焊接过程声信号在线检测技术现状与展望

房海基，吕波，张艳喜，卢新钊，高向东

焊接过程声信号在线检测技术现状与展望

房海基1，吕波1，张艳喜1，卢新钊2，高向东1

（1. 广东工业大学 广东省焊接工程技术研究中心，广州 510006； 2. 广东精泰人防工程有限公司，广东 肇庆 526238）

基于焊接过程声信号的声学检测技术是一种实时采集和检测缺陷的有效方法，对材料内部结构变化反映明显。概述了常规焊接缺陷无损检测方法的优缺点，对焊接过程声信号的分类和声信号采集系统进行了论述，分析总结了声发射信号和可听声信号的发声机理、检测原理和信号处理方法，并阐述其在焊接质量在线检测领域的研究现状及应用，特别是焊接缺陷、熔滴过渡形式和熔透状态的识别与预测。为了满足在线检测要求，包含声学检测在内的多传感信息融合焊接系统研究是关键，智能传感、信号处理、自动控制与人工智能技术的进一步研究能促进焊接产业的长足发展。

焊接质量；声学检测；声发射；电弧声；模式识别

焊接作为重要的材料成形和加工技术，已在石油化工、机械制造、交通运输、航空航天、建筑工程、微电子等领域得到了快速应用和发展[1]。焊接过程中，由于焊接参数设置不当和环境因素的影响会产生缺陷，严重影响焊接件的产品质量，危害生产安全。随着焊接技术不断向智能化方向发展，对焊接过程质量检测也提出了更高的要求。

目前国内外常规焊接缺陷无损检测方法主要有射线检测、超声检测、渗透检测、磁粉检测、涡流检测以及漏磁检测等[2]。射线检测基于工件各部位对射线的吸收能力不同，将强度差异反映在感光胶片或显示设备上来判断工件是否存在缺陷，需要检测人员具备丰富的经验，且其检测方法对人体有害[3]。常见的缺陷是气孔、夹渣、未焊透、未熔合和裂纹。超声检测利用超声波与工件作用后的反射、透射和散射波，对被检测物体的宏观缺陷、几何特性及力学变化等方面进行检测，通常需要较大的扫描空间且检测效率不高[4]。磁粉检测利用工件上缺陷位置的不连续性产生漏磁场，吸附施加在表面的磁粉，在合适的光照下形成可见的磁痕，从而显示缺陷分布，能够检测表面裂纹、气孔、夹渣等缺陷，但其对工件表面粗糙度的要求非常高，且自动化程度较低[5]。涡流检测利用电磁感应原理来检测工件缺陷，能在高温特殊环境下工作，不需接触工件，对表面和近表面缺陷具有较高的灵敏度，但信号处理较复杂，对缺陷的形状尺寸识别困难[6]。漏磁检测通过霍尔传感器等获取漏磁场变化信号来识别缺陷，对表面或近表面的体积型缺陷非常敏感，适用于大面积、长距离管道的快速检测，具有一定的尺寸定量能力[7]。

上述无损检测都是焊后检测方法，且存在一定的局限性，特别是检测精度在很大程度上度取决于检测人员的知识水平和经验[8]。随着现代焊接产业的不断发展，难以满足智能化的生产要求。在焊接质量在线检测研究中，研究者们主要通过视觉、声音、光学等技术手段或利用多传感信息融合对焊接过程进行考察[9-10]，结合机器学习和人工智能技术，构建焊接质量预测模型。在广泛运用的无损检测技术中，基于声学的无损检测技术具有检测范围广、检测深度大、传输速度快、对人体无害且方便使用等优势，更适合于焊接结构内部缺陷检测[11]，因此许多研究者利用焊接过程声信号作为独立信息或辅助信息进行在线检测，确定焊接质量状态。

1 焊接过程声信号检测

1.1 焊接过程声信号分类

焊接过程伴随着丰富的声、光、热、电等物理化学现象，可反映焊接质量的状态[12]。图1为焊接过程中产生的检测信号[13]。焊接自动化的过程控制就是对熔池的监测，光信号、声信号、电信号都是快速检测焊接质量的关键。对于声信号，沿焊接件表面传播的声发射信号为超声波段，而向空气中传播的声信号为人耳可听声波段。

图1 焊接过程检测信号[13]

对可听声信号的研究，王伟[14]和蒋凡等[15]指出，可听声信号是在激光焊接小孔模式下由等离子体从小孔中喷射的压力波动造成的。在电弧焊接过程中，它是由于熔池的持续冲击和电弧内部自身的高频震荡而产生的，其中焊接电弧声信号有3个声源：焊接电弧、保护气体和焊接设备（如焊机、送丝机等外围设备），后两者由于信号较微弱，对电弧声信号的特征分析影响很小[16]。对声发射信号的研究发现，声发射现象的产生是焊接结构裂纹、冲击和摩擦等多种因素作用的结果，使焊件内部残余应力迅速释放，产生弹性能量波[17]。

1.2 焊接过程声信号采集

根据焊接过程声信号频率范围的不同，分为2类声传感器，图2为传感器实物。一类是声发射传感器，通过耦合剂紧贴于工件表面，广泛应用于过程监控和故障诊断中。对于焊接缺陷检测，通常选用信号频率在25～750 kHz的谐振式传感器；另一类是麦克风传声器，通常选用自由场型预极化测量传声器，性能稳定，动态响应好，且方便多路和长距离测量，频率范围一般在20～20 kHz，最高可达100 kHz。针对不同的研究对象，合适型号的传感器能更好地采集真实数据。图3为基于Labview开发平台的焊接过程声信号采集系统流程，为了确保采集的可靠性，需对传感器选型和软硬件设计进行深入研究。整个信号采集过程中声传感器将振动信号转换为电信号，再滤波去噪、放大处理，经过数据采集卡采集数据，并通过分析软件进行保存、显示与分析[18]。

图2 声传感器实物

图3 焊接过程声音采集系统流程[13]

基于焊接过程声信号的声学检测是实时采集的动态检测方法，其声源能量来自被测物体缺陷的本身，而不是由无损检测仪器提供。对于复杂的工作环境能实现远程监控，通过实时反馈动态信息，结合动态分析方法，能够对物体内部结构的损伤程度做出合理化的评析[19]。

2 声发射检测

2.1 声发射信号分析

不同的结构形式有不同的声发射源，通常利用参数分析法总结其信号特性。对于单个信号的表征，参数包括振幅、持续时间、能量、均方根电压值、撞击数等。为了提高多个声发射信号处理的准确性，许多学者综合应用了包括振铃计数、事件计数和有效电压值等声发射特征参数来评估材料或结构稳定性，从声发射参数的关联图中可以找出声发射信号的变化规律，以区分不同特性的信号，具有一定的实用性[20]。声发射信号简化参数分析如图4所示。

图4 声发射信号简化参数分析

朱洋等[21]对304不锈钢进行脉冲激光焊接试验，发现利用声发射事件的平均峰值-振铃计数特征分布图能评估焊接稳定性。同样是对不锈钢的试验，CHAI Meng-yu等[22]利用上升时间、持续时间、计数和幅度等信号特征，区分韧性裂纹扩展，循环塑性区内塑性变形和剪切裂纹扩展的源特征。尽管每个声发射参数都能提供与声发射源特征的相关信息，但由于对参数选取的不确定性，往往会对同一声发射事件给出不同的评价。另外，参数分析不能区分不同的声发射源，有一定的局限性。

随着信号处理和计算机技术的不断发展，在时域、频域、时频域上对焊接过程声发射信号的波形分析不断进步。在时域波形分析方面，利用峰值、均值、方差、歪度、峭度和均方根值等指标作为特征值，对信号做相关分析，了解信号自身或不同信号间的相似程度或关联性。朱洋等[23]通过时域分析研究了脉冲YAG激光焊、微束等离子弧焊和激光-微束等离子复合焊3种不同热源焊接效果的声发射信号表征。韦朋余等[24]以高强钢MAG焊为研究对象，通过改变正常焊接工艺、减少保护气体量和预埋缺陷3种焊接条件，获得了对应的无焊接缺陷、气孔和裂纹3种情况下的声发射信号，通过波形分析，表明能在船舶建造过程中进行声发射实时监测。

时频分析将非平稳信号的频谱和时间关联，研究其变化规律。学者们提出短时傅里叶变换、Gabor变换、小波变换、EMD分解等方法，并在此基础上进行了很多改进和发展[25]。熊亚飞等[26]以未焊透、未熔合、气孔、夹渣等焊接缺陷试样为研究对象，对比短时傅里叶变换、Wigner-Ville分布、小波变换、Hilbert-Huang变换4种时频分析法的表征效果，发现Hilbert-Huang变换的时频分辨率和局部时频特性表现能力更出色。周志鹏等[27]和王超等[28]分别利用同步压缩小波变换和一种基于STFT（Short-term fourier transform）、小波变换的新的S变换理论，通过拉伸实验，计算并分析裂纹形成、扩展各个阶段声发射信号波形频谱特征以及信号能量分布特征。观察对比焊接过程热裂纹、冷裂纹的声发射信号，分析动态特性与演变规律，其声发射信号采集装置如图5所示。

图5 声发射信号采集装置[27]

相比参数分析，波形分析法能更直观展现声发射源的特征，为了更好地评价焊接质量，做好焊接缺陷的检测与识别，研究者们会综合两者的优势对焊接声学信号进行分析。

2.2 声发射源识别与预测

在缺陷声发射检测研究中，根据声发射参数特征，神经网络和支持向量机等机器学习方法被广泛应用[29]。人工神经网络（Artificial neural network，ANN）具有强大的非线性映射能力、并行分布式处理能力、高速寻找优化解能力、自学习和自适应能力，它可以很好地解决声发射检测技术的噪声干扰问题，准确判断声发射源的活动情况。

声发射源与声发射信号之间的映射关系往往难以建立准确的数学模型，人工神经网络的引入可对焊接缺陷进行识别与预测。通过焊接过程冶金行为的声发射信号，提取重要的特征参数作为输入单元，建立BP（Back propagation）神经网络监测模型，对裂纹有较好的识别效果[30-31]，神经网络模型如图6所示。LEE S等[32]选择声发射信号作为反馈信号，对激光点焊过程中不同激光功率、脉冲持续时间等工艺条件下的声发射数据进行功率谱分析，获取特征应用于BP神经网络中，预测了不锈钢板的可焊性。

图6 焊接裂纹BP神经网络监测模型

支持向量机（Support vector machine，SVM）是有限样本学习的有效工具，基本思想是寻找样本距离最大的最优分类平面，该平面能将两类训练样本完全分开[33]。王齐胜等[34]以声发射信号的平均短时能量作为支持向量机的输入特征，选取径向基核函数，对焊接熔透状态进行识别，整体识别率达到98%。李奇[35]提出的HMM-SVM模型将隐马尔可夫模型（Hidden markov model，HMM）和支持向量机结合起来，综合了HMM的状态转移和依赖能力以及SVM的小样本扩展能力，具有较高的焊接过程裂纹识别准确率。

2.3 声发射源定位

在声发射检测中，声发射源主要为裂纹萌生和扩展、屈服和塑性变形、夹渣物的断裂和脱开。这些声发射源多表现为点源，并以球形波的形式向四周发射能量。声发射源定位的方法主要有时差定位和区域定位，时差定位主要是通过传感器进行线定位和面定位，容易丢失低幅度的信号，且准确性受焊接缺陷的形状影响较大；区域定位简便，速度较快，但定位粗略。

对此，研究者们提出了一些新的定位方法。陈钢等[36]主要是针对现场压力容器可能遇到的焊接缺陷的开裂和增长、残余应力释放、氧化皮的剥落、泄露等多种声发射源，采用声发射源定位、分布和关联分析等方法进行研究，发现这些声发射源的特征，并提出快捷的识别方法。STEPANOVA L N等[37]提出焊接轮廓的复杂形状导致声波信号的失真，干扰了三角定位精度。开发一种改进的表格定位方法，该方法将提供更高的精度，在测试焊接轮廓时实时确定缺陷的坐标。

相比于传统的声源定位方法，把现代信号处理技术和神经网络技术融入到声发射源定位中能提高缺陷定位正确率。张鹏林等[38]研究的基于BP神经网络的风电塔筒裂纹声发射源智能定位方法，提供了更优的传感器布置方法，能正确地定位出缺陷的位置。彭国平等[39]根据声发射检测方法和时间反转成像算法，推导了损伤声源信号时间反转过程，有效提高了信号的信噪比。通过数值仿真实验，对比分析求和与相乘2种成像方法，结果表明经过阈值化处理都能准确地确定声源位置。

3 可听声信号检测

电弧焊接过程是一个复杂的物理变化过程，焊接电弧状态携带着大量与焊接稳定性、焊接质量相关的信息[40]。有经验的工作者能很快从焊接电弧声中发现潜在问题，并通过调整焊接参数优化焊接过程[41]。不同于声发射检测的接触式耦合方法，电弧声采集使用麦克风传声器，使检测过程更简便，并且包含更多的焊接质量信息。大部分研究者单独利用可听声信号或结合多传感器数据特征进行熔透状态、熔滴过渡形式的识别[42]。

3.1 麦克风声信号采集系统

LYU Na等[43]使用的一套脉冲GTAW采集与控制系统见图7，该系统采用多传感信息融合，通过高速摄像机捕获熔池的图像，利用麦克风传声器在一定范围内采集焊接过程的声音信号。通常情况下，同轴探测用来检测光电信号，从而声信号的探测一般放置在旁轴。

3.2 可听声信号特征提取

实际采集的焊接过程声信号具有多源共存的特点，若直接进行焊接状态表征将占用大量的计算资源，并且表征效果不精确。对焊接过程声信号进行预处理显得非常重要，进一步提取有效的声音信号特征用于建立焊接状态识别与分类模型。声发射信号和可听声信号除了在采集方式和应用范围上的差别外，在后续的信号处理、特征分析、识别分类上都具有通用性。

图7 脉冲GTAW采集与控制系统示意[43]

在可听声信号特征提取研究中，以统计学为基础的时域分析特征提取方法和以语音识别技术为基础的特征提取方法应用最广泛。时域统计法的特征统计量包括均值、标准差、协方差、均方根、能量、对数能量，以及信号的脉冲因子、峰值因子、峭度因子和偏态因子等。利用这些统计量，蒋凡等[15]通过作图比较，分析了铝合金GTAW焊接未熔透、熔透和过熔透3种状态的规律。

由于可听声信号的特殊性，可用语音识别方面的人工智能技术建立焊接熔透状态预测模型，如线性预测分析（Linear prediction coefficients，LPC）、线性预测倒谱系数（Linear predictive cepstral coefficient，LPCC）、梅尔频率倒谱系数（Mel frequency cepstrum coefficient，MFCC）等。其中MFCC应用最广泛，其特征提取流程如图8所示，该过程考虑了人耳的听觉特性，将声信号快速傅里叶变换后的能量经过Mel滤波器组转换到Mel域，然后做离散余弦变换提取每一帧的动态特征，最后得到特征向量用于训练和识别。

3.3 焊接状态识别与分类

熔滴过渡描述熔滴通过电弧空间向熔池转移的过程，它与焊接过程的稳定性、焊缝成形、飞溅大小等息息相关。熔透是评估焊接质量的重要指标，焊接接头处未熔透和过熔透现象往往会造成应力集中，影响结构性能。在对可听声信号处理中，结合人工智能技术对焊接熔滴过渡、熔透状态进行监测非常必要。相对于声发射信号，可听声信号在焊接状态识别与分类建模上更多元。在熔滴过渡的研究中，高延峰等[44]根据人耳听觉模型，针对强噪声干扰下MIG焊的电弧声信号，利用支持向量机算法实现对熔滴过渡状态的识别，该过程对电弧声进行外耳与中耳滤波、频率分解，通过声响度计算完成特征矢量构建，具有较强的抗干扰能力。卢宜等[45]则针对MIG焊薄板平铺焊缝，分析3种不同熔滴过渡模式下电弧声信号和电信号的自相关函数和互相关函数，发现电弧能量与电弧声联系紧密，然后通过对电弧声信号的功率谱分析频率分布差异，最后设计GRNN（General regression neural network）和PNN（Probabilistic neural network）熔滴过渡类型识别模型，识别精度较高。

图8 MFCC特征提取流程

在熔透状态识别中，研究者们利用音频信息作为辅助单元，与视觉信息结合，能够更好地分析焊接状态变化[46]。郭鹏等[47]利用熔化极气体保护焊过程产生的电弧声信号，通过短时傅里叶变换分析不同熔透状态下的电弧声信号频谱，提取基于共稀疏表示模型的修正电弧声信号梅尔频率倒谱特征，构建基于SVM的不同熔透状态的识别模型。LYU Na等[43]研究铝合金的脉冲GTAW焊接过程的质量控制，提出了一套基于听觉注意AC-ROI预处理方法、极大模阈值去噪方法的时-频-时频域熔透特征提取算法，主要用到39个融合特征作为输入值，BPANN预测模型进行熔透状态识别的精度为80%～90%。

大多数研究者是通过在时域、频域、时频域综合分析信号波形特征，结合人工智能建立焊接质量预测系统。通常先从采集到的可听声信号进行预处理并提取重要的特征量，对测量空间和特征空间进行降维处理，然后根据训练集数据确定一个判定决策规则，建立数据与焊接质量状况之间的映射关系，使错误识别率达到最小。在实际研究中，研究学者也发现建立焊接质量模式识别系统需要大量的焊接缺陷样本进行训练，样本数据量问题也是进行智能化发展的一个重要的关注点。

4 总结与展望

通过对焊接过程声学信号的处理分析可实时反馈焊接质量，焊接过程声发射信号属于超声波频段，能表征不同的声发射源，特别是对裂纹的识别与预测。可听声信号则更多的是对焊接过程熔透状态或熔滴过渡状态的识别。相较于声发射信号，焊接可听声信号包含更多的焊接质量信息。焊接过程声信号的处理一般对信号进行时域、频域或时频域分析，然后提取焊接缺陷特征，建立与研究对象的相关性。机器学习、模式识别等技术能很好地将焊接过程声信号与焊接质量进行关联，但要解决样本数据量问题，才能得到更好的识别模型。

基于焊接过程声信号进行在线检测的研究目前有很多重要成果，但也存在不足。单一传感系统往往不能满足需求，需要进一步将声学检测技术与智能传感、信号处理、自动控制、人工智能等技术结合，促进焊接质量无损检测向自动化和智能化发展。

[1] 李晓延, 武传松, 李午申. 中国焊接制造领域学科发展研究[J]. 机械工程学报, 2012, 48(6): 19-31.

LI Xiao-yan, WU Chuan-song, LI Wu-shen. Study on the Progress of Welding Science and Technology in China[J]. Journal of Mechanical Engineering, 2012, 48(6): 19-31.

[2] 杨杰, 李路可, 沈华刚. 新型焊接质量的无损检测技术[J]. 精密成形工程, 2017, 9(3): 111-114.

YANG Jie, LI Lu-ke, SHEN Hua-gang. New Nondestructive Testing Technology of Welding Quality[J]. Precision Forming Engineering, 2017, 9(3): 111-114.

[3] BOARETTO N, CENTENO T M. Automated Detection of Welding Defects in Pipelines from Radiographic Images DWDI[J]. NDT & E International, 2017, 86: 7-13.

[4] LIU Zhi-hong, WU Jie-feng, MA Jian-guo, et al. Study on the Welding Process of the Vacuum Vessel Mock-Up for CFETR[J]. IEEE Transactions on Plasma Science, 2018, 46(5): 1608-1611.

[5] 陈国达, 郗枫飞, 计时鸣, 等. 螺栓无损检测方法综述[J]. 制造技术与机床, 2017(11): 22-28.

CHEN Guo-da, XI Feng-fei, JI Shi-ming, et al. Review of Nondestructive Testing Methods for Bolts[J]. Manufacturing Technology and Machine Tool, 2017(11): 22-28.

[6] LE M, LEE J, SHOJI T. A Simulation of Magneto-Optical Eddy Current Imaging[J]. NDT and E International, 2011, 44(8): 783-788.

[7] 苏林, 成文峰, 刘保余, 等. 管道环焊缝缺陷漏磁检测信号仿真分析[J]. 焊接, 2020(3): 10-16.

SU Lin, CHENG Wen-feng, LIU Bao-yu, et al. Numerical Simulation on Magnetic Flux Leakage Detection Signal for Pipeline Girth Weld Defects[J]. Welding, 2020(3): 10-16.

[8] BATO M R, HOR A, RAUTUREAU A, et al. Impact of Human and Environmental Factors on the Probability of Detection during NDT Control by Eddy Currents[J]. Measurement, 2019, 133: 222-232.

[9] GAO Xiang-dong, SUN Yan, YOU De-yong, et al. Multi-Sensor Information Fusion for Monitoring Disk Laser Welding[J]. The International Journal of Advanced Manufacturing Technology, 2016, 85(5/6/7/8): 1167-1175.

[10] 杨喜牟, 李天庆, 李鑫, 等. 基于多信号检测的等离子弧焊接平台构建[J]. 焊接, 2019(8): 9-13.

YANG Xi-mu, LI Tian-qing, LI Xin, et al. Establishment of Plasma Arc Welding System with Sensing Multi-Signal[J]. Welding, 2019(8): 9-13.

[11] 迟大钊, 齐聪成. 国内焊接缺陷声学无损检测研究综述[J]. 精密成形工程, 2018, 10(1): 74-81.

CHI Da-zhao, QI Cong-cheng. Research on NDT Based on Acoustic in Welding Defects Testing in China[J]. Journal of Netshape Forming Engineering, 2018, 10(1): 74-81.

[12] 游德勇, 高向东. 激光焊接技术的研究现状与展望[J]. 焊接技术, 2008, 37(4): 5-9.

YOU De-yong, GAO Xiang-dong. Studies and Prospect of Laser Welding Technology[J]. Welding Technology, 2008, 37(4): 5-9.

[13] 刘佳. 基于声音图像信号的激光焊接过程质量实时检测的研究[D]. 天津: 天津大学, 2012: 3.

LIU Jia. The Research of Quality Real-Time Detection Based on Acoustic and Image Signal in Laser Welding[D]. Tianjin: Tianjin University, 2012: 3.

[14] 王伟, 朱六妹. 激光焊接声、光信号监测仪的研究[J]. 仪表技术与传感器, 2002(11): 15-17.

WANG Wei, ZHU Liu-mei. Research of Acoustic and Optical Detector in Laser Welding[J]. Instrument Technology and Sensor, 2002(11): 15-17.

[15] 蒋凡, 李元锋, 陈树君. 焊接电弧监测技术研究现状及展望[J]. 机械工程学报, 2018, 54(2): 16-26.

JIANG Fan, LI Yuan-feng, CHEN Shu-jun. Current Situation and Prospects of Welding Arc Monitoring Technology[J]. Chinese Journal of Mechanical Engineering, 2018, 54(2): 16-26.

[16] 吕娜. 基于电弧声信号的铝合金脉冲GTAW熔透特征识别及其实时控制研究[D]. 上海: 上海交通大学, 2014: 9.

LYU Na. Recognition and Real-Time Control of Permeability Characteristics of Aluminum Alloy Pulse GTAW Process Based on ARC Audio Information[D]. Shanghai: Shanghai Jiaotong University, 2014: 9.

[17] 成勇. 焊接裂纹声发射信号特性实验研究[D]. 湘潭: 湖南科技大学, 2016: 2.

CHENG Yong. Experimental Study of Welding Crack Acoustic Emission Signal Characteristics[D]. Xiangtan: Hunan University of Science and Technology, 2016: 2.

[18] 许中林, 李国禄, 董天顺, 等. 声发射信号分析与处理方法研究进展[J]. 材料导报, 2014, 28(9): 56-60.

XU Zhong-lin, LI Guo-lu, DONG Tian-shun, et al. Overview on Development of Acoustic Emission Signal Analysis Technique and Processing[J]. Materials Review, 2014, 28(9): 56-60.

[19] LEE D S, LEE J H, LEE M R. Fatigue Crack Detection in Coldworked Aluminum Alloys Using Acoustic Emission Technique[J]. Key Engineering Materials, 2004, 270/271/272/273: 537-542.

[20] 沈功田, 耿荣生, 刘时风. 声发射信号的参数分析方法[J]. 无损检测, 2002, 24(2): 72-77.

SHEN Gong-tian, GENG Rong-sheng, LIU Shi-feng. Parameter Analysis of Acoustic Emission Signal[J]. Nondestructive Testing, 2002, 24(2): 72-77.

[21] 朱洋, 罗怡, 谢小健, 等. YAG激光焊接脉冲能量作用效应的声发射特征参数表征[J]. 焊接学报, 2017, 38(2): 115-119.

ZHU Yang, LUO Yi, XIE Xiao-jian, et al. Characterization of Impact Effect of Pulse Energy Based on Feature Parameters of Acoustic Emission Signals Detected in YAG Laser Welding[J]. Transactions of the China Welding Institution, 2017, 38(2): 115-119.

[22] CHAI Meng-yu, ZHANG Jin, ZHANG Zao-xiao, et al. Acoustic Emission Studies for Characterization of Fatigue Crack Growth in 316LN Stainless Steel and Welds[J]. Applied acoustics, 2017, 126: 101-113.

[23] 朱洋, 罗怡, 谢小健, 等. 激光-微束等离子弧复合焊接过程的结构负载声发射信号表征[J]. 焊接学报, 2016, 37(9): 96-100.

ZHU Yang, LUO Yi, XIE Xiao-jian, et al. Process Characterization of Laser Beam Micro-Plasma Arc Hybrid Welding Based on Structure-Borne Acoustic Emission Signals Detected in Welding[J]. Transactions of the China Welding Institution, 2016, 37(9): 96-100.

[24] 韦朋余, 岳亚霖, 张炜, 等. 船用厚板高强度钢MAG焊焊接过程声发射信号特性研究[C]// 中国第十五届声发射学术研讨会论文集, 中国船舶科学研究中心, 2016: 234-243.

WEI Peng-yu, YUE Ya-lin, ZHANG Wei, et al. Study on the Characteristics of Acoustic Emission Signal During MAG Welding of Thick Marine High-Strength Steel[C] // Proceedings of the 15th China Acoustic Emission Symposium, Chinese Shipbuilding Scientific Research Center, 2016: 234-243.

[25] HE Kuan-fang, XIAO Si-wen, LI Xue-jun. Time-Frequency Characteristics of Acoustic Emission Signal for Monitoring of Welding Structural State Using Stockwell Transform[J]. The Journal of the Acoustical Society of America, 2019, 145(1): 469-479.

[26] 熊亚飞. Q345R钢焊接缺陷的声发射信号分析[D]. 福州: 福州大学, 2014: 1-58.

XIONG Ya-fei. Analysis on Acoustic Emission Signals of Q345R Steel Welding Defects[D]. Fuzhou: Fuzhou University, 2014: 1-58.

[27] 周志鹏. 同步压缩小波变换在焊接裂纹声发射信号检测中的应用[D]. 湘潭: 湖南科技大学, 2016: 1-66.

ZHOU Zhi-peng. Application of Synchrosqueezing Wavelet Transform to Crack Detection in Weldingae Signal[D]. Xiangtan: Hunan University of Science and Technology, 2016: 1-66.

[28] 王超. 基于S变换的焊接裂纹声发射信号时频分析[D]. 湘潭: 湖南科技大学, 2016: 1-68.

WANG Chao. Time-Frequency Analysis of Welding Crack AE Signal Based on S Transform[D]. Xiangtan: Hunan University of Science and Technology, 2016: 1-68.

[29] ASIF K, ZHANG Lu, DERRIBLE S, et al. Machine Learning Model to Predict Welding Quality Using Air-Coupled Acoustic Emission and Weld Inputs[J]. Journal of Intelligent Manufacturing, 2020(3/4): 1-15.

[30] 张勇, 周昀芸, 王博, 等. 基于声发射信号的铝合金点焊裂纹神经网络监测[J]. 机械工程学报, 2016, 52(16): 1-7.

ZHANG Yong, ZHOU Yun-yun, WANG Bo, et al. Neural Network Monitoring of Aluminum Alloy Spot Welding Crack Based on Acoustic Emission Signal[J]. Chinese Journal of Mechanical Engineering, 2016, 52(16): 1-7.

[31] CAO Jing-wei, LUO Hong-yun, HAN Zhi-yuan. Acoustic Emission Source Mechanism Analysis and Crack Length Prediction during Fatigue Crack Propagation in 16Mn Steel and Welds[J]. Procedia Engineering, 2012, 27: 1524-1537.

[32] LEE S, AHN S, PARK C. Analysis of Acoustic Emission Signals during Laser Spot Welding of SS304 Stainless Steel[J]. Journal of Materials Engineering and Performance, 2014, 23(3): 700-707.

[33] LIU Gui-qian, GAO Xiang-dong, YOU De-yong, et al. Prediction of High Power Laser Welding Status Based on PCA and SVM Classification of Multiple Sensors[J]. Journal of Intelligent Manufacturing, 2019, 30(2): 821-832.

[34] 王齐胜, 高延峰, 龚岩峰, 等. 基于声发射信号短时能量的TIG焊熔透状态识别[J]. 热加工工艺, 2020, 49(21): 107-110.

WANG Qi-sheng, GAO Yan-feng, GONG Yan-feng, et al. Weld Bead Penetration State Recognition in TIG Welding Process Based on Short-Time Energy of Acoustic Emission Signal[J]. Hot Working Technology, 2020, 49(21): 107-110.

[35] 李奇. 基于声发射信号特征的焊接裂纹识别[D]. 湘潭: 湖南科技大学, 2018: 1-60.

LI Qi. Recognition of Welding Crack Based on Acoustic Emission Signal Characteristics[D]. Xiangtan: Hunan University of Science and Technology, 2018: 1-60.

[36] 陈钢, 沈功田, 李邦宪. 金属压力容器声发射源特性的研究[J]. 中国安全科学学报, 2005, 15(1): 98-103.

CHEN Gang, SHEN Gong-tian, LI Bang-xian. Investigation of Characteristics of Acoustic Emission Sources for Metallic Pressure Vessels[J]. Chinese Safety Science Journal, 2005, 15(1): 98-103.

[37] STEPANOVA L N, RAMAZANOV I S, KIREENKO V V. Acoustic-Emission Location of Flaws during Multiple-Run Welding of Contours with Complex Shapes[J]. Russian Journal of Nondestructive Testing, 2016, 52(5): 261-268.

[38] 张鹏林, 常海, 杨杰, 等. BP神经网络在风电塔筒裂纹AE源定位中的应用[J]. 中国测试, 2017, 43(9): 106-111.

ZHANG Peng-lin, CHANG Hai, YANG Jie, et al. Application of BP Neural Network in Localization of Crack Acoustic Emission Source in Wind Vane Tower Barrel[J]. China Test, 2017, 43(9): 106-111.

[39] 彭国平, 张在东, 卢超, 等. 焊缝声发射源二维时间反转成像定位方法研究[J]. 南昌航空大学学报(自然科学版), 2017, 31(3): 90-94.

PENG Guo-ping, ZHANG Zai-dong, LU Chao, et al. Study on 2D Location Imaging Method of Acoustic Emission Source Based on Time Reversal for Weld Seam[J]. Journal of Nanchang Hangkong University (Natural Science Edition), 2017, 31(3): 90-94.

[40] LI Zhi-yong, WANG Bao, DING Jing-bin, et al. Quality Measure and Control System for the Whole Process of Arc Welding[J]. Materials Science Forum, 2008, 720: 722-727.

[41] LIU Wen-ji, GUAN Zhen-yu, JIANG Xiao, et al. Research on the Seam Tracking of Narrow Gap P-GMAW Based on Arc Sound Sensing[J]. Sensors & Actuators: A. Physical, 2019, 292: 205-216.

[42] GAO Yan-feng, ZHAO Jia-min, WANG Qi-sheng, et al. Weld Bead Penetration Identification Based on Human-Welder Subjective Assessment on Welding Arc Sound[J]. Measurement, 2020, 154: 107475.

[43] LYU Na, XU Yan-ling, LI Si-chen, et al. Automated Control of Welding Penetration Based on Audio Sensing Technology[J]. Journal of Materials Processing Technology, 2017, 250: 81-98.

[44] 高延峰, 王齐胜, 黄林然, 等. 基于人耳听觉模型的MIG焊熔滴过渡状态识别[J]. 机械工程学报, 2019, 55(17): 68-76.

GAO Yan-feng, WANG Qi-sheng, HUANG Lin-ran, et al. Droplet Transfer Modes Identification in MIG Welding Process Based on a Human Auditory Model[J]. Chinese Journal of Mechanical Engineering, 2019, 55(17): 68-76.

[45] 卢宜. 基于电弧声信号的MIG焊熔滴过渡类型识别[D]. 南昌: 南昌航空大学, 2017: 1-55.

LU Yi. Identification of Droplet Transfer in MIG Welding Based on Arc Acoustic Signal[D]. Nanchang: Nanchang Hangkong University, 2017: 1-55.

[46] ZHU Tao, SHI Yong-hua, CUI Shu-wan, et al. Recognition of Weld Penetration during K-TIG Welding Based on Acoustic and Visual Sensing[J]. Sensing and Imaging: An International Journal, 2019, 20(1): 1-21.

[47] 郭鹏. 基于电弧声共稀疏表示的MAG焊熔透状态的识别[D]. 南昌: 南昌大学, 2018: 1-55.

GUO Peng. Penetration States Recognition of MAG Welding Based on the Co-Sparse Representation of Arc Sound[D]. Nanchang: Nanchang University, 2018: 1-55.

Status and Prospect of On-Line Acoustic Signal Detection Technology in Welding

FANG Hai-ji1, LYU Bo1, ZHANG Yan-xi1, LU Xin-zhao2, GAO Xiang-dong1

(1. Guangdong Provincial Welding Engineering Technology Research Center, Guangdong University of Technology, Guangzhou 510006, China; 2. Guangdong Jingtai Civil Air Defense Engineering Company, Zhaoqing 526238, China)

The detection technology based on acoustic signal during welding is effective for real-time collection and detection of welding defects, and reflects the changes in internal structure of weldments. The advantages and disadvantages of conventional non-destructive testing methods for welding defects were summarized. The classification of acoustic signals and the acoustic signal acquisition system during welding were discussed. The sounding mechanisms, detection principles and signal processing methods of acoustic emission signal and audible acoustic signal were analyzed and summarized. Also, the research status and application of online detection on welding quality were described, especially the identification and prediction of welding defects, droplet transition forms and penetration status. Research on the welding system of multi-sensor information fusion including acoustic inspection is the key to meet the requirements of online detection. The further research of intelligent sensing, signal processing, automatic control and artificial intelligence technology can promote the rapid development of the welding industry.

welding quality; acoustic detection; acoustic emission; arc sound; pattern recognition

10.3969/j.issn.1674-6457.2022.01.021

TG441.7

A

1674-6457(2022)01-0165-08

2021-06-02

广州市科技计划（202002020068）

房海基（1995—），男，硕士生，主要研究方向为焊接自动化。

高向东（1963—），男，教授，博士生导师，主要研究方向为焊接自动化。