基于电弧声信号的窄间隙脉冲熔化极气体保护焊侧壁熔合状态在线识别

岳建锋 龙新宇 黄云龙 郭嘉龙 刘文吉

摘要 ：为在焊接过程中实时了解焊缝内部的焊接状况，构建了电弧声信号实时采集系统。在焊枪摆动中心处于不同位置的情况下，进行了电弧声信号特征与侧壁熔合状态的相关性分析。分别从时域与频域中提取了与侧壁熔合状态相关性较强的电弧声特征。为进一步提高熔合状态预测的有效性，采用电弧声特征参量构建了支持向量回归的侧壁熔合状态识别模型。为减小不良特征对识别模型的影响，显著提高模型的识别精度，采用遗传算法进行了参数寻优。参数寻优后模型的总体识别率达93.33%，实现了窄间隙侧壁熔合状态的有效识别。

关键词 ：窄间隙焊；电弧声；侧壁熔合；支持向量机;脉冲熔化极气体保护焊

中图分类号 ：TG409

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

开放科学（资源服务）标识码（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

窄間隙脉冲熔化极气体保护焊 （pulse gas metal arc welding，P-GMAW）可以缩短焊接时间，提高生产效率，减少填充材料，降低生产成本与热输入量，保证焊接接头力学性能优良，在大型厚壁高强钢结构制造领域具有广阔的应用前景  ［1］ 。焊接过程中，焊缝侧壁的未熔合易导致焊接接头的力学性能降低，严重影响焊接质量  ［2］ ，因此在窄间隙焊接过程中，需要及时掌握焊缝侧壁的熔合状态，减小焊枪摆动中心与焊缝中心的偏差，预防未熔合缺陷发生，从而提高焊接质量。

熟练焊工能通过聆听电弧声音判断焊接状态，调整焊接参数从而获得更好的焊接质量  ［3］ ，这表明电弧声包含丰富的焊接信息。电弧声信号的采集相对简单，具有非接触采集的优势，近年来，利用焊接过程中的电弧声信号来提高焊接质量受到国内外学者的广泛关注  ［4-5］ 。ZHANG等  ［6］ 通过缩小电弧声信号特征提取的频率范围，实现了对熔透状态的准确识别；卢宜  ［7］ 提取了电弧声小波包频带的能量特征，实现了不同熔滴过渡状态的识别；黄林然等  ［8］ 模拟人耳的听觉感知机理，提取MFCC（mel-scale frequency cepstral coefficients）特征，建立了支持向量机模型来识别焊接线能量；兰虎等  ［9］ 结合时频分析实现了对电弧作用位置的监测预警。总体而言，目前的研究集中在通过电弧声信号开展熔透状态、熔滴过渡状态、不同焊接线能量的识别等方面。窄间隙焊接有着诸多优势，但在窄间隙焊接过程中，应用电弧声信号进行焊接质量检测的研究成果较少。

窄間隙P-GMAW侧壁的不良熔合常发生于窄而深的焊缝内部，在线方式检测困难，而焊缝侧壁的熔合状态与电弧声的响度和尖锐度关联密切。本文开展了电弧声信号特征与焊缝侧壁熔合状态的相关性分析， 分别从时域与频域中提取了不同侧壁熔合状态发生时的声信号特征，采用遗传算法与支持向量回归构建了窄间隙侧壁熔合状态的识别模型，有效减小不可靠特征对模型预测精度的不利影响，可实现侧壁熔合状态的有效识别。

1 声信号采集系统

1.1 系统组成

如图1所示，电弧声信号采集分析系统由焊接系统、麦克风声学传感系统、数据采集系统和计算机组成。焊接系统包括Fronius TPS3200型焊机、VR4000送丝机、焊枪和保护气瓶。麦克风声学系统中采用电容式传声器（AWA14423）和前置放大器（AWA14604）拾取电弧声信号，采用示波记录仪（YOKOGAWA DL850）同步采集电弧声信号和控制柜发送的摆动信号，并将其传输至上位机进行分析。

1.2 焊接试验设计

在图2所示的试验工作台上进行窄间隙 P-GMAW 的摆动焊接试验，声信号采集频率设为50 kHz，声信号采集装置与焊枪摆动中心保持固定距离250 mm。试验母材为板厚18 mm的Q235低碳钢，根据实芯焊丝单面自动焊标准要求，开8°坡口，底部间隙6 mm，在焊缝下方放置支撑铁板。焊接坡口截面如图3所示。焊接试验过程中，焊枪摆动轨迹如图4所示，试验参数如表1所示，其中，保护气为由80%（体积比）Ar和20%（体积比）CO 2组成。脉冲波形、焊接频率变化特征如图5所示。

1.3 熔合状态分类

焊接试验完成后，切取工件截面试样，打磨抛光并腐蚀，观察焊缝截面形状。将侧壁熔合状态分为良好熔合、根部未熔合和侧壁整体未熔合三类  ［2，10］ ，如图6所示。

焊枪对中或存在较小偏差时，焊接质量相对较好。焊枪摆动至侧壁区域时，窄而深的坡口使得焊丝末端与侧壁之间的距离远小于焊丝末端与底部之间的距离。根据最小电压原理可知，处于基值阶段时，电弧建立于焊丝末端与侧壁之间  ［11］ ；处于峰值阶段时，较大的电流密度使电弧挺度大，电弧建立于焊丝末端与熔池表面之间。峰值阶段后，电流减小，重回基值阶段，电弧向侧壁倾斜。电弧随脉冲电流产生周期性变化，使侧壁各个部分良好受热，侧壁发生良好熔合，如图6a所示。

焊枪存在较大偏差时，易发生侧壁的不良熔合。焊枪摆动至近端侧壁，峰值阶段电弧和基值阶段电弧均建立在焊丝末端与侧壁之间，侧壁根部的热输入不足，造成根部未熔合的缺陷，见图6b中的左侧壁。焊枪摆动至远端侧壁，焊丝末端距侧壁较远，侧壁各个部分的热输入均不足，造成侧壁整体未熔合（简称未熔合）的缺陷，见图6b中的右侧壁。

试验过程中，不同熔合状态电弧声的响度和尖锐度存在明显差异，这表明电弧声信号与侧壁熔合状态之间密切相关，因此利用电弧声信号可实现窄间隙侧壁熔合状态的预测识别。

2 电弧声信号特征分析

为掌握电弧声与窄间隙侧壁熔合状态之间的映射规律，开展了电弧声信号时频域相关性分析，获得了熔合缺陷发生时电弧声信号特征反映的侧壁熔合状态。

2.1 电弧声样本选取

不同熔合状态的窄间隙焊接试验中，焊枪处于中心区域时，电弧声差异较小；焊枪摆动至两侧区域时， 电弧声差异较为明显。这表明侧壁区域采集的电弧声信号包含丰富的侧壁熔合状态信息。

焊枪由左向右摆动时，摆动信号置位为低电平，由右向左摆动时，摆动信号置位为高电平，摆动至左右极限位置时，侧停0.1 s。据此，摆动信号跳变处即为焊枪极限位置。 电弧声在3个阶段（焊枪靠近侧壁、侧停和远离侧壁）均存在较大变化，故将电弧声信号分为三段进行研究。多次试验发现焊枪摆动至极限位置前的50 ms（一段）、侧停时的100 ms（二段）和极限位置后的50 ms（三段）特征差异明显且较为稳定，基于此划分电弧声样本并开展相关性分析和特征提取，如图7所示。

2.2 时域特征分析

2.2.1 时域波形相关性分析

不同熔合状态电弧声信号的时域波形变换如图8所示，3种熔合状态下的电弧声信号均呈现周期性变化；脉冲阶段的幅值较大，基值阶段的幅值较小；不同熔合状态的电弧声信号脉冲阶段的幅值存在较大差异。声源振动后通过声道的调制形成可闻电弧声， 电弧的声道系统可以认为是由电弧两极和保护气组成的一个多层的、时变的谐振腔  ［9］ ，谐振腔受电弧形态影响，因此不同熔合状态下的电弧声信号的差异与电弧形态变化密切相关。

焊枪向侧壁摆动时，焊丝末端逐渐降低，随后，受到侧壁作用，产生少量金属蒸汽，易发生短路过渡，导致电弧声信号幅值剧烈增大。

侧停时间焊接稳定后，电弧形态变化如图9所示，峰值阶段，电流密度大，电弧挺度高，电弧建立于焊丝末端和熔池表面之间。随后，电流减小，电弧受磁偏吹的影响增大，逐渐向侧壁倾斜，并跳动至侧壁，电弧声信号的谐振腔未稳定建立就发生改变，从而使声信号幅值较小。焊枪远离侧壁时，电弧声信号较为稳定，如图8a所示。

根部未熔合电弧形态变化如图10所示，焊枪与侧壁距离较小时，电弧受侧壁压缩的效果较强，较大的偏差和较小的侧壁坡口角度使熔滴严重过热，产生大量金属蒸汽，金属蒸汽沿侧壁上升，改变了熔滴过渡方式，产生短路过渡，电弧声信号在整个过程中的幅值剧烈增大，如图8b所示。

未熔合状态脉冲阶段的电弧如图11所示。电弧建立于焊丝末端与熔池表面之间，受侧壁影响较小，谐振腔较为稳定，电弧声信号幅值比良好熔合阶段更高。靠向侧壁过程中易发生短路过渡，与良好熔合状态相似，如图8c所示。

2.2.2 时域特征提取

如图12、图13所示，电弧声信号一段的标准差、三段的标准差与平均幅值对三种熔合状态都有较为明显的区分，可以在一定程度上反映侧壁熔合状态。一段的平均幅值与二段的标准差对良好熔合状态和未熔合状态的区分效果不佳，二段的平均幅值对不同侧壁熔合状态的识别率较低。

2.3 频域特征分析

2.3.1 频域波形相关性分析

不同熔合状态下的电弧声信号的频域波形变换如图14所示。电弧声的频谱特性主要取决于声道的频率响应  ［9］ 。当焊缝发生良好熔合时，电弧受侧壁压缩，声道受抑制，这导致电弧声谐振频率提高。谐振频率提高，使高于1 kHz的电弧声信号幅值比未熔合时的幅值更大；根部未熔合时，会产生短路过渡，相比于良好熔合与未熔合，高于 1 kHz 的电弧声信号幅值上升尤为显著。

2.3.2 频域特征提取

梅尔倒谱系数在梅尔刻度上等距划分频带，相较于对数倒频谱中的线性间隔的频带，梅尔倒谱系数更近似人类的听觉系统  ［12］ ，能有效表征不同熔合状态频域中的共振峰的分布和能量大小。

在电弧声信号频率范围内设置16个梅尔滤波器（见表2）提取频域特征，不同熔合状态的MFCC（Mel-scale frequency cepstral coefficients）特征如图15所示，低频范围（0～5000 Hz）内的部分系数表现出明显差异，这些系数可以在一定程度上反映侧壁熔合状态，如特征点1、3～8（对应频率分别为165 Hz、622 Hz、934 Hz、1321 Hz、1797 Hz、2386 Hz和3115 Hz），其中，特征点3和8能区分3种侧壁熔合状态，特征点1、4～7能区分单种侧壁熔合状态。

3 侧壁熔合状态识别模型的建立

3.1 样本获取与归一化处理

开展窄间隙焊接试验，获取样本用于模型训练与测试。采集不同熔合状态下的电弧声信号，批量提取10维MFCC特征与侧壁熔合状态相关性高的电弧声时域特征作为样本数据（三段的均值、一段與三段的标准差、七维的梅尔倒谱系数）。获取3种熔合状态下的样本（各40组，共计120组）数据。

为消除不同量纲对侧壁熔合状态分析的影响，提高训练速度，对数据进行归一化处理，将数据映射到［0，1］之间，归一化处理公式如下：

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

式中，x为输入数据（电弧声特征向量集）；y为输出数据；x   max  、x   min  分别为输入数据的最大值和最小值；y   max  、y   min  分别为归一化范围的最大值和最小值。

3.2 支持向量回归建模

针对具有小样本、非线性特点的窄间隙侧壁熔合状态识别问题，采用支持向量回归建立熔合状态识别模型。支持向量回归（support vector regression，SVR）是一种基于支持向量机的监督学习方法，具有很强的泛化能力，在解决小样本、非线性和高维数的回归建模问题时有很大优势  ［13-14］ 。

每种熔合状态随机选取20组，共计60组数据作为训练集，通过支持向量回归训练侧壁熔合状态识别模型，模型中，惩罚参数 C =1，核参数  g =0.2， 良好熔合、未熔合、根部未熔合的标签分别设为0、1、2。以剩余60组数据为测试集进行预测识别，预测值与期望值之间相差小于0.5视为识别正确，如图16所示。

模型的识别率（偏差小于0.5的样本数量占60组样本的比例）为86.67%，表明方法存在一定的可行性，但样本预测值与期望值存在较大偏差，可知随机选择模型参数时，子集中的不可靠特征对模型产生较为明显的影响，有必要进行参数寻优以降低其影响，提高模型的识别精度。

3.3 遗传算法参数寻优与模型评价

遗传算法（genetic algorithm，GA）仿照自然界的进化法则求得最优解，采用概率化的寻优方法自适应调整搜索方向  ［15］ ， 能在选择下一代过程中淘汰可靠性低的特征子集，从而提高模型精度。采用遗传算法进行参数寻优的流程如图17所示。

遗传算法寻优后，得到最佳寻优参数：惩罚参数 C =3.63，核参数 g =0.35。采用优化模型进行侧壁熔合状态识别测试，结果如图18所示， GA-SVR（genetic algorithm support vector regression）模型的识别率达93.33%，且预测值的偏差相较SVR模型明显减小，模型识别效果良好。

4 结论

（1）构建了窄间隙焊接电弧声信号实时采集系统，开展了不同熔合缺陷的电弧声信号与侧壁熔合状态的相关性分析，确定三段的均值、一段与三段的标准差、七维梅尔倒谱系数组成的特征值可有效表征侧壁熔合状态。

（2）构建了支持向量回归训练侧壁熔合状态识别的模型，通过不同熔合状态的预测识别，验证了方法的可行性。采用遗传算法进行参数寻优可显著减小不可靠特征对模型精度的影响，实现侧壁熔合状态的准确识别。GA-SVR侧壁熔合状态识别模型对良好熔合、侧壁整体未熔合、根部未熔合的识别率达93.33%。

参考文献 ：

［1］  杨学兵，唐伟.窄间隙TIG/MAG/SAW焊接技术［J］.电焊机，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］  徐望辉，杨清福，肖逸峰.窄间隙焊接侧壁熔合控制技术的研究现状［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］  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.

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.

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

［8］  黄林然，罗海泉，赵佳敏，等.基于电弧声MFCC特征的焊接线能量检测与识别［J］.南昌航空大学学报（自然科学版），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］  兰虎，张华军，陈善本，等.窄间隙MAG焊电弧声与电弧作用位置的相关性［J］.机械工程学报，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］  李渊博，杨涛，郑韶先，等.超窄间隙焊接过程绝缘固壁约束片状偏钨极电弧特性的数值模拟［J］.机械工程学报， 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］  刘文吉，段瑞彬，岳建锋，等.窄间隙P-MAG焊电弧行为及信号传感特征分析［J］.焊接学报，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］  陳海涛，张学敏，戴伟康，等.基于GA优化SVM参数与云模型的继电保护装置状态评估方法［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.

（ 编辑 张 洋 ）

作者简介 ：

岳建锋 ，男，1973年生，教授、博士研究生导师。研究方向为焊接自动化技术。发表论文86篇。E-mail：billyue@163.com。