CN102528225A - 一种gtaw焊接熔透状态的声音信号传感及预测方法 - Google Patents

Abstract

本发明涉及一种GTAW焊接熔透状态的声音信号传感及预测方法，包括以下步骤：利用声音传感器采集GTAW焊接动态过程的电弧声音；对采集到的GTAW焊接动态过程的电弧声音进行特征提取，得到电弧声音特征；根据得到的电弧声音特征建立HMM模型，并进行模型训练和声音熔透识别；根据声音熔透识别预测GTAW焊接熔透状态。本发明可有效地对焊接熔透进行实时检测和控制。

Description

一种GTAW焊接熔透状态的声音信号传感及预测方法

技术领域

本发明涉及焊接质量控制技术领域，特别是涉及一种GTAW焊接熔透状态的声音信号传感及预测方法。

背景技术

钨极气体保护焊(简称“GTAW”)是精密焊接产品制造的重要工艺之一。尤其是在高新技术产业中(如航天工业)实现GTAW的自动化和机器人化具有重要的应用价值。

要获得高精密度焊接质量并实现高水平的焊接自动化或机器人焊接，必须实现对焊接动态过程，即焊接熔池动态特性的有效控制。周知，GTAW过程是一个高度非线性，多变量耦合作用，同时具有大量随机不确定性因素的复杂过程，决定了对GTAW熔池过程的熔宽、熔深、焊缝成形等质量控制问题是非常困难的。

传统的焊接工艺主要是依赖于人工的经验操作，焊接先进制造技术的主要发展方向是实现焊接自动化、智能化，目标是用机器来代替人工完成焊接过程操作，这一方向的前沿研究工作则是如何模拟焊工在焊接过程中的行为，包括观察、听声、决策与动作。结合现阶段的技术发展水平，现实的目标就是如何使焊接机器人能够实现类似人的视觉和听觉感知焊接质量信息，然后根据经验知识采用适当操作改变工艺参数、运动轨迹与姿态，从而实现焊缝成形与质量的精确控制。焊接质量是焊接技术发展的一个重要指标，而焊接熔池的形状和尺寸对于焊缝的成形、微观组织、焊接缺陷等等具有非常重要的作用。因此焊接过程的熔透控制是实现焊接智能化、机器人化的一个关键技术。

先前的研究主要集中在基于视觉信息的传感，通过工业CCD相机观测熔池图像，并对图像进行处理，提取熔池形状、尺寸作为特征，进而分别建立尺寸信息与焊接工艺参数间的控制模型和建立尺寸信息与熔透间的预测模型，从而达到了可实时调节焊接工艺参数来控制焊接熔透的目的。尽管该种技术已经取得了丰硕成果，然而受实际焊接过程中烟尘、金属蒸发、飞溅等影响，给熔池的尺寸信息提取带来误差，因此为了降低视觉传感器在干扰下的误判和减少信息冗余，提出引入声音传感器作为第二个传感器。

在焊接过程中声音信息一般可分为超声和可闻声。考虑到主要是用于模拟焊工的听觉，因此所提取的声音为可闻声声压，选择麦克风作为获取声音信号的传感器。可闻电弧声信号相对于其它电弧信号，它的传感与数据采集更加简单易行，因此对焊接质量在线监控是更有价值、有潜力的源信号。

现有的焊接声音特征提取和识别方法可归纳为：特征提取，包括“信号处理+统计量”技术，语音识别技术；声音识别，包括神经网络(简称ANN)；支向量集(简称SVM)。虽然ANN和SVM的分类决策能力和对不确定信息和描述能力已得公认，但它对动态时间信号的描述能力尚不尽如意，通常它们分类只能解决静态模式分类问题。

发明内容

本发明所要解决的技术问题是提供一种GTAW焊接熔透状态的声音信号传感及预测方法，可有效地对焊接熔透进行实时检测和控制。

本发明解决其技术问题所采用的技术方案是：提供一种GTAW焊接熔透状态的声音信号传感及预测方法，包括以下步骤：

(1)利用声音传感器采集GTAW焊接动态过程的电弧声音；

(2)对采集到的GTAW焊接动态过程的电弧声音进行特征提取，得到电弧声音特征；

(3)根据得到的电弧声音特征建立HMM模型，并进行模型训练和声音熔透识别；

(4)根据声音熔透识别预测GTAW焊接熔透状态。

所述步骤(3)包括以下子步骤：

(31)根据电弧声音特征，以前向三状态输出地HMM拓扑结构的初始状态确定为第一状态时，HMM的参数集可表示为λ＝(A，B)，A＝(a_ij)_N×N表示状态概率转移矩阵，B＝{b_j(o_t|q_j)}，2≤j≤N-1为特征矢量概率密度函数参数集，其中，N状态数量，q代表隐含状态量，o代表观察状态，a_ij表示前一时刻隐含态为q_i时下一隐含态为q_j的概率，b_j表示在隐含态为q_j状态时观察状态为o_t的概率，i，j代表矩阵中的位置角标；

(32)根据HMM的参数集计算HMM生成该声音信号序列的概率大小，概率

其中，S表示状态序列＝q₁，q₂...，q_T，T为观察序列总长，t＝1，2，....T观察时间状态序列，为一段声音对应的特征矢量序列；

(33)估计HMM模型参数集典型的最大似然估计方法的目标函数为： $F_{\mathrm{mle}}\left(\mathrm{\λ}\right)=\log p\left(O_l^T\right|M;\mathrm{\λ});$

(34)根据HMM模型集

判断声音信号序列属于的熔透状态的模型，从而进行声音熔透识别。

所述步骤(1)中还包括获取GTAW焊接过程熔池的正反面图像的步骤。

所述步骤(4)中还包括获取的GTAW焊接过程熔池的正反面图像进行视觉熔透识别，并将视觉熔透识别和声音熔透识别采用DS证据理论和神经网络方法进行特征级融合，预测最终焊接熔透状态。

所述步骤(2)中采用LPCC算法或MFCC算法对采集到的GTAW焊接动态过程的电弧声音进行特征提取。

所述步骤(2)还包括以下步骤：

(21)根据电弧的声管模型，建立GTAW电弧的全极点数学线性模型；

(22)对每一周期的电弧声音波形进行分帧处理，并对每帧采用LPCC算法提取线性倒谱系数作为第一声音特征；

(23)分帧处理每一周期电弧声音波形，预加重处理每帧声音信号，并对每帧采用MFCC算法提取Mel倒谱系数作为第二声音特征。

所述步骤(3)中还包括比较采用LPCC算法和MFCC算法两种算法的识别精度的步骤，并选出两种算法中识别精度较高的特征作为最终使用的语音特征进行声音熔透识别。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：

本发明基于HMM模型对电弧声音特征进行建模的方法，并结合HMM三个问题，建立基于HMM对电弧声音识别的：模型生成序列的概率、模型训练和模型识别的方法和算法实现，从而很好地描述了语音信号的整体非平稳和短时平稳的特点，特别适合非平稳、重复再现性不佳信号的分析，在语音识别中取得了相当好的识别效果。

本发明基于LPCC和MFCC技术进行特征提取，根据电弧声道模型的特点设计合适的参数，得到更有针对性的电弧声音识别。

本发明还引入多信息融合技术，把分别基于声音和图像的预测结果进行决策级融合，并预测控制焊接熔透状态，为多信息融合技术在焊接中的有用性作实践上的验证。

附图说明

图1是本发明的系统原理框图；

图2是本发明的流程图；

图3是本发明中HMM模型拓扑结构示意图；

图4是本发明中GTAW焊接的脉冲电流、声音信号和图像信号示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种GTAW焊接熔透状态的声音信号传感及预测方法，如图2所示，包括以下步骤：

(1)焊接动态过程电弧声音与图像传系统设计研制：如图1所示，铝合金GTAW焊接过程熔池的正反面同时同幅图像获取，声音传感及多线程并行获取系统。也就是说，通过声音传感器采集GTAW焊接动态过程的电弧声音，通过图像获取系统获取GTAW焊接过程熔池的正反面图像，并将收到的电弧声音和正反面图像并行送入计算机。

采用高速照相机，观察上升沿期间电弧的形态变化，发现由于能量的过零，电弧接近熄灭，在瞬间点燃时，电弧形状发生瞬间膨胀，于是认为电弧能量的改变导致了电弧弧柱形态的膨胀和压缩，导致周围空气振动，进而形成电弧声音。对弧长与声音信号的研究表明，声音信号类似于弧压信号，都与弧长有一定的线性关系。如当熔透变大时，熔池液面位置降低，导致了时域声压的变大，此时一方面弧柱被拉长；另一方面由于电弧能量的最大幅值增加，在过零点时的总能量变化率增加，进而导致电弧弧柱膨胀后的形态比以前更大。不同熔透状态熔池的振荡频率不同，表现为电弧弧柱的振荡，实际导致焊接能量的不同振荡，根据声音的产生机理进而导致了声音信号的变化。可见熔透变化反映在焊接声音信号的频域和时域中。

(2)铝合金GTAW焊接电弧声音特征提取，得到GTAW电弧的声道线性预测结构，铝合金GTAW焊接电弧声音特征提取可采用以下几种方法：如对MIG焊声音信号进行FFT变换，对变换谱分段求能量构成特征向量，运用神经网络作分类器对焊接电压、送丝速度等焊接参数预测分类。为了提取焊接飞溅的声音特征，可在CO₂焊接时，通过计算飞溅与短路结束瞬间至其后1.44ms内电弧声音能量及短路平均声能量成线性关系；通过对电弧声音信号进行小波包多层分解，提取不同频率范围的声波能量构成特征向量，同样可以用来表征焊接飞溅的大小。借鉴语音识别的理论模拟人类声道系统，利用线性预测(LPC)分析方法建立电弧声道的数学模型，借助于此模型系数及反射系数可有效地提取电弧声音信号特征，并通过神经网络和支持向量集，实现了在GMAW焊接下，利用焊接声音信号对焊接过程保护气体流量及焊丝干伸长的识别分类等。

以LPCC算法和MFCC算法为例进一步说明铝合金GTAW焊接电弧声音特征提取。首先，根据电弧的声管模型，建立GTAW电弧的全极点数学线性模型；然后，对每一周期的电弧声音波形进行分帧处理，并对每帧采用LPCC算法提取线性倒谱系数作为第一声音特征；最后，分帧处理每一周期电弧声音波形，预加重处理每帧声音信号，并对每帧采用MFCC算法提取Mel倒谱系数作为第二声音特征。值得一提的是，该步骤还可以仅仅使用LPCC算法进行铝合金GTAW焊接电弧声音特征提取，也可以仅仅使用MFCC算法进行铝合金GTAW焊接电弧声音特征提取。

(3)根据得到的电弧声音特征建立HMM模型，并进行模型训练和声音熔透识别。研究对电弧焊接状态描述的HMM的拓扑结构，即状态数和状态转移结构；解决HMM识别电弧声音的三个经典问题。图3所示的是典型的前向三状态输出地HMM拓扑结构。其初始状态确定为第一状态时，HMM的参数集可表示为λ＝(A，B)，A＝(a_ij)_N×N表示状态概率转移矩阵，B＝{b_j(o_t|q_j)}，2≤j≤N-1为特征矢量概率密度函数参数集，其中，N状态数量，q代表隐含状态量，o代表观察状态，a_ij表示前一时刻隐含态为q_i时下一隐含态为q_j的概率，b_j表示在隐含态为q_j状态时观察状态为o_t的概率，i，j代表矩阵中的位置角标。根据HMM的参数集计算HMM生成该声音信号序列的概率大小，概率 $p\left(O_l^T\right|M;\mathrm{\λ})={\mathrm{\Σ}}_s{\mathrm{\Π}}_{t=1}^{T}p\left(O_t\right|s_t;\mathrm{\λ})P\left(s_t\right|s_{t-1};\mathrm{\λ}),$ 其中，S表示状态序列＝q₁，q₁...，q_T，T为观察序列总长，t＝1，2，....T观察时间状态序列，

为一段声音对应的特征矢量序列，从而解决了概率估计问题。估计HMM模型参数集典型的最大似然估计方法的目标函数为：

实现了模型训练。根据HMM模型集

判断声音信号序列属于的熔透状态的模型，从而进行声音熔透识别。本步骤中，如果采用LPCC算法和MFCC算法相结合的方式进行声音特征提取时，还包括比较采用LPCC算法和MFCC算法两种算法的识别精度的步骤，并选出两种算法中识别精度较高的特征作为最终使用的语音特征进行声音熔透识别。

(4)提取熔池正、反面图像的几何特征，建立几何特征与熔透间的知识模型，并对熔透状况进行预测。基于数据融合的理论，把视觉熔透识别和声音熔透识别，两种识别结果进行决策级融合，分别用DS证据理论和神经网络方法进行特征级融合，预测最终焊接熔透状态。

定义熔透状态(可通过背面熔宽大小)当背面熔宽W_b＝0mm表示未焊透；当0＜W_b≤4mm，表示部分熔透；当背面熔宽W_b＞4mm，表示完全熔透。背面熔宽可通过试验台中的相机实时拍摄到，同时电弧声音可通过麦克风实时采集。两个信号在时间上(以脉冲为分段)可对应，这样就知道每个脉冲期间的声音信号和对应的背面宽度(即熔深状态)。这个数据可以用在检验特征提取的正确性及HMM识别的正确性，就是所谓的训练阶段。一旦训练阶段达到满意结束，训练的模型及参数，就可以用做提取和识别之用，就是所谓的测试或预测阶段。

如图4所示，该图上面部分是GTAW焊接的脉冲电流图，也可以认为焊接的热量输入图；中间部分是焊接声音的采集时刻，可见声音传感器采集了焊接电流峰值期间的声音信号，因为峰值期间的电弧声音大，电弧挺度大，声音信号主要是来自电弧的，因此受外界干扰小；下面部分是相机的视觉vision采集信号时刻，可见每次只是在脉冲末期采集，且一个脉冲1秒时间内，只采集一次，把图中的背面熔宽代表一个脉冲期间的熔宽，即熔透状态。

不难发现，本发明基于HMM模型对电弧声音特征进行建模的方法，并结合HMM三个问题，建立基于HMM对电弧声音识别的：模型生成序列的概率、模型训练和模型识别的方法和算法实现，从而很好地描述了语音信号的整体非平稳和短时平稳的特点，特别适合非平稳、重复再现性不佳信号的分析，在语音识别中取得了相当好的识别效果。

本发明基于LPCC和MFCC技术进行特征提取，根据电弧声道模型的特点设计合适的参数，得到更有针对性的电弧声音识别。

本发明还引入多信息融合技术，把分别基于声音和图像的预测结果进行决策级融合，并预测控制焊接熔透状态，为多信息融合技术在焊接中的有用性作实践上的验证。

Claims (7)

1.一种GTAW焊接熔透状态的声音信号传感及预测方法，其特征在于，包括以下步骤：

(1)利用声音传感器采集GTAW焊接动态过程的电弧声音；

(2)对采集到的GTAW焊接动态过程的电弧声音进行特征提取，得到电弧声音特征；

(3)根据得到的电弧声音特征建立HMM模型，并进行模型训练和声音熔透识别；

(4)根据声音熔透识别预测GTAW焊接熔透状态。

2.根据权利要求1所述的GTAW焊接熔透状态的声音信号传感及预测方法，其特征在于，所述步骤(3)包括以下子步骤：

(31)根据电弧声音特征，以前向三状态输出地HMM拓扑结构的初始状态确定为第一状态时，HMM的参数集可表示为λ＝(A，B)，A＝(a_ij)_N×N表示状态概率转移矩阵，B＝{b_j(o_t|q_j)}，2≤j≤N-1为特征矢量概率密度函数参数集，其中，N状态数量，q代表隐含状态量，o代表观察状态，a_ij表示前一时刻隐含态为q_i时下一隐含态为q_j的概率，b_j表示在隐含态为q_j状态时观察状态为o_t的概率，i，j代表矩阵中的位置角标；

(32)根据HMM的参数集计算HMM生成该声音信号序列的概率大小，概率 $p\left(O_l^T\right|M;\mathrm{\λ})={\mathrm{\Σ}}_s{\mathrm{\Π}}_{t=1}^{T}p\left(O_t\right|s_t;\mathrm{\λ})P\left(s_t\right|s_{t-1};\mathrm{\λ}),$ 其中，S表示状态序列＝q₁，q₂...，q_T，T为观察序列总长，t＝1，2，....T观察时间状态序列，

为一段声音对应的特征矢量序列；

(33)估计HMM模型参数集典型的最大似然估计方法的目标函数为： $F_{\mathrm{mle}}\left(\mathrm{\λ}\right)=\log p\left(O_l^T\right|M;\mathrm{\λ});$

(34)根据HMM模型集判断声音信号序列属于的熔透状态的模型，从而进行声音熔透识别。

3.根据权利要求1所述的GTAW焊接熔透状态的声音信号传感及预测方法，其特征在于，所述步骤(1)中还包括获取GTAW焊接过程熔池的正反面图像的步骤。

4.根据权利要求3所述的GTAW焊接熔透状态的声音信号传感及预测方法，其特征在于，所述步骤(4)中还包括获取的GTAW焊接过程熔池的正反面图像进行视觉熔透识别，并将视觉熔透识别和声音熔透识别采用DS证据理论和神经网络方法进行特征级融合，预测最终焊接熔透状态。

5.根据权利要求1所述的GTAW焊接熔透状态的声音信号传感及预测方法，其特征在于，所述步骤(2)中采用LPCC算法或MFCC算法对采集到的GTAW焊接动态过程的电弧声音进行特征提取。

6.根据权利要求1所述的GTAW焊接熔透状态的声音信号传感及预测方法，其特征在于，所述步骤(2)还包括以下步骤：

(21)根据电弧的声管模型，建立GTAW电弧的全极点数学线性模型；

(22)对每一周期的电弧声音波形进行分帧处理，并对每帧采用LPCC算法提取线性倒谱系数作为第一声音特征；

(23)分帧处理每一周期电弧声音波形，预加重处理每帧声音信号，并对每帧采用MFCC算法提取Mel倒谱系数作为第二声音特征。

7.根据权利要求6所述的GTAW焊接熔透状态的声音信号传感及预测方法，其特征在于，所述步骤(3)中还包括比较采用LPCC算法和MFCC算法两种算法的识别精度的步骤，并选出两种算法中识别精度较高的特征作为最终使用的语音特征进行声音熔透识别。

Images