焊接质量在线监控方法探讨

2014-12-25唐文庆种玉宝

设备管理与维修 2014年3期

唐文庆种玉宝

（大连市锅炉压力容器检验研究院辽宁大连）

焊接过程是焊接电流、电压以及热、力等各种影响因素综合作用的结果，引起其物理状态变化、电弧稳定性、焊接缺陷的原因，必然隐含于各参数的动态变化之中。传统的焊接质量是通过稳定焊接参数和焊后检验来控制，最终质量靠抽样目测和剖切检验等焊后检验手段来保证。由于焊接过程中存在大量随机影响因素，各影响因素之间相互耦合以及高度的非线性作用，仅通过稳定工艺参数不可能完全保证焊接质量，焊后检验的质量保证体系缺乏实时性，不能给焊接过程提供任何质量反馈信息，无法及时发现焊接缺陷。因此，人们一直在积极寻求能直接传感或监测焊接质量的方法。

一、焊接过程的动态信号

1.利用电弧电压、焊接电流作为信号源

在焊接质量监测系统中，最被人们认可的是基于电弧或视觉的传感。电弧传感主要是采集焊接过程中的电弧电压和焊接电流，根据电弧理论和实践经验可知，短路过渡焊接过程中产生的飞溅、熄弧、跳弧等现象，都可以从电弧电压和焊接电流信号中反映出来，即焊接过程的电信号包含了电弧燃烧情况的丰富信息，这些信息不但可以被方便地采集，而且具有周期短、频率高、信号频率幅值变化剧烈等特点。通过适当的信号处理方法，提取表征焊接质量的信息是有效的，故进行焊接质量检测、焊接过程的波形控制等方面研究时，常用电流、电压为信息源，并设计了多种处理算法。如华南理工大学在对GMAW过程以正常、焊穿、短时间断弧为分类形式的焊缝缺陷识别中，采用了电弧电压与焊接电流为信息源。在北京石油化工学院、北京工业大学关于CO2焊特征参数的检测分析研究、清华大学关于CO2焊接电弧信号分析与稳定性研究和华中理工大学关于CO2焊溶滴过渡特征等研究中，也均以电弧电压与焊接电流作为信息源。

2.利用电弧声作为信号源

在实际生产中，熟练的焊工往往能根据电弧声辨别焊接过程的稳定性和飞溅大小，这说明电弧声与焊接过程具有相关性，通过电弧声的研究应能实现对焊接过程乃至焊接缺陷的检测。虽然电弧声波采集较难，且容易受到其他因素的影响，但随着高速信号采集器与计算机对声音信号的辅助分析等技术的发展，采集电弧声信号仍然是可能的，而且从全息的角度看，电弧声中也包含有反映焊接质量的特征信号，因此近年来也有一些以电弧声为信息源的相关研究。日本学者Arata Yoshiaki在1979年与1980年对电弧声的特性、规范的影响方面进行了研究。澳大利亚学者Saini和Floyd在1998年研究了电弧声在GMAW焊接在线质量检测中的应用。他们肯定了Manz提出的电弧声产生于焊接电弧能量水平突变的观点，并认为电弧输入能量、溶滴过渡方式和过渡速率是产生焊接能量突变的3个因素。他们赞同Kaskinen和Mueller关于等离子体体积变化导致能量突变从而引起电弧声的观点，并给出公式（1）。

式中 VI——电弧能量

V——电弧电压

I——电弧电流

k、K——常数

S——声压。

国内关于电弧声的研究中，指出在时域上利用统计法得到的短路前后1.44ms内声波能量Es与飞溅呈线性关系，见公式（2）。探讨了电弧电压与焊接电流对Es的影响，从频域上利用经典谱估计方法，给出了电弧声的功率谱。

式中 a——线性变换系数

S——声波采集信号的量值

3.利用焊接电弧光作为信号源

多年前，人们利用光电管将弧光总强度转换为电压，发现弧光总强度与电弧长度之间的存在定量的线性关系，见公式（3）。通过测量弧光总强度B信号的大小，可得知电弧弧长的大小。

式中 B——弧光总强度，V

I——电弧电流，A

L——弧长，mm

M1、M2、M3——常数

此外弧光还可以传感熔滴过渡，即在缩颈破断脱离焊丝端头瞬时，由于电流回路的突然断路，弧光强度信号突然下降，根据电弧的物理规律，原来笼罩在熔滴下部端面的弧根（电弧的阳极区），将自动上跳至焊丝端头缩颈破断处，以维持电弧电流回路的继续流动。弧光强度信号又逐渐上升，这个弧光强度下凹信号就是熔滴过渡的特征信号。

由此可见，电弧弧光信号中也包含了与焊接过程密切相关的信息，而且弧光信号的分散度小、稳定性和精确度高，故可通过检测电弧弧光信号的变化来对焊接质量进行监测以及获知焊接过程的稳定性。

二、信号处理及信号分析方法

信号可以从幅值域、频率域、时间域来描述。智能诊断中信号处理的目的是去除信号中的噪声和提取诊断用的特征向量。要全面地描述一个焊接过程，需要从两个方面来提取特征元素，即时域分析和频域分析。

1.时域分析方法

在对信息源进行时域处理时，主要采用概率统计特征法，即通过焊接电压、电流时域内的统计学特征进行焊接过程稳定性或缺陷检测。例如从二者直方图分布、瞬时I-U图、峰值及变化率、过渡周期和短路时间等方面进行特征提取与分析。

2.频域分析方法

在对信息源进行频域处理时，主要采用基于FFT的谱分析技术信号处理方法。基于FFT的谱分析技术是现代数字信号处理中普遍采用的方法。公布的文献中大量的研究表明，短路过渡形式的傅立叶变换曲线在较高频率时有一个主峰值，在较低频率时有次要峰值；大滴过渡电流信号的傅立叶变换曲线具有确定的、相对尖的主峰，峰值的宽窄表明信号一致性的程度，峰值代表了熔滴过渡的主频率。由于最高的熔滴过渡频率与最好的焊接质量相一致，因此通过控制熔滴过渡频率来调节焊接参数，保证主峰值尽可能的窄、频率尽可能的高。通过对随机信号经典功率谱估计，提取焊接电压、电流在不同频率的功率谱密度变化，如幅值、对应频率等特征，进行焊接过程稳定性判别和焊接质量的检测。还有一些报道中提到的比较周期图法、Welch平均法以及AR模型法对电弧声波各频段信号进行功率谱估计的结果。采用功率谱估计的方法对电压信号在焊接过程中的频谱特性进行分析，在电弧功率谱提取焊接过程中的特征频率，为小波分析尺度的选取提供依据。

3.时频分析方法

对于非平稳信号分析和适时处理，傅立叶变换存在着很大局限性，一方面是因为它是时-频域的全局转换，没有时域和频域同时局部化的作用，信号在局部时域上的改变会影响其全部频谱特性，在频域中的局部改变也会影响其在全部时域中的特性，亦即频域中某频率或某频带内的信息和时域中某时刻或时宽内的信息没有直接的对应关系，这种对应关系称为时频分析；另一方面，傅立叶变换得到的功率谱密度仅能给出信号的平均统计结果，这对于高度非线性复杂的焊接过程显然是不够的。

使傅里叶变换（谱）表示频率分量的时间局域化方法之一，是对信号x（t）适当预加窗，加窗后的傅里叶变换称为短时傅里叶变换（STFT）。STFT分析和综合（逆变换）式的定义见公式（4）。

分析窗 γ（t）和综合窗 g（t）须满足 ∫g（t）γ*（t）dt=1。x（t′）乘一个很短的分析窗 γ（t′-t）后，相当于取出信号在分析点（t=t′）附近的一个切片，因此，STFT将得到在分析点t′附近的“局部频谱”。

小波变换是在时频平面不同位置具有不同的分辨率，是一种多分辨率的分析方法，而且由于其时频窗面积不变但形状可变，因此可对信号的局部特征进行准确分析。小波分析的基函数由小波伸缩而成，其时频窗宽度随信号自适应变化，低频处时窗变宽，高频处时窗变窄。因此，具有时频局部化功能的小波变换是适用于非平稳信号处理的理想工具，主要进行奇异信号检测、信噪分离以及频带能量分析。

采用时频窗可变的小波变换对非平稳信号进行分析已经有了广泛的实际应用。如利用小波分析摩擦焊接结点和扩散焊接孔隙的微弱结点缺陷超声信号，利用连续的和离散的小波变换分解转轴和送丝伺服电机电流信号，提取信号特征成功监测工具的损坏状况。华南理工大学利用子波变换对CO2焊焊穿进行了有效的特征提取。华中理工大学在对熔滴过渡特征的分析与研究中，采用小波包结合自回归分析技术取得了一定进展。

4.统计分析方法

不论是在时域和频域中，都存在大量的统计参数，这些参数全面地反映了焊接过程。时域中应用较多的无量纲统计参数有：均值、峰值、均方幅值、波形指标、峰值因子、脉冲指标、峭度系数、自相关函数、互相关函数等。频域中常用参数有：频率和频率下降率、幅值谱、功率谱、自功率谱密度函数、互功率谱密度函数、频响函数等。

在幅值域内分析电弧电压和焊接电流，绘制电弧电压概率密度分布图和焊接电流概率密度分布图，在频域内分析短路时间和燃弧时间，绘制短路时间频数分布图和燃弧时间分布图，超值电压参数、低值电流参数、超值电流参数、瞬时短路参数、超时短路参数、超时燃弧参数等六个参数作为神经网络输入参数，输出参数为飞溅量大小。华南理工大学利用焊接电压与电流在整条焊缝上以时间、取值范围和出现几率为轴的三维图，根据立体的电参数概率分布进行焊接质量识别。北京石油化工学院与北京工业大学以特征参数概率分布直方图为主，即以短路时间、燃弧时间、峰值、最大电流变化率、短路周期等的概率分布为主要研究对象，分析焊接过程特征参数与焊接过程稳定性之间的关系。清华大学利用了电弧电压、电流波形的平均值M、标准差S、变异系数及动态I-U图等进行信号分析及稳定性评价等。

三、缺陷识别方法

缺陷识别就是对被识别的对象（主要是针对焊缝质量）当前状态的识别和未来状态的估计（趋势分析），识别它是正常还是异常，若是异常，则是属于哪种异常情况。焊缝质量的变化必然会由焊接过程自身的状态特性的变化来反映，实质上缺陷诊断是在时域内识别被诊断对象的实时状态。抽象到理论上来看，缺陷识别就是故障诊断，缺陷识别的理论也就是故障诊断的机理。识别的方法很多。常用的识别方法有：统计识别法、函数识别法、逻辑识别法、模糊识别法和神经网络识别法，这些方法均有其各自的特点。

统计识别法是用统计计算方法从大量信号数据中提取出对待识别缺陷敏感的特征元素。根据工程中的实际经验和实验数据的统计结果及理论分析结果，提供标准的正常状态模式集和待识别缺陷模式集。然后将被识别对象的实时信号中提取出来的特征元素与标准库的正常状态模式集和待识别缺陷模式集的相应特征元素进行比较，根据相应集合接近的程度给出识别的结果。

函数识别法是根据特征元素与故障状态之间存在某种函数关系，在获得特征元素值后算出相应的故障状态的识别方法，但是反映特征元素和故障之间的函数必须经过大量实测统计数据的验证和修改后才可能真实地反映工程实际中被诊断对象的特点，所以从工程角度上，函数识别也必须建立在统计的基础上。由于焊接过程本身的复杂性，焊接缺陷与特征元素之间很难用精确的数学模型来描述，因此很难找到合适的函数关系式来表达焊接缺陷与特征元素之间的关系。

逻辑识别法即将所选取的特征向量量化，根据逻辑特征量进行故障识别。虽然该方法适用于一切机械设备故障诊断问题，但在实际应用中过于粗糙，仅仅判断有无故障的发生。如华南理工大学在基于MSPC方法的GMAW在线监测一文中的多变量统计方法就是用逻辑识别的原理，根据实际的测量结果与预测值的偏差大小来判断焊接过程是否异常。

模糊识别法是利用模糊集合论中的隶属函数和模糊关系矩阵的概念来解决故障与特征间的不确定关系，进而实现故障的早期预报和精密诊断。虽然这种方法计算简单、应用方便、结论明确直观，但是难以进行趋势分析，而且构造隶属函数是人为的，含有一定的主观因素，若特征与故障的关系中含有未知因素时，隶属函数无法构造出来。同时对特征元素的选择也有一定要求，不合适的选择可能导致诊断失效。

上述各种识别方法进行逻辑推理和诊断，其特点为串行运行的处理方式，需要专门构造庞大的知识库和数据库，而且缺乏自学习能力，而人工神经网络识别法是就是从物理结构上模拟人脑，按人脑的某些智能来识别故障的一种新方法。

人工神经网络识别法，从理论上讲，它可以以任意精度逼近任意复杂的非线性系统。采用并行分布式存储和处理信号的方式，具有很强的容错性和鲁棒性（鲁棒性是英文robustness的音译，是稳健性或稳定性的意思，反映为稳定性更好。一般用来描述某个东西的稳定性，就是说在遇到某种干扰时，这个东西的性质能够比较稳定）。适用于多信号的融合，可同时综合定量和定性信号。尤其对于多输入、多输出的复杂系统，利用人工神经网络技术就更为方便。

人工神经网络识别法具有很强的自学习能力，并在学习过程中不断的完善自己，具有创造性。具有联想记忆功能，在网络训练的过程中，输入端给出要记忆的模式，通过学习并合理的调节权系数，网络就能记住所有的输入信息。

在利用信息源的时-频特征进行CO2焊接过程稳定性判断、焊缝跟踪、焊接质量检测等方面的应用，模糊控制和人工神经网络方法在国内外都取得了丰硕成果。如采用在线电弧电压作为神经网络输入数据的原型机，精确预测短路过渡和射滴过渡金属转移模式和焊接质量。应用神经网络多种算法对声音和振动进行主动非线形控制，英国利物浦大学以焊接电流、电压、速度及板厚为输入层，利用人工神经网络对TIG焊的焊缝质量分类（TQN网络）。甘肃工业大学利用电弧声成功映射了CO2焊的飞溅率。华南理工大学采用自组织特征（SOM）神经网络对焊缝缺陷信息进行了成功的识别。哈尔滨工业大学对焊接缺陷的智能化模式与诊断中人工神经网络的应用。西北工业大学关于电阻点焊质量控制中的人工神经网络技术的应用也有相关报道。清华大学、华南理工大学及甘肃工业大学也对人工神经网络技术在焊接过程的控制等方面做了大量研究工作。

运用神经元网络理论，研究动态电阻与焊点质量之间的模型关系，证明采用神经元网络模型可以在焊接过程中准确地获知焊点质量信息。在此基础上产生了点焊质量的评价方法，建立了点焊质量模糊综合评判模型，实现了点焊质量的多参量综合检测。