0 引言

　　鎂合金是金屬結構材料中密度最小的一種，具有質量輕、比強度高、減震性和耐腐蝕性好等特性，在航空航天領域應用價值高，已用于飛行器發(fā)動機、航空器結構件等。激光焊接是新型高效焊接技術，在鎂合金焊接方面應用廣泛。未熔透和過熔透是激光焊接常見缺陷，影響焊接質量，因此鎂合金激光焊接熔透狀態(tài)監(jiān)測至關重要。

　　焊接過程會產生光、聲、熱、視覺等信號，研究人員常用光電傳感器、熱成像儀、麥克風、工業(yè)相機等監(jiān)測焊接狀態(tài)，并在不銹鋼、鋁合金等材料上開展了大量研究。但鎂合金激光焊接研究發(fā)展緩慢且不成熟，相關監(jiān)測研究較少，這與鎂合金材料特性有關，其激光吸收率差、熔點低、易氧化等，焊接時易出現熔池不穩(wěn)定、飛濺物多等問題。

　　目前鎂合金激光焊接監(jiān)測主要集中于孔隙方面。而在激光焊接中，熔透狀態(tài)是影響焊接質量的首要因素，未熔透易引發(fā)裂紋和脆性斷裂，過熔透會降低接頭強度和承載能力。目前鎂合金激光焊接熔透狀態(tài)缺乏智能監(jiān)測手段，因此本文提出基于信號融合的監(jiān)測方法，用麥克風和高速相機獲取信號，經處理后通過反向傳播神經網絡監(jiān)測熔透狀態(tài)。

　　1 試驗及方法

　　1.1 實驗設備及材料

　　鎂合金激光焊接平臺由激光焊接系統(tǒng)和多傳感器監(jiān)測系統(tǒng)組成。激光焊接系統(tǒng)包括藍光半導體激光器、近紅外激光器、三軸運動平臺和氬氣保護氣;多傳感器監(jiān)測系統(tǒng)由麥克風、聲音與振動數據采集卡、高速攝像機組成。焊接材料為鎂合金 AZ31B，采用紅藍光復合焊接進行堆焊，每組參數重復實驗 2 次，共獲得 6 組實驗數據。麥克風采樣率、相機采樣幀率等參數有具體設定，采用輔助激光器照明并加裝濾光片消除干擾。

　　1.2 熔透狀態(tài)

　　將鎂合金焊接試樣沿熔池截面切開制備金相樣品，拍攝熔池截面圖，根據焊縫熔池截面可將熔透狀態(tài)分為未熔透、完全熔透和過熔透狀態(tài)。未熔透時熔深較淺，熔池未到工件底部;完全熔透時熔池到達工件底部且微微凸起;過熔透時熔池塌陷嚴重，工件底部凸起更高。同時測量了焊縫表面形貌，不同熔透狀態(tài)下焊縫正面熔寬、塌陷值、背面熔寬、隆起高度等存在差異。

　　2 數據處理

　　2.1 聲音數據處理

　　激光焊接時會產生大量聲信號，聲源有匙孔腔體發(fā)聲和混合氣體噴射發(fā)聲兩種類型。焊接采集聲音信號的時頻圖顯示，背景噪聲在低頻段，高頻段為有用信號，需對原始聲信號降噪處理并提取特征。先對原始信號進行小波包變換獲取默認閾值，再用 Symlets 小波基分解，重構低頻和高頻系數得到降噪信號，然后對聲音信號分幀處理，每幀時長 0.02s。提取聲信號的方根幅值、標準差等時域特征，發(fā)現過熔透狀態(tài)特征值較大，可較好區(qū)分，但未熔透和完全熔透狀態(tài)時域特征混疊嚴重。對信號頻域特征分析，提取頻段 [1.5,5) kHz、[5,10] kHz 的頻帶強度作為頻域特征，過熔透狀態(tài)這兩個頻段強度整體大于另外兩種狀態(tài)，但未熔透和完全熔透狀態(tài)仍存在輕微混疊，難以區(qū)分，因此需補充圖像信息。

　　2.2 圖像信號處理

　　高速相機捕獲的焊接圖像中，鎂合金焊接產生的羽煙干擾熔池區(qū)域。由于熔池形態(tài)特征與焊接熔透狀態(tài)密切相關，且原始圖像干擾大，傳統(tǒng)圖像分割算法難以提取熔池輪廓特征，因此采用局部二值模式(LBP)算法提取熔池紋理特征。圖像信號處理流程包括提取目標熔池的感興趣區(qū)域，將原始圖像裁剪;提取 ROI 圖像的 LBP 特征得到特征向量;采用平均法下采樣處理，保證和聲音信號特征樣本時間尺度一致。

　　3 結果和討論

　　3.1 聲音和圖像數據集

　　將聲音時域特征、頻域特征和圖像的 LBP 特征串聯進行特征級融合，因特征維數過高，采用主成分分析(PCA)將高維特征數據集降至 40 維。進行 6 組實驗構建小數據集樣本，剔除焊接開始和結束附近不穩(wěn)定數據，共獲得 1356 個數據，按 8∶2 的比例隨機劃分為訓練集和測試集，訓練集用于模型訓練，測試集用于測試。

　　3.2 分類結果

　　以降維后的聲圖特征為輸入，焊接熔透狀態(tài)為輸出，建立 BP 神經網絡模型。該模型設置 2 個隱藏層，神經元數量分別為 5 和 3，設定了最大迭代次數、目標誤差、學習率等訓練參數，傳遞函數選擇 Log-sigmoid。基于 BP 神經網絡的聲音圖像信號融合預測結果顯示，所有樣本都能正確分類，分類準確率達到 100%。對比僅使用聲音和圖像特征時 BP 神經網絡的預測結果，發(fā)現聲音圖像融合監(jiān)測的識別準確率平均值比僅使用聲音特征時提高了 6.16%，比僅使用圖像特征時提高了 0.40%，說明聲音和圖像特征存在信息互補，融合能準確預測激光焊接熔透狀態(tài)。將聲圖特征數據集分別輸入 K 最近鄰(KNN)、樸素貝葉斯(NB)分類、支持向量機(SVM)和決策樹等機器學習模型中，結果表明 BP 神經網絡在熔透狀態(tài)監(jiān)測中識別準確率更高，比 KNN、SVM 高 0.40%，比 NB 分類、決策樹高 1.50%。

　　4 結語

　　鎂合金激光焊接熔透狀態(tài)與焊接質量密切相關，目前相關監(jiān)測研究較少，本文提出基于信號融合的監(jiān)測方法。具體為構建多傳感器系統(tǒng)采集聲音和圖像信號并提取特征進行融合;構建 BP 神經網絡，輸入融合特征識別鎂合金激光焊接熔透狀態(tài)，識別準確率達 100%;聲圖融合特征在多種機器學習模型中具有較高預測準確率，證明了該方法的有效性。但該方法僅適用于厚度為 2mm 的鎂合金激光焊接，對其他厚度通用性差。未來研究可關注鎂合金焊接中裂紋、不均勻性等其他缺陷監(jiān)測，結合焊接控制實現焊接智能化。

魏偉;孔前程;鄧昊林;彭重清;魏芝霖;陳召桃;鄧年春;龍雨,省部共建特色金屬材料與組合結構全壽命安全國家重點實驗室;廣西大學機械工程學院;廣西路橋工程集團有限公司;廣西大學土木工程學院,202405