摘 要：GMAW（熔化极气体保护焊）是一个复杂的物理、化学过程，存在高度的复杂性和非线性性，有效的提高对其焊接过程模式识别的准确性一直是GMAW焊接过程监控的一个关键问题。文章提出一种基于多传感器和SVM（支持向量机）的焊接过程模式識别方法。通过多传感器对焊接过程中靶材力、振荡、电弧电流、电压和声压等信号同时进行采集，并进一步对其进行方差、小波以及希尔伯特黄变换；再综合焊接过程中各信号数据和训练样本的特点选取并建立多分类SVM和核函数模型，并利用对焊缝的CT断层扫描加以验证，实验结果表明该方法对焊接过程模式具有较高的准确率。
关键词：GMAW；多传感器；支持向量机；焊接过程模式识别；参数优化
中图分类号：TP212 文献标志码：A 文章编号：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
作为一种目前应用最广泛的焊接方法，GMAW焊具有成本低、焊丝利用率高、焊接速度快和对各种靶材适应性强的特点，因此广泛运用于薄钢板、低熔点材料的各类焊接加工领域。但由于GMAW自身的焊接机理，在焊接过程中易产生飞溅、形成气孔、夹杂等焊接缺陷，严重影响被加工工件的力学和密封性能，必须要对焊接过程进行监控从而实现质量控制，考虑到焊接实际工况复杂，焊接环境较为恶劣，采用单一信号对焊接过程进行辨识比较困难[1][2]，例如声音信号极易受到焊接过程焊屑飞溅、噪声、振动以及其他环境的影响，实际采集过程中难以分离出有效的特征信号；实际焊接车间存在大量的并联电器以及天车等大型启重设备，使得焊接过程中电流电压信号也会受到外界功率波动所产生的电泳干扰，使得电弧信号波动随机性大，分析预测不够准确[3]。虽然焊接工艺的数值模拟已取得了相当大的进步，但是利用数值模拟的方法对干扰信号进行滤波和估计需要相当长的时间才能找到合适的匹配参数，都会严重影响数据特征参数提取的实时性和准确性，甚至出现焊接过程模式的误识别[4]。
为了解决上述问题，进一步提高焊接过程模式识别系统的可靠性，本文提出一个基于多传感器和SVM的焊接过程模式识别的方法。将焊接过程分为4个模式，即未焊接模式、正常焊接模式、过渡焊接模式和异常焊接模式；并根据焊接过程中焊接信号的随机性和非线性性的特点选取并建立合适的多分类SVM和核函数。根据获得靶材的力信号、振荡信号、电弧电信号和电弧声信号等，利用其不同特征信号对特定过程模式不同的敏感度，来弥补和校准单一传感器的数据准确性。最后通过交叉验证、遗传算法和粒子群算法三种方法下寻优参数的对比，完成核函数的参数选定。并通过二次实验结果表明该方法对焊接过程模式具有较高的准确率。
2 模式识别模型构建
2.1 信号采集和特征提取
GMAW焊接过程中可获取的信号源较多，一般包括靶材力信号、振动振荡信号、加速度信号、电流信号、电压信号、声音信号、声发射信号和焊缝CCD图像信号等。其中：靶材力、振荡信号对外界敏感度低，具有很高的可靠性，且相对容易测量，是最能表征焊接过程模式的信号之一；焊接过程中的电流、电压信号受周围环境和工况的约束较小，是一种目前发展较为成熟且在实际应用中最为广泛的识别信号；声压信号是最易受到外界工况干扰的信号，但也是焊接过程中一种最易测得的信号，其高动态的信息传输能力能较好的反映焊接过程。考虑到焊接过程中缺陷信号的随机性和不稳定性特点，对缺陷处的有效信号进行方差分析、小波变换和希尔伯特黄变换的信号。
2.2 多分类SVM的构建
支持向量机方法是V.apnik等人根据统计学习理论提出的一种新的机器学习方法。它以结构风险最小化准则为理论基础，保证了通过有限训练样本得到的小误差分类器对独立测试集的测试误差较小。在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势，非常适合于GMAW这种复杂的非线性系统建模环境。支持向量机分类模型需考虑两个主要因素：信号的特征提取和确定核函数参数。考虑GMAW焊接过程中特征信号非线性和样本容量较小的特点，决定采用高斯径向基（RBF）核函数作为SVM核函数。
3 试验设计
GMAW焊接过程中，靶材力信号、加速度信号、电弧电信号和声压信号通过靶材部位采用接触性采集： 焊接过程中电流电压通过霍尔元件截取焊枪输出的实时数据进行采集；声压信号通过两个噪声传感器分别对焊接环境和非焊接环境进行同步采集，以便于后期实现物理降噪的目的；最终各信号统一经过电荷放大或调制，由数据采集器采集。图1为焊缝表面质量的目检情况。
数据采集平台Kistler8763B100/AB三向加速度传感器、Kistler9367C力传感器、Kistler8152B111声发射传感器、CRY2110噪声传感器、电流电压霍尔、Kistler5073电荷放大器、Dewe43A 16通道数据采集卡。
其中2、5、8、10、15、16区域焊缝表面存在部分夹杂，焊缝相对饱满，但焊缝熔宽不整齐，表面上分析容易出现咬边。但表面未发现严重气孔。除此之外，焊缝表面存在严重夹杂，接口处和焊缝边缘比较常见。但表面未发现严重气孔。因此本文将这六个区域的数据作为训练样本对SVM模型进行训练，完成SVM模型参数寻优。
4 模型训练
由于采用了RBF作为SVM的核函数，因此需要确定惩罚参数C和核函数参数？酌。这里分别利用交叉验证法、遗传算法、粒子群算法进行参数寻优，设计适合的目标函数，对支持向量机参数的优化。在最优参数选择时，考虑到过高的C会导致过学习状态发生，所以在能够达到最高验证分类准确率的参数中，选择较小的惩罚参数C和与之对应的核函数参数？酌，作为SVM最优参数构建最优分类决策函数。
规定采集过程中的训练样本，包括10种信号各300个数据，其识别分辨率为0.1s，还包括300个数值0～3的标签数据，所以，输入的训练样本为300*11的数据集。方差特征值再经过归一化处理，即为最终所需的数据格式。
4.1 交叉检验参数寻优
4.2 遗传算法（GA）参数寻优
设定遗传算法（GA）最大进化代数为100，最大种群数量为20，优惩罚参数C和核函数参数？酌的变化范围为[0，100]，寻优结果如图4所示。c=92.5878，？酌=6.884，准确率为98%。
4.3 粒子群算法（PSO）参数寻优
设定粒子群算法（PSO）最大进化数量为200，最大种群数量为20，速度更新弹性系数为0.6，种群更新弹性系数为1，优惩罚参数C和核函数参数？酌的变化范围为[0.1，100]，寻优结果如图5所示。c=7.1531，？酌=12.4852，准确率为99%。
以上三种方法的寻优结果可以看出，遗传算法和粒子群算法能达到较高的分类准确率，且优化得到的C值较小，但这一分类准确率是针对训练样本自身交叉检验的结果，与焊接缺模式识别时的准确率并没有绝对对应关系，结合实验效果，选择粒子群算法寻优结果进行焊接缺陷模式识别。
5 实验验证
继续进行二次试验对两块120*100*10mm 45钢完成的对接焊，并采集相应焊接特征信号。通过目检找到其中一处焊接缺陷区域，并找到对于的CT检测图6可以发现：
该焊接区域确实存在气孔缺陷，因此将该焊接区域的信号进行SVM焊接过程模式识别。其中实际预测为该区域的实际焊接状态，预测数值为SVM模式识别的焊接模式，数据采样点数为300，SVM系统的识别采样频率为150个点。图7是SVM焊接模式识别图，其中每组都包含了代表10种信号特征的10条曲线，Label表示训练样本的实际状态模式。
其中第0焊接模式是指为焊接模式；第1焊接模式为正常焊接模式；第2焊接模式为过渡焊接模式；第3焊接模式为异常焊接模式。预测结果与实际类别对比如图8-10所示。
对此段焊接区域进行150次均布的CT截面扫描，完成对150个识别样点的匹配工作，部分CT如图11所示，然后进行焊接模式的离散化统计，最后进行分析。
从表2可知，方差特征模型对3类，通过CT截面统计该模式下的CT断层状态有24个样点，而模型完成的识别样点有24个，即异常焊接阶段的識别准确率为100%，说明方差特征SVM识别对3类识别具有很高的可信度。对0类和2类的识别基本达到识别要求（90%以上），但是对于1类样本的识别出现一些错误，识别率只有69.12%。
小波特征数据SVM识别预测分类结果。模型对第0类的分类准确率很高，由CT截面统计第3焊接模式下的CT断层状态有24个样点，而模型完成的识别样点有9个，因此该模型对第3类识别的准确率只有37.5%。
HHT变换SVM识别预测分类结果。由CT统计第0焊接模式下的CT截面断层状态有48个样点，而模型完成的识别样点有35个；同理，由CT统计第1焊接模式下的CT断层状态有68个样点，而模型完成的识别样点有62个，因此模型对第0类、第1类几乎无法区分。
6 结束语
为避免单一传感器受到外部扰动并对特征数据做出的错误估计，本文建立了基于多传感器和支持向量机的焊接过程模式识别的方法。试验验证结果表明：（1）通过对靶材力信号、振动信号、电信号和声压信号同步采集并进行方差、小波和希尔伯特黄变换得到信号特征和训练样本的方法，确实能有效提高对焊接过程模式识别的准确率；（2）利用粒子群算法能取得较高的焊接模式理论识别率（99%），可作为一种配合高斯径向基（RBF）核函数参数寻优的优化算法。
参考文献：
[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]贾滨阳.高压气体环境对GMAW焊电弧形态影响[D].北京化工大学，2012.
[4]马跃洲，瞿敏，陈剑虹.基于电弧声信号的CO2焊接状态模式识别[J].兰州理工大学报，2006（04）：29-33.