论文部分内容阅读
焊接声音信号包含丰富的焊接动态过程及焊接质量信息,对焊接声音信号的研究最初是为了模仿有经验焊工的听觉感知行为,但在实际焊接过程中,焊工利用的是双耳所听到的声音,对焊工而言这不仅可以作为声源位置的判断依据,其次多维度的焊接声音信息也可以为焊接质量的判断及焊接参数的调整提供更为充分的依据。同时,实际的焊接工作现场往往存在不止一个声源以及噪声源,以往的焊接电弧声音信号研究中多采用单个麦克风,所采集到的声音信号通常是焊接环境中来自不同声源包括焊接电弧声、飞溅声、人声、机器运作声音及背景噪声等的混合信号,将混合信号视为焊接电弧声音信号来研究焊接动态过程实际上是不够准确的。为了验证多维焊接声音信号包含更多的焊接动态过程及焊接质量信息,本文进行了基于声音信号的低碳钢脉冲熔化极混合气体保护焊(GMAW)和铝合金脉冲钨极氩弧焊(GTAW)动态过程监测研究。文中搭建了传声器阵列采集系统以获取实际焊接过程中的声音信号,首先从发声机理、直观听觉感受、时域波形和频域能量分布等方面对传声器阵列观测信号进行分析。同时也对独立成分分析(ICA)算法应用于焊接过程中的可行性进行了分析和验证,最后基于快速ICA(FastICA)盲信号分离算法从脉冲GMAW过程的三路观测信号中成功分离出飞溅声音信号,其时域表现为剧烈的振荡波形,频域能量分布主要集中于6000-8000Hz的高频段,而电弧声音信号由于其非高斯特性不够明显因而没能够成功分离。对于脉冲GTAW过程,通过FastICA盲信号分离算法有效地去除了焊接声音信号中的噪声干扰。为了最终实现焊接动态过程监测,文中首先对焊接声音信号进行了特征分析和提取。对于铝合金脉冲GTAW过程,由于焊接过程中没有飞溅,同时当焊接状态发生转变时从声音的响度上也能进行简单的判断,声音信号分析的难度相对于低碳钢脉冲GMAW过程而言较为简单,因此文中主要针对脉冲GMAW过程进行特征分析。根据实际焊接过程中的听觉感受变化,将脉冲GMAW声音信号特征分析范围确定为两个方面:电弧声调变化和飞溅强度变化。提取焊接动态过程中的三种典型声音信号状态,从时域波形、频域能量分布的对比中发现:500-1000Hz频段的能量能够很好的表征焊接烧穿状态下的电弧声调的变化。同时对FastICA盲信号分离得到的飞溅声音信号从短时能量、标准差、峰度及偏度四个方面进行短时分析,文中发现前三个统计指标都在烧穿状态出现突变,其中短时能量的改变最为明显,因此确定短时能量作为飞溅信号强度变化的表征,并与焊接烧穿状态建立联系。同时分析认为飞溅强度变化只是缺陷发生时所影响的一个方面,并不反应其本质特点,因此只作为此实验条件下的辅助判断因素。对于脉冲GMAW过程,文中发现观测信号低频段能量与飞溅能量之比对焊接烧穿状态表现出高度的敏感性和抗干扰性,可以作为一个鲁棒性良好的监测特征,因此最终选择观测信号500-1000Hz频段短时能量、飞溅信号短时能量以及二者之比三个特征进行识别模型的确定。对于脉冲GTAW过程,文中发现第一路和第二路分离信号的短时能量及标准差可以较好的表征焊接质量的动态变化,可用以建立缺陷识别模型。对于脉冲GMAW过程,本文所建立的逻辑回归模型的分类准确率可达99%,但缺陷误判率却高达66.7%,分析认为这是由正负样本的严重不均衡所造成的,为此文中把多类训练样本分成10份,将每一份与少类样本一起建模,对得到的10个模型基于分类准确率和缺陷误判率进行加权求和从而建立优化模型,其分类准确率可达100%。对于脉冲GTAW过程,逻辑回归模型的分类准确率为97.5%,缺陷误判率为11.1%。针对脉冲GMAW过程,文中建立了3-8-1结构的BP神经网络识别模型,其分类准确率和缺陷误判率分别为99.5%和33.3%;引入AdaBoost优化算法后,弱分类器平均误差率为0.9%,强分类器误差率为0.5%,一定程度上提高了模型的分类准确率。同样为了解决正负样本不均衡问题,文中采取对缺陷样本重复采样的方法得到BP神经网络优化模型,其分类准确率近乎100%。对于脉冲GTAW过程,文中建立了3-8-1结构的BP神经网络模型,其分类准确率和缺陷误判率分别为95%和18.2%。因此,本文通过实验证明了多路焊接声音信号可以更好地实现对焊接动态过程的监测。