CN102141543B - 基于传声器阵列的激光焊接质量检测的方法和装置 - Google Patents

Abstract

本发明公开了一种基于传声器阵列激光焊接质量检测的方法和装置，以激光焊接过程中的声信号作为检测参量，采用多路同步的传声器阵列，实现激光焊接质量的非接触、在线检测。实现该方法的检测系统由传声器阵列、调理电路和计算机分析与盲信号处理算法构成。该方法采用盲信号分离模型，根据选定的优化准则，找出合适的对比函数，通过优化准则搜索对比函数的极值点，从而达到对激光焊接过程中声信号的分离，减少检测装置各个回路之间的信号串扰，提高了装置的准确性和可靠性。

Description

基于传声器阵列的激光焊接质量检测的方法和装置

技术领域

本发明涉及焊接技术领域中焊接质量检测的方法和装置，具体的说，涉及激光焊接过程中焊接质量的检测方法，尤其涉及基于传声器阵列的激光焊接质量检测的方法及装置。

背景技术

钢铁行业作为人类社会文明的基础，对人类进步和经济发展起着不可取代的作用。冷轧薄带广泛应用于机械、汽车、建筑、家电、石油化工等各个行业。随着国民经济的发展，特别是相关行业产业结构调整和产品升级换代，冷轧薄板市场消费量不断增长，显示出其广阔的市场前景。按照发达国家统计，美国的板带比为61.9％，日本为56.1％，多年基本不变，而美国和日本板带生产中冷轧薄板和涂镀层薄板分别占91.2％和81.1％。而我国板带比仅为41.4％，2005年生产的冷轧和涂镀层薄板(带)仅占21.05％。众所周知，板带产品代表高附加值、高技术产品，我国板带比低意味着我国钢铁产品还处于低档状态，生产能力不足，需大量进口冷轧板带，由此可见我国冷扎板带生产远落后于发达国家。业内专家预测：今后5～8年内，我国钢铁行业发展重点主要是提高板、带、管的产量和质量，对设备的要求是连续化、大型化和自动化。

工业的发展，对冷轧板带生产提出了更高的要求，现在用户既要求整个板卷，又要求板卷和板卷之间的厚度和性能均匀一致，我国许多生产企业很难满足要求，主要表现在两个方面，一是内在质量(化学成分和机械性能)不稳定，这是因为冶炼技术不配套造成的；二是表面质量不够好，具体表现在板形、尺寸精度及板面等存在不少问题。众所周知，冷轧板带的性能并不是仅取决于冷轧和退火，其原料热轧钢带的性能与几何尺寸、制成无头钢带的焊接质量、焊缝几何形状对最终成品的性能都有明显的影响。焊接质量影响冷扎带钢产品主要表现在：带钢包含严重焊接缺陷时，会在生产线上引起断带事故；在轧制过程中会有边部减薄现象，它们也会引起焊缝内小缺陷扩展，出现轧制中的断带现象；同时生产实践也证明：热轧原料横断面和长度的厚度不均，经冷轧后这些问题只能减轻，不能消除。冷轧原料头、尾及焊缝尺寸差大，不仅使轧制困难，也使连接处强度降低而产生断带。因此，为了保证冷轧最终产品的质量，对冷轧原料带钢焊接提出了更高的要求。

激光焊接具有输出功率大、焊接速度快，具有很强的可扩展性，被应用到冷轧薄板的焊接生产中。但因为激光焊接过程包含着许多复杂而又相互影响的物理冶金过程，如材料的熔化和蒸发、小孔的形成以及光致等离子体的出现等，这种激光-物质-等离子体之间的相互作用，使得影响激光焊接质量的因素十分复杂；另一方面在被焊接工件的预加热和装配过程中会不可避免地出现一些误差；在长时间的焊接过程中，激光器及其光学系统会出现不稳定和污染等，这些因素都会使得激光焊接质量有偏差。因此需要建立一种对其焊接质量进行检测的方法和装置。

目前，对激光焊接质量的检测与分析重点主要集中在焊接过程中激光与材料相互作用时的各种信号，主要有光、电、声等信号。这些信号能够反应焊接过程稳定与否及激光焊接质量优劣。其中光信号包括等离子体光辐射和熔池的红外辐射信号；电信号主要包括等离子体振荡引起的焊接区域电场的变化；声信号包括等离子体的可听发声信号以及产生于工件内部或光路镜片上的超声波。上述信号都不同程度的包含有焊接质量的信息。以不同的信号为研究对象导致了各种不同的检测技术。早期的研究都是选取某一种信号作为检测参量对焊接过程中的焊接质量进行监测。包括利用等离子体光学传感器来采集等离子体的紫外光，利用等离子体电荷传感器检测由于等离子体带电粒子的不均匀，扩散在喷嘴和工件之间所形成的电位差等手段来识别实际的焊接过程属于稳定深熔焊还是稳定热导焊，诊断焊接区的激光功率是否正常，或是自动跟踪喷嘴保证喷嘴-工件高度不变。但是，上述检测方式都存在一定的局限性。比如利用光信号来监测激光焊接过程，该方法对焊接材料具有一定的选择性，要求所焊接的材料必须保证其焊接过程中所发出的光信号很明确，才能够准确监测；同时，这些方法都为接触式监测方式，对传感器的安装要求比较高，不便于现场的实际应用。

目前，对激光焊接质量监测采样比较多的是激光焊接过程中的声信号。声信号的生产与激光焊接过程中“小孔”产生有关。当激光辐射照度大于10⁶W/cm²时，材料表面在激光作用下熔化和蒸发，当蒸发速度足够大的时候，所产生的金属蒸汽的反冲压力足以克服液态金属表面的张力和重力，从而排开部分液态金属，导致激光作用区处的熔化金属下凹，形成小坑；此时，激光束直接作用在凹坑底部，从而使金属进一步熔化和汽化，高压蒸汽继续迫使凹坑底部的液态金属排向熔池的周围，从而使小孔进一步加深。这个过程持续进行下去，最终会在液态金属中形成一个“小孔”。当小孔中的金属蒸汽压力与液态金属的表面张力和重力形成动态平衡后，“小孔”不再继续加深，而是形成一个具有一定深度的稳定“小孔”，这个就是“小孔效应”。在“小孔效应”过程中，等离子体从小孔中喷射出来时的压力波动会发出一种可听的声音。这种声信号除了与等离子体密切相关外，还与小孔和熔池的行为密不可分，因此，声信号在一定程度上直接反映出了焊接质量的变化。对声信号的检测最简单的方法就是利用麦克风进行探测进而转化为小孔中的等离子体压力的变化。上述方式是目前应用最多的一种非接触式监测方式。有学者就曾采用单个传声器测量焊接过程中的声信号，然后对声信号进行傅立叶变换，对频谱的分布特性进行研究。但是该方法的缺点是声信号极易受到喷嘴气流和环境噪声影响，尤其是在现场焊接过程中，各种机器的噪声将会严重声信号检测的质量和精度。而且在分析过程中，通常将保护气体喷嘴和环境噪声等其他声源，在研究中并未区分开来，而是将他们叠加在一起作为声源考虑，影响了检测信号的质量；同时，单个传声器的指向性不好控制，增益不高，灵敏度低，输出的信噪比不能得到有效改善。

发明内容

本发明的目的在于克服现有技术中利用传声器进行质量检测时的不足，提供一种基于传声器阵列激光焊接质量检测的方法和装置，将声信号传感器阵列和盲信号分离方法相结合，分离出“小孔”声信号，并以分离出的“小孔”声信号作为检测参量，对冷轧薄板带的激光焊接质量进行识别，最终实现激光焊接质量的准确检测。

本发明的目的通过下述技术方案予以实现：

一种基于传声器阵列的激光焊接质量检测的方法，按照下述步骤进行：

1.通过传声器阵列，对焊接过程中的激光声信号进行采集和放大；

2.对声信号先后进行零均值化、主成分分析和独立分量分析的数据处理

首先将采集的混合声信号x(t)＝[x₁(t)，x₂(t)，…x_n(t)]^T，t＝1，2，…N，进行零均值化：

式中，i＝1，2，…，N，x_0i(t)为混合声信号零均值后的数据；

其次对零均值化的混合声信号进行主成分分析和降维处理：

(1)求出零均值化后的数据x₀(t)＝[x₀₁(t)，x₀₂(t)，…x_0n(t)]^T，t＝1，2，…n的协方差矩阵R_xx；

(2)计算协方差矩阵R_xx的全部特征值：即首先对R_xx进行特征值分解R_xx＝Q∑²Q^T，其中Q为正交矩阵，∑²为对角矩阵，R_xx的全部特征值为λ₁，λ₂，…，λ_n和其对应的特征向量γ₁，γ₂，…，γ_n；并将特征值按照从大到小的顺序排列，即：λ₁≥λ₂≥…≥λ_n；

(3)选取n个特征信号y₁，y₂，…y_n，满足y＝[y₁，y₂，…y_n]^T＝V^Tx；

式中，V＝[γ₁，γ₂，…，γ_n]，而V^TR_xxV＝Λ，Λ＝diag{λ₁，λ₂，…，λ_n}。

(4)定义第i个主分量y_i的“方差贡献率”为前m个主分量y₁，y₂，…y_m的“累积方差贡献率”为

如果前m个主分量的累积方差贡献率大于75％，即取前m个主分量作为特征信号，舍弃余下的(n-m)个信号；

最后进行独立分量分析，步骤如下：

(1)将经过降维处理后的数据记为Y(t)＝[y₁(t)，y₂(t)，…y_m(t)]^T；

(2)根据信号Y(t)选取随机权向量W的初始值；使得变换后输出的s(t)满足s(t)＝W Y(t)，其中s(t)为信号源的原始信号；

(3)进行随机权向量W的迭代计算，对随机权向量进行调整，使对应的投影W^TY(t)的非高斯性达到极大化，迭代公式为： $W_i\left(p\right)\←E\left\{x\left(t\right)G^{\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}-E\left\{G^{\′\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}{W}_i\left(p\right),$ 其中p为迭代次数，G′和G″分别为非线性函数G的一阶导数和二阶导数，E是求取期望的运算；

(4)通过迭代计算，当相邻两次的W_i(p)差的绝对值小于或者等于10-5时，则停止迭代，从而得到随机权向量W的最终值，再将这一随机权向量W带入s(t)＝W Y(t)中，得到独立信号源的近似信号s(t)。

在经过零均值化、主成分分析和独立分量分析的数据处理之后，可对获得的独立信号源的近似信号s(t)进行频谱分析，其中频域公式为：

其中，ω＝2πf，ω为角频率，f为声信号的频率，单位为Hz，x(t)为经过数据处理之后的独立信号源的近似信号s(t)，S(ω)为声信号的频谱。

本发明的另一目的在于提供一套用于激光焊接质量检测的装置，包括声信号采集系统和声信号分析系统，其中所述声信号采集系统包括传声器、采集卡和工控机，所述传声器呈阵列排布，对焊接过程中的激光声信号进行采集和放大；所述采集卡和工控机用于接收和存储传声器传来的声信号；所述声信号分析系统，包括零均值化模块、主成分分析模块和独立分量分析模块，其中

所述零均值化模块将采集的混合声信号x(t)＝[x₁(t)，x₂(t)，…x_n(t)]^T，t＝1，2，…N，进行零均值化：

式中，i＝1，2，…，N，x_0i(t)为混合声信号零均值后的数据；

所述主成分分析模块对零均值化的混合声信号进行主成分分析和降维处理：

(1)求出零均值化后的数据x₀(t)＝[x₀₁(t)，x₀₂(t)，…x_0n(t)]^T，t＝1，2，…n的协方差矩阵R_xx；

(2)计算协方差矩阵R_xx的全部特征值：即首先对R_xx进行特征值分解R_xx＝Q∑²Q^T，其中Q为正交矩阵，∑²为对角矩阵，R_xx的全部特征值为λ₁，λ₂，…，λ_n和其对应的特征向量γ₁，γ₂，…，γ_n；并将特征值按照从大到小的顺序排列，即：λ₁≥λ₂≥…≥λ_n；

(3)选取n个特征信号y₁，y₂，…y_n，满足y＝[y₁，y₂，…y_n]^T＝V^Tx；

式中，V＝[γ₁，γ₂，…，γ_n]，而V^TR_xxV＝Λ，Λ＝diag{λ₁，λ₂，…，λ_n}。

(4)定义第i个主分量y_i的“方差贡献率”为

前m个主分量y₁，y₂，…y_m的“累积方差贡献率”为

如果前m个主分量的累积方差贡献率大于75％，即取前m个主分量作为特征信号，舍弃余下的(n-m)个信号；

所述独立分量分析模块对降维后的信号进行独立分量分析，步骤如下：

(1)将经过降维处理后的数据记为Y(t)＝[y₁(t)，y₂(t)，…y_m(t)]^T；

(2)根据信号Y(t)选取随机权向量W的初始值；使得变换后输出的s(t)满足s(t)＝W Y(t)，其中s(t)为信号源的原始信号；

(3)进行随机权向量W的迭代计算，对随机权向量进行调整，使对应的投影WTY(t)的非高斯性达到极大化，迭代公式为： $W_i\left(p\right)\←E\left\{x\left(t\right)G^{\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}-E\left\{G^{\′\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}{W}_i\left(p\right),$ 其中p为迭代次数，G′和G″分别为非线性函数G的一阶导数和二阶导数，E是求取期望的运算；

(4)通过迭代计算，当相邻两次的W_i(p)差的绝对值小于或者等于10-5时，则停止迭代，从而得到随机权向量W的最终值，再将这一随机权向量W带入s(t)＝W Y(t)中，得到独立信号源的近似信号s(t)。

所述传声器阵列中，传声器数量优选为8个，传声器沿着焊缝方向等间距分布呈阵列。在所述传声器阵列中，相邻两个传声器中心点的间距优选为10mm，传声器阵列与焊缝的水平距离优选为90mm，垂直高度优选为115mm。

所述声信号分析系统还可包括频域模块，其对获得的独立信号源的近似信号s(t)进行频谱分析，其中频域公式为：

其中，ω＝2πf，ω为角频率，f为声信号的频率，单位为Hz，x(t)为经过数据处理之后的独立信号源的近似信号s(t)，S(ω)为声信号的频谱。

本发明将声信号传感器阵列和盲信号分离方法相结合，利用信号的盲分离处理方法，分离出“小孔”声信号。在盲分离算法中，都是需要假设信号源的各个分量是均值为零的随机变量。为了使实际的盲分离能够符合数学模型，需要在分离信号前去除信号的均值。即设

t＝1，2，…N，为随机向量x(t)的样本。则零均值化方法为：

i＝1，2，…，N，x_0i(t)为混合信号零均值后的数据，x₀(t)＝[x₀₁(t)，x₀₂(t)，…x_0n(t)]；x₀(t)为零均值化后的数据；

为了去除信号间的线性相关性，找出原始信号中所隐含的内在能量较大的那信号，同时降低向量的维数，减少计算时的运算量，本发明中采用主成分(PCA)处理算法对去零均值的数据x₀(t)＝[x₀₁(t)，x₀₂(t)，…x_0n(t)]进行降维预处理。主成分分析的原理是对采集到的混合信号，通过变换投影到低维特征空间，它是数据分析中一种有效手段，该分析方法可以减少特征空间的维数、确定变量的线性组合、选择最有用的变量等。独立分量分析是一种解决盲信号处理的方法，该方法在于寻找一个线性系统，使得到的信号尽可能的彼此统计独立，其处理的过程本质上是使分离出来的各个分量最大限度的逐步接近各个真实独立的信号，也就是建立目标函数并寻优以逼近真实函数。

与现有技术相比，本发明提供一种基于传声器阵列激光焊接质量检测的方法和装置，利用阵列传声器采集信号和信号的盲分离处理方法，分离出“小孔”声信号，并以分离出的“小孔”声信号作为检测参量，对冷轧薄板带的激光焊接质量进行识别。由于本发明的设备采用传声器阵列排布，可以沿焊缝采集更为细致的声信号，并依据盲分离处理这些声信号，最终实现激光焊接质量的准确检测。

附图说明

图1是本发明的基于传声器阵列激光焊接质量检测装置的结构示意图(图中，1是激光源、2是工控机、3是PCI-4472数据采集卡，4是传声器阵列，5是冷轧薄板钢带)。

图2是传声器阵列与冷轧薄板钢带焊缝的空间位置示意图(图中，1是传声器，2是焊缝，3是冷轧薄板钢带)。

图3是本发明实施例中使用的激光焊接试样示意图。

图4是本发明实施例采集的声信号数据显示图(图中，1是采集卡物理通道的选择，2是采样频率，3对应的曲线0是通道1的声信号波形图，4对应的曲线1是通道8的声信号波形图，图中自上而下依次是曲线0到曲线1，依次对应通道1-8的声信号波形图)。

图5是本发明的基于传声器阵列激光焊接质量检测的数据处理流程图。

图6是本发明实施例中，经过数据处理后，分离出来的激光声信号图。

图7是本发明实施例中，分离出的激光声信号的频谱分析图。

具体实施方式

下面结合具体实施例进一步说明本发明的技术方案。

考虑到激光焊接过程中声信号的频率范围一般在10kHz左右，同时结合采样定律，确定传声器的频率响应在20kHz左右应保持无畸变。同时，为了能够保证采样分析能够在一个很宽的范围内进行，因此，在保证信号传输不失真的提前下，传声器必须有足够长的引线。本发明的实施例采用的传声器，选用成熟的市场化产品北京声望声电技术有限公司的1/4英寸预极化自由场传声器MPA416，这种传声器灵敏度高，动态响应好，本底噪声低，本身带有前置放大电路，因此可以保证输出信号的强度，适合于阵列结构中。

综合考虑采集卡的同步性、通道个数、采样精度、转换速率以及最高采样频率，本发明中，确定选用NI公司的PCI-4472动态信号数据采集卡，该数据采集卡具有24位的模数转换器，能同时采集八通道的模拟输入信号，且具有嵌入式可编程的ICP，其最高的采样频率可达到102.4kS/s，可直接插在计算机的扩展槽上进行数据采集。

本发明实施例的软件系统采用NI公司的LabVIEW8.2软件来编写。NI公司的LabVIEW8.2系统开发平台功能强大，兼容性强，应用范围广。它主要是通过图标来创建与编辑应用程序的图形化编程软件，采用数据流编程模式，通过程序框图中节点之间的数据流走向来决定程序的执行顺序，而且提供了大量的驱动与专用的工具，很方便与硬件实现连接。

本实施例的设备采用JK2003SM型连续Nd:YAG激光器、常见的研华工控机和焊接数控机床，基本组成如附图1所示。在激光焊接过程中，传声器阵列中每个传声器的间距以及传声器阵列和焊缝之间的距离，对焊接质量的检测有着重要的影响，其中本实施例中传声器的间距D(相邻两个传声器中心点之间的距离)为10mm，传声器阵列与焊缝的水平距离L为90mm，垂直高度H为115mm，如附图2所示。焊接过程中选用冷轧板，激光模式选为连续模式，其激光功率为1500W，焊接速度确定为2mm/s，焊接时间确定为30s，离焦量为0mm；使用的焊接工件尺寸如附图3所示，在工件的背面加工了一个凹槽，用于人为制造焊接缺陷。

激光焊接过程声信号，被MPA416传声器采集到后，经过传声器内置的放大器，对声信号进行放大，利用PCI-4472采集卡进行A/D转换，经过NI公司的LabVIEW8.2软件，将声信号数据存储起来，接着进行数据分析。当焊接结束后，其八个传声器所采集的声信号波形图如图4所示。然后对采集的声信号经过图5所示的数据处理过程，最终得到激光焊接过程中的激光声信号。

通过对采集的声信号进行零均值、预处理后，得到其特征值，如表1所示。

表一原始声信号的特征值

序号	λ1	λ2	λ3	λ4	λ5	λ6	λ7	λ8
									特征值	1.39	0.84	0.56	0.41	0.22	0.21	0.20	0.07

每个主分量所对应的方差贡献率

其中m＝8，i＝1，2，…，m，如表2所示。

表二每个特征值所对应的方差贡献率

通过计算，可以得到前4个主分量的总方差贡献率之和为82％，所以，本发明中选择主分量数为4来进行计算，即将剩下的4个分量去除。得到的新的向量为：Y(t)＝[y₁(t)，y₂(t)，y₃(t)，y₄(t)]^T。

经过PCA算法降维处理得到的新特征向量Y(t)＝[y₁(t)，y₂(t)，y₃(t)，y₄(t)]^T后，接着采用ICA算法对新的向量Y(t)＝[y₁(t)，y₂(t)，y₃(t)，y₄(t)]^T进行处理。选择初始向量W＝[1，1，1，1]^T，选取非二次函数G(x)为G可取G(x)＝-exp(-x²/2)。

然后通过迭代函数 $W_i\left(p\right)\←E\left\{x\left(t\right)G^{\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}-E\left\{G^{\′\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}{W}_i\left(p\right)$ 进行迭代计算。当相邻两次的W_i(p)差的绝对值小于等于10^-5时，停止迭代，此时迭代次数p＝1005次。将最终得到的权向量带入s(t)＝W Y(t)中，得到独立信号源的近似信号s(t)。

分离出来的独立信号源的近似信号s(t)如图6所示。从图中可以得到，通过传声器阵列采集的声信号经过本发明的数据处理之后，激光声信号在图中所指的区域，声音信号有明显的减弱的现象。而根据这个区域所对应的时间段，正好是激光束运动到工件背面有凹槽的缺陷时刻，此时由于凹槽的存在会产生背景噪声。这个说明通过本发明的数据处理方法可以有效地对在嘈杂的背景噪声情况下，对激光声信号进行很好的分离，将背景噪声予以排除。

由于通过传声器采样得到的声音信号是声压和时间的函数，该函数只能在时域范围内反应出声信号的特点，而无法得知其频域特性。为了得到激光声信号的特点，必须将时域信号转换到频域范围。在经过零均值化、主成分分析和独立分量分析的数据处理之后，可对获得的独立信号源的近似信号s(t)进行频谱分析，其中频域公式为：

其中，ω＝2πf，ω为角频率，f为声信号的频率，单位为Hz，x(t)为经过数据处理之后的独立信号源的近似信号s(t)，S(ω)为声信号的频谱，频谱分析结果如图7所示。从频谱分析结果可以看到，经过数据分析后，将由于凹槽产生的噪声予以排除后，得到声信号主要集中在小孔的两个频率段500-1000Hz和4000-5000Hz。

以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (7)

1.一种基于传声器阵列的激光焊接质量检测的方法，其特征在于，按照下述步骤进行：

(1)通过传声器阵列，对焊接过程中的激光声信号进行采集和放大；

(2)对声信号先后进行零均值化、主成分分析和独立分量分析的数据处理：

首先将采集的混合声信号x(t)＝[x₁(t)，x₂(t)，…x_n(t)]^T，t＝1，2，…N，进行零均值化：

式中，i＝1，2，…，N，x_0i(t)为混合声信号零均值后的数据；

其次对零均值化的混合声信号进行主成分分析和降维处理：

(1)求出零均值化后的数据x₀(t)＝[x₀₁(t)，x₀₂(t)，…x_0n(t)]^T，t＝1，2，…n的协方差矩阵R_xx；

(2)计算协方差矩阵R_xx的全部特征值：即首先对R_xx进行特征值分解R_xx＝Q∑²Q^T，其中Q为正交矩阵，∑²为对角矩阵，R_xx的全部特征值为λ₁，λ₂，…，λ_n和其对应的特征向量γ₁，γ₂，…，γ_n；并将特征值按照从大到小的顺序排列，即：λ₁≥λ₂≥…≥λ_n；

(3)选取n个特征信号y₁，y₂，…y_n，满足y＝[y₁，y₂，…y_n]^T＝V^Tx

式中，V＝[γ₁，γ₂，…，γ_n]，而V^TR_xxV＝Λ，Λ＝diag{λ₁，λ₂，…，λ_n}；

(4)定义第i个主分量y_i的“方差贡献率”为

前m个主分量y₁，y₂，…y_m的“累积方差贡献率”为

如果前m个主分量的累积方差贡献率大于75％，即取前m个主分量作为特征信号，舍弃余下的(n-m)个信号；

最后进行独立分量分析，步骤如下：

(1)将经过降维处理后的数据记为Y(t)＝[y₁(t)，y₂(t)，…y_m(t)]^T；

(2)根据信号Y(t)选取随机权向量W的初始值；使得变换后输出的s(t)满足s(t)＝W Y(t)，其中s(t)为信号源的原始信号；

(3)进行随机权向量W的迭代计算，对随机权向量进行调整，使对应的投影W^TY(t)的非高斯性达到极大化，迭代公式为： $W_i\left(p\right)\←E\left\{x\left(t\right)G^{\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}-E\left\{G^{\′\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}{W}_i\left(p\right),$ 其中p为迭代次数，G′和G″分别为非线性函数G的一阶导数和二阶导数，E是求取期望的运算；

(4)通过迭代计算，当相邻两次的W_i(p)差的绝对值小于或者等于10-5时，则停止迭代，从而得到随机权向量W的最终值，再将这一随机权向量W带入s(t)＝W Y(t)中，得到独立信号源的近似信号s(t)。

2.根据权利要求1所述的一种基于传声器阵列的激光焊接质量检测的方法，其特征在于，在经过零均值化、主成分分析和独立分量分析的数据处理之后，对获得的独立信号源的近似信号s(t)进行频谱分析，其中频域公式为：

其中，ω＝2πf，ω为角频率，f为声信号的频率，单位为Hz，x(t)为经过数据处理之后的独立信号源的近似信号s(t)，S(ω)为声信号的频谱。

3.一种用于激光焊接质量检测的装置，包括声信号采集系统和声信号分析系统，其中所述声信号采集系统包括传声器、采集卡和工控机，其特征在于，所述传声器呈阵列排布，对焊接过程中的激光声信号进行采集和放大；所述采集卡和工控机用于接收和存储传声器传来的声信号；所述声信号分析系统，包括零均值化模块、主成分分析模块和独立分量分析模块，其中

所述零均值化模块将采集的混合声信号x(t)＝[x₁(t)，x₂(t)，…x_n(t)]^T，t＝1，2，…N，进行零均值化：

式中，i＝1，2，…，N，x_0i(t)为混合声信号零均值后的数据；

所述主成分分析模块对零均值化的混合声信号进行主成分分析和降维处理：

(1)求出零均值化后的数据x₀(t)＝[x₀₁(t)，x₀₂(t)，…x_0n(t)]^T，t＝1，2，…n的协方差矩阵R_xx；

(2)计算协方差矩阵R_xx的全部特征值：即首先对R_xx进行特征值分解R_xx＝Q∑²Q^T，其中Q为正交矩阵，∑²为对角矩阵，R_xx的全部特征值为λ₁，λ₂，…，λ_n和其对应的特征向量γ₁，γ₂，…，γ_n；并将特征值按照从大到小的顺序排列，即：λ₁≥λ₂≥…≥λ_n；

(3)选取n个特征信号y₁，y₂，…y_n，满足y＝[y₁，y₂，…y_n]^T＝V^Tx；

式中，V＝[γ₁，γ₂，…，γ_n]，而V^TR_xxV＝Λ，Λ＝diag{λ₁，λ₂，…，λ_n}；

(4)定义第i个主分量y_i的“方差贡献率”为

前m个主分量y₁，y₂，…y_m的“累积方差贡献率”为

如果前m个主分量的累积方差贡献率大于75％，即取前m个主分量作为特征信号，舍弃余下的(n-m)个信号；

所述独立分量分析模块对降维的信号进行独立分量分析，步骤如下：

(1)将经过降维处理后的数据记为Y(t)＝[y₁(t)，y₂(t)，…y_m(t)]^T；

(2)根据信号Y(t)选取随机权向量W的初始值；使得变换后输出的s(t)满足s(t)＝W Y(t)，其中s(t)为信号源的原始信号；

(3)进行随机权向量W的迭代计算，对随机权向量进行调整，使对应的投影WTY(t)的非高斯性达到极大化，迭代公式为： $W_i\left(p\right)\←E\left\{x\left(t\right)G^{\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}-E\left\{G^{\′\′}\left(W_i^T\left(p\right)x\left(t\right)\right)\right\}{W}_i\left(p\right),$ 其中p为迭代次数，G′和G″分别为非线性函数G的一阶导数和二阶导数，E是求取期望的运算；

(4)通过迭代计算，当相邻两次的W_i(p)差的绝对值小于或者等于10^-5时，则停止迭代，从而得到随机权向量W的最终值，再将这一随机权向量W带入s(t)＝W Y(t)中，得到独立信号源的近似信号s(t)。

4.根据权利要求3所述的一种用于激光焊接质量检测的装置，其特征在于，所述传声器沿着焊缝方向等间距分布呈阵列。

5.根据权利要求3所述的一种用于激光焊接质量检测的装置，其特征在于，所述传声器数量为8个。

6.根据权利要求3所述的一种用于激光焊接质量检测的装置，其特征在于，所述传声器阵列中，相邻两个传声器中心点的间距为10mm，传声器阵列与焊缝的水平距离为90mm，垂直高度为115mm。

7.根据权利要求3-6之一所述的一种用于激光焊接质量检测的装置，其特征在于，所述声信号分析系统还包括频域模块，其对获得的独立信号源的近似信号s(t)进行频谱分析，以得到声信号的频谱，其中频域公式为：

其中，ω＝2πf，ω为角频率，f为声信号的频率，单位为Hz，x(t)为经过数据处理之后的独立信号源的近似信号s(t)，S(ω)为声信号的频谱。

Images