CN114559132A - 一种基于电弧声信号的焊接质量监测方法 - Google Patents

Abstract

本发明涉及焊接质量监测技术领域，尤其涉及一种基于电弧声信号的焊接质量监测方法，包括：将需要焊接的结构件的详细信息记录在工控机中，将工控机通过导线与焊接机器人的控制器相连接，供后续过程使用；分别采集焊接机器人在多种焊接工况下的电弧声信号，采集实验样本；提取电弧声信号的多个特征，得到代表各电弧声信号的特征矩阵；使用关联性分析方法选出每种工况下差异性最大的五个特征矩阵，记为参考矩阵；定义多判据联合算法，并将算法程序置于工控机中。本发明能够依据焊接过程中的电弧声信号准确的对目前焊接机器人的焊接质量进行判断，能够为评测焊接机器人的焊接质量和保护焊接过程提供一定的参考。

Description

一种基于电弧声信号的焊接质量监测方法

技术领域

本发明涉及焊接质量监测技术领域，尤其涉及一种基于电弧声信号的焊接质量监测方法。

背景技术

结构件的焊接质量是制约制造业水平的关键，目前焊接机器人已广泛应用于各类工业生产的场景中，虽然使用机器人进行焊接作业能够减缓人工作业的疲劳性所带来的质量影响，但机器人在工作过程中却无法及时对自身的作业质量作出评判，从而无法得知对结构件的焊接结果是否达标。

若焊接过程中出现如保护气体不足等突发事件，则会导致焊缝中出现气泡而影响焊接质量；若焊接过程中出现功率不稳定现象，则可能导致焊缝过熔透或未熔透现象，从而可能引起焊缝断裂，类似的结构件若投入日常使用则为对人们的工业生产、日常生活带来巨大的安全隐患。而只依赖人力检查焊接机器人的焊接质量又会背离使用焊接机器人节约人力资源的初衷，且人工检查因为人类疲劳性的存在，检查结果受人工工作时间的影响，因此亟需开发自动判断焊接质量的方法，使焊接机器人能够对小型质量问题自行进行处理，同时能够标记可能出现焊接质量问题的焊缝段，以供工作人员着重检查。

现有技术中，焊接过程中的电弧声信号能够为评判焊接质量提供巨大的帮助，有经验的焊接工人也会通过焊接时的电弧声判断焊缝的熔透状态，因此可设计相应算法判断焊接过程中的电弧声信号来判断焊接机器人的焊接质量。但在工业生产的环境下，设计的算法应具有判断精度高、响应及时的特点，因此现有技术中无法应用目前流行的多数机器学习与深度学习算法。故本发明提出了一种基于电弧声信号的多项特征来快速判断焊接质量的方法，致力于协助工业生产线上的焊接机器人准确的判断熔化极惰性气体保护焊的焊接质量。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于电弧声信号的焊接质量监测方法，以协助在工业生产环境下准确判断焊接模式为熔化极惰性气体保护焊的焊接机器人的焊接质量，并为后续的人工复检提供强力参考。

为了实现上述目的，本发明采用了如下技术方案：

一种基于电弧声信号的焊接质量监测方法，具体步骤如下：

步骤S1、将需要焊接的结构件的详细信息记录在工控机中，将工控机通过导线与焊接机器人的控制器相连接，供后续过程使用；

步骤S2、分别采集焊接机器人在多种焊接工况下的电弧声信号，采集实验样本；

步骤S3、提取步骤S2中获取的电弧声信号的多个特征，得到代表各电弧声信号的特征矩阵；

步骤S4、使用关联性分析方法选出每种工况下差异性最大的五个特征矩阵，记为参考矩阵；

步骤S5、定义多判据联合算法，并将算法程序置于工控机中；

步骤S6、判断焊接过程中的电弧声信号所属的工况类别，并对目前的焊接作业情况进行评价与处理。

优选地，使用一台工控机存储焊接结构件的详细信息，将工控机通过导线与焊接机器人的控制器相连接，工控机负责存储数据和算法的运算，在焊接质量监测算法的运算完成后，工控机负责将运算结果转换为指令发送给焊接机器人的控制器。焊接机器人控制器中存储有各结构件的焊接程序，焊接机器人控制器也可根据工控机发送的指令控制焊接机器人做出相应动作。在步骤S1中，工控机中记录的结构件详细信息是指：结构件的编号、材质、焊接机器人焊接该结构件时对应的电压、电流、焊接速度、出丝速度、保护气体流速以及焊接机器人每段焊接程序所对应实际结构件上的焊缝段。

优选地，执行步骤S2之前首先应通过连接架将声信号采集装置的麦克风固定于焊接机器人的焊枪上，具体固定位置示意图如图2所示，声音采集装置本体通过导线与工控机相连接，采集到的声音信号存储在工控机中。接着，进行焊接实验来采集实验样本，依次采集正常功率焊接、过功率焊接、低功率焊接、极度低功率焊接、不使用保护气焊接五种焊接工况下的电弧声信号，此五种工况模拟了焊接过程中可能出现的焊缝质量正常、焊缝过熔透、焊缝未熔透、焊缝严重未熔透甚至脱焊或假焊、焊缝严重粗糙五种现象。每种工况下采集的声音信号样本数量相等，每个声音信号样本的长度大约相等。

优选地，将步骤S2获取的声音样本裁剪至长度严格相等，然后对声音样本提取梅尔频率倒谱系数、均方根、过零率、谱平坦度四项特征，梅尔频率倒谱系数取(m-3)×n维，均方根、过零率、谱平坦度三项特征均取1×n维，m-3为梅尔频率倒谱系数的滤波器个数，n由声音信号的长度和分帧加窗时的窗长度决定，取特征后将特征数据合成为m×n维的特征矩阵，最终将步骤S2中获取的声音样本全都提取成为特征矩阵。在选取的特征原理合理的前提下，亦可选择其他特征来合成特征矩阵，但至少要选择梅尔频率倒谱系数特征或该特征的改进特征。

优选地，在步骤S4中使用关联性分析算法在每种工况中选出相关性最小即差异性最大的5个特征矩阵，将这共计25个特征矩阵定义为参考矩阵。

优选地，在步骤S5中，定义多判据联合算法，并将算法程序置于工控机中，由工控机完成新声音样本所属工况类别的识别，多判据联合算法由三种判据组成，分别为基于欧氏距离的判据、基于图像信息熵的判据、基于支持向量机的判据。

判据1：基于欧式距离的判据；

首先将每个特征矩阵表示为式(1)的形式，然后定义两特征矩阵X与Y间的“距离”的计算公式如式(2)所示，将特征矩阵的每一行数据都看作n维空间中点的坐标，在计算两特征矩阵间的“距离”时，首先对两个矩阵中对应行的数据求取欧式距离，再将m个欧氏距离相加以表示两特征矩阵X与Y间的“距离”。

基于式(2)计算新的声音样本提取出的特征矩阵与25个参考矩阵间的“距离”，并在基于欧式距离的判据中认定，距新的声音样本提取出的特征矩阵“距离”最小的那个参考矩阵所属的工况类别即为新的声音样本所属于的工况类别。

判据2：基于图像信息熵的判据；

首先，依次将25个参考矩阵中的数据通过式(3)转换到0至255的范围内，并保留整数。

式(3)中，data代表原特征矩阵的数据，data_new代表转换后的数据，转换后的数据区间为0至255，min(data)代表原特征矩阵数据中的最小值，max(data) 代表原特征矩阵数据中的最大值，最后还需要对数据进行取整操作。

接着，将新的声音样本提取特征矩阵，并将该新特征矩阵中的数据也通过式 (3)转换到0至255的范围内并保留整数。然后，分别将25个参考矩阵转换后的数据与新特征矩阵转换后的数据相减，得到25个差值矩阵，将这25个差值矩阵的数据也通过式(3)转换到0至255的范围内，并保留整数，得到25幅差值图像。最后，对这25幅差值图像求取信息熵，由于同一工况下获取声信号对应的特征矩阵一般差异较小，它们相减得到的差值图像所蕴含的信息就少，对应信息熵的值就小。不同工况下获取声信号对应的特征矩阵一般差异较大，它们相减得到的差值图像所蕴含的信息较多，对应的信息熵值就偏大，因此可通过差值图像信息熵的大小来判断两特征矩阵间的相似程度。基于图像信息熵的判据认定，熵最小的那个差值图像对应的参考矩阵所属的工况类别即为新的声音样本所属于的工况类别。

判据3：基于支持向量机的判据；

首先，将25个参考矩阵各拉直成长度为m×n的一维数据，用于制作支持向量机训练样本，每个样本的标签就是它拉直前所属的工况类别。接着，根据这些训练样本训练支持向量机模型。然后，对新的声音样本也提取特征矩阵，并拉直成长度为m×n的一数据。最后，将新声音样本对应的一维数据输入训练好的支持向量机模型中，基于支持向量机的判据认定，支持向量机的输出结果即为新的声音样本所属的类别。

当需要判断新的声音样本所属的工况类型时，分别计算基于欧氏距离的判据、基于图像信息熵的判据、基于支持向量机的判据三个判据的判别结果。当有两个或三个判据都判定该新声音样本属于某种工况时，多判据联合算法便认定该新声音样本属于该工况类别；当三个判据的判定结果都不同时，多判据联合算法对该新声音样本做出拒识操作。

其中，焊接机器人在实际工作时，由声信号采集装置将采集到的电弧声信号传输至工控机，每有新的声音样本到达工控机后，就由工控机中的多判据联合算法判断该声音样本所属的工况，同时，工控机也根据不同的判断结果做出不同的反应，以保证焊接质量。

在工控机依据新采集的声音样本判断出其所属的工况类别后，依据识别的六种结果，对应的处理方式不同，分列如下：

识别为正常功率焊接：此时焊接质量良好，焊接过程正常，工控机控制焊接机器人继续焊接；

识别为过功率焊接：此情况下有可能出现过熔透现象，焊接质量受到影响，工控机记录下该20秒的声音样本对应的焊缝段，焊接结束后供工作人员检查工件情况；

识别为低功率焊接：此情况下可能出现焊接未熔透现象，焊接质量受到影响，工控机记录下该20秒声音样本对应的焊缝段，焊接结束后自动对该焊缝段进行补焊，并对该焊缝段进行标记，以供工作人员后续检查工件情况；

识别为极度低功率焊接：此情况下极有可能出现焊接未熔透现象，焊接质量较差，工控机记录下该20秒声音样本对应的焊缝段，焊接结束后自动对该焊缝段进行补焊，并对该焊缝段进行标记，以供工作人员后续检查工件情况。

识别为不使用保护气进行焊接：此情况下说明出现了严重影响焊接质量的事件，目前的焊接质量无法得到保证，工控机控制焊接机器人立即停止焊接，并向工作人员发出报警，工作人员立即对焊接装置进行排查。

拒识：工控机控制焊接机器人继续焊接，并记录下拒识的焊缝段，以供工作人员后续检查工件情况。

与现有技术相比，本发明具有以下有益效果：

本发明采用多判据联合算法能够依据焊接过程中的电弧声信号准确的对目前焊接机器人的焊接质量进行判断，能够为评测焊接机器人的焊接质量和保护焊接过程提供一定的参考。

附图说明

图1为本发明的流程图；

图2为本发明中固定声信号采集装置麦克风的位置示意图；

图3为本发明同一工况下声音样本对应的特征矩阵相减得到的差值图像；

图4为本发明不同工况下声音样本对应的特征矩阵相减得到的差值图像；

图5为本发明选取声音样本的示意图。

具体实施方式

下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于电弧声信号的焊接质量监测方法，具体步骤如下：

步骤S1、将需要焊接的结构件的详细信息记录在工控机中，将工控机通过导线与焊接机器人的控制器相连接，供后续过程使用；

工业生产中固定的焊接机器人常常负责样式确定的一种或几种焊接对象，在结构件送至焊接机器人的工作区域后，焊接机器人根据结构件的编号调用预设的程序开始进行焊接作业。因此事先应将所焊接结构件的详细信息存储起来，使用一台工控机存储焊接结构件的详细信息，工控机通过导线与焊接机器人的控制器相连接，工控机负责存储数据以及进行焊接质量监测算法的运算，在多判据联合算法的运算完成后，工控机也负责将运算结果转换为指令发送给焊接机器人的控制器，以控制焊接机器人做出反应。焊接机器人控制器中存储有各结构件的焊接程序，焊接机器人根据这些程序进行焊接作业，焊接机器人控制器也可根据工控机传送的指令控制焊接机器人做出相应动作。

其中，工控机中记录的结构件详细信息是指：结构件的编号、材质、焊接机器人焊接该结构件时对应的电压、电流、焊接速度、出丝速度、保护气体流速以及焊接机器人每段焊接程序所对应实际结构件上的焊缝段。

步骤S2、分别采集焊接机器人在多种焊接工况下的电弧声信号，采集实验样本；

本步骤中首先需将带有保护的声信号采集装置通过连接架固定于焊接机器人的焊枪上，如图2所示，图2中的标号1的位置即为固定声信号采集装置麦克风的位置，以便在焊接的过程中采集电弧声信号，采集到的声信号数据存储在工控机的存储空间中。

接着，进行焊接实验来采集实验样本，依次采集多种工况下焊接机器人在焊接过程中的电弧声信号，此处的多种工况是指，正常功率焊接、过功率焊接、低功率焊接、极度低功率焊接、不使用保护气焊接五种焊接工况，此五种工况模拟了焊接过程中可能出现的焊缝质量正常、焊缝过熔透、焊缝未熔透、焊缝严重未熔透甚至脱焊或假焊、焊缝严重粗糙五种现象。实际实验时，保证安全的前提下，可以具体选择额定功率焊接、1.5倍额定功率焊接、0.5倍额定功率焊接、0.25 倍额定功率焊接、不使用保护气焊接5种工况，在以上五种焊接工况下，每个工况采集10个声音信号样本，每个声音信号样本的长度控制在21秒左右。在采集声音信号时应注意保持背景声稳定，且采集时选择的焊接对象的材质、厚度、焊缝形状应与焊接机器人实际工作工程中应焊接对象的材质、厚度、焊缝形状保持一致，满足以上条件时也可选择工业生产产生的废料进行焊接实验，以节约实验样本的制作成本。

步骤S3、提取步骤S2中获取的电弧声信号的多个特征，得到代表各电弧声信号的特征矩阵；

在提取特征前，需要将步骤S2中获取的实验样本的长度统一裁剪至20秒。然后，对每个实验样本依次提取梅尔频率倒谱系数、均方根、过零率、谱平坦度四项特征。梅尔频率倒谱系数是基于人耳听觉机理提取的声音特征，由于有经验的焊工可依据焊接过程中的电弧声来判断目前的焊接状态，因此提取基于人耳听觉原理的特征可为通过电弧声进行焊接质量识别提供巨大参考；声音信号的均方根值可用于表示信号中能量的大小；信号的过零率表示信号在一定时间内穿过坐标系横轴的次数，可描述信号的频谱特性；信号的谱平坦度能够用来表明功率谱的宽度，信号的频谱的分布不均匀时，谱平坦度较低，通常代表该段信号中含有有效信息，分析信号的谱平坦度有助于对有效信息及噪声加以区分，提取该特征能够一定程度上提升算法的抗噪性能。因此，可对每个电弧声信号提取以上四类特征。

其中，梅尔频率倒谱系数取(m-3)×n维，均方根、过零率、谱平坦度三项特征均取1×n维，m-3为梅尔频率倒谱系数的滤波器个数，n由声音信号的长度和分帧加窗时的窗长度决定，取特征后将特征数据合成为m×n维的特征矩阵。在选取的特征原理合理的前提下，亦可选择其他特征来合成特征矩阵，但至少要选择梅尔频率倒谱系数特征或该特征的改进特征。

步骤S4、使用关联性分析方法选出每种工况下差异性最大的五个特征矩阵，记为参考矩阵；

经步骤S3后，每种工况下的10个实验样本都被提取成为了代表该声音样本的特征矩阵，本步骤中使用最大互信息算法计算每种工况下10个特征矩阵的相关性，由于最大互信息算法一般适用于计算一维数据的相关性，因此在计算的过程中依据每个特征矩阵的第一维来计算，每个特征矩阵的第一维即梅尔频率倒谱系数特征的第一维，这也是为何在步骤S3中至少要选择梅尔频率倒谱系数特征或该特征的改进特征的原因之一。

然后，在每种工况下选出相关性最小即差异性最大的5个特征矩阵作为参考矩阵，最终在5种工况下各选出5个差异性较大的参考矩阵，如此做法保证了参考矩阵的多样性，为后续焊接质量判别结果的准确性提供一定的保证。一种结构件对应总计25个参考矩阵，这25个参考矩阵在选定后不再更改，用于后续的焊接质量判断过程中。

步骤S5、定义多判据联合算法，并将算法程序置于工控机中；

为准确判断新声音样本所属的工况类别，本发明采用多判据结合的形式来进行联合判断，这三种判据分别为基于欧氏距离的判据、基于图像信息熵的判据、基于支持向量机的判据。接下来对三种判据的判别原理进行详细介绍。

判据1：基于欧式距离的判据；

在判别前需要将新的声音样本提取先前于步骤S2中所提及的梅尔频率倒谱系数、均方根、过零率、谱平坦度四项特征，并合成m×n维的特征矩阵。进而通过判断该特征矩阵与25个参考矩阵的相似程度来判断该新声音样本所属的工况类别。

通常来讲，两个样本在空间中的距离越近，二者的相似程度就越大，就越有可能属于同一类别，因此首先可基于距离来判断两个样本间的相似性。但是两个矩阵之间无法直接求取距离，故而需要对求取距离的方式进行一定的变通。

每个声音特征矩阵X均为m×n维，可由式(1)的形式表示，依据特征矩阵的合成原理，特征矩阵的每一行均为声音信号对应的某项特征数据。故本发明将特征矩阵的每一行数据都看作n维空间中点的坐标，在计算两特征矩阵间的“距离”时，首先对两个矩阵中对应行的数据求取欧式距离，再将m个欧氏距离相加以表示两特征矩阵X与Y间的“距离”，如式(2)所示。

在定义好两特征矩阵间“距离”的计算方法后，就可基于式(2)计算新的声音样本提取出的特征矩阵与25个参考矩阵间的“距离”，并在判据1中认定，距新的声音样本提取出的特征矩阵“距离”最小的那个参考矩阵所属的工况类别即为新的声音样本所属于的工况类别。

判据2：基于图像信息熵的判据；

提取出的特征矩阵本质上为一矩阵，而图像的本质也为一矩阵，故某些提取图像中信息的算法应在本专利提取出的特征矩阵上应也适用，因此，本发明提出一种基于图像信息熵的判据。

因为提取出的特征矩阵中的数据有正有负，且带有小数，而计算信息熵时需要将特征矩阵中的数据转换为值为0至255的灰度图像，故而需要先将特征矩阵对应的数据转换至0至255区间内，每个特征矩阵数据的转换公式如式(3)所示。

式(3)中，data代表原特征矩阵的数据，data_new代表转换后的数据，转换后的数据区间为0至255，min(data)代表原特征矩阵数据中的最小值，max(data) 代表原特征矩阵数据中的最大值，数据范围转换的原理为，先将特征矩阵的数据转换至0到1的范围内，然后将范围为0至1的数据乘以255，从而将数据转换至0至255的范围内，由于计算图像的信息熵时，图像的像素值应为整数，故还需要对转换后的数据进行取整操作。

在判断新的声音样本所属的工况类别时，首先，依次将25个参考矩阵中的数据通过式(3)转换到0至255的范围内，并保留整数。

接着，将新的声音样本提取特征矩阵，并将该新特征矩阵中的数据也通过式 (3)转换到0至255的范围内并保留整数。

然后，分别将25个参考矩阵转换后的数据与新特征矩阵转换后的数据相减，得到25个差值矩阵，将这25个差值矩阵的数据也通过式(3)转换到0至255的范围内，并保留整数，得到25幅差值图像。

最后，对这25幅差值图像求取信息熵，由于同一工况下获取声信号对应的特征矩阵一般差异较小，它们相减得到的差值图像所蕴含的信息就少，对应信息熵的值就小。不同工况下获取声信号对应的特征矩阵一般差异较大，它们相减得到的差值图像所蕴含的信息较多，对应的信息熵值就偏大，如图3和图4所示，图3为同一工况下声音样本对应的特征矩阵相减得到的差值图像，通过人眼主观观察就可知晓其蕴含信息较少，图4为不同工况下声音样本对应的特征矩阵相减得到的差值图像，通过人眼主观观察就可知晓其纹理信息偏多，蕴含信息也偏多，因此可通过差值图像信息熵的大小来判断两特征矩阵间的相似程度。判据2认定，熵最小的那个差值图像对应的参考矩阵所属的工况类别即为新的声音样本所属于的工况类别。

判据3：基于支持向量机的判据；

支持向量机是经典的机器学习方法，在数据量较小时，支持向量机具备运算快、精度高的特点。判断新的声音样本属于哪种工况的问题本质上为一分类问题，因此可通过支持向量机算法进行求解。

首先，将25个参考矩阵各拉直成长度为m×n的一维数据，用于制作支持向量机训练样本，每个样本的标签就是它拉直前所属的工况类别。接着，根据这些训练样本训练支持向量机模型。然后，对新的声音样本也提取特征矩阵，并拉直成长度为m×n的一数据。最后，将新声音样本对应的一维数据输入训练好的支持向量机模型中，判据3认定，支持向量机的输出结果即为新的声音样本所属的类别。

定义好三个判据的计算方法后，将25个参考矩阵数据、三个判据的计算程序、训练好的支持向量机模型都存储于工控机中，存储编号应与对应的结构件编号相同。当需要判断新的声音样本所属的工况类型时，分别计算基于欧氏距离的判据、基于图像信息熵的判据、基于支持向量机的判据三个判据的判别结果。当有两个或三个判据都判定该新声音样本属于某种工况时，多判据联合算法便认定该新声音样本属于该工况类别；当三个判据的判定结果都不同时，多判据联合算法对该新声音样本做出拒识操作。

步骤S6、判断焊接过程中的电弧声信号所属的工况类别，并对目前的焊接作业情况进行评价与处理；

焊接机器人在实际工作的过程中，声信号采集装置将采集到的电弧声信号传输至工控机，随着焊接时间的增长，电弧声信号的长度从0逐渐增长至总的焊接时间T。如图5所示，从结构件开始焊接起，第一个20秒过后提取一段长度为 20秒的声音样本Sound1，然后，每过15秒提取一次最新的声音样本，新提取的声音样本长度仍为20秒，若提取一次声音样本后，未到15秒就停止了焊接，则从焊接结束的时间点向前推算，取最后一段声音样本的长度也为20秒。采用如此方法保证每段声音样本中都有一部分与临近段重合，以保证判断结果的可信性。在以上过程中，每提取出新的声音样本后，就由工控机中的多判据联合算法判断该声音样本所属的工况，同时，工控机也根据不同的判断结果做出不同的反应，以保证焊接质量。

需要特别说明的是，焊接的总时间T等于焊接速度v与焊缝的总长度L的乘积，在焊接机器人对结构件进行焊接作业的过程中，焊接速度v、焊缝的总长度 L、焊缝的形状是焊接前就知晓的已知量，那么将目前已焊接过的时间t与焊接速度v相乘就可得出目前已焊接过的焊缝长度l，也就是说，焊接的过程中，可基于以上原理得出每一时间点对应的焊枪位置。当从整段声信号数据中截取某段声音样本时，亦可由该段声音样本的起始时间点与截止时间点计算得出该段声音样本所对应的焊缝段。

在工控机依据新采集的声音样本判断出其所属的工况类别后，依据识别的六种结果，对应的处理方式不同，分列如下：

识别为正常功率焊接：此时焊接质量良好，焊接过程正常，工控机控制焊接机器人继续焊接；

识别为过功率焊接：此情况下有可能出现过熔透现象，焊接质量受到影响，工控机记录下该20秒的声音样本对应的焊缝段，焊接结束后供工作人员检查工件情况；

识别为低功率焊接：此情况下可能出现焊接未熔透现象，焊接质量受到影响，工控机记录下该20秒声音样本对应的焊缝段，焊接结束后自动对该焊缝段进行补焊，并对该焊缝段进行标记，以供工作人员后续检查工件情况；

识别为极度低功率焊接：此情况下极有可能出现焊接未熔透现象，焊接质量较差，工控机记录下该20秒声音样本对应的焊缝段，焊接结束后自动对该焊缝段进行补焊，并对该焊缝段进行标记，以供工作人员后续检查工件情况；

识别为不使用保护气进行焊接：此情况下说明出现了严重影响焊接质量的事件，目前的焊接质量无法得到保证，工控机控制焊接机器人立即停止焊接，并向工作人员发出报警，工作人员立即对焊接装置进行排查。

拒识：工控机控制焊接机器人继续焊接，并记录下拒识的焊缝段，以供工作人员后续检查工件情况。

本发明中披露的说明和实践，对于本技术领域的普通技术人员来说，都是易于思考和理解的，且在不脱离本发明原理的前提下，还可以做出若干改进和润饰。因此，在不偏离本发明精神的基础上所做的修改或改进，也应视为本发明的保护范围。

Claims (5)

1.一种基于电弧声信号的焊接质量监测方法，其特征在于，具体步骤如下：

步骤S1、将需要焊接的结构件的详细信息记录在工控机中，将工控机通过导线与焊接机器人的控制器相连接，供后续过程使用；

步骤S2、分别采集焊接机器人在多种焊接工况下的电弧声信号，采集实验样本；

步骤S3、提取步骤S2中获取的电弧声信号的多个特征，得到代表各电弧声信号的特征矩阵；

步骤S4、使用关联性分析方法选出每种工况下差异性最大的五个特征矩阵，记为参考矩阵；

步骤S5、定义多判据联合算法，并将算法程序置于工控机中；

步骤S6、判断焊接过程中的电弧声信号所属的工况类别，并对目前的焊接作业情况进行评价与处理。

2.根据权利要求1所述的一种基于电弧声信号的焊接质量监测方法，其特征在于，在步骤S1中，详细信息是指：结构件的编号、材质、焊接机器人焊接该结构件时对应的电压、电流、焊接速度、出丝速度、保护气体流速以及焊接机器人每段焊接程序所对应实际结构件上的焊缝段。

3.根据权利要求1所述的一种基于电弧声信号的焊接质量监测方法，其特征在于，在步骤S2中，多种焊接工况是指：正常功率焊接、过功率焊接、低功率焊接、极度低功率焊接、不使用保护气焊接五种焊接工况，此五种工况模拟了焊接过程中可能出现的焊缝质量正常、焊缝过熔透、焊缝未熔透、焊缝严重未熔透甚至脱焊或假焊、焊缝严重粗糙五种现象。

4.根据权利要求1所述的一种基于电弧声信号的焊接质量监测方法，其特征在于，在步骤S5中，多判据联合算法需要使用步骤S4中获取的参考矩阵，且多判据联合算法由三种判据组成：分别为基于欧氏距离的判据、基于图像信息熵的判据、基于支持向量机的判据；当需要判断新的声音样本所属的工况类型时，分别计算基于欧氏距离的判据、基于图像信息熵的判据、基于支持向量机的判据三个判据的判别结果；当有两个或三个判据都判定该新声音样本属于某种工况时，多判据联合算法便认定该新声音样本属于该工况类别；当三个判据的判定结果都不同时，多判据联合算法对该新声音样本做出拒识操作。

5.根据权利要求4所述的一种基于电弧声信号的焊接质量监测方法，其特征在于，在步骤S5中，多判据联合算法其中的一种判据为基于图像信息熵的判据，利用特征矩阵本质为矩阵的特性，将判断两特征矩阵相似性的问题转换为求取图像信息熵的问题，其判断过程如下：

计算信息熵时需要将特征矩阵中的数据转换成值为0至255的灰度图像，故而需要先将特征矩阵对应的数据转换至0至255区间内，每个特征矩阵数据的转换公式如下式所示：

data_new保留整数

上式中，data代表原特征矩阵的数据，data_new代表转换后的数据，转换后的数据区间为0至255，min(data)代表原特征矩阵数据中的最小值，max(data)代表原特征矩阵数据中的最大值，数据范围转换的原理为，先将特征矩阵的数据转换至0到1的范围内，然后将范围为0至1的数据乘以255，从而将数据转换至0至255的范围内，由于计算图像的信息熵时，图像的像素值应为整数，故还需要对转换后的数据进行取整操作；

在判断新的声音样本所属的工况类别时：

首先，依次将步骤S4中获取的参考矩阵中的数据通过转换公式转换到0至255的范围内，并保留整数；

接着，将新的声音样本提取特征矩阵，并将该新特征矩阵中的数据也通过转换公式转换到0至255的范围内并保留整数；

然后，分别将参考矩阵转换后的数据与新特征矩阵转换后的数据相减，得到对应的差值矩阵，将这些差值矩阵的数据也通过转换公式转换到0至255的范围内，并保留整数，得到对应的差值图像；

最后，对差值图像求取信息熵，基于图像信息熵的判据认定，熵最小的那个差值图像对应的参考矩阵所属的工况类别即为新的声音样本所属于的工况类别。

Images