基于脉冲激光焊接声信号同步压缩-小波分析的焊缝熔透状态分类

长三角G60激光联盟导读

据悉，本工作的主要目的是确定从同步压缩小波分析中提取的特征在分类来自不同焊缝熔透条件的声音信号中的重要性。

摘要

由于某些因素，使用声学方法监测焊缝状态具有相当大的挑战性，因此，进一步探索信号分析方法的重要性，不仅是为了减少噪声的影响，更重要的是，获得与焊缝状态的明显相关性。本工作的主要目的是确定从同步压缩小波分析中提取的特征在分类来自不同焊缝熔透条件的声音信号中的重要性。为了实现这一目标，在脉冲模式激光焊接过程中采集了声音信号，峰值功率和脉冲宽度的变化产生了半熔透和全熔透焊缝。在支持向量机（SVM）分类分析之前，比较了半熔透焊缝和全熔透焊缝采集声音的时域、频域和小波分析特征的趋势。

此外，与频带功率相比，分类精度提高了27.7%。从这些发现中可以得出结论，使用从同步压缩小波分析中提取的特征作为输入，对不同穿透条件下的声音信号进行分类确实具有重要意义。这项工作有助于处理随机声音信号的另一种方法，以期在未来开发有效的焊缝熔深监测系统。

1.介绍

在过去几十年中，激光焊接的使用变得越来越流行，因为其优点是提供具有小的热影响区、美观的外观、较少的焊后加工过程和高生产率的焊接产品。为了满足对这种连接工艺的不断扩大的需求，迄今为止已经 道了大量关于优化激光焊接工艺的研究，以获得高质量的焊接接头。最近，尽管进行了工艺优化，但出现了一些关于缺陷存在的问题。根据Dawes（2008），尽管采取了良好的实际步骤，但由于材料缺陷、聚焦光学系统故障和不可预见的污染等原因，难以确保焊接质量。

线性时频表示的例子。

在激光焊接过程中，可能会出现各种各样的缺陷，不完全熔透是需要解决的问题之一。直到最近，许多研究都试图更深入地了解获得的声音行为是如何从不同的焊缝熔深变化的。Duley和Mao（1994）认为，从激光焊接过程中获得的声音的光谱行为与焊缝熔深和表面条件密切相关。在他们的工作中，对采集信号的快速傅立叶变换显示，在3 kHz–9 kHz范围内记录了活动峰值，其总振幅在获得深度穿透后同时增加。同时，发现在表面涂层材料的情况下，9 kHz–10 kHz频带的总振幅记录较高值。尽管在本研究中揭示了焊缝深度和光谱行为之间的显著相关性，但基于熔透条件对信号进行定性分类，以开发更稳健的监测系统是非常重要的。

二次时频表示的例子。

Hongping和Duley（1996）提出，这可以通过有目的地开发一种算法来处理采集的声音来实现。通过对归一化功率谱使用线性判别算法，证明了不同穿透条件下的信号可以被区分。Farson等人（1998年） 告了与焊缝熔深变化相关的声发射和光发射之间的良好相关性。在他们的研究中，声信号和光信号的均方根（RMS）可以分别显著分离全熔透焊缝和部分熔透焊缝。除了确定声信号和光信号之间的重要关系外，Farson等人（1999年）认为，使用两种发射信号作为分析输入可以提高焊缝熔深分类的效率。通过对平均频谱应用线性判别分析，可以在全熔透、过热熔透和半熔透焊缝之间获得合理良好的分离。

Huang和Kovacevic（2009a）断言，为噪声滤波和信号特征提取开发适当的算法可以克服声学方法的缺陷。由于这个原因，在他们的研究中，谱减法被用作噪声滤波器。此外，引入了两种开发的算法，即声压偏差（SPD）和频带功率（BP），作为识别半熔透和全熔透激光焊接信号的特征。结果表明，借助于从Welch-Bartlett PSD估计获得的功率谱密度的谱减法，有效频率在500Hz和1500Hz之间被识别。在该频率范围内，半熔透焊缝和全熔透焊缝的SPD和BP值均显示出明显的趋势。

为了总结上述研究，许多研究都从时域和频谱两方面描述了声音特征的特征，以揭示其与焊缝熔透条件的相关性。因此，必须利用另一种信号分析方法，不仅在确定信号特征期间消除噪声的影响，而且最重要的是获得与焊缝熔深的平滑相关性。为此，可以应用时频方法，因为它们同时在时域和频域中促进更好的局部化信息。

LBW工具及其与光电二极管的集成。

本研究的主要目的是确定从同步压缩小波变换中提取的重要特征，用于分类从不同焊接熔透条件下获取的声音信号。为了实现这一目标，在脉冲模式激光焊接过程中采集了声音信号，并 告了从半熔透和全熔透焊缝采集的声音特征。在分类阶段之前，提出了关于提取和选择用于分类过程的声音信号特征的详细工作。此外，与BP和常规小波系数相比，讨论了在SVM二值分类中使用同步压缩小波变换的特征的意义，包括其平均精度和在半熔透和全熔透焊缝信号分离中的精度。

2.方法

2.1.实验装置

在本实验工作中，对焊脉冲模式激光焊接在15 mm x 40 mm和1.8 mm厚的22MnB5硼钢板上进行，峰值功率和脉冲宽度不同设置如图1所示。脉冲重复频率、氩气保护气体流量和焊接速度分别固定在20 Hz、15 L/min和1.5 mm/s。测试准确地在焦点处进行，这意味着焦距为零。为了避免激光头因背反射激光而损坏，光束角度设置为5度。每组实验重复三次。

图1 实验装置的示意图。

2.2.数据采集设置

根据图1，将自由场麦克风固定在距离焊接点300和25 cm之间的固定位置，如图2中的绿色十字所示。根据声音映射测试的结果做出决定，该结果显示该位置提供了最高的信噪比，如图所示。在焊接过程中，采用NI (National Instrument) 9234模拟数字转换器对声音信号进行采集和离散化，最大采样率为25600个样本/s。在上一节中讨论的大多数工作都 告了频率范围，这与焊透有关，不超过10 kHz。考虑到这一点以及信号测量中采样率高的所有其他缺点，声音信号不能在全可听范围内获得。具体来说，在这项工作中，获得的声音频率范围从20 Hz到12.8 kHz。

图2 激光焊接机周围的信噪比映射。

3.结果和讨论

3.1.不同焊透条件下的声信号

如前一主题所述，已进行了三组具有不同峰值功率和脉冲宽度的试验，以获得不同的穿透条件。根据图3所示的结果，观察到组1和组2的试验均产生了半熔透状态的焊缝。在焊接过程中，采用试验组3中的参数顺序实现了全熔透焊接。

图3 不同试验组对接焊缝的渗透条件。

从图3可以总结出，与脉冲宽度相比，峰值功率对穿透深度的影响更显著。在试验组2中记录了最低穿透率，而在本试验中设定了最低峰值功率。发现随着峰值功率的增加，穿透率最终上升。尽管试验组1和试验组2的熔透差异较小，但由于熔合区直到底部才完成，因此这两个试验组均被视为半熔透焊缝。另一方面，对焊接过程中脉冲声音信号的整体观察表明，所采集声音的脉冲持续时间受激光脉冲宽度的影响，如图4所示。转变为整体振幅行为，测试1和2的振幅趋势没有明显不同。然而，从测试3获得的声音振幅记录了最高峰值。

图4 在脉冲模式激光焊接期间采集的脉冲声音信号，参数设置为（a）测试集1（b）测试集2（c）测试集3。

3.2.不同焊透条件下的时域特征特征

在时间序列信号的分析中，x（t）表示振幅集合，而每个振幅点x（tn）在称为采样周期dt的每个特定间隔处获取。这些在图5中示出，其中所有振幅点可以以分布的形式表征。如前所述，所有试验中激光焊接的脉冲重复频率设置为20Hz。同时，声音采集的采样率设置为25.6ksample/s。这同时导致从每个激光脉冲捕获的每个声音信号的脉冲持续时间和样本大小分别为0.05s和1280。总共，从所有九个测试中获得了180个声音脉冲，包括所有测试组中的所有重复。特别地，从每个测试中选择20个声音脉冲，从而从每个测试组中获得总共60个脉冲声音信号。因此，从这些声音振幅集合中提取统计特征或多或少可以揭示信号的振幅分布趋势和特征。

图5 时间序列信号的分析。

以往的许多研究证明，在焊接过程中，统计特征或信号特征的提取对于将其趋势与焊缝熔深变化联系起来确实至关重要。事实上，一系列的统计特征可以表征信号的特征，用于访问或监控制造过程，包括焊接过程。在时域信号分析中，通常从信号的色散和形状来测量信号的幅值分布趋势。本研究提取脉冲模式激光焊接过程中采集到的声音信号的平均绝对偏差、中位数绝对偏差、四分位差(IQR)、标准偏差和均方根值(RMS)作为振幅色散的度量。IQR、标准差和RMS的选择是基于文献证明的它们的能力。

图6显示了所有采集到的声脉冲的所有上述特征的趋势。具体而言，所有子图中的点1-60表示从测试集1获取的脉搏声的特征值。同时，点61-120和121-180分别表示测试集2和3的特征值。因此，可以说，点1-120代表半穿透焊缝的声音特征趋势，而全穿透焊缝的特征趋势可参考点121-180。

图6 两种不同焊缝熔深的声幅分布的色散特征，（a）平均绝对偏差（b）中值绝对偏差（c）四分位数范围（d）标准偏差（e）均方根。

比较图6中的所有五个特征，可以总结出，平均绝对偏差、标准偏差和均方根值在半穿透组和低穿透组之间显示出非常明显的区别。发现两个穿透组中只有几个点落在同一范围内。这导致了小的过渡区域，如图中的彩色区域所示。此外，图6（d）和6（e）中的标准偏差和均方根的趋势和值没有显示出显著差异。

根据图7所示结果，半穿透情况下的峰度值约为0至0.8。全穿透情况下，峰度值范围为0.6至1.7。对这一趋势的审查显示，在0.6至0.8范围内记录了半穿透和全穿透的多个点，这导致难以区分两组数据。在不同的分析中，i-KAZ系数显示了类似的趋势。相反，与峰度趋势相比，全穿透组的下边界与半穿透组的上边界之间的跨度更大。这导致来自两组的大量数据落入同一范围。

图7 两种不同焊缝熔透等级（a）峰度（b）i-KAZ系数的声幅分布形状特征。

3.3.不同焊透条件下基于频率的特征特征

尽管从采集信号的时域提取了特征，但在本研究中还确定了频域的特征。分别如图8(a)、9(a)、10(a)所示。仔细观察图8(a)中的频谱，所有情况下的主要频率都在5 kHz到7 kHz之间。其次是另一个主频，其峰值振幅较低，在7.5 kHz至10 kHz之间。总的来说，所有测试在频谱上的唯一差异是在上述频率范围内的振幅行为。在5 kHz ~ 7 kHz频率下，全熔透组(测试集3)信号的幅值最高，其次是半熔透接头的测试集2和测试集1信号。不同的是，不同于测试集1始终给出最低振幅读数的信号，测试集2和3的振幅在7.5 kHz和10 kHz之间的频率没有显示出显著的差异。

图8 频谱分析（a）来自不同测试集的频谱特性和（b）来自不同的测试集的总频带功率趋势。

将来自半熔透和全熔透焊缝情况的所有信号的所有BP结合起来，获得了如图8（b）所示的总体趋势。根据该图中的趋势，与全熔透情况相比，来自半熔透焊缝的所有信号的BP记录了其值的低分散性。然而，区分两个穿透组可能相当困难，因为半穿透组和全穿透组的一些点落在大约0.06到0.09之间，如图中红色阴影区域所示。

在图9(a)的不同分析结果中，CWC水平(ω)与之前 道的频域信号相比，在更宽的频率范围内显示出较大的值。具体来说，在所有情况下，CWC(ω)值从4 kHz开始增加，在大约10 kHz时开始下降。其间，三组测试间CWC的整体振幅(ω)比较明显，其中全透情况信号记录的值最高。其次是半透组测试集2和测试集1的信号结果。通过观察图9(b)中所有信号的总体趋势，CWCsum的变化对于两个渗透组都是相当公平的。此外，与BP的整体趋势相比，来自两个渗透组的信号数量也减少了，它们落在同一个范围值内。

图9 小波分析（a）不同测试集的累积小波系数特性（b）不同测试集中累积小波系数趋势的总和。

在同步压缩小波变换发生的条件下，发现CSqWC（ω）变化几乎与图10（a）中的频谱相同，除了半熔透焊缝的情况，而在7.5 kHz到10 kHz之间没有发现峰值。唯一的是，与频谱相比，CSqWC（ω）振幅变化更平滑。此外，来自测试集1和2的信号的CSqWC（ω）模式看起来相似，因为两个测试集产生相同的穿透质量。如图10（b）所示，这使得来自半穿透组和全穿透组的信号之间的区别更清楚。

图10 同步压缩小波分析（a）不同测试集的累积同步压缩小波系数特性（b）不同测试集中的累积同步挤压小波系数趋势的总和。

3.4.从误分类率中选择特征

根据图11所显示的结果，所有特征显示误分类率大约小于0.2或20%。中位绝对偏差、IQR、峰度和i-KAZ系数的误分类率接近0.2，而标准偏差和均方根值均记录相同的值，为0.125。另一方面，记录低于0.1或10%误分类率的特征为平均绝对偏差、BP、CWCsum和CSqWCsum。在这三个特征中，CSqWCsum的误分类率最低。随后依次为CWCsum、BP和平均绝对偏差。

图11 各特征误分类率。

综合本节的所有结果，可以得出误分类率与过渡区域信号特征的数量有关，如图中红色阴影区域表示。如上一节所述，过渡区域是两个穿透组的信号特征落在同一范围内的区域。因此，很难将信号特征从全焊透和半焊透焊缝中分离出来进行分类。例如，在比较所有特征时，将CSqWCsum标记为过渡区域中信号数量最少的信号。这可以解释为什么与其他特征相比，它显示出最低的误分类率。

3.5.使用支持向量机对选定声音特征进行二元分类

在获得本研究中所有相关信号特征的误分类率后，如果排除来自BP、CWCsum和CSqWCsum的值，则平均绝对偏差显示最低误分类率。如前所述，这项工作的主要目的是研究从同步压缩小波分析中提取的特征在二元分类中的意义。基本上，在本研究中，分别分析了同步压缩小波分析的特征与旧小波变换和频域分析的特征。这样做是为了比较当这三个特征中的每一个离散地作为分类分析的输入时的分类精度和精度改进。另一方面，分类过程只决定了两个输入，以减少维数。因此，在这部分分析中，平均绝对偏差与二元分类分析中的CSqWCsum配对，因为它记录了时域特征中最低的误分类率。此外，使用BP和CWCsum对平均绝对偏差进行了二元分类。比较了这三组分析的分类器精度和精确度。

根据计算值，将各训练集或测试集之间的协方差汇总为矩阵形式，如图12所示。在该矩阵中，当协方差值等于蓝色突出显示的对角线位置的方差值时，分析集出现冗余。根据图12中训练集和测试集的协方差矩阵，没有检测到冗余，说明同一组分析没有重复。

图12 不同分类分析集（a）训练集（b）测试集的协方差矩阵。

在确认分析集合中没有重复之后，对所有集合应用SVM二元分类分析。从字面上讲，在机器学习中，SVM二元分类是基于从特定学习算法获得的监督学习模型对来自两个不同组的数据或特征进行分类的过程。在更简单的概念中，数据由从学习算法获得的维超平面或支持向量线分离。根据Steinwart和Christmann（2008），可以采用几种方法来确定支持向量线，每种方法都有不同的优势。

在本研究中，使用了RBF核方法，因为它可以在相似性度量中提供更大的灵活性，从而导致更高的分类精度（Vert等人（2004）。图13显示了分析集1的二元分类结果。参考图13（a）中使用平均绝对偏差和BP进行二元分类的情况，在从训练集获得的支持向量之间存在来自半穿透组和全穿透组的信号的混合。同时，正如预期的那样，由于使用核方法，支持向量线表现出非线性行为。在将测试集应用于获得的支持向量模型的不同情况下，来自半穿透的多个点穿透到全穿透组中。这一发现也发生在全穿透组的一些点上。因此，该分析的准确率为91.67%。

图13 使用SVM对集合1进行二元分类（a）平均绝对偏差对频带功率（b）平均绝对偏离对CWC之和（c）平均绝对偏移对CSqWC之和。

转向使用图13（b）中的平均绝对偏差和CWCsum进行二元分类分析的情况，发现来自两个渗透组的训练集信号的混合较少。在最远支持向量附近仅发现来自全穿透训练组的两个点。当测试支持向量模型时，仅发现来自半穿透组的一个点穿过支持向量线。与前一种情况相比，这使得准确度提高了97.22%。

基于本研究中获得的结果，发现使用从同步压缩小波变换中提取的特征对确定焊缝熔透状态有显著帮助。与涉及相同材料组但不同类型激光焊接的其他研究中使用的其他特征相比，分类效率显著提高。如果采用这种方法开发在线监控系统，这对于确保系统不会发出错误警 非常重要。尽管分析是离线进行的，但本研究中使用的算法简单且响应速度快，因此适合用于监控系统。然而，在将其用于工业之前，必须在多种工艺和材料上进行测试。

4.结论

正如从一开始所解释的，这项特殊工作的主要目标是确定从同步压缩小波分析中提取的特征在分类从不同熔透条件下的焊接过程中获取的声学信号中的重要用途。为了实现这一目标，将时域和频域分析中几种常见特征的趋势与小波分析中获得的特征进行了比较。基于对所有特征的误分类率值的比较，可以总结出，CSqWCsum记录了最低误分类率。随后依次为CWCsum和BP。不管这三个特征，平均绝对偏差记录了时域信号所有特征中最低的误分类率，因此使其成为二元分类过程的理想对特征。根据二元分类分析，与CWCsum和BP相比，与平均绝对偏差配对的CSqWCsum具有最高的准确性和精确度。尽管这三种分析的准确度没有显示出太大的差异，但与使用BP相比，使用CSqWCsum作为分类特征时，准确度提高了27.7%。同时，与BP相比，当使用CWCsum作为分类特征时，精度仅提高了4.73%。

本研究得出结论，使用从同步压缩小波分析中提取的特征可以显著帮助对两种不同熔透条件下焊接过程的声音信号进行分类。除了高分类精度外，与较旧的小波分析相比，使用从该分析中提取的特征显著提高了分类精度。本研究为分析脉冲激光焊接过程中采集的随机声音以监控过程提供了一种重要的替代方法。

参考文献：Development of tool wear machining monitoring using novel statistical analysis method, I-kazTM, Procedia Eng., 101 (2015), pp. 355-362,
10.1016/j.proeng.2015.02.043

长三角G60激光联盟陈长军 作品！