湯泉，石志新，毛志偉

(南昌大學(xué),南昌,330031)

0 序言

焊接飛濺是影響焊接質(zhì)量的重要指標(biāo)之一，能反映焊接過程的穩(wěn)定性及能量利用率，控制焊接飛濺對(duì)提高焊接質(zhì)量[1]有重要意義.此外，旋轉(zhuǎn)電弧傳感器中，焊接飛濺對(duì)電流信號(hào)有著較大影響，探究旋轉(zhuǎn)電弧飛濺產(chǎn)生原因及規(guī)律，有利于提高旋轉(zhuǎn)電弧傳感電流信號(hào)特征提取精度及提高焊接質(zhì)量.焊接飛濺的主要原因是焊接過程中的熔滴內(nèi)部爆炸及液橋爆炸，而產(chǎn)生爆炸的主要影響因素有：焊絲成分[2]、焊接極性[3]、電弧電壓和焊接電流[4-5]等.在氣體保護(hù)焊中，氣體溢出、電流激增及電弧力增大均可導(dǎo)致飛濺[6].旋轉(zhuǎn)電弧熔化極氣體保護(hù)焊(gas metal arc welding，GMAW)焊由于存在焊絲回?cái)?、旋轉(zhuǎn)產(chǎn)生的離心力等，飛濺成因更為復(fù)雜.

采用高速圖像記錄和提取焊接飛濺是分析焊接飛濺最直接、最有效的方法.針對(duì)熔化極惰性氣體保護(hù)焊(metal inert-gas welding，MIG 焊)飛濺，Shareef 等人[7]采用單閾值法分割出飛濺.針對(duì)激光焊飛濺，Haubold 等人[8]采用Otus 算法二值化圖像并分割出飛濺.Yang 等人[9]采用雙自適應(yīng)閾值方式提取到了飛濺并消除了噪聲、飛濺粘連以及飛濺遺漏造成的分割誤差.Huang 等人[10]采用一種自適應(yīng)濾波模板對(duì)含煙塵的飛濺圖像進(jìn)行濾波并準(zhǔn)確提取到了飛濺的位置輪廓等信息；Tan 等人[11]提出并行卷積神經(jīng)網(wǎng)絡(luò)和閾值神經(jīng)網(wǎng)絡(luò)方法，可提取出80.84%的飛濺點(diǎn).針對(duì)飛濺點(diǎn)識(shí)別，Xia 等人[12]采用二維傅里葉變換與橢圓高通濾波對(duì)低頻信號(hào)進(jìn)行濾波并提取到了焊接工件上的飛濺點(diǎn).雖然國內(nèi)外學(xué)者針對(duì)焊接飛濺研究各種提取方法，但對(duì)于背景更復(fù)雜、干擾更強(qiáng)烈、成因更復(fù)雜的旋轉(zhuǎn)電弧焊接飛濺，這些方法均難以有效將飛濺分割.

針對(duì)旋轉(zhuǎn)電弧焊接飛濺識(shí)別與提取，研究一種基于掩膜的多閾值與BP 神經(jīng)網(wǎng)絡(luò)組合的新方法，并結(jié)合焊絲相位與焊接工藝參數(shù)，分析其產(chǎn)生原因及規(guī)律，為減少甚至消除焊接飛濺提供依據(jù)，提高旋轉(zhuǎn)電弧焊接質(zhì)量奠定理論基礎(chǔ).

1 旋轉(zhuǎn)電弧焊接系統(tǒng)及焊接工藝參數(shù)

為獲取旋轉(zhuǎn)電弧焊接飛濺圖像，建立的采集系統(tǒng)主要由具有焊接電流抑制功能的YD-350GS 焊接電源及配套送絲機(jī)(YW-35DG)、旋轉(zhuǎn)電弧焊槍、焊接工件、高速相機(jī)、圖形工作站、三軸機(jī)器人及其控制器等組成，如圖1 所示.

圖1 旋轉(zhuǎn)電弧焊接圖像采集系統(tǒng)Fig.1 Image acquisition system for rotating arc welding

三軸機(jī)器人及控制器實(shí)現(xiàn)旋轉(zhuǎn)電弧焊接運(yùn)動(dòng)及焊接啟停控制，圖形工作站與高速相機(jī)實(shí)現(xiàn)焊接過程圖像采集，并通過控制器同步采集焊絲旋轉(zhuǎn)位置、焊接電流及送絲速度等信息.高速相機(jī)采用850 nm 高通濾波片[13]，拍攝幀率為2 500 幀/s，曝光時(shí)間3 μs.焊接方式為平堆焊；焊接母材為Q235鋼，尺寸為300 mm × 50 mm × 5 mm.具體焊接工藝參數(shù)如表1 所示.焊絲旋轉(zhuǎn)方向及焊接方向關(guān)系如圖2 所示，點(diǎn)A 為旋轉(zhuǎn)電弧傳感器起始點(diǎn).

表1 焊接工藝參數(shù)Table 1 Welding process parameters

圖2 旋轉(zhuǎn)電弧焊絲運(yùn)動(dòng)方式Fig.2 Movement mode of rotating arc welding wire

2 基于掩膜的多閾值飛濺提取

為探尋旋轉(zhuǎn)電弧焊接飛濺提取的合適方法，首先需對(duì)旋轉(zhuǎn)電弧焊接飛濺特征進(jìn)行分析.圖3 為含有焊接飛濺的旋轉(zhuǎn)電弧圖像.由圖3 可知，旋轉(zhuǎn)電弧焊接飛濺含有多個(gè)不同的灰度值，其背景有電弧、煙塵、焊接熔池等，基于該飛濺圖像特征分析，提出了一種基于掩膜的多閾值飛濺區(qū)域提取方法.首先對(duì)飛濺圖像進(jìn)行預(yù)處理，去除噪聲；再采用多閾值處理，獲取飛濺區(qū)域；最后，通過電弧與熔池掩模去除掉落于熔池內(nèi)部的飛濺.

圖3 焊接飛濺的旋轉(zhuǎn)電弧圖像Fig.3 Rotating arc image of welding spatter

2.1 飛濺圖像預(yù)處理

由于焊接過程中會(huì)有多種噪聲干擾，主要來源于焊接過程中的大電流造成的強(qiáng)磁場，表現(xiàn)為椒鹽噪聲及高斯噪聲.為避免在多閾值處理過程中造成干擾，采用中值濾波(圖4)與高斯濾波處理圖像，高斯卷積核如式(1)所示.

圖4 中值濾波模板Fig.4 Median filter template

式中：σ為高斯權(quán)值，取σ=3；i,j為卷積核內(nèi)相對(duì)卷積核中心坐標(biāo)位置；k為卷積核半徑，高斯濾波核大小為5 × 5，取k=2；Hi, j為該卷積核在(i,j)位置的權(quán)值.處理結(jié)果如圖5 所示.從圖5 可以看出，該預(yù)處理基本去除了這兩類噪聲干擾，并保留了必要的細(xì)節(jié).

圖5 焊接圖像預(yù)處理Fig.5 Welding image preprocessing.(a) original image enhancement processing results; (b) median and Gaussian filtering results

2.2 多閾值處理

為實(shí)現(xiàn)多閾值處理，提出了式(2)處理方法.

式中：[a,b]包含飛濺灰度上下限的區(qū)域，經(jīng)過對(duì)飛濺圖像人工分析，飛濺的灰度值范圍a=20，b=200；(x,y)為像素坐標(biāo)；fi(x,y)為原圖像在閾值為i的閾值處理之后在(x,y)處的值；Di為在閾值為i時(shí)包含在最大連通域像素點(diǎn)的集合；g(x,y)為閾值疊加處理之后在(x,y)處的值，處理結(jié)果如圖6 所示.對(duì)于圖6a 中標(biāo)記的飛濺點(diǎn)，圖6b 處理結(jié)果包含了所有飛濺，且包含了難分割的弱灰度值飛濺.

圖6 多閾值處理結(jié)果Fig.6 Multi-threshold processing results.(a) processing results; (b) segmentation result

2.3 掩膜處理

飛離熔池的飛濺會(huì)造成熔池的熱量及質(zhì)量減少，因此以飛離熔池的飛濺為主要研究對(duì)象.若經(jīng)過多閾值之后有n個(gè)分割結(jié)果，采用形態(tài)學(xué)表達(dá)式(3)去除熔池內(nèi)飛濺.

式中：C為結(jié)果集；n為分割結(jié)果數(shù)；Ci為第i個(gè)連通域；D為熔池掩膜；?為空集；Ma為電弧區(qū)域掩膜；Mb為熔池掩膜.掩膜處理后，為進(jìn)一步消除煙塵影響，將閾值低于2 的區(qū)域去除，再以直徑為3 的圓形算子開操作，結(jié)果如圖7 所示.從圖7 可知，該處理方法可去除熔池內(nèi)部飛濺.

圖7 掩膜處理Fig.7 Mask processing.(a) arc and molten pool mask;(b) mask and open operation results

2.4 飛濺輪廓提取

飛濺與誤檢測飛濺的區(qū)別主要在于該連通域的輪廓特征及其周邊環(huán)境.因各飛濺灰度值變化較大，采用飛濺連通域外接矩形的ROI 內(nèi)灰度值計(jì)算該飛濺分割閾值T，即

式中：(i,j)為像素坐標(biāo)；f(i,j)為原圖(i,j)處像素值；m，n分別為該ROI 的高寬.處理結(jié)果如圖8 所示.從圖8 可知，灰度值較低的飛濺可提取出，得出多閾值方法是可行的，但有些并非飛濺的點(diǎn)也被提取，如圖8b 中的6，11 號(hào)為煙塵.

圖8 飛濺分割和標(biāo)記圖Fig.8 Segmentation and mark sheet of spatter.(a)segmentation; (b) mark sheet

3 基于多層BP 神經(jīng)網(wǎng)絡(luò)飛濺識(shí)別

多閾值處理后仍有一些因熔池反光、熔滴光斑及煙塵煙霧光斑產(chǎn)生的誤檢測，如圖9 所示.

圖9 飛濺誤檢測Fig.9 Spatter misdetection

為將誤檢測飛濺去除，提出基于BP 神經(jīng)網(wǎng)絡(luò)的飛濺識(shí)別方法.BP 神經(jīng)網(wǎng)絡(luò)是一種包含了多個(gè)隱含層的網(wǎng)絡(luò)，廣泛用于解決分類識(shí)別、壓縮、回歸等問題[14].該方法的特征選取、神經(jīng)網(wǎng)絡(luò)訓(xùn)練及飛濺識(shí)別過程如下.

3.1 飛濺特征選取及神經(jīng)網(wǎng)絡(luò)訓(xùn)練

將連通域的輪廓特征及周邊灰度特征作為主要的神經(jīng)網(wǎng)絡(luò)訓(xùn)練及檢測特征.

設(shè)計(jì)3 層BP 神經(jīng)網(wǎng)絡(luò)，以飛濺面積、圓度、外接矩形歸一化圖像均值、外接環(huán)形帶內(nèi)歸一化均值、與圖像邊界的最小距離等5 個(gè)特征值為輸入層，判斷結(jié)果為輸出層，建立神經(jīng)網(wǎng)絡(luò)模型如圖10 所示.

圖10 神經(jīng)網(wǎng)絡(luò)模型Fig.10 Neural network model

為將訓(xùn)練得到的結(jié)果達(dá)到較高的準(zhǔn)確率，測試隱含層數(shù)的數(shù)量從1 到100，且每個(gè)隱含層數(shù)訓(xùn)練次數(shù)為10 000 次，將tansig()函數(shù)作為隱含層的傳遞函數(shù)，采用擬牛頓法收斂訓(xùn)練結(jié)果，得到判斷準(zhǔn)確率η與隱含層數(shù)I0的關(guān)系如圖11 所示.從圖11可以看出，局部準(zhǔn)確率雖有波動(dòng)，但總體隨著隱含層數(shù)是逐步上升，且上升斜率逐漸放緩.取準(zhǔn)確率最高值對(duì)應(yīng)層數(shù)，即準(zhǔn)確率為95.76%對(duì)應(yīng)的隱含層數(shù)86 作為最終結(jié)果.

圖11 隱含層數(shù)-準(zhǔn)確率關(guān)系Fig.11 Hidden layer number-accuracy rate relationship

3.2 飛濺特征的神經(jīng)網(wǎng)絡(luò)識(shí)別

為檢測上述神經(jīng)網(wǎng)絡(luò)識(shí)別效果，建立了如圖12 的神經(jīng)網(wǎng)絡(luò)識(shí)別算法，并對(duì)旋轉(zhuǎn)電弧試驗(yàn)圖像進(jìn)行測試.圖12 中Di為輸入的判定特征值，iw為輸入層到隱含層的權(quán)值，lw為隱含層到輸出層的權(quán)值，b1為輸入層到隱含層的偏置矩陣，b2為隱含層到輸出層的偏置，Mr為歸一化矩陣.圖8b 及包含復(fù)雜背景的圖9 的神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果如圖13所示.由圖13 可知，BP 神經(jīng)網(wǎng)絡(luò)識(shí)別的方法可識(shí)別出環(huán)境復(fù)雜的飛濺，魯棒性較強(qiáng).

圖12 神經(jīng)網(wǎng)絡(luò)識(shí)別流程Fig.12 Neural network recognition flow

圖13 神經(jīng)網(wǎng)絡(luò)識(shí)別飛濺誤檢測結(jié)果Fig.13 Neural network recognition spatter misdetection results.(a) detection result of Fig.8b; (b) detection result of Fig.9

4 飛濺數(shù)量及旋轉(zhuǎn)相位分析

為獲得旋轉(zhuǎn)電弧的相位上的飛濺數(shù)量及電流關(guān)系，采用上述方法處理并統(tǒng)計(jì)旋轉(zhuǎn)電弧飛濺數(shù)量.處理圖像并統(tǒng)計(jì)焊接穩(wěn)定狀態(tài)的時(shí)間t內(nèi)飛濺數(shù)量n，與采集到的電流I對(duì)比并劃分周期，統(tǒng)計(jì)周期內(nèi)最大飛濺數(shù)量所在相位φ，可得飛濺數(shù)量、電流與周期相位的統(tǒng)計(jì)如圖14 所示.

圖14 飛濺數(shù)量、焊接電流與極值相位統(tǒng)計(jì)Fig.14 Statistics of the number of spatter, welding current and extreme value phase

從圖14 的相位圖可知，最大飛濺數(shù)量所在相位大致在194.286°～ 288.571°之間，規(guī)律較為穩(wěn)定，相位均值為241.4°(約為焊絲末端進(jìn)入熔池之后約0.14 周期位置)，大致位置為圖2 中的D點(diǎn)，此位置為焊絲沿熔池堆高爬坡接近末端點(diǎn)位置.各個(gè)周期的最大飛濺數(shù)量對(duì)應(yīng)飛濺圖如圖15 所示.

圖15 最大飛濺數(shù)量對(duì)應(yīng)圖像Fig.15 Corresponding picture of maximum spatter quantity

由圖2 可知，焊絲在旋轉(zhuǎn)過程中，CD 段是爬坡過程，電流會(huì)急劇增大；DA 段是下坡過程，電流逐漸下降；ABC 段既無爬坡也無下坡，故電流較穩(wěn)定；圖15 中電流圖基本符合該規(guī)律，但由于焊接電源對(duì)電流劇增的抑制及熔池液面的振蕩，導(dǎo)致各周期中出現(xiàn)電流劇增的多次出現(xiàn).

從圖15 中的飛濺數(shù)量及對(duì)應(yīng)電流圖可知，最大飛濺基本都出現(xiàn)在電流急劇增大后，但最大飛濺位置并非即刻出面在電流劇增結(jié)束位置，而是大多數(shù)呈現(xiàn)一定的滯后(如圖15 中1，3，5，7，8 等周期).飛濺峰值滯后主要原因是飛濺產(chǎn)生后需先從熔池內(nèi)飛行至熔池外才進(jìn)行統(tǒng)計(jì)，且由于掩膜的各向異性，造成飛濺沿不同方向飛出熔池時(shí)間不同，帶來的滯后性的變化.飛濺飛行方向的差異還造成飛濺在相機(jī)視角內(nèi)出現(xiàn)時(shí)間不同，如圖15 中飛濺數(shù)量圖的第6 周期中，飛濺在相機(jī)視角內(nèi)飛行時(shí)間較長，導(dǎo)致連續(xù)幀中均統(tǒng)計(jì)到相同飛濺，如圖16所示.

圖16 長時(shí)間飛行飛濺的圖像Fig.16 Image of long flight spatter

對(duì)最大飛濺數(shù)量滯后性影響因素還有試驗(yàn)所選焊接電源帶有電流劇增時(shí)電流抑制功能，雖然該抑制策略是針對(duì)非旋轉(zhuǎn)電弧焊，但顯然影響液橋爆炸程度，典型的如圖15 中飛濺數(shù)量圖中第5，8 周期，焊接電源雖然對(duì)電流劇增反復(fù)抑制，但仍有飛濺產(chǎn)生，且抑制后再次電流劇增所產(chǎn)生的飛濺數(shù)量更多.此外，圖15 中的飛濺數(shù)量圖第7 個(gè)周期內(nèi)最大飛濺數(shù)量位置前一峰值并無焊接電流的劇增，經(jīng)過對(duì)飛濺圖像分析，主要原因?yàn)榻y(tǒng)計(jì)了落在工件上的飛濺點(diǎn)及前一周期中由于飛行角度在熔池內(nèi)部被遮擋，導(dǎo)致部分飛濺在后一周期出現(xiàn)，如圖17所示.

圖17 統(tǒng)計(jì)中斷的4 號(hào)飛濺Fig.17 Statistically interrupted spatter number 4

從上述分析可知，雖然飛濺飛行角度、電源對(duì)電流劇增抑制、落于工件上的飛濺點(diǎn)對(duì)飛濺最大數(shù)量及位置造成了干擾，但飛濺的主要成因?yàn)樾D(zhuǎn)電弧爬坡過程中液橋迅速減小，電流激增，而電流抑制不充分，造成從而造成液橋爆炸產(chǎn)生飛濺.

5 結(jié)論

(1)采用基于掩膜的多閾值方法可無遺漏的分離出所有飛濺位置，提取到飛濺輪廓；采用BP 神經(jīng)網(wǎng)絡(luò)對(duì)飛濺特征參數(shù)進(jìn)行判斷，獲得了95.76%的識(shí)別率，也為其它焊接飛濺識(shí)別提供了一種新方法.

(2)通過旋轉(zhuǎn)電弧飛濺的數(shù)量與旋轉(zhuǎn)相位分析，得出了飛濺最大數(shù)量的相位均值為241.4°，即焊絲末端進(jìn)入熔池之后約0.14 周期位置.

(3)分析了旋轉(zhuǎn)電弧焊接飛濺產(chǎn)生原因及規(guī)律，主要是由焊接過程中電流激增而抑制不充分造成.