基于多傳感器和支持向量機的GMAW焊接過程模式識別研究

賀峰 史亞斌 王鋒 趙紅武 秦海兵

摘 要：GMAW（熔化極氣體保護焊）是一個復雜的物理、化學過程，存在高度的復雜性和非線性性，有效的提高對其焊接過程模式識別的準確性一直是GMAW焊接過程監(jiān)控的一個關鍵問題。文章提出一種基于多傳感器和SVM（支持向量機）的焊接過程模式識別方法。通過多傳感器對焊接過程中靶材力、振蕩、電弧電流、電壓和聲壓等信號同時進行采集，并進一步對其進行方差、小波以及希爾伯特黃變換；再綜合焊接過程中各信號數(shù)據(jù)和訓練樣本的特點選取并建立多分類SVM和核函數(shù)模型，并利用對焊縫的CT斷層掃描加以驗證，實驗結果表明該方法對焊接過程模式具有較高的準確率。

關鍵詞：GMAW；多傳感器；支持向量機；焊接過程模式識別；參數(shù)優(yōu)化

中圖分類號：TP212 文獻標志碼：A 文章編號：2095-2945（2018）34-0001-05

Abstract： GMAW （gas-shielded metal arc welding） is a complex physical and chemical process， there is a high degree of complexity and nonlinearity. Effectively improving the accuracy of pattern recognition of its welding process has been a key issue of GMAW process monitoring. A method for pattern recognition of welding process based on multi-sensor and SVM （support vector machine） is presented in this paper. The signals of target force， oscillation， arc current， voltage and sound pressure are collected at the same time by multi-sensors， and the variance， wavelet and Hilbert-Huang Transform are carried out. According to the characteristics of signal data and training samples in the welding process， the multi-classification SVM and kernel function models are established and verified by CT tomography of welding seams. The experimental results show that the method has a high accuracy for the welding process mode.

Keywords： GMAW； multi-sensor； support vector machine； pattern recognition of welding process； parameter optimization

1 概述

作為一種目前應用最廣泛的焊接方法，GMAW焊具有成本低、焊絲利用率高、焊接速度快和對各種靶材適應性強的特點，因此廣泛運用于薄鋼板、低熔點材料的各類焊接加工領域。但由于GMAW自身的焊接機理，在焊接過程中易產(chǎn)生飛濺、形成氣孔、夾雜等焊接缺陷，嚴重影響被加工工件的力學和密封性能，必須要對焊接過程進行監(jiān)控從而實現(xiàn)質(zhì)量控制，考慮到焊接實際工況復雜，焊接環(huán)境較為惡劣，采用單一信號對焊接過程進行辨識比較困難[1][2]，例如聲音信號極易受到焊接過程焊屑飛濺、噪聲、振動以及其他環(huán)境的影響，實際采集過程中難以分離出有效的特征信號；實際焊接車間存在大量的并聯(lián)電器以及天車等大型啟重設備，使得焊接過程中電流電壓信號也會受到外界功率波動所產(chǎn)生的電泳干擾，使得電弧信號波動隨機性大，分析預測不夠準確[3]。雖然焊接工藝的數(shù)值模擬已取得了相當大的進步，但是利用數(shù)值模擬的方法對干擾信號進行濾波和估計需要相當長的時間才能找到合適的匹配參數(shù)，都會嚴重影響數(shù)據(jù)特征參數(shù)提取的實時性和準確性，甚至出現(xiàn)焊接過程模式的誤識別[4]。

為了解決上述問題，進一步提高焊接過程模式識別系統(tǒng)的可靠性，本文提出一個基于多傳感器和SVM的焊接過程模式識別的方法。將焊接過程分為4個模式，即未焊接模式、正常焊接模式、過渡焊接模式和異常焊接模式；并根據(jù)焊接過程中焊接信號的隨機性和非線性性的特點選取并建立合適的多分類SVM和核函數(shù)。根據(jù)獲得靶材的力信號、振蕩信號、電弧電信號和電弧聲信號等，利用其不同特征信號對特定過程模式不同的敏感度，來彌補和校準單一傳感器的數(shù)據(jù)準確性。最后通過交叉驗證、遺傳算法和粒子群算法三種方法下尋優(yōu)參數(shù)的對比，完成核函數(shù)的參數(shù)選定。并通過二次實驗結果表明該方法對焊接過程模式具有較高的準確率。

2 模式識別模型構建

2.1 信號采集和特征提取

GMAW焊接過程中可獲取的信號源較多，一般包括靶材力信號、振動振蕩信號、加速度信號、電流信號、電壓信號、聲音信號、聲發(fā)射信號和焊縫CCD圖像信號等。其中：靶材力、振蕩信號對外界敏感度低，具有很高的可靠性，且相對容易測量，是最能表征焊接過程模式的信號之一；焊接過程中的電流、電壓信號受周圍環(huán)境和工況的約束較小，是一種目前發(fā)展較為成熟且在實際應用中最為廣泛的識別信號；聲壓信號是最易受到外界工況干擾的信號，但也是焊接過程中一種最易測得的信號，其高動態(tài)的信息傳輸能力能較好的反映焊接過程?？紤]到焊接過程中缺陷信號的隨機性和不穩(wěn)定性特點，對缺陷處的有效信號進行方差分析、小波變換和希爾伯特黃變換的信號。

2.2 多分類SVM的構建

支持向量機方法是V.apnik等人根據(jù)統(tǒng)計學習理論提出的一種新的機器學習方法。它以結構風險最小化準則為理論基礎，保證了通過有限訓練樣本得到的小誤差分類器對獨立測試集的測試誤差較小。在解決小樣本、非線性和高維的機器學習問題中表現(xiàn)出許多特有的優(yōu)勢，非常適合于GMAW這種復雜的非線性系統(tǒng)建模環(huán)境。支持向量機分類模型需考慮兩個主要因素：信號的特征提取和確定核函數(shù)參數(shù)?？紤]GMAW焊接過程中特征信號非線性和樣本容量較小的特點，決定采用高斯徑向基（RBF）核函數(shù)作為SVM核函數(shù)。

3 試驗設計

GMAW焊接過程中，靶材力信號、加速度信號、電弧電信號和聲壓信號通過靶材部位采用接觸性采集： 焊接過程中電流電壓通過霍爾元件截取焊槍輸出的實時數(shù)據(jù)進行采集；聲壓信號通過兩個噪聲傳感器分別對焊接環(huán)境和非焊接環(huán)境進行同步采集，以便于后期實現(xiàn)物理降噪的目的；最終各信號統(tǒng)一經(jīng)過電荷放大或調(diào)制，由數(shù)據(jù)采集器采集。圖1為焊縫表面質(zhì)量的目檢情況。

數(shù)據(jù)采集平臺 Kistler8763B100/AB三向加速度傳感器、Kistler9367C力傳感器、Kistler8152B111聲發(fā)射傳感器、CRY2110噪聲傳感器、電流電壓霍爾、Kistler5073電荷放大器、Dewe43A 16通道數(shù)據(jù)采集卡。

其中2、5、8、10、15、16區(qū)域焊縫表面存在部分夾雜，焊縫相對飽滿，但焊縫熔寬不整齊，表面上分析容易出現(xiàn)咬邊。但表面未發(fā)現(xiàn)嚴重氣孔。除此之外，焊縫表面存在嚴重夾雜，接口處和焊縫邊緣比較常見。但表面未發(fā)現(xiàn)嚴重氣孔。因此本文將這六個區(qū)域的數(shù)據(jù)作為訓練樣本對SVM模型進行訓練，完成SVM模型參數(shù)尋優(yōu)。

4 模型訓練

由于采用了RBF作為SVM的核函數(shù)，因此需要確定懲罰參數(shù)C和核函數(shù)參數(shù)？酌。這里分別利用交叉驗證法、遺傳算法、粒子群算法進行參數(shù)尋優(yōu)，設計適合的目標函數(shù)，對支持向量機參數(shù)的優(yōu)化。在最優(yōu)參數(shù)選擇時，考慮到過高的C會導致過學習狀態(tài)發(fā)生，所以在能夠達到最高驗證分類準確率的參數(shù)中，選擇較小的懲罰參數(shù)C和與之對應的核函數(shù)參數(shù)？酌，作為SVM最優(yōu)參數(shù)構建最優(yōu)分類決策函數(shù)。

規(guī)定采集過程中的訓練樣本，包括10種信號各300個數(shù)據(jù)，其識別分辨率為0.1s，還包括300個數(shù)值0～3的標簽數(shù)據(jù)，所以，輸入的訓練樣本為300*11的數(shù)據(jù)集。方差特征值再經(jīng)過歸一化處理，即為最終所需的數(shù)據(jù)格式。

4.1 交叉檢驗參數(shù)尋優(yōu)

4.2 遺傳算法（GA）參數(shù)尋優(yōu)

設定遺傳算法（GA）最大進化代數(shù)為100，最大種群數(shù)量為20，優(yōu)懲罰參數(shù)C和核函數(shù)參數(shù)？酌的變化范圍為[0，100]，尋優(yōu)結果如圖4所示。c=92.5878，？酌=6.884，準確率為98%。

4.3 粒子群算法（PSO）參數(shù)尋優(yōu)

設定粒子群算法（PSO）最大進化數(shù)量為200，最大種群數(shù)量為20，速度更新彈性系數(shù)為0.6，種群更新彈性系數(shù)為1，優(yōu)懲罰參數(shù)C和核函數(shù)參數(shù)？酌的變化范圍為[0.1，100]，尋優(yōu)結果如圖5所示。c=7.1531，？酌=12.4852，準確率為99%。

以上三種方法的尋優(yōu)結果可以看出，遺傳算法和粒子群算法能達到較高的分類準確率，且優(yōu)化得到的C值較小，但這一分類準確率是針對訓練樣本自身交叉檢驗的結果，與焊接缺模式識別時的準確率并沒有絕對對應關系，結合實驗效果，選擇粒子群算法尋優(yōu)結果進行焊接缺陷模式識別。

5 實驗驗證

繼續(xù)進行二次試驗對兩塊120*100*10mm 45鋼完成的對接焊，并采集相應焊接特征信號。通過目檢找到其中一處焊接缺陷區(qū)域，并找到對于的CT檢測圖6可以發(fā)現(xiàn)：

該焊接區(qū)域確實存在氣孔缺陷，因此將該焊接區(qū)域的信號進行SVM焊接過程模式識別。其中實際預測為該區(qū)域的實際焊接狀態(tài)，預測數(shù)值為SVM模式識別的焊接模式，數(shù)據(jù)采樣點數(shù)為300，SVM系統(tǒng)的識別采樣頻率為150個點。圖7是SVM焊接模式識別圖，其中每組都包含了代表10種信號特征的10條曲線，Label表示訓練樣本的實際狀態(tài)模式。

其中第0焊接模式是指為焊接模式；第1焊接模式為正常焊接模式；第2焊接模式為過渡焊接模式；第3焊接模式為異常焊接模式。預測結果與實際類別對比如圖8-10所示。

對此段焊接區(qū)域進行150次均布的CT截面掃描，完成對150個識別樣點的匹配工作，部分CT如圖11所示，然后進行焊接模式的離散化統(tǒng)計，最后進行分析。

從表2可知，方差特征模型對3類，通過CT截面統(tǒng)計該模式下的CT斷層狀態(tài)有24個樣點，而模型完成的識別樣點有24個，即異常焊接階段的識別準確率為100%，說明方差特征SVM識別對3類識別具有很高的可信度。對0類和2類的識別基本達到識別要求（90%以上），但是對于1類樣本的識別出現(xiàn)一些錯誤，識別率只有69.12%。

小波特征數(shù)據(jù)SVM識別預測分類結果。模型對第0類的分類準確率很高，由CT截面統(tǒng)計第3焊接模式下的CT斷層狀態(tài)有24個樣點，而模型完成的識別樣點有9個，因此該模型對第3類識別的準確率只有37.5%。

HHT變換SVM識別預測分類結果。由CT統(tǒng)計第0焊接模式下的CT截面斷層狀態(tài)有48個樣點，而模型完成的識別樣點有35個；同理，由CT統(tǒng)計第1焊接模式下的CT斷層狀態(tài)有68個樣點，而模型完成的識別樣點有62個，因此模型對第0類、第1類幾乎無法區(qū)分。

6 結束語

為避免單一傳感器受到外部擾動并對特征數(shù)據(jù)做出的錯誤估計，本文建立了基于多傳感器和支持向量機的焊接過程模式識別的方法。試驗驗證結果表明：（1）通過對靶材力信號、振動信號、電信號和聲壓信號同步采集并進行方差、小波和希爾伯特黃變換得到信號特征和訓練樣本的方法，確實能有效提高對焊接過程模式識別的準確率；（2）利用粒子群算法能取得較高的焊接模式理論識別率（99%），可作為一種配合高斯徑向基（RBF）核函數(shù)參數(shù)尋優(yōu)的優(yōu)化算法。

參考文獻：

[1]Wang X. Three-dimensional vision-based sensing of GTAW： a review [J]. International Journal of Advanced Manufacturing Technology，2014（4）：333-345.

[2]Huang Y， Wang K， Zhou Z， et al. Stability evaluation of short-circuiting gas metal arc welding based on ensemble empirical mode decomposition[J]. Measurement Science and Technology， 2017，28（3）：035006.

[3]賈濱陽.高壓氣體環(huán)境對GMAW焊電弧形態(tài)影響[D].北京化工大學，2012.

[4]馬躍洲，瞿敏，陳劍虹.基于電弧聲信號的CO2焊接狀態(tài)模式識別[J].蘭州理工大學報，2006（04）：29-33.