论文部分内容阅读
电弧声作为焊接过程伴生物之一,并不为人们所希望,却又无法避免,其本质是频率介于20~20kHz之间的气载振动信号。实际上,有经验的焊工凭借耳听并结合个人经验就可以大致判断焊缝成形质量以及焊接过程的稳定性。由此可见,电弧声中必然蕴藏着焊接过程中相关状态变化的信息。本文主要针对焊接过程熔透状态的模式识别,以MIG焊平板对接射流过渡过程电弧声为研究对象,采用现代数字信号处理与分析技术,探寻了电弧声与熔透状态的相关性,在此基础上抽取和量化了可表征熔透状态的电弧声信号特征,构造其联合特征向量,并采用主成分分析(PCA)进行特征空间的降维压缩。利用BP、RBF神经网络等机器学习模型,建立了电弧声与熔透状态间的映射模型。测试结果表明,利用电弧声信号进行焊接过程熔透状态的分类识别是可行的。论文工作主要包括以下内容:在已有数采硬件平台基础上,基于图形化虚拟仪器编程语言LabVIEW,通过封装功能模块及调用硬件驱动的动态链接程序,开发了一套采用中断触发方式进行实时数据采集存盘,集用户身份验证、实验参数记录、采集参数配置、历史波形回显、信号降噪和特征提取于一体的软件系统。利用短时傅里叶变换(STFT)和小波分析(WT)等多种信号分析方法对电弧声信号与焊接过程熔透状态的相关性进行了研究,试图从信号分析角度丰富对焊接过程的认识。分析表明,采用db04小波对电弧声进行4层小波降噪,在保证信号不失真的前提下,可有效消除夹杂在原信号中的高频噪声;电弧声的功率谱主要分布在7.5kHz以下范围内,波形包络相对集中,其中1.5kHz~4.5kHz频率段信号能量的变化可以准确地反映出焊接过程熔透状态的改变。由此看来,电弧声与焊接过程熔透状态密切相关,并给出了其能量和频谱特性随熔透状态变化的解释。借助于短时加窗技术,分别从时域、频域、倒谱域和几何域提取电弧声特征,包括信号短时能量E_n、短时平均幅度M_n、短时平均过零率Z_n、短时零能比ZER_n、短时功率谱P_n、线性预测(LP)系数{a_i}、峰度系数KU、标准Mel频率倒谱系数(MFCC)及其一阶差分△MFCC、二阶差分△△MFCC。综合小波包频带能量特征E5 k,构建了电弧声信号的60维联合特征向量A_T,并对其进行PCA分析,克服了特征参数之间的多重相关性,实现了原始特征空间的降维处理。以PCA降维后的10维电弧声联合特征为输入向量和熔透状态(未熔透、稍微熔透、熔透、稍微过熔透和过熔透)为目标输出,通过构造训练、测试样本集,分别建立了电弧声到熔透状态的BP和RBF神经网络映射模型,实现了对MIG焊接过程熔透状态的识别与分类。