資源服務）標識碼（OSID）：

On-line Identification of Narrow Gap P-GMAW Sidewall Fusion States

Based on Arc Acoustic Signals

YUE Jianfeng LONG Xinyu HUANG Yunlong GUO Jialong LIU Wenji

Tianjin Key Laboratory of Modern Mechatronics Equipment Technology，Tiangong University，

Tianjin，300387

Abstract ： To grasp the internal welding status of welds in real time during welding processes， an on-line acquisition system of arc sound signals was constructed. The correlation analysis between arc sound signal characteristics and sidewall fusion states was carried out under the conditions that the torch swing center were in different positions. Arc acoustic features with strong correlation to side wall fusion state were extracted from time domain and frequency domain respectively. In order to further improve the effectiveness of the fusion state prediction， a support vector regression model for sidewall fusion state recognition was constructed by arc acoustic feature parameters. To reduce the impacts of non-features and improve the prediction accuracy of the model， genetic algorithm was used to optimize the model parameter. After parameter optimization， the recognition rate of the model is ?as 93.33%， which realizes the effective recognition of the fusion states of the narrow gap sidewalls.

Key words ： narrow gap welding; arc sound; sidewall fusion; support vector machine（SVM）； pulse gas metal arc welding

0 引言

窄間隙脈沖熔化極氣體保護焊 （pulse gas metal arc welding，P-GMAW）可以縮短焊接時間，提高生產效率，減少填充材料，降低生產成本與熱輸入量，保證焊接接頭力學性能優良，在大型厚壁高強鋼結構制造領域具有廣闊的應用前景 ?［1］ 。焊接過程中，焊縫側壁的未熔合易導致焊接接頭的力學性能降低，嚴重影響焊接質量 ?［2］ ，因此在窄間隙焊接過程中，需要及時掌握焊縫側壁的熔合狀態，減小焊槍擺動中心與焊縫中心的偏差，預防未熔合缺陷發生，從而提高焊接質量。

熟練焊工能通過聆聽電弧聲音判斷焊接狀態，調整焊接參數從而獲得更好的焊接質量 ?［3］ ，這表明電弧聲包含豐富的焊接信息。電弧聲信號的采集相對簡單，具有非接觸采集的優勢，近年來，利用焊接過程中的電弧聲信號來提高焊接質量受到國內外學者的廣泛關注 ?［4-5］ 。ZHANG等 ?［6］ 通過縮小電弧聲信號特征提取的頻率范圍，實現了對熔透狀態的準確識別；盧宜 ?［7］ 提取了電弧聲小波包頻帶的能量特征，實現了不同熔滴過渡狀態的識別；黃林然等 ?［8］ 模擬人耳的聽覺感知機理，提取MFCC（mel-scale frequency cepstral coefficients）特征，建立了支持向量機模型來識別焊接線能量；蘭虎等 ?［9］ 結合時頻分析實現了對電弧作用位置的監測預警?？傮w而言，目前的研究集中在通過電弧聲信號開展熔透狀態、熔滴過渡狀態、不同焊接線能量的識別等方面。窄間隙焊接有著諸多優勢，但在窄間隙焊接過程中，應用電弧聲信號進行焊接質量檢測的研究成果較少。

窄間隙P-GMAW側壁的不良熔合常發生于窄而深的焊縫內部，在線方式檢測困難，而焊縫側壁的熔合狀態與電弧聲的響度和尖銳度關聯密切。本文開展了電弧聲信號特征與焊縫側壁熔合狀態的相關性分析， 分別從時域與頻域中提取了不同側壁熔合狀態發生時的聲信號特征，采用遺傳算法與支持向量回歸構建了窄間隙側壁熔合狀態的識別模型，有效減小不可靠特征對模型預測精度的不利影響，可實現側壁熔合狀態的有效識別。

1 聲信號采集系統

1.1 系統組成

如圖1所示，電弧聲信號采集分析系統由焊接系統、麥克風聲學傳感系統、數據采集系統和計算機組成。焊接系統包括Fronius TPS3200型焊機、VR4000送絲機、焊槍和保護氣瓶。麥克風聲學系統中采用電容式傳聲器（AWA14423）和前置放大器（AWA14604）拾取電弧聲信號，采用示波記錄儀（YOKOGAWA DL850）同步采集電弧聲信號和控制柜發送的擺動信號，并將其傳輸至上位機進行分析。

1.2 焊接試驗設計

在圖2所示的試驗工作臺上進行窄間隙 P-GMAW 的擺動焊接試驗，聲信號采集頻率設為50 kHz，聲信號采集裝置與焊槍擺動中心保持固定距離250 mm。試驗母材為板厚18 mm的Q235低碳鋼，根據實芯焊絲單面自動焊標準要求，開8°坡口，底部間隙6 mm，在焊縫下方放置支撐鐵板。焊接坡口截面如圖3所示。焊接試驗過程中，焊槍擺動軌跡如圖4所示，試驗參數如表1所示，其中，保護氣為由80%（體積比）Ar和20%（體積比）CO 2組成。脈沖波形、焊接頻率變化特征如圖5所示。

1.3 熔合狀態分類

焊接試驗完成后，切取工件截面試樣，打磨拋光并腐蝕，觀察焊縫截面形狀。將側壁熔合狀態分為良好熔合、根部未熔合和側壁整體未熔合三類 ?［2，10］ ，如圖6所示。

焊槍對中或存在較小偏差時，焊接質量相對較好。焊槍擺動至側壁區域時，窄而深的坡口使得焊絲末端與側壁之間的距離遠小于焊絲末端與底部之間的距離。根據最小電壓原理可知，處于基值階段時，電弧建立于焊絲末端與側壁之間 ?［11］ ；處于峰值階段時，較大的電流密度使電弧挺度大，電弧建立于焊絲末端與熔池表面之間。峰值階段后，電流減小，重回基值階段，電弧向側壁傾斜。電弧隨脈沖電流產生周期性變化，使側壁各個部分良好受熱，側壁發生良好熔合，如圖6a所示。

焊槍存在較大偏差時，易發生側壁的不良熔合。焊槍擺動至近端側壁，峰值階段電弧和基值階段電弧均建立在焊絲末端與側壁之間，側壁根部的熱輸入不足，造成根部未熔合的缺陷，見圖6b中的左側壁。焊槍擺動至遠端側壁，焊絲末端距側壁較遠，側壁各個部分的熱輸入均不足，造成側壁整體未熔合（簡稱未熔合）的缺陷，見圖6b中的右側壁。

試驗過程中，不同熔合狀態電弧聲的響度和尖銳度存在明顯差異，這表明電弧聲信號與側壁熔合狀態之間密切相關，因此利用電弧聲信號可實現窄間隙側壁熔合狀態的預測識別。

2 電弧聲信號特征分析

為掌握電弧聲與窄間隙側壁熔合狀態之間的映射規律，開展了電弧聲信號時頻域相關性分析，獲得了熔合缺陷發生時電弧聲信號特征反映的側壁熔合狀態。

2.1 電弧聲樣本選取

不同熔合狀態的窄間隙焊接試驗中，焊槍處于中心區域時，電弧聲差異較??；焊槍擺動至兩側區域時， 電弧聲差異較為明顯。這表明側壁區域采集的電弧聲信號包含豐富的側壁熔合狀態信息。

焊槍由左向右擺動時，擺動信號置位為低電平，由右向左擺動時，擺動信號置位為高電平，擺動至左右極限位置時，側停0.1 s。據此，擺動信號跳變處即為焊槍極限位置。 電弧聲在3個階段（焊槍靠近側壁、側停和遠離側壁）均存在較大變化，故將電弧聲信號分為三段進行研究。多次試驗發現焊槍擺動至極限位置前的50 ms（一段）、側停時的100 ms（二段）和極限位置后的50 ms（三段）特征差異明顯且較為穩定，基于此劃分電弧聲樣本并開展相關性分析和特征提取，如圖7所示。

2.2 時域特征分析

2.2.1 時域波形相關性分析

不同熔合狀態電弧聲信號的時域波形變換如圖8所示，3種熔合狀態下的電弧聲信號均呈現周期性變化；脈沖階段的幅值較大，基值階段的幅值較小；不同熔合狀態的電弧聲信號脈沖階段的幅值存在較大差異。聲源振動后通過聲道的調制形成可聞電弧聲， 電弧的聲道系統可以認為是由電弧兩極和保護氣組成的一個多層的、時變的諧振腔 ?［9］ ，諧振腔受電弧形態影響，因此不同熔合狀態下的電弧聲信號的差異與電弧形態變化密切相關。

焊槍向側壁擺動時，焊絲末端逐漸降低，隨后，受到側壁作用，產生少量金屬蒸汽，易發生短路過渡，導致電弧聲信號幅值劇烈增大。

側停時間焊接穩定后，電弧形態變化如圖9所示，峰值階段，電流密度大，電弧挺度高，電弧建立于焊絲末端和熔池表面之間。隨后，電流減小，電弧受磁偏吹的影響增大，逐漸向側壁傾斜，并跳動至側壁，電弧聲信號的諧振腔未穩定建立就發生改變，從而使聲信號幅值較小。焊槍遠離側壁時，電弧聲信號較為穩定，如圖8a所示。

根部未熔合電弧形態變化如圖10所示，焊槍與側壁距離較小時，電弧受側壁壓縮的效果較強，較大的偏差和較小的側壁坡口角度使熔滴嚴重過熱，產生大量金屬蒸汽，金屬蒸汽沿側壁上升，改變了熔滴過渡方式，產生短路過渡，電弧聲信號在整個過程中的幅值劇烈增大，如圖8b所示。

未熔合狀態脈沖階段的電弧如圖11所示。電弧建立于焊絲末端與熔池表面之間，受側壁影響較小，諧振腔較為穩定，電弧聲信號幅值比良好熔合階段更高?？肯騻缺谶^程中易發生短路過渡，與良好熔合狀態相似，如圖8c所示。

2.2.2 時域特征提取

如圖12、圖13所示，電弧聲信號一段的標準差、三段的標準差與平均幅值對三種熔合狀態都有較為明顯的區分，可以在一定程度上反映側壁熔合狀態。一段的平均幅值與二段的標準差對良好熔合狀態和未熔合狀態的區分效果不佳，二段的平均幅值對不同側壁熔合狀態的識別率較低。

2.3 頻域特征分析

2.3.1 頻域波形相關性分析

不同熔合狀態下的電弧聲信號的頻域波形變換如圖14所示。電弧聲的頻譜特性主要取決于聲道的頻率響應 ?［9］ 。當焊縫發生良好熔合時，電弧受側壁壓縮，聲道受抑制，這導致電弧聲諧振頻率提高。諧振頻率提高，使高于1 kHz的電弧聲信號幅值比未熔合時的幅值更大；根部未熔合時，會產生短路過渡，相比于良好熔合與未熔合，高于 1 kHz 的電弧聲信號幅值上升尤為顯著。

2.3.2 頻域特征提取

梅爾倒譜系數在梅爾刻度上等距劃分頻帶，相較于對數倒頻譜中的線性間隔的頻帶，梅爾倒譜系數更近似人類的聽覺系統 ?［12］ ，能有效表征不同熔合狀態頻域中的共振峰的分布和能量大小。

在電弧聲信號頻率范圍內設置16個梅爾濾波器（見表2）提取頻域特征，不同熔合狀態的MFCC（Mel-scale frequency cepstral coefficients）特征如圖15所示，低頻范圍（0～5000 Hz）內的部分系數表現出明顯差異，這些系數可以在一定程度上反映側壁熔合狀態，如特征點1、3～8（對應頻率分別為165 Hz、622 Hz、934 Hz、1321 Hz、1797 Hz、2386 Hz和3115 Hz），其中，特征點3和8能區分3種側壁熔合狀態，特征點1、4～7能區分單種側壁熔合狀態。

3 側壁熔合狀態識別模型的建立

3.1 樣本獲取與歸一化處理

開展窄間隙焊接試驗，獲取樣本用于模型訓練與測試。采集不同熔合狀態下的電弧聲信號，批量提取10維MFCC特征與側壁熔合狀態相關性高的電弧聲時域特征作為樣本數據（三段的均值、一段與三段的標準差、七維的梅爾倒譜系數）。獲取3種熔合狀態下的樣本（各40組，共計120組）數據。

為消除不同量綱對側壁熔合狀態分析的影響，提高訓練速度，對數據進行歸一化處理，將數據映射到［0，1］之間，歸一化處理公式如下：

y= （y ??max ?－y ??min ?）（x－x ??min ?） x ??max ?－x ??min ??+y ??min

式中，x為輸入數據（電弧聲特征向量集）；y為輸出數據；x ??max ?、x ??min ?分別為輸入數據的最大值和最小值；y ??max ?、y ??min ?分別為歸一化范圍的最大值和最小值。

3.2 支持向量回歸建模

針對具有小樣本、非線性特點的窄間隙側壁熔合狀態識別問題，采用支持向量回歸建立熔合狀態識別模型。支持向量回歸（support vector regression，SVR）是一種基于支持向量機的監督學習方法，具有很強的泛化能力，在解決小樣本、非線性和高維數的回歸建模問題時有很大優勢 ?［13-14］ 。

每種熔合狀態隨機選取20組，共計60組數據作為訓練集，通過支持向量回歸訓練側壁熔合狀態識別模型，模型中，懲罰參數 C =1，核參數 ?g =0.2， 良好熔合、未熔合、根部未熔合的標簽分別設為0、1、2。以剩余60組數據為測試集進行預測識別，預測值與期望值之間相差小于0.5視為識別正確，如圖16所示。

模型的識別率（偏差小于0.5的樣本數量占60組樣本的比例）為86.67%，表明方法存在一定的可行性，但樣本預測值與期望值存在較大偏差，可知隨機選擇模型參數時，子集中的不可靠特征對模型產生較為明顯的影響，有必要進行參數尋優以降低其影響，提高模型的識別精度。

3.3 遺傳算法參數尋優與模型評價

遺傳算法（genetic algorithm，GA）仿照自然界的進化法則求得最優解，采用概率化的尋優方法自適應調整搜索方向 ?［15］ ， 能在選擇下一代過程中淘汰可靠性低的特征子集，從而提高模型精度。采用遺傳算法進行參數尋優的流程如圖17所示。

遺傳算法尋優后，得到最佳尋優參數：懲罰參數 C =3.63，核參數 g =0.35。采用優化模型進行側壁熔合狀態識別測試，結果如圖18所示， GA-SVR（genetic algorithm support vector regression）模型的識別率達93.33%，且預測值的偏差相較SVR模型明顯減小，模型識別效果良好。

4 結論

（1）構建了窄間隙焊接電弧聲信號實時采集系統，開展了不同熔合缺陷的電弧聲信號與側壁熔合狀態的相關性分析，確定三段的均值、一段與三段的標準差、七維梅爾倒譜系數組成的特征值可有效表征側壁熔合狀態。

（2）構建了支持向量回歸訓練側壁熔合狀態識別的模型，通過不同熔合狀態的預測識別，驗證了方法的可行性。采用遺傳算法進行參數尋優可顯著減小不可靠特征對模型精度的影響，實現側壁熔合狀態的準確識別。GA-SVR側壁熔合狀態識別模型對良好熔合、側壁整體未熔合、根部未熔合的識別率達93.33%。

參考文獻 ：

［1］ ?楊學兵，唐偉.窄間隙TIG/MAG/SAW焊接技術［J］.電焊機，2010，40（7）：14-19.

YANG Xuebing， TANG Wei. Narrow Gap TIG/MAG/SAW Welding Technology［J］. Electric Welding Machine， 2010， 40（7）：14-19.

［2］ ?徐望輝，楊清福，肖逸峰.窄間隙焊接側壁熔合控制技術的研究現狀［J］. 精密成形工程， 2020，12（4）：47-54.

XU Wanghui， YANG Qingfu， XIAO Yifeng. Research Status of Fusion Control Technology for Narrow Gap Welding Sidewall［J］. Precision Forming Engineering， 2020， 12（4）：47-54.

［3］ ?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.

LYU Na. Recognition and Real-time Control of ?Aluminum ?Alloy Pulse GTAW Penetration Feature Based on Arc Acoustic Signal［D］. Shanghai：Shanghai Jiao Tong University， 2014.

［4］ ?SAINI ?D， FLOYD S. An Investigation of Gas Metal Arc Welding Sound Signature for On-line Quality Control［J］. Welding Journal， 1998， 77（4）：172-179.

［5］ ?MA ?Yuezhou， MA Wenbin， Zhai Ming， et al. Characteristics Analyzing and Parametric Modeling of the Arc Sound in CO ?2 ?GMAW for On-line Quality Monitoring［J］. China Welding， 2006（2）：6-13.

［6］ ?ZHANG ?Huanhuan， LYU Na， CHEN Shanben. Study on the Relationship between the Energy in Most Effective Frequency Range of Arc Sound Signal and the Change of Arc Height in Pulsed Al Alloy GTAW Process［M］∥Robotic Welding， Intelligence and Automation. Berlin：2015：385-399.

［7］ ?盧宜.基于電弧聲信號的MIG焊熔滴過渡類型識別［D］. 南昌：南昌航空大學，2017.

LU Yi. MIG Welding Droplet Transition Type Recognition Based on Arc Acoustic Signal［D］. Nanchang：Nanchang Hangkong University，2017.

［8］ ?黃林然，羅海泉，趙佳敏，等.基于電弧聲MFCC特征的焊接線能量檢測與識別［J］.南昌航空大學學報（自然科學版），2020，34（4）：58-65.

HUANG Linran， LUO Haiquan， ZHAO Jiamin， et al. Welding Line Energy Detection and Recognition Based on Arc Acoustic MFCC Feature［J］. Journal of Nanchang Hangkong University （Natural Science Edition）， 2020， 34（4）：58-65.

［9］ ?蘭虎，張華軍，陳善本，等.窄間隙MAG焊電弧聲與電弧作用位置的相關性［J］.機械工程學報，2014，50（24）：38-43.

LAN Hu， ZHANG Huajun， Chen Shanben，et al. Correlation between Arc Sound and Arc Position in Narrow Gap MAG Welding［J］. Journal of Mechanical Engineering， 2014， 50（24）：38-43.

［10］ ?李淵博，楊濤，鄭韶先，等.超窄間隙焊接過程絕緣固壁約束片狀偏鎢極電弧特性的數值模擬［J］.機械工程學報， 2020， 56（2）：69-76.

LI Yuanbo， YANG Tao， ZHENG Shaoxian， et al. Numerical Simulation of Arc Characteristics of Sheet-shaped Polarized Tungsten Electrode Confined by Insulating Solid Wall in Ultra-Narrow Gap Welding Process［J］. Journal of Mechanical Engineering，2020，56（2）：69-76.

［11］ ?劉文吉，段瑞彬，岳建鋒，等.窄間隙P-MAG焊電弧行為及信號傳感特征分析［J］.焊接學報，2018，39（6）：24-28.

LIU Wenji， DUAN Ruibin， YUE Jianfeng， et al. Analysis of Arc Behavior and Signal Sensing Characteristics of Narrow Gap P-MAG Welding［J］. Transactions of the Chinese Welding Society，2018，39（6）：24-28.

［12］ ?IMAI ?S. Cepstral Analysis Synthesis on the Mel Frequency Scale［C］∥IEEE International Conference on Acoustics， Speech & Signal Processing. Boston， 1983：93-96.

［13］ ?SOUMAYA ?Z， TAOUFIQ B D， BENAYAD N， et al. The Detection of Parkinson Disease Using the Genetic Algorithm and SVM Classifier［J］. Applied Acoustics， 2021，171：107528.

［14］ ?DRUCKER ?H， SURGES J C C， KAUFMAN L. Support Vector Regression Machines［C］∥Advances in Neural Information Processing Systems 9-Proceedings of the 1996 Conference. Amsterdam， 1997：155-161.

［15］ ?陳海濤，張學敏，戴偉康，等.基于GA優化SVM參數與云模型的繼電保護裝置狀態評估方法［J］.智力， 2020， 48（7）：88-92.

CHEN Haitao， ZHANG Xuemin， DAI Weikang， et al. State Evaluation Method of Relay Protection Device Based on ?GA Optimized SVM Parameters and Cloud Model［J］. Intelligence， 2020，48（7）：88-92.

（ 編輯 張 洋 ）

作者簡介 ：

岳建鋒 ，男，1973年生，教授、博士研究生導師。研究方向為焊接自動化技術。發表論文86篇。E-mail：billyue@163.com。