摘要：為了更好地評價(jià)鋼軌閃光焊接工藝質(zhì)量，本文以焊軌基地GAAS80/580閃光焊機(jī)焊接過程中產(chǎn)生的工藝數(shù)據(jù)作為輸入，構(gòu)建了鋼軌焊接質(zhì)量預(yù)測模型。該模型能通過對多傳感器（電流、壓力和位移）數(shù)據(jù)進(jìn)行收集，并對數(shù)據(jù)進(jìn)行實(shí)時(shí)處理和特征工程，訓(xùn)練、部署合適的循環(huán)深度學(xué)習(xí)模型以進(jìn)行質(zhì)量預(yù)測，還能通過持續(xù)學(xué)習(xí)在不斷變化的條件下進(jìn)行模型演化。本文研究成果可為未來鋼軌焊接在線預(yù)測質(zhì)量系統(tǒng)工程開發(fā)提供技術(shù)參考。

關(guān)鍵詞：鋼軌閃光焊接質(zhì)量；數(shù)據(jù)驅(qū)動；預(yù)測模型

作者簡介：閻曉倩，女，工程師。

隨著技術(shù)飛速發(fā)展，鐵路列車運(yùn)行速度越來越快，對鋼軌焊接的工藝和焊接質(zhì)量提出了更高的要求。目前，我國鋼軌焊接常用的方法主要有閃光焊、氣壓焊和鋁熱焊，其中閃光焊接頭質(zhì)量最為穩(wěn)定、應(yīng)用最廣，大于80%的閃光焊接頭為基地焊接。焊軌基地的焊機(jī)以GAAS80/580閃光焊機(jī)為主［1＼]。

通過實(shí)驗(yàn)和工藝優(yōu)化，國內(nèi)焊接基地已經(jīng)形成一套成熟的鋼軌閃光焊技術(shù)［2-4＼]。然而確定閃光焊機(jī)工藝曲線的質(zhì)量仍然是一項(xiàng)極具挑戰(zhàn)的任務(wù)，高度依賴現(xiàn)場工程師的長期工作經(jīng)驗(yàn)和專業(yè)知識，僅關(guān)注幾個(gè)階段的特征值，不能對整個(gè)工藝曲線進(jìn)行客觀科學(xué)的評價(jià)［5-6＼]。因此，為更好地評價(jià)鋼軌焊接工藝質(zhì)量，開發(fā)預(yù)測性能好、效率高的焊接質(zhì)量預(yù)測模型尤為重要。

基于常用的機(jī)器學(xué)習(xí)算法在焊接數(shù)據(jù)挖掘、焊縫缺陷分類和焊縫特征預(yù)測中的應(yīng)用［7＼]，以GAAS80/580閃光焊機(jī)的電流、壓力、位移時(shí)序數(shù)據(jù)和接頭探傷數(shù)據(jù)作為輸入，構(gòu)建了鋼軌焊接質(zhì)量預(yù)測模型。在模型建立過程中，需要確認(rèn)三個(gè)關(guān)鍵問題：

（1）確定影響質(zhì)量的工藝參數(shù)，并描述相關(guān)傳感器數(shù)據(jù)（電流、壓力和位移）在統(tǒng)計(jì)域、時(shí)域和頻域的特征。

（2）確認(rèn)適合質(zhì)量預(yù)測的數(shù)據(jù)處理方法和神經(jīng)網(wǎng)絡(luò)模型。

（3）確定如何在持續(xù)焊接過程中有效訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的問題。

該模型為工業(yè)生產(chǎn)中快速評估鋼軌焊接質(zhì)量提供了可靠方法。同時(shí)，證明了基于數(shù)據(jù)驅(qū)動的方法具有提前預(yù)測焊接質(zhì)量的潛力［8-11＼]。

1實(shí)驗(yàn)方法

1.1數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)工作流程

數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)工作流程主要包括數(shù)據(jù)收集與處理、模型建立與模型優(yōu)化等步驟，如圖1所示。

圖1中，焊機(jī)數(shù)據(jù)主要包括焊接工藝過程數(shù)據(jù)；數(shù)據(jù)集主要包括將數(shù)據(jù)轉(zhuǎn)換成CSV格式文件，對數(shù)據(jù)對應(yīng)的焊接合格情況進(jìn)行標(biāo)記以及對高頻時(shí)序數(shù)據(jù)進(jìn)行重采樣；特征工程主要包括計(jì)算相關(guān)時(shí)序數(shù)列在統(tǒng)計(jì)域、頻域上的特征；模型訓(xùn)練包括模型結(jié)構(gòu)設(shè)計(jì)、初始參數(shù)設(shè)定、模型參數(shù)訓(xùn)練以及模型參數(shù)優(yōu)化；模型檢測包括模型的現(xiàn)場部署與運(yùn)行過程中的參數(shù)更新；人工標(biāo)注反饋，模型預(yù)測結(jié)果與現(xiàn)場工程師檢測結(jié)果對齊，并根據(jù)反饋結(jié)果進(jìn)行模型修正。

1.2數(shù)據(jù)預(yù)處理

本研究中涉及的鋼軌焊接數(shù)據(jù)來自國內(nèi)某焊接基地2條生產(chǎn)線、6個(gè)鋼種的GAAS80/580焊機(jī)的數(shù)據(jù)，共計(jì)3 406組，將數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，如圖2所示。其中訓(xùn)練數(shù)據(jù)集包含焊接合格數(shù)據(jù)2 500組，焊接不合格數(shù)據(jù)448組；測試數(shù)據(jù)集包含焊接合格數(shù)據(jù)405組，焊接不合格數(shù)據(jù)53組。

1.3曲線特征計(jì)算

閃光焊機(jī)工作主要包含閃平、預(yù)熱、燒化及頂鍛保壓4個(gè)步驟（圖3），為保證精確提取時(shí)序數(shù)列的特征，將所有工藝參數(shù)都按照工藝步驟進(jìn)行分段，分別計(jì)算其統(tǒng)計(jì)域時(shí)序特征和頻域特征，并將其作為神經(jīng)網(wǎng)絡(luò)模型的輸入。

1.3.1壓力曲線特征

不同階段的壓力數(shù)據(jù)統(tǒng)計(jì)域時(shí)序特征分析見表1。

分析不同階段的壓力數(shù)據(jù)分布，并將其進(jìn)行快速傅里葉變換，提取信號在頻域上的信息，如圖4～圖7所示。

1.3.2電流曲線特征

不同階段的電流數(shù)據(jù)統(tǒng)計(jì)域時(shí)序特征見表2。

分析不同階段的電流數(shù)據(jù)分布，并將其進(jìn)行快速傅里葉變換，提取信號在頻域上的信息，如圖8～圖11所示。

1.3.3位移曲線特征

不同階段的位移數(shù)據(jù)統(tǒng)計(jì)域時(shí)序特征分析見表3。

分析不同階段的位移數(shù)據(jù)分布，并將其進(jìn)行快速傅里葉變換，提取信號在頻域上的信息，如圖12～圖15所示。

1.4神經(jīng)網(wǎng)絡(luò)模型建立與訓(xùn)練

構(gòu)建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，對神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行微調(diào)以達(dá)到最佳網(wǎng)絡(luò)配置，主要的超參數(shù)通過貝葉斯算法進(jìn)行了優(yōu)化，包括學(xué)習(xí)率、正則化因子、隱藏層層數(shù)以及每層的神經(jīng)元數(shù)量。貝葉斯搜索進(jìn)行了300次訓(xùn)練，使用不同的隨機(jī)種子和超參數(shù)，并確定了最優(yōu)性能的模型。學(xué)習(xí)率被確定為0.003，最佳正則化參數(shù)為0.8。所有的計(jì)算都在Anaconda中進(jìn)行，計(jì)算語言采用Python編寫。

2結(jié)果與分析

2.1工業(yè)數(shù)據(jù)的應(yīng)用

與實(shí)驗(yàn)室相比，工業(yè)數(shù)據(jù)的數(shù)據(jù)量較大，但關(guān)于焊接過程的工藝數(shù)據(jù)和產(chǎn)品質(zhì)量檢測數(shù)據(jù)不系統(tǒng)，缺乏多樣性，且數(shù)據(jù)種類不平衡。本文建立的模型的輸入?yún)?shù)僅包括焊機(jī)處采集的電流、壓力和位移隨時(shí)間變化的數(shù)據(jù)，其他如鋼軌母材本身和接頭的成分、性能等，均未考慮。本次研究目標(biāo)只針對焊接質(zhì)量，材料特性已經(jīng)根據(jù)現(xiàn)有經(jīng)驗(yàn)設(shè)置的工藝參數(shù)，集成到機(jī)器學(xué)習(xí)模型中。因此，通過三個(gè)輸入項(xiàng)在焊接過程中的變化特征，可以看出其對焊接合格性的影響。

在工業(yè)數(shù)據(jù)應(yīng)用過程中，數(shù)據(jù)集的規(guī)模也非常重要，本項(xiàng)研究的數(shù)據(jù)集共包含3 406組焊接過程工藝數(shù)據(jù)及其相應(yīng)的質(zhì)量檢測結(jié)果數(shù)據(jù)。一般來說，采用這種規(guī)模的數(shù)據(jù)集進(jìn)行數(shù)據(jù)建模時(shí)，存在著潛在的數(shù)據(jù)種類偏差問題。為了解決這個(gè)問題，對數(shù)據(jù)進(jìn)行了不同的特征計(jì)算，對數(shù)據(jù)集進(jìn)行了增強(qiáng)，一組數(shù)據(jù)按照分段擴(kuò)充了4組數(shù)據(jù)，從而避免了不同測試結(jié)果的偏差。在訓(xùn)練時(shí)，隨機(jī)抽取2 948組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，458組作為測試數(shù)據(jù)集，進(jìn)行模型訓(xùn)練與數(shù)據(jù)驗(yàn)證。采用留一法對模型最終性能進(jìn)行驗(yàn)證。這種方法大大減少了在實(shí)施數(shù)據(jù)擬合前的偏差，并大大減少了方差，提高了模型的有效性與穩(wěn)健性。

2.2模型性能

使用訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，采用第1.4節(jié)中的方法對模型進(jìn)行了訓(xùn)練。基于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果如圖16所示，從結(jié)果中可以觀察到訓(xùn)練周期達(dá)到100次后，模型分類準(zhǔn)確率接近75%。但通過觀察驗(yàn)證精度，可以看到網(wǎng)絡(luò)仍然需要訓(xùn)練直到測試數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集準(zhǔn)確性都超過75%。經(jīng)過200次訓(xùn)練循環(huán)后，如果繼續(xù)訓(xùn)練，訓(xùn)練數(shù)據(jù)集的準(zhǔn)確性將開始下降，而測試數(shù)據(jù)集準(zhǔn)確性將繼續(xù)增加，這說明模型出現(xiàn)過擬合現(xiàn)象。因此最終模型分類準(zhǔn)確率為76.64%，準(zhǔn)確找出了405個(gè)焊接合格樣品中的308個(gè)，53個(gè)不合格樣品中的43個(gè)。

3結(jié)語

（1）本次研究提出了一種基于神經(jīng)網(wǎng)絡(luò)的鋼軌焊接質(zhì)量結(jié)果預(yù)測方法，基于閃光焊機(jī)的電流、壓力和位移時(shí)序工藝數(shù)據(jù)以及工業(yè)檢測結(jié)果，可以得到過去需要依賴大量檢測試驗(yàn)才能得到的結(jié)果。

（2）模型對2條生產(chǎn)線、6種類型鋼軌的焊接質(zhì)量分類準(zhǔn)確率達(dá)到76.64%，接近實(shí)用標(biāo)準(zhǔn)（80%以上），且計(jì)算精度將隨著檢測數(shù)據(jù)的積累，不斷提高。

（3）未來將模型封裝成基于Web的軟件，結(jié)合現(xiàn)場檢測的流式數(shù)據(jù)，不斷更新模型參數(shù)，可實(shí)現(xiàn)國內(nèi)焊接基地鋼軌焊接質(zhì)量的在線預(yù)測，具備大規(guī)模推廣的潛力。

參考文獻(xiàn)

［1］姚寧，閻曉倩.SPC在鋼軌焊接質(zhì)量控制中心的應(yīng)用［J］.鐵路采購與物流，2023，18（7）： 58-60.

［2］許建學(xué)，淺談GAAS80/580 閃光焊機(jī)工藝參數(shù)的優(yōu)化［J］.甘肅科技，2014，30（10）： 54-55.

［3］張銘達(dá).GAAS80/580焊機(jī)工藝參數(shù)設(shè)置對U71Mn鋼軌焊接質(zhì)量的影響［J］.鐵道建筑，2018，58（12）： 139-142.

［4］李琪，王秀菊.基于ＧＡＡ１００／５８０閃光焊機(jī)監(jiān)控系統(tǒng)的鋼軌焊接缺陷分析［J］.電工技術(shù)，2021（16）： 17-18.

［5］楊華.GAAS80/580 型鋼軌閃光焊焊機(jī)記錄曲線異常分析［J］.鐵道技術(shù)監(jiān)督，2017，45（4）： 32-34.

［6］劉海娥，鄭松.GAAS80/580焊機(jī)對焊軌內(nèi)在質(zhì)量的影響因素研究［J］.科技創(chuàng)新與應(yīng)用，2017（8）： 147-148.

［7］WU Y L， MENG Y Q， SHAO C H.End-to-end online quality prediction for ultrasonic metal welding using sensor fusion and deep learning［J］.Journal of Manufacturing Processes， 2022，83：685-694.

［8］MONGAN P G， HINCHY E P， O′DOWD N P， et al.Quality prediction of ultrasonically welded joints using a hybrid machine learning model［J］.Journal of Manufacturing Processes， 2021， 71：571-579.

［9］YANNIK H， ROBERT M， GUDIO B，" et al.Towards a deep learning-based online quality prediction system for welding processes［J］.Procedia CIRP， 2023，120：1047-1052.

［10］PEREIRA H B， ECHEVERRI E A A， CENTENO D M A， et al.Premium rail flash-butt welding process window based on phase transformations［J］.Key Engineering Materials， 2023， 966： 63-69.

［11］SU H ， PUN C L， MUTTON P， et al.Numerical study on the ratcheting performance of rail flash butt welds in heavy haul operations［J］.International Journal of Mechanical Sciences， 2021（7）： 106434.