基于電弧信息時頻特征的多層多道焊縫熔寬預測研究

袁飛 岳晨凱 黃勇 李曉鵬 王克鴻

摘要：以多層多道的熔化極氣體保護電弧焊接過程為研究對象，以識別熔寬為目標，設置了不同的工藝實驗，獲得了不同熔寬下對應的電弧信號。對不同工藝條件下的電信號進行了時頻特征分析，并利用變分模態分解（VMD）方法提取其時頻特征值，結合支持向量機（SVM）模式識別算法對熔寬進行多分類，構建了不同工藝參數與熔寬的預測模型。經驗證，預測精度達到98.611 1%。為焊接過程信息化和智能化發展奠定了較好的技術基礎。

關鍵詞：電弧;電信號;時頻特征;熔寬;預測

中圖分類號：TG444+.72? ? ? 文獻標志碼：A? ? ? 文章編號：1001-2003（2021）12-0016-08

DOI：10.7512/j.issn.1001-2303.2021.12.04

0? ? 前言

電弧作為應用廣泛的焊接熱源，涉及大量的熱、力、聲等物理特征信息，這些信息體現了電弧的動態行為特征，反映了焊縫成形特征[1]。研究不同工藝參數下的電信號特征，建立電信號特征與焊縫成形特征的關系，對于實現高精度、高靈敏的焊接質量閉環控制具有重要意義。

檢測中采集到的信號不經過處理很難辨別其特征。時頻分析方法結合了信號在時間域和頻率域的特征信息，直觀地描述了信號的頻率隨時間變化的關系，較傳統信號統計學分析方法具有巨大優勢。近年來，新型自適應時頻分析方法——變分模態分解（Variational Mode Decomposition，VMD）的出現為復雜的信號提供了精確的處理手段[2-6]。湖南大學李夢君將VMD方法應用在碰撞信號的去噪上，效果明顯優于經驗模態分解（Empirical Mode Decomposition，EMD）方法。南京理工大學周曉曉等人[7]利用VMD分解鋁合金雙絲PMIG（Pulse Metal Inert Gas）焊接電弧等效電阻，計算分解分量奇異譜熵，以等效電阻VDM-奇異譜熵為特征評價鋁合金雙絲 PMIG焊焊接過程穩定性。湘潭大學羅爭光[8]引入VMD方法對磁控埋弧焊自動跟蹤信號進行分析處理，結果表明VMD方法提取跟蹤信號波形效果明顯，提取結果可用于焊縫跟蹤精度檢測。長春工業大學范高銘[9]結合VMD方法和希爾伯特-黃變換（Hilbert-Huang Transform，HHT）處理焊接鋼板振動特性參數，將時頻譜的能量-時頻分布特征值作為檢測焊接鋼板殘余應力的判別指標。

目前，基于電弧信息時頻特征的信號處理已經在單道焊接中得到應用，但大厚板多層多道焊接工況較單道焊接復雜，特別是多重堆積過程中電信號所表現的特征、層間電信號的差異性、電信號與多重堆積效應下焊接質量的關系還有待深入研究。因此，文中基于焊接電信號檢測基礎，根據多層多道焊接過程中的多重堆積、多重熱累積特點，開展了多重堆積下焊接電信號檢測分析研究。

1 試驗系統及數據采集

試驗設備主要為Fronius公司CMT 4000系列焊機、ABB焊接機器人，及送絲、送氣系統等。焊接電源設有外控接口，可由RCU 5000i遙控器輸出信號調控工藝參數。焊機采用一元化模式焊接，通過調節送絲速度改變電流、電壓，得到4組不同層高、層寬的多層多道焊縫，焊接工藝參數如表1所示。

在熔化極氣體保護焊過程中，通過對應傳感器采集電流和電壓信號，經過電路轉換，利用USB-4711A數據采集卡的A/D功能將采集到的模擬信號轉換成計算機可識別的數字信號。數據卡采集模塊再將電弧電流和電壓信號以波形圖的形式顯示在電腦屏幕上，并保存數據。

2 結果與討論

2.1 氣體金屬電?。℅MA）信息的時頻特征分析

針對每道焊縫，實時采集焊接電流和電弧電壓信號，并將數據存儲為文本格式，以便后續利用VMD進行分解分析。在VMD分解中，經過多次試驗，對比分析結果，最后模態個數k取8，懲罰因子 α取5 000，以提高分解效率。將采集到的數據文本導入VMD程序中，對其進行均值濾波，并對分解信號進行傅里葉變換和希爾伯特變換，分別得到分解信號的頻譜圖（FFT譜）和時頻譜圖（HHT譜），取分解信號的峰值頻率為特征值進行后續分析。

以送絲速度為5.5 m/min時的工況為例，分析不同工藝參數下的電流、電壓波形。取第5層焊道中間5 000個電流與電壓信號數據進行分析，采樣頻率fs=10 kHz，采樣時間t∈[0，0.5]。

2.1.1 電流信號的分解

電弧電流分解具體波形如圖1～圖3所示。圖1為實測電流信號及其分解HHT譜，圖1a為電流信號的時域圖，峰值電流約為270 A，谷值電流約為40 A，且因飛濺有少量缺失。圖1b為實測電流信號VMD分解分量經希爾伯特轉變得到焊接信號的時頻譜圖，本征模態分量IMFs對應的頻率有7個，由于模態數k=8，說明還有一個殘余分量。并且頻率越低，HHT譜中的線越平滑，說明焊接電流信號的頻率主要集中在低頻區域。

利用VMD算法對電流信號進行自適應時頻分解，得到7個本征模態分量IMFs和1個殘余分量（見圖2），從IMF1～IMF7的局部極值點間隔可以清晰地看出原始信號的熔滴過渡周期是均勻的且頻率逐漸變大，但其幅值逐漸變小。對本征模態分量進行傅里葉變換，將其轉變為焊接信號頻率隨幅值的變化關系（見圖3），從7個IMF的FFT譜圖中可以看出，IMF1分量的幅值最大且遠大于其他分量，說明焊接電流信號的頻率能量主要集中在低頻區域，約為55 Hz。

2.1.2 電弧電壓信號的分解

電弧電壓分解具體波形如圖4～圖6所示。圖4為實測電壓信號及其分解HHT譜，圖4a為電壓信號的時域圖，峰值電壓約為30 V，峰谷電壓約為2 V，峰值電壓出現尖峰且電壓上升階段出現混雜。圖4b為實測電壓信號VMD分解分量經希爾伯特轉變得到的焊接信號時頻譜圖，可以看出，IMFs對應的頻率有7個，由于模態數k=8，說明還有一個殘余分量。且分解頻率越低，HHT譜中的線越平滑，頻率越高，線形越混雜，總體均勻分布在一個范圍內。

電壓信號VMD分解分量示意圖如圖5所示，共有7個IMFs分量和1個殘余分量。從IMF1～IMF7分量的局部極值點間隔明顯看出，原始信號的熔滴過渡周期均勻，分量波形幅值逐漸減小，頻率逐漸增大，混頻情況逐漸加劇。再對7個IMF分量進行傅里葉變換，將其轉變為焊接信號的頻譜圖（見圖6），IMF1分量的幅值最大且遠大于其他分量，說明焊接電壓信號的頻率能量主要集中在低頻區域，約為55 Hz。

將采集到的實測電信號按上述方法原理進行分解，以電流與電壓IMFs分量的FFT譜的峰值頻率為特征參數。對采集的數據進行預處理，去除每道焊縫電弧引弧和熄弧階段各1 s的數據，并將每道焊縫分為時間步長為0.5 s共5 000個數據段進行分析，得到特征參數值，為后續分析奠定基礎。采用標準工藝參數所得第5層焊道36組數據段的時頻特征值如表2所示。

2.2 電弧信息與熔寬關系建模

處理、分析電信號并提取其特征的目的是預測熔寬。由電信號的時頻分析可知，電信號對焊縫成形特征較為敏感，但其提取出的特征值不止一個，它與成形質量的關系難以用數學公式表達，所以需要建立數學模型來識別不同焊接質量。文中建立GMA焊接質量支持向量機（SVM）模型，以提取出來的特征值為輸入量對模型進行訓練測試，以此預測多層多道焊接熔寬信息。根據表1中不同送絲速度獲得的多層多道焊縫，選取最后一道焊道進行數據分析，提取特征參數。

2.2.1 數據的處理與參數的尋找

由上述時頻特征值的分析可知，每類焊縫對應一個由電流電壓分量峰值特征構成的14維時頻特征值向量，共4種焊縫類別，具體工藝類型與類別標簽對應關系如表3所示。

SVM模型的輸入特征值為每種工藝條件下數組的前18組數據，共72組數據用于訓練模型，余下72組數據用于測試模型的識別效果。另外，奇異數據（不同分量之間數值相差很大的輸入矢量）的存在會影響模型的計算速度和最終識別結果，所以數據預處理時要消除這種影響。文中在訓練SVM模型前，對數據進行歸一化處理，以消除奇異數據的影響，線性函數歸一化公式為：

式中 x*為歸一化特征值;x為樣本特征值;max為樣本數據的最大值;min為樣本數據的最小值。

在MATLAB中建立SVM模型，采用高斯徑向基函數作為核函數，在程序中需要設定參數c和g，其中c為懲罰系數，c值越高說明越不能容忍誤差。g為高斯徑向基函數本身的一個參數，代表核函數的寬度。采用Grid Search CV的方法尋找參數，即網格搜索和交叉驗證。網格搜索，即參數搜索，即在指定的參數范圍內，按步長依次調整參數，利用調整的參數訓練學習器，從所有的參數中找到在驗證集上精度最高的參數，這是一個訓練和比較的過程，其效率比窮舉搜索高得多。文中SVM程序中設定懲罰參數c 和核函數參數g 的變化范圍為[0，100]。

將熔寬數據輸入到SVM程序中，運行后得到參數選擇情況與分類預測圖。CV尋參法的精細尋找如圖7所示，圖7a為找尋參數的3D網格圖，圖7b為找尋參數的等高線圖，具體情況如下：精細選擇c=0.707 11，g=2，準確率94.444 4%。

以VMD分解所得IMFs分量的峰值頻率為特征值組，熔寬SVM模型對測試數據的識別結果如圖8所示，預測準確率為98.611 1%（71/72），圖中測試點只有1點游離在預測集外，證明以VMD分解的電流與電壓IMFs分量的峰值頻率為特征值來預測焊接質量是可行的。

3 結論

（1）利用傅里葉變換和希爾伯特變換將電信號的時域圖轉化為頻譜圖與時頻圖，得出其信號頻率處于低頻頻帶內，約為55 Hz，并提取了電流與電壓信號IMFs分量的FFT譜峰值頻率作為其時頻特征參數，為后續的關系建模提供數據樣本。

（2）以VMD分解的電流和電壓IMFs分量的峰值頻率為特征參數訓練SVM模型，建立焊接熔寬與焊接質量的SVM模型，結果表明熔寬SVM模型對樣本數據的識別效果較好，預測精度達到98.611 1%。

參考文獻：

楊笑宇，李言，趙鵬康，等.電弧增材制造技術在材料制備中的研究現狀及挑戰[J].焊接，2018（8）：14-20.

張寧.自適應時頻分析及其時頻屬性提取方法研究[D].山東：中國海洋大學，2008.

WANG Liang，HU Wei-ming，TAN Tie-niu.Recent Devel-opments in Human Motion Analysis[J].Pattern Recognition，2003，36（3）：585-601.

喬麗紅，賈曼曼，梁義濤.自適應信號處理算法對比分析[J].信息技術，2018（3）：22-26，33.

黎洪松，李達.人體運動分析研究的若干新進展[J].模式識別與人工智能，2009，22（1）：70-77.

滿君豐，李倩倩，溫向兵.視頻監控中可變人體行為的識別[J].東南大學學報（自然科學版），2011，41（3）：492-497.

周曉曉，王克鴻，楊嘉佳，等.等效電阻VMD-奇異譜熵雙絲PMIG焊穩定性評價方法[J].電焊機，2018，48（4）：18-22.

羅爭光.基于變分模態分解的磁控埋弧焊自動跟蹤系統的研究[D].湖南：湘潭大學，2016.

范高銘.基于變分模態分解的殘余應力檢測及其評定方法研究[D].長春：長春工業大學，2019.