房?；瑓尾?，張艷喜，盧新釗，高向東

焊接過程聲信號在線檢測技術(shù)現(xiàn)狀與展望

房?；?，呂波1，張艷喜1，盧新釗2，高向東1

（1. 廣東工業(yè)大學(xué) 廣東省焊接工程技術(shù)研究中心，廣州 510006； 2. 廣東精泰人防工程有限公司，廣東 肇慶 526238）

基于焊接過程聲信號的聲學(xué)檢測技術(shù)是一種實時采集和檢測缺陷的有效方法，對材料內(nèi)部結(jié)構(gòu)變化反映明顯。概述了常規(guī)焊接缺陷無損檢測方法的優(yōu)缺點(diǎn)，對焊接過程聲信號的分類和聲信號采集系統(tǒng)進(jìn)行了論述，分析總結(jié)了聲發(fā)射信號和可聽聲信號的發(fā)聲機(jī)理、檢測原理和信號處理方法，并闡述其在焊接質(zhì)量在線檢測領(lǐng)域的研究現(xiàn)狀及應(yīng)用，特別是焊接缺陷、熔滴過渡形式和熔透狀態(tài)的識別與預(yù)測。為了滿足在線檢測要求，包含聲學(xué)檢測在內(nèi)的多傳感信息融合焊接系統(tǒng)研究是關(guān)鍵，智能傳感、信號處理、自動控制與人工智能技術(shù)的進(jìn)一步研究能促進(jìn)焊接產(chǎn)業(yè)的長足發(fā)展。

焊接質(zhì)量；聲學(xué)檢測；聲發(fā)射；電弧聲；模式識別

焊接作為重要的材料成形和加工技術(shù)，已在石油化工、機(jī)械制造、交通運(yùn)輸、航空航天、建筑工程、微電子等領(lǐng)域得到了快速應(yīng)用和發(fā)展[1]。焊接過程中，由于焊接參數(shù)設(shè)置不當(dāng)和環(huán)境因素的影響會產(chǎn)生缺陷，嚴(yán)重影響焊接件的產(chǎn)品質(zhì)量，危害生產(chǎn)安全。隨著焊接技術(shù)不斷向智能化方向發(fā)展，對焊接過程質(zhì)量檢測也提出了更高的要求。

目前國內(nèi)外常規(guī)焊接缺陷無損檢測方法主要有射線檢測、超聲檢測、滲透檢測、磁粉檢測、渦流檢測以及漏磁檢測等[2]。射線檢測基于工件各部位對射線的吸收能力不同，將強(qiáng)度差異反映在感光膠片或顯示設(shè)備上來判斷工件是否存在缺陷，需要檢測人員具備豐富的經(jīng)驗，且其檢測方法對人體有害[3]。常見的缺陷是氣孔、夾渣、未焊透、未熔合和裂紋。超聲檢測利用超聲波與工件作用后的反射、透射和散射波，對被檢測物體的宏觀缺陷、幾何特性及力學(xué)變化等方面進(jìn)行檢測，通常需要較大的掃描空間且檢測效率不高[4]。磁粉檢測利用工件上缺陷位置的不連續(xù)性產(chǎn)生漏磁場，吸附施加在表面的磁粉，在合適的光照下形成可見的磁痕，從而顯示缺陷分布，能夠檢測表面裂紋、氣孔、夾渣等缺陷，但其對工件表面粗糙度的要求非常高，且自動化程度較低[5]。渦流檢測利用電磁感應(yīng)原理來檢測工件缺陷，能在高溫特殊環(huán)境下工作，不需接觸工件，對表面和近表面缺陷具有較高的靈敏度，但信號處理較復(fù)雜，對缺陷的形狀尺寸識別困難[6]。漏磁檢測通過霍爾傳感器等獲取漏磁場變化信號來識別缺陷，對表面或近表面的體積型缺陷非常敏感，適用于大面積、長距離管道的快速檢測，具有一定的尺寸定量能力[7]。

上述無損檢測都是焊后檢測方法，且存在一定的局限性，特別是檢測精度在很大程度上度取決于檢測人員的知識水平和經(jīng)驗[8]。隨著現(xiàn)代焊接產(chǎn)業(yè)的不斷發(fā)展，難以滿足智能化的生產(chǎn)要求。在焊接質(zhì)量在線檢測研究中，研究者們主要通過視覺、聲音、光學(xué)等技術(shù)手段或利用多傳感信息融合對焊接過程進(jìn)行考察[9-10]，結(jié)合機(jī)器學(xué)習(xí)和人工智能技術(shù)，構(gòu)建焊接質(zhì)量預(yù)測模型。在廣泛運(yùn)用的無損檢測技術(shù)中，基于聲學(xué)的無損檢測技術(shù)具有檢測范圍廣、檢測深度大、傳輸速度快、對人體無害且方便使用等優(yōu)勢，更適合于焊接結(jié)構(gòu)內(nèi)部缺陷檢測[11]，因此許多研究者利用焊接過程聲信號作為獨(dú)立信息或輔助信息進(jìn)行在線檢測，確定焊接質(zhì)量狀態(tài)。

1 焊接過程聲信號檢測

1.1 焊接過程聲信號分類

焊接過程伴隨著豐富的聲、光、熱、電等物理化學(xué)現(xiàn)象，可反映焊接質(zhì)量的狀態(tài)[12]。圖1為焊接過程中產(chǎn)生的檢測信號[13]。焊接自動化的過程控制就是對熔池的監(jiān)測，光信號、聲信號、電信號都是快速檢測焊接質(zhì)量的關(guān)鍵。對于聲信號，沿焊接件表面?zhèn)鞑サ穆暟l(fā)射信號為超聲波段，而向空氣中傳播的聲信號為人耳可聽聲波段。

圖1 焊接過程檢測信號[13]

對可聽聲信號的研究，王偉[14]和蔣凡等[15]指出，可聽聲信號是在激光焊接小孔模式下由等離子體從小孔中噴射的壓力波動造成的。在電弧焊接過程中，它是由于熔池的持續(xù)沖擊和電弧內(nèi)部自身的高頻震蕩而產(chǎn)生的，其中焊接電弧聲信號有3個聲源：焊接電弧、保護(hù)氣體和焊接設(shè)備（如焊機(jī)、送絲機(jī)等外圍設(shè)備），后兩者由于信號較微弱，對電弧聲信號的特征分析影響很小[16]。對聲發(fā)射信號的研究發(fā)現(xiàn)，聲發(fā)射現(xiàn)象的產(chǎn)生是焊接結(jié)構(gòu)裂紋、沖擊和摩擦等多種因素作用的結(jié)果，使焊件內(nèi)部殘余應(yīng)力迅速釋放，產(chǎn)生彈性能量波[17]。

1.2 焊接過程聲信號采集

根據(jù)焊接過程聲信號頻率范圍的不同，分為2類聲傳感器，圖2為傳感器實物。一類是聲發(fā)射傳感器，通過耦合劑緊貼于工件表面，廣泛應(yīng)用于過程監(jiān)控和故障診斷中。對于焊接缺陷檢測，通常選用信號頻率在25～750 kHz的諧振式傳感器；另一類是麥克風(fēng)傳聲器，通常選用自由場型預(yù)極化測量傳聲器，性能穩(wěn)定，動態(tài)響應(yīng)好，且方便多路和長距離測量，頻率范圍一般在20～20 kHz，最高可達(dá)100 kHz。針對不同的研究對象，合適型號的傳感器能更好地采集真實數(shù)據(jù)。圖3為基于Labview開發(fā)平臺的焊接過程聲信號采集系統(tǒng)流程，為了確保采集的可靠性，需對傳感器選型和軟硬件設(shè)計進(jìn)行深入研究。整個信號采集過程中聲傳感器將振動信號轉(zhuǎn)換為電信號，再濾波去噪、放大處理，經(jīng)過數(shù)據(jù)采集卡采集數(shù)據(jù)，并通過分析軟件進(jìn)行保存、顯示與分析[18]。

圖2 聲傳感器實物

圖3 焊接過程聲音采集系統(tǒng)流程[13]

基于焊接過程聲信號的聲學(xué)檢測是實時采集的動態(tài)檢測方法，其聲源能量來自被測物體缺陷的本身，而不是由無損檢測儀器提供。對于復(fù)雜的工作環(huán)境能實現(xiàn)遠(yuǎn)程監(jiān)控，通過實時反饋動態(tài)信息，結(jié)合動態(tài)分析方法，能夠?qū)ξ矬w內(nèi)部結(jié)構(gòu)的損傷程度做出合理化的評析[19]。

2 聲發(fā)射檢測

2.1 聲發(fā)射信號分析

不同的結(jié)構(gòu)形式有不同的聲發(fā)射源，通常利用參數(shù)分析法總結(jié)其信號特性。對于單個信號的表征，參數(shù)包括振幅、持續(xù)時間、能量、均方根電壓值、撞擊數(shù)等。為了提高多個聲發(fā)射信號處理的準(zhǔn)確性，許多學(xué)者綜合應(yīng)用了包括振鈴計數(shù)、事件計數(shù)和有效電壓值等聲發(fā)射特征參數(shù)來評估材料或結(jié)構(gòu)穩(wěn)定性，從聲發(fā)射參數(shù)的關(guān)聯(lián)圖中可以找出聲發(fā)射信號的變化規(guī)律，以區(qū)分不同特性的信號，具有一定的實用性[20]。聲發(fā)射信號簡化參數(shù)分析如圖4所示。

圖4 聲發(fā)射信號簡化參數(shù)分析

朱洋等[21]對304不銹鋼進(jìn)行脈沖激光焊接試驗，發(fā)現(xiàn)利用聲發(fā)射事件的平均峰值-振鈴計數(shù)特征分布圖能評估焊接穩(wěn)定性。同樣是對不銹鋼的試驗，CHAI Meng-yu等[22]利用上升時間、持續(xù)時間、計數(shù)和幅度等信號特征，區(qū)分韌性裂紋擴(kuò)展，循環(huán)塑性區(qū)內(nèi)塑性變形和剪切裂紋擴(kuò)展的源特征。盡管每個聲發(fā)射參數(shù)都能提供與聲發(fā)射源特征的相關(guān)信息，但由于對參數(shù)選取的不確定性，往往會對同一聲發(fā)射事件給出不同的評價。另外，參數(shù)分析不能區(qū)分不同的聲發(fā)射源，有一定的局限性。

隨著信號處理和計算機(jī)技術(shù)的不斷發(fā)展，在時域、頻域、時頻域上對焊接過程聲發(fā)射信號的波形分析不斷進(jìn)步。在時域波形分析方面，利用峰值、均值、方差、歪度、峭度和均方根值等指標(biāo)作為特征值，對信號做相關(guān)分析，了解信號自身或不同信號間的相似程度或關(guān)聯(lián)性。朱洋等[23]通過時域分析研究了脈沖YAG激光焊、微束等離子弧焊和激光-微束等離子復(fù)合焊3種不同熱源焊接效果的聲發(fā)射信號表征。韋朋余等[24]以高強(qiáng)鋼MAG焊為研究對象，通過改變正常焊接工藝、減少保護(hù)氣體量和預(yù)埋缺陷3種焊接條件，獲得了對應(yīng)的無焊接缺陷、氣孔和裂紋3種情況下的聲發(fā)射信號，通過波形分析，表明能在船舶建造過程中進(jìn)行聲發(fā)射實時監(jiān)測。

時頻分析將非平穩(wěn)信號的頻譜和時間關(guān)聯(lián)，研究其變化規(guī)律。學(xué)者們提出短時傅里葉變換、Gabor變換、小波變換、EMD分解等方法，并在此基礎(chǔ)上進(jìn)行了很多改進(jìn)和發(fā)展[25]。熊亞飛等[26]以未焊透、未熔合、氣孔、夾渣等焊接缺陷試樣為研究對象，對比短時傅里葉變換、Wigner-Ville分布、小波變換、Hilbert-Huang變換4種時頻分析法的表征效果，發(fā)現(xiàn)Hilbert-Huang變換的時頻分辨率和局部時頻特性表現(xiàn)能力更出色。周志鵬等[27]和王超等[28]分別利用同步壓縮小波變換和一種基于STFT（Short-term fourier transform）、小波變換的新的S變換理論，通過拉伸實驗，計算并分析裂紋形成、擴(kuò)展各個階段聲發(fā)射信號波形頻譜特征以及信號能量分布特征。觀察對比焊接過程熱裂紋、冷裂紋的聲發(fā)射信號，分析動態(tài)特性與演變規(guī)律，其聲發(fā)射信號采集裝置如圖5所示。

圖5 聲發(fā)射信號采集裝置[27]

相比參數(shù)分析，波形分析法能更直觀展現(xiàn)聲發(fā)射源的特征，為了更好地評價焊接質(zhì)量，做好焊接缺陷的檢測與識別，研究者們會綜合兩者的優(yōu)勢對焊接聲學(xué)信號進(jìn)行分析。

2.2 聲發(fā)射源識別與預(yù)測

在缺陷聲發(fā)射檢測研究中，根據(jù)聲發(fā)射參數(shù)特征，神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用[29]。人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）具有強(qiáng)大的非線性映射能力、并行分布式處理能力、高速尋找優(yōu)化解能力、自學(xué)習(xí)和自適應(yīng)能力，它可以很好地解決聲發(fā)射檢測技術(shù)的噪聲干擾問題，準(zhǔn)確判斷聲發(fā)射源的活動情況。

聲發(fā)射源與聲發(fā)射信號之間的映射關(guān)系往往難以建立準(zhǔn)確的數(shù)學(xué)模型，人工神經(jīng)網(wǎng)絡(luò)的引入可對焊接缺陷進(jìn)行識別與預(yù)測。通過焊接過程冶金行為的聲發(fā)射信號，提取重要的特征參數(shù)作為輸入單元，建立BP（Back propagation）神經(jīng)網(wǎng)絡(luò)監(jiān)測模型，對裂紋有較好的識別效果[30-31]，神經(jīng)網(wǎng)絡(luò)模型如圖6所示。LEE S等[32]選擇聲發(fā)射信號作為反饋信號，對激光點(diǎn)焊過程中不同激光功率、脈沖持續(xù)時間等工藝條件下的聲發(fā)射數(shù)據(jù)進(jìn)行功率譜分析，獲取特征應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)中，預(yù)測了不銹鋼板的可焊性。

圖6 焊接裂紋BP神經(jīng)網(wǎng)絡(luò)監(jiān)測模型

支持向量機(jī)（Support vector machine，SVM）是有限樣本學(xué)習(xí)的有效工具，基本思想是尋找樣本距離最大的最優(yōu)分類平面，該平面能將兩類訓(xùn)練樣本完全分開[33]。王齊勝等[34]以聲發(fā)射信號的平均短時能量作為支持向量機(jī)的輸入特征，選取徑向基核函數(shù)，對焊接熔透狀態(tài)進(jìn)行識別，整體識別率達(dá)到98%。李奇[35]提出的HMM-SVM模型將隱馬爾可夫模型（Hidden markov model，HMM）和支持向量機(jī)結(jié)合起來，綜合了HMM的狀態(tài)轉(zhuǎn)移和依賴能力以及SVM的小樣本擴(kuò)展能力，具有較高的焊接過程裂紋識別準(zhǔn)確率。

2.3 聲發(fā)射源定位

在聲發(fā)射檢測中，聲發(fā)射源主要為裂紋萌生和擴(kuò)展、屈服和塑性變形、夾渣物的斷裂和脫開。這些聲發(fā)射源多表現(xiàn)為點(diǎn)源，并以球形波的形式向四周發(fā)射能量。聲發(fā)射源定位的方法主要有時差定位和區(qū)域定位，時差定位主要是通過傳感器進(jìn)行線定位和面定位，容易丟失低幅度的信號，且準(zhǔn)確性受焊接缺陷的形狀影響較大；區(qū)域定位簡便，速度較快，但定位粗略。

對此，研究者們提出了一些新的定位方法。陳鋼等[36]主要是針對現(xiàn)場壓力容器可能遇到的焊接缺陷的開裂和增長、殘余應(yīng)力釋放、氧化皮的剝落、泄露等多種聲發(fā)射源，采用聲發(fā)射源定位、分布和關(guān)聯(lián)分析等方法進(jìn)行研究，發(fā)現(xiàn)這些聲發(fā)射源的特征，并提出快捷的識別方法。STEPANOVA L N等[37]提出焊接輪廓的復(fù)雜形狀導(dǎo)致聲波信號的失真，干擾了三角定位精度。開發(fā)一種改進(jìn)的表格定位方法，該方法將提供更高的精度，在測試焊接輪廓時實時確定缺陷的坐標(biāo)。

相比于傳統(tǒng)的聲源定位方法，把現(xiàn)代信號處理技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)融入到聲發(fā)射源定位中能提高缺陷定位正確率。張鵬林等[38]研究的基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電塔筒裂紋聲發(fā)射源智能定位方法，提供了更優(yōu)的傳感器布置方法，能正確地定位出缺陷的位置。彭國平等[39]根據(jù)聲發(fā)射檢測方法和時間反轉(zhuǎn)成像算法，推導(dǎo)了損傷聲源信號時間反轉(zhuǎn)過程，有效提高了信號的信噪比。通過數(shù)值仿真實驗，對比分析求和與相乘2種成像方法，結(jié)果表明經(jīng)過閾值化處理都能準(zhǔn)確地確定聲源位置。

3 可聽聲信號檢測

電弧焊接過程是一個復(fù)雜的物理變化過程，焊接電弧狀態(tài)攜帶著大量與焊接穩(wěn)定性、焊接質(zhì)量相關(guān)的信息[40]。有經(jīng)驗的工作者能很快從焊接電弧聲中發(fā)現(xiàn)潛在問題，并通過調(diào)整焊接參數(shù)優(yōu)化焊接過程[41]。不同于聲發(fā)射檢測的接觸式耦合方法，電弧聲采集使用麥克風(fēng)傳聲器，使檢測過程更簡便，并且包含更多的焊接質(zhì)量信息。大部分研究者單獨(dú)利用可聽聲信號或結(jié)合多傳感器數(shù)據(jù)特征進(jìn)行熔透狀態(tài)、熔滴過渡形式的識別[42]。

3.1 麥克風(fēng)聲信號采集系統(tǒng)

LYU Na等[43]使用的一套脈沖GTAW采集與控制系統(tǒng)見圖7，該系統(tǒng)采用多傳感信息融合，通過高速攝像機(jī)捕獲熔池的圖像，利用麥克風(fēng)傳聲器在一定范圍內(nèi)采集焊接過程的聲音信號。通常情況下，同軸探測用來檢測光電信號，從而聲信號的探測一般放置在旁軸。

3.2 可聽聲信號特征提取

實際采集的焊接過程聲信號具有多源共存的特點(diǎn)，若直接進(jìn)行焊接狀態(tài)表征將占用大量的計算資源，并且表征效果不精確。對焊接過程聲信號進(jìn)行預(yù)處理顯得非常重要，進(jìn)一步提取有效的聲音信號特征用于建立焊接狀態(tài)識別與分類模型。聲發(fā)射信號和可聽聲信號除了在采集方式和應(yīng)用范圍上的差別外，在后續(xù)的信號處理、特征分析、識別分類上都具有通用性。

圖7 脈沖GTAW采集與控制系統(tǒng)示意[43]

在可聽聲信號特征提取研究中，以統(tǒng)計學(xué)為基礎(chǔ)的時域分析特征提取方法和以語音識別技術(shù)為基礎(chǔ)的特征提取方法應(yīng)用最廣泛。時域統(tǒng)計法的特征統(tǒng)計量包括均值、標(biāo)準(zhǔn)差、協(xié)方差、均方根、能量、對數(shù)能量，以及信號的脈沖因子、峰值因子、峭度因子和偏態(tài)因子等。利用這些統(tǒng)計量，蔣凡等[15]通過作圖比較，分析了鋁合金GTAW焊接未熔透、熔透和過熔透3種狀態(tài)的規(guī)律。

由于可聽聲信號的特殊性，可用語音識別方面的人工智能技術(shù)建立焊接熔透狀態(tài)預(yù)測模型，如線性預(yù)測分析（Linear prediction coefficients，LPC）、線性預(yù)測倒譜系數(shù)（Linear predictive cepstral coefficient，LPCC）、梅爾頻率倒譜系數(shù)（Mel frequency cepstrum coefficient，MFCC）等。其中MFCC應(yīng)用最廣泛，其特征提取流程如圖8所示，該過程考慮了人耳的聽覺特性，將聲信號快速傅里葉變換后的能量經(jīng)過Mel濾波器組轉(zhuǎn)換到Mel域，然后做離散余弦變換提取每一幀的動態(tài)特征，最后得到特征向量用于訓(xùn)練和識別。

3.3 焊接狀態(tài)識別與分類

熔滴過渡描述熔滴通過電弧空間向熔池轉(zhuǎn)移的過程，它與焊接過程的穩(wěn)定性、焊縫成形、飛濺大小等息息相關(guān)。熔透是評估焊接質(zhì)量的重要指標(biāo)，焊接接頭處未熔透和過熔透現(xiàn)象往往會造成應(yīng)力集中，影響結(jié)構(gòu)性能。在對可聽聲信號處理中，結(jié)合人工智能技術(shù)對焊接熔滴過渡、熔透狀態(tài)進(jìn)行監(jiān)測非常必要。相對于聲發(fā)射信號，可聽聲信號在焊接狀態(tài)識別與分類建模上更多元。在熔滴過渡的研究中，高延峰等[44]根據(jù)人耳聽覺模型，針對強(qiáng)噪聲干擾下MIG焊的電弧聲信號，利用支持向量機(jī)算法實現(xiàn)對熔滴過渡狀態(tài)的識別，該過程對電弧聲進(jìn)行外耳與中耳濾波、頻率分解，通過聲響度計算完成特征矢量構(gòu)建，具有較強(qiáng)的抗干擾能力。盧宜等[45]則針對MIG焊薄板平鋪焊縫，分析3種不同熔滴過渡模式下電弧聲信號和電信號的自相關(guān)函數(shù)和互相關(guān)函數(shù)，發(fā)現(xiàn)電弧能量與電弧聲聯(lián)系緊密，然后通過對電弧聲信號的功率譜分析頻率分布差異，最后設(shè)計GRNN（General regression neural network）和PNN（Probabilistic neural network）熔滴過渡類型識別模型，識別精度較高。

圖8 MFCC特征提取流程

在熔透狀態(tài)識別中，研究者們利用音頻信息作為輔助單元，與視覺信息結(jié)合，能夠更好地分析焊接狀態(tài)變化[46]。郭鵬等[47]利用熔化極氣體保護(hù)焊過程產(chǎn)生的電弧聲信號，通過短時傅里葉變換分析不同熔透狀態(tài)下的電弧聲信號頻譜，提取基于共稀疏表示模型的修正電弧聲信號梅爾頻率倒譜特征，構(gòu)建基于SVM的不同熔透狀態(tài)的識別模型。LYU Na等[43]研究鋁合金的脈沖GTAW焊接過程的質(zhì)量控制，提出了一套基于聽覺注意AC-ROI預(yù)處理方法、極大模閾值去噪方法的時-頻-時頻域熔透特征提取算法，主要用到39個融合特征作為輸入值，BPANN預(yù)測模型進(jìn)行熔透狀態(tài)識別的精度為80%～90%。

大多數(shù)研究者是通過在時域、頻域、時頻域綜合分析信號波形特征，結(jié)合人工智能建立焊接質(zhì)量預(yù)測系統(tǒng)。通常先從采集到的可聽聲信號進(jìn)行預(yù)處理并提取重要的特征量，對測量空間和特征空間進(jìn)行降維處理，然后根據(jù)訓(xùn)練集數(shù)據(jù)確定一個判定決策規(guī)則，建立數(shù)據(jù)與焊接質(zhì)量狀況之間的映射關(guān)系，使錯誤識別率達(dá)到最小。在實際研究中，研究學(xué)者也發(fā)現(xiàn)建立焊接質(zhì)量模式識別系統(tǒng)需要大量的焊接缺陷樣本進(jìn)行訓(xùn)練，樣本數(shù)據(jù)量問題也是進(jìn)行智能化發(fā)展的一個重要的關(guān)注點(diǎn)。

4 總結(jié)與展望

通過對焊接過程聲學(xué)信號的處理分析可實時反饋焊接質(zhì)量，焊接過程聲發(fā)射信號屬于超聲波頻段，能表征不同的聲發(fā)射源，特別是對裂紋的識別與預(yù)測?？陕犅曅盘杽t更多的是對焊接過程熔透狀態(tài)或熔滴過渡狀態(tài)的識別。相較于聲發(fā)射信號，焊接可聽聲信號包含更多的焊接質(zhì)量信息。焊接過程聲信號的處理一般對信號進(jìn)行時域、頻域或時頻域分析，然后提取焊接缺陷特征，建立與研究對象的相關(guān)性。機(jī)器學(xué)習(xí)、模式識別等技術(shù)能很好地將焊接過程聲信號與焊接質(zhì)量進(jìn)行關(guān)聯(lián)，但要解決樣本數(shù)據(jù)量問題，才能得到更好的識別模型。

基于焊接過程聲信號進(jìn)行在線檢測的研究目前有很多重要成果，但也存在不足。單一傳感系統(tǒng)往往不能滿足需求，需要進(jìn)一步將聲學(xué)檢測技術(shù)與智能傳感、信號處理、自動控制、人工智能等技術(shù)結(jié)合，促進(jìn)焊接質(zhì)量無損檢測向自動化和智能化發(fā)展。

[1] 李曉延, 武傳松, 李午申. 中國焊接制造領(lǐng)域?qū)W科發(fā)展研究[J]. 機(jī)械工程學(xué)報, 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] 楊杰, 李路可, 沈華剛. 新型焊接質(zhì)量的無損檢測技術(shù)[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] 陳國達(dá), 郗楓飛, 計時鳴, 等. 螺栓無損檢測方法綜述[J]. 制造技術(shù)與機(jī)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] 蘇林, 成文峰, 劉保余, 等. 管道環(huán)焊縫缺陷漏磁檢測信號仿真分析[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] 楊喜牟, 李天慶, 李鑫, 等. 基于多信號檢測的等離子弧焊接平臺構(gòu)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] 遲大釗, 齊聰成. 國內(nèi)焊接缺陷聲學(xué)無損檢測研究綜述[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, 高向東. 激光焊接技術(shù)的研究現(xiàn)狀與展望[J]. 焊接技術(shù), 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] 劉佳. 基于聲音圖像信號的激光焊接過程質(zhì)量實時檢測的研究[D]. 天津: 天津大學(xué), 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] 王偉, 朱六妹. 激光焊接聲、光信號監(jiān)測儀的研究[J]. 儀表技術(shù)與傳感器, 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] 蔣凡, 李元鋒, 陳樹君. 焊接電弧監(jiān)測技術(shù)研究現(xiàn)狀及展望[J]. 機(jī)械工程學(xué)報, 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] 呂娜. 基于電弧聲信號的鋁合金脈沖GTAW熔透特征識別及其實時控制研究[D]. 上海: 上海交通大學(xué), 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. 焊接裂紋聲發(fā)射信號特性實驗研究[D]. 湘潭: 湖南科技大學(xué), 2016: 2.

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

[18] 許中林, 李國祿, 董天順, 等. 聲發(fā)射信號分析與處理方法研究進(jìn)展[J]. 材料導(dǎo)報, 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, 耿榮生, 劉時風(fēng). 聲發(fā)射信號的參數(shù)分析方法[J]. 無損檢測, 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, 羅怡, 謝小健, 等. YAG激光焊接脈沖能量作用效應(yīng)的聲發(fā)射特征參數(shù)表征[J]. 焊接學(xué)報, 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, 羅怡, 謝小健, 等. 激光-微束等離子弧復(fù)合焊接過程的結(jié)構(gòu)負(fù)載聲發(fā)射信號表征[J]. 焊接學(xué)報, 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] 韋朋余, 岳亞霖, 張煒, 等. 船用厚板高強(qiáng)度鋼MAG焊焊接過程聲發(fā)射信號特性研究[C]// 中國第十五屆聲發(fā)射學(xué)術(shù)研討會論文集, 中國船舶科學(xué)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] 熊亞飛. Q345R鋼焊接缺陷的聲發(fā)射信號分析[D]. 福州: 福州大學(xué), 2014: 1-58.

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

[27] 周志鵬. 同步壓縮小波變換在焊接裂紋聲發(fā)射信號檢測中的應(yīng)用[D]. 湘潭: 湖南科技大學(xué), 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變換的焊接裂紋聲發(fā)射信號時頻分析[D]. 湘潭: 湖南科技大學(xué), 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] 張勇, 周昀蕓, 王博, 等. 基于聲發(fā)射信號的鋁合金點(diǎn)焊裂紋神經(jīng)網(wǎng)絡(luò)監(jiān)測[J]. 機(jī)械工程學(xué)報, 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] 王齊勝, 高延峰, 龔巖峰, 等. 基于聲發(fā)射信號短時能量的TIG焊熔透狀態(tài)識別[J]. 熱加工工藝, 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. 基于聲發(fā)射信號特征的焊接裂紋識別[D]. 湘潭: 湖南科技大學(xué), 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] 陳鋼, 沈功田, 李邦憲. 金屬壓力容器聲發(fā)射源特性的研究[J]. 中國安全科學(xué)學(xué)報, 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] 張鵬林, 常海, 楊杰, 等. BP神經(jīng)網(wǎng)絡(luò)在風(fēng)電塔筒裂紋AE源定位中的應(yīng)用[J]. 中國測試, 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] 彭國平, 張在東, 盧超, 等. 焊縫聲發(fā)射源二維時間反轉(zhuǎn)成像定位方法研究[J]. 南昌航空大學(xué)學(xué)報(自然科學(xué)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, 王齊勝, 黃林然, 等. 基于人耳聽覺模型的MIG焊熔滴過渡狀態(tài)識別[J]. 機(jī)械工程學(xué)報, 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] 盧宜. 基于電弧聲信號的MIG焊熔滴過渡類型識別[D]. 南昌: 南昌航空大學(xué), 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] 郭鵬. 基于電弧聲共稀疏表示的MAG焊熔透狀態(tài)的識別[D]. 南昌: 南昌大學(xué), 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

廣州市科技計劃（202002020068）

房海基（1995—），男，碩士生，主要研究方向為焊接自動化。

高向東（1963—），男，教授，博士生導(dǎo)師，主要研究方向為焊接自動化。