基于聲發(fā)射多特征融合的攪拌摩擦焊缺陷監(jiān)測

孫屹博，龍海威，鄒麗，楊鑫華

(1.大連交通大學,大連,116028；2.遼寧省軌道交通裝備焊接與可靠性重點實驗室,大連,116028)

0 序言

攪拌摩擦焊(friction stir welding，F(xiàn)SW)于1991 年英國焊接研究院提出，是利用高速旋轉(zhuǎn)的攪拌頭與工件摩擦產(chǎn)生的熱量使被焊材料局部熔化，從而在攪拌頭的擠壓下形成致密焊縫的一種焊接技術[1].在FSW 焊接過程中，由于工藝參數(shù)選擇不當或焊具尺寸不合適，焊縫將出現(xiàn)隧道、未焊透、飛邊等缺陷，無法保證焊接工件的質(zhì)量，因此對焊接過程監(jiān)測是必要的[2-4].聲發(fā)射檢測是一種根據(jù)工件內(nèi)部結構反饋進行動態(tài)無損檢測的新型方法，可直接檢測和判斷工件內(nèi)部缺陷，保證焊接過程的高效性.聲發(fā)射技術在FSW 無損檢測方面逐漸得到廣泛關注和研究.

聲發(fā)射技術在工業(yè)領域中是常用的在線監(jiān)測手段.Dmitriev 等人[5]開展了鋁合金薄板FSW 試驗，對聲發(fā)射信號進行了多元分析，研究了不同塑性變形的聲發(fā)射信號頻譜特征，應用聲發(fā)射頻譜特征對FSW 焊接接頭進行診斷.Gaja 等人[6]開展了基于聲發(fā)射信號的金屬間激光焊接試驗，對聲發(fā)射信號進行了時域分析，并使用時域特征結合邏輯回歸對激光金屬沉積進行檢測.Nasir 等人[7]開展了銑刀磨損試驗，使用功率、聲音、振動和聲發(fā)射傳感器監(jiān)測電鋸切割過程，并通過訓練隨機森林模型預測電鋸溫度.但未對采集到的數(shù)據(jù)進行時域、頻域、時頻域分析，僅僅對傳感器特征融合.He 等人[8]研究了多傳感器刀具磨損檢測技術，并在時域、頻域和時頻域上進行了多特征提取，建立多傳感器融合特征與工具磨損之間的預測模型.徐彥偉等人[9]研究了基于單一振動、聲發(fā)射信號的薄壁軸承故障診斷，并采用自組織映射(self-organizing map,SOM)與反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡將振動和聲發(fā)射信號的特征信息進行融合，對軸承診斷做出預測.高向東等人[10]提出了主成分分析-反向傳播(principal component analysis-back propagation,PCA-BP)缺陷分類模型，并應用該缺陷分類模型對焊接缺陷磁光成像圖進行分類，對焊接缺陷做出了預測.

國內(nèi)外學者對FSW 焊接過程中的聲發(fā)射信號進行采集與分析來研究焊接質(zhì)量與聲發(fā)射信號之間的關系.葉趙偉等人[11]搭建了一套FSW 在線監(jiān)測系統(tǒng)，并對采集到的數(shù)據(jù)進行時域、頻域、時頻域?qū)崟r分析從而達到改善焊接質(zhì)量目的.胡懷輝[12]將超聲波衍射時差法(time of flight diffraction,TOFD)成像檢測技術與BP 神經(jīng)網(wǎng)絡相結合，使用圖像特征對FSW 焊接質(zhì)量進行評估，對FSW近表面缺陷進行了預測.Rajaprakash 等人[13]研究聲發(fā)射信號在FSW 中的監(jiān)測技術，從時域角度對聲發(fā)射信號進行了分析，確定了焊接過程中缺陷的發(fā)生位置，達到了缺陷監(jiān)測的目的.徐蔣明等人[14]研究小波分解將超聲波進行特征提取，并使用BP 神經(jīng)網(wǎng)絡對攪拌摩擦焊接缺陷進行識別，達到了缺陷監(jiān)測的目的.

大多數(shù)FSW 焊接缺陷模型僅對單一特征進行提取，未能有效提升焊接缺陷識別準確率.文中研究了基于聲發(fā)射多特征融合的FSW 缺陷監(jiān)測方法，開展了預制缺陷試驗，使用聲發(fā)射傳感器對FSW 焊接過程進行監(jiān)測，通過短時傅里葉變換、梅爾頻譜、小波變換分析得出整個焊接過程中信號頻率會集中在固定頻段上，且在預制缺陷處功率明顯增加.獲取固定頻段的功率分布構建特征向量，通過concat 融合方法構建多特征向量，并基于單一特征、多特征向量建立多層神經(jīng)網(wǎng)絡識別模型，使用多特征識別模型能夠?qū)附舆^程中的缺陷進行高效準確的識別.

1 FSW 聲發(fā)射檢測試驗

開展6061-T6 鋁合金對接預制缺陷FSW 試驗，對接板尺寸為150 mm×100 mm×2.5 mm.試驗設備為航天工程設備(蘇州) 有限公司生產(chǎn)的HT-JM20×8/2 型攪拌摩擦焊機，額定功率6 kW，最大轉(zhuǎn)速2 000 r/min.攪拌頭型號為AEE/PB/2.3/002，攪拌針長2.3 mm，軸肩直徑為10 mm.焊接工藝參數(shù)如表1 所示.試驗前預制隧道缺陷，在距板材起始端10 mm 處設置30 mm×(1～ 5) mm 的不規(guī)則鋸齒狀對接縫.

表1 FSW 焊接工藝參數(shù)Table 1 FSW process parameters

在FSW 過程中，聲發(fā)射信號具有平穩(wěn)周期性，當出現(xiàn)缺陷時，局部的應力釋放轉(zhuǎn)換為高頻聲信號.應用高頻聲發(fā)射傳感器檢測焊接工件中傳播的聲發(fā)射信號，如圖1 所示，聲發(fā)射傳感器通過磁性吸座固定于焊接壓板一側.應用美國物理聲學公司R15 α型寬頻帶聲發(fā)射傳感器，其頻帶范圍為0.05～ 1 000 kHz.

圖1 FSW 聲發(fā)射在線檢測示意圖Fig.1 Schematic diagram of FSW acoustic emission online detection

2 基于多特征向量的缺陷識別模型

針對聲發(fā)射信號，應用短時傅里葉變換、梅爾頻譜、小波變換進行分析，選取功率譜中功率集中頻段作為特征向量，通過concat 融合方法構建多特征向量，進而應用多層神經(jīng)網(wǎng)絡建立基于多特征向量的焊接缺陷識別模型.

2.1 特征提取算法

短時傅里葉變換能有效地提取出不同時間段的特征信息.短時傅里葉變換定義為

式中：F(ω)為短時傅里葉變換頻率分布；f(t)為時域信號；ω為傅里葉變換后頻率；t′為短時傅里葉變換起始時間；t為時間；j為虛數(shù)單位；Δt為窗的時間長度.

梅爾頻率將信號經(jīng)過不同的濾波器組后計算得到梅爾頻率.梅爾頻率曲線公式，即

式中：f為頻率；fmel為梅爾頻率.

小波變換是最新線性時頻分析方法.對于信號x (t)的小波變換定義為

式中:WT(α,τ)為小波變換頻率分布；f(t)為時域信號；ψ為小波基函數(shù)；α為尺度因子；τ為時移因子.

2.2 特征融合與多層神經(jīng)網(wǎng)絡

針對聲發(fā)射信號，應用短時傅里葉變換、梅爾頻譜、小波變換特征提取方法得到3 種時頻譜.聲發(fā)射信號為平穩(wěn)周期信號，時頻譜中頻率會集中在特定頻段上，針對特定頻段提取特征向量，該向量能反應焊接過程的變化，采用concat 融合方法對三種特征向量進行線性融合，得到基于短時傅里葉、梅爾頻譜、小波變換的多特征向量.

式中：T為concat 方法拼接后的線性融合向量；T1為短時傅里葉特征向量；T2為梅爾頻譜特征向量；T3為小波特征向量.

多層神經(jīng)網(wǎng)絡是一種人工神經(jīng)網(wǎng)絡模型，將輸入的多個數(shù)據(jù)集映射到單一的輸出的數(shù)據(jù)集上，相較于傳統(tǒng)的分類方法具有良好的容錯性.多層神經(jīng)網(wǎng)絡基本實現(xiàn)原理如下.

式中：x為輸入向量；W為神經(jīng)元連接權重；b為偏置；i為網(wǎng)絡層數(shù)；函數(shù)G、函數(shù)s為激活函數(shù).

多層神經(jīng)網(wǎng)絡由4 個全連接層構成，前3 個隱藏層分別含有32，64 和32 個神經(jīng)元，1 個Soft-Max 分類層含有4 個神經(jīng)元.神經(jīng)元通過可學習權重相互連接起來，通過ReLU 激活函數(shù)激活神經(jīng)元，輸入信號和權重的乘積之和為隱藏層的輸出.輸入的特征向量含有焊接缺陷信息，通過神經(jīng)網(wǎng)絡學習后，應用SoftMax 層區(qū)分焊接有無缺陷.

2.3 模型評價指標

在機器學習領域中，模型評估是一個最重要的部分，而準確率是常見的評價指標之一，針對于測試樣本來說，就是分類正確的樣本數(shù)除以總樣本數(shù)，正確率越高，分類器越好.準確率計算方法為

式中：Acc為準確率；T為分類正確樣本數(shù)；F為分類錯誤樣本數(shù).

3 試驗結果與分析

為保證試驗結果的嚴謹性和準確性，基于相同的工藝參數(shù)，進行了5 組FSW 焊接試驗(試驗數(shù)據(jù)1～ 5).試驗數(shù)據(jù)1～ 3 構建單一特征、多特征缺陷識別模型的數(shù)據(jù)集，試驗數(shù)據(jù)4，5 構建模型新測試集，其中一組典型焊接工件及聲發(fā)射時域信號如圖2 所示.通過焊接狀態(tài)將信號劃分為焊接起始區(qū)(I)、缺陷焊接區(qū)(II)、過渡區(qū)(III)、穩(wěn)定焊接區(qū)(IV)、焊接終止區(qū)(V).

圖2 焊接結果與聲發(fā)射信號Fig.2 Welding results and acoustic emission signals

FSW 聲發(fā)射信號總計時115 s，0～ 10 s 焊接未開始出現(xiàn)的噪聲，10～ 14 s 焊接開始并進入I 區(qū)，攪拌頭緩慢下壓，聲發(fā)射信號幅值穩(wěn)定在2 V；14～ 58 s焊接進入II 區(qū)，幅值急劇上升達到7 V，并在20 s時突降到3 V，在中間40 s 時，幅值又再次突變到9 V，主要原因是攪拌頭從I 區(qū)進入II 區(qū)時，接觸到預制缺陷，使焊接熱輸入不均勻，導致信號幅值出現(xiàn)多次突變；58～ 70 s 焊接進入III 區(qū)，信號幅值緩慢下降最終穩(wěn)定在3 V，主要原因是攪拌頭從II 區(qū)進入III 區(qū)時，板材無預制缺陷，攪拌頭需要一定的緩沖時間進入穩(wěn)定焊接狀態(tài)，聲發(fā)射信號會逐漸趨于穩(wěn)定；70～ 111 s 焊接進入IV 區(qū)，聲發(fā)射信號幅值穩(wěn)定在2～ 3 V，焊接正常進行；111～ 115 s 焊接進入V 區(qū)，攪拌頭緩慢抬起，聲發(fā)射信號穩(wěn)定在4 V，至此焊接結束.

3.1 聲發(fā)射信號的短時傅里葉分析

短時傅里葉分幀時間長度設為50 ms，窗重疊時間長度設為25 ms.聲發(fā)射信號頻率集中在20 kHz頻段，選取20 kHz 頻段的時頻譜功率分布構建短時傅里葉特征向量.短時傅里葉時頻圖如圖3 所示，可觀察到在不同焊接狀態(tài)下功率變化較明顯，在焊接進入I 區(qū)時，短時傅里葉功率穩(wěn)定在-60 dB；焊接進入II 區(qū)時，由于預制焊接缺陷的影響，功率達到-40 dB 以上；焊接進入III 區(qū)時，攪拌頭在經(jīng)過一定時間的緩沖后，功率緩慢由-40 dB 降低至-50 dB；焊接進入IV 區(qū)時，焊接時功率大小在-50～-40 dB.焊接進入V 區(qū)時，功率重新穩(wěn)定在-60 dB.

圖3 短時傅里葉分析結果Fig.3 Short time Fourier analysis results

3.2 聲發(fā)射信號的梅爾頻譜分析

梅爾頻譜分幀時間長度設為50 ms，窗重疊時間長度設為25 ms，梅爾濾波器組選用梅爾等高器濾波組.聲發(fā)射信號頻率集中在3.5 kHz 頻段，選取3.5 kHz 頻段的時頻譜功率分布構建梅爾頻譜特征向量.梅爾頻譜如圖4 所示，可觀察到在不同焊接狀態(tài)下功率變化較明顯，在焊接進入I 區(qū)時，梅爾頻譜功率穩(wěn)定在-50 dB；焊接進入II 區(qū)時，由于預制焊接缺陷的影響，功率達到-40 dB 以上；焊接進入III 區(qū)時，攪拌頭在經(jīng)過一定時間的緩沖后，功率由-40 dB 緩慢降低至-45 dB；焊接進入IV 區(qū)時，焊接進入穩(wěn)定階段，功率為-45～-42 dB.焊接進入V 區(qū)時，功率重新穩(wěn)定在-50 dB.

圖4 梅爾頻譜分析結果Fig.4 Mel spectrum analysis results

3.3 聲發(fā)射信號的小波分析

小波變換分幀時間長度設為50 ms，窗重疊時間長度設為25 ms，母小波設為 cmor4-4，中心頻率設為4 Hz，將頻帶64 等分.聲發(fā)射信號頻率集中在20 kHz 頻段，選取20 kHz 頻段的時頻譜功率分布構建小波特征向量.小波變換時頻圖如圖5 所示，可觀察到在不同焊接狀態(tài)下功率變化較明顯，在焊接進入I 區(qū)時，小波功率穩(wěn)定在0.4 dB；焊接進入II 區(qū)時，由于預制焊接缺陷的影響，功率達到0.8 dB 以上；焊接進入III 區(qū)時，攪拌頭在經(jīng)過一定時間的緩沖后，功率緩慢降低至0.4 dB；焊接進入IV 區(qū)時，焊接功率大小在0.4～ 0.6 dB.焊接進入V 區(qū)時，功率重新穩(wěn)定在0.4 dB.

圖5 小波變換分析結果Fig.5 Wavelet transform analysis results

3.4 缺陷識別模型構建

從試驗數(shù)據(jù)1～ 3 中等概率同分布的抽取并制作數(shù)據(jù)集，數(shù)據(jù)集分為訓練集(7 000 個樣本)、驗證集(1 000 個樣本)、測試集(2 000 個樣本).設置未焊接區(qū)標簽為1，焊接起始區(qū)、焊接終止區(qū)標簽為2，穩(wěn)定焊接區(qū)標簽為3，缺陷焊接區(qū)標簽為4，使用one-hot 編碼對標簽進行處理.

利用短時傅里葉變換、梅爾頻譜、小波變換對試驗數(shù)據(jù)1～ 3 進行單一特征提取構建單一特征向量，結合多層神經(jīng)網(wǎng)絡建立單一特征缺陷識別模型.多層神經(jīng)網(wǎng)絡由1 個輸入層、3 個隱含層和1 個SoftMax 分類層組成，網(wǎng)絡結構設計為輸入層8 個神經(jīng)元，隱含層共為3 層分別為32，64，32 個神經(jīng)元，輸出層為5 個神經(jīng)元，神經(jīng)元通過ReLU 激活函數(shù)計算激活狀態(tài)，最后通過SoftMax 對焊接狀態(tài)進行分類并識別缺陷.短時傅里葉變換對試驗數(shù)據(jù)3 的缺陷識別準確率最高，為76.65%；梅爾頻譜對試驗數(shù)據(jù)1 的缺陷識別準確率最高，為80.61%；小波變換對試驗數(shù)據(jù)2 的缺陷識別準確率最高，為77.89%.

基于3 組試驗數(shù)據(jù)特征融合的向量集建立多特征缺陷識別模型.模型識別準確率如表2 所示，多特征缺陷識別模型在3 組試驗數(shù)據(jù)的平均識別率達97%，比單一特征提取模型提高了18%.

表2 單特征與多特征識別模型準確率(%)Table 2 Accuracy of single feature and multi feature recognition models

基于梅爾頻譜單一特征向量的識別模型對焊接狀態(tài)進行分類，以試驗數(shù)據(jù)1 為例，結果如圖6所示.模型將0～ 10 s 的紅色數(shù)據(jù)劃分為未焊接區(qū)；10～ 14 s 與111～ 115 s 的綠色數(shù)據(jù)劃分為攪拌頭起始、終止區(qū)；14～ 115 s 的藍色數(shù)據(jù)劃分為缺陷焊接區(qū)、紫色數(shù)據(jù)劃分為穩(wěn)定焊接區(qū).從圖6 可觀察到，經(jīng)過分類后在II 區(qū)紫色與藍色區(qū)域仍有重疊部分，V 區(qū)未識別正確，該模型未能對缺陷進行有效分類.

圖6 單一特征識別模型分類結果Fig.6 Classification results of single feature recognition model

基于多特征向量的缺陷識別模型對試驗數(shù)據(jù)1 的分類結果如圖7 所示，模型將聲發(fā)射信號14～58 s 劃分為藍色缺陷區(qū)，58～ 66 s 劃分為過渡區(qū)，66～ 111 s 劃分為紫色穩(wěn)定焊接區(qū).藍色缺陷區(qū)與紫色穩(wěn)定焊接有明顯界限，在III 區(qū)，由于攪拌頭緩慢恢復到正常狀態(tài)，藍色與紫色有8 s 重疊部分，基于多特征向量缺陷識別模型能夠準確識別試驗中焊接狀態(tài).

圖7 多特征識別模型分類結果Fig.7 Classification results of multi feature recognition model

為驗證基于單一特征、多特征向量缺陷識別模型對新測試數(shù)據(jù)的準確性，對試驗數(shù)據(jù)4，5 開展基于新測試集的缺陷識別模型測試分析，各模型在新測試數(shù)據(jù)的準確率如表3 所示.短時傅里葉變換、梅爾頻譜、小波變換方法平均識別準確率分別為51%，41%，64%，多特征識別模型的平均準確率達86%.由此可見，針對新測試集，基于多特征向量的缺陷識別模型對各種焊接狀態(tài)的識別更為準確.

表3 單特征與多特征識別模型準確率(%)Table 3 Accuracy of single feature and multi feature recognition model

4 結論

(1) 采用3 種分析方法對FSW 聲發(fā)射信號進行分析并提取特征向量，其中短時傅里葉、小波變換的主要頻段集中在20 kHz，出現(xiàn)缺陷時功率分別達到-40，0.8 dB 以上，梅爾頻譜的主要頻段集中在3.5 kHz 出現(xiàn)缺陷時功率達到-40 dB 以上.

(2) 基于時頻分析的特征向量應用concat 融合方法得到多特征向量，通過多層神經(jīng)網(wǎng)絡分別建立基于單特征、多特征向量的焊接缺陷識別模型.試驗結果表明，基于多特征向量的焊接缺陷識別模型的平均準確率達到97%，比單一特征提取模型提高了18%.針對于新測試集焊接缺陷識別模型平均準確率達到86%，比單一特征提取模型高34%.

(3)若焊接板材不同，根據(jù)聲發(fā)射檢測原理與FSW 焊接原理，3 種時頻分析方法的主要頻段會有所變化，但一定會集中在主要頻段附近且該頻段會隨隧道缺陷的出現(xiàn)功率大幅增加，應用特征向量所構建的多特征識別模型同樣可以達到較高的準確度.

(4) 目前只針對攪拌摩擦焊中最常見的隧道缺陷與FSW 各個階段進行了識別監(jiān)測，通過計算不同焊接區(qū)發(fā)生時間與時間長度可以計算出焊接階段發(fā)生的位置與尺寸.