多源信息驅動的焊接典型缺陷在線智能識別

鄧鋼，馬志，陳偉光，劉昱，陳華斌

(1.中車長春軌道客車股份有限公司，長春 130062；2.中車工業研究院有限公司，北京 100160；3.上海交通大學，上海 200240)

0 前言

高鐵是中國自主創新的一個成功范例，從無到有，從引進、消化、吸收再創新到自主創新，現在已經領跑世界。技術創新是中國高鐵的核心競爭力，貫穿于高速動車組每一個部件制造全流程。轉向架作為高速列車的重要承載部件，被稱為高鐵的“兩條腿”，其制造方式以焊接為主，由于焊接工藝本身的特點，使構架產生了復雜的殘余應力、變形及缺陷(燒穿、未熔合、卡絲與夾雜等)對轉向架的斷裂特性、疲勞強度和形狀尺寸的精度、穩定性等產生了非常不利的影響。如何基于數字化、信息化和智能化的深度融合實現焊接制造過程中的缺陷實時預警，精準識別甚至定量評估，形成對轉向架復雜場景下的焊接過程的全景式智能評判，可有效縮短轉向架構件焊接制造的生產-檢驗周期，提高高速列車轉向架焊接質量的可靠性及智能制造的水平[1-5]。

高速動車組轉向架的主體結構是由高強度耐候鋼焊接而成，通常采用的焊接方法為機器人MAG焊(Metal active arc gas welding, MAG)。現場焊接過程控制需嚴格按照ISO 3834和EN 15085的要求對每條焊縫進行嚴格的焊前、焊中及焊后檢查確保在規定的WPS(Welding procedure specification)進行施焊。眾所周知，焊接動態過程受材料冶金及熱傳導等多因素影響，其中任何微小變化均可能誘發缺陷，且缺陷產生機理模糊和復雜，這些使得目前針對焊接缺陷的預警及識別缺少行之有效而高效可靠的解決方法。

國內外學者從不同的角度開展了焊縫質量在線分析、監測及識別等研究，張志芬[6]提取了焊接電弧光譜、聲音等信號，建立了鋁合金GTAW熔透狀態SVM-CV預測模型。Mirapeix等人[7]基于電孤光譜電子溫度曲線實現了對管板TIG焊接中貫穿性空洞、焊縫表面氧化和氣孔缺陷的預測。然而，實際焊接制造中缺陷類型繁多，缺陷的尺寸、面積及嚴重程度不盡相同，極易造成誤判或漏判；同時，基于單傳感信息的焊接缺陷在線檢測或者幾類信息簡單融合實現焊接缺陷的離線無損自動檢測，真正缺少焊接過程多類典型缺陷的在線檢測及智能識別的系統研究[8]。

文中依托中車長客轉向架車間焊接大師的經驗知識(視聽信息)為基礎，模擬經驗焊工的信息感知與質量分析能力，通過添加小型集成型傳感系統，實時采集轉向架機器人MAG焊接過程與接頭質量密切相關的熔池圖像、電弧聲音及實際作業電流電壓等多源數據，并對其焊接過程多模態傳感信息進行特征提取與相關性分析，建立基于XGBoost的焊接質量缺陷識別知識模型，精確識別焊漏、未焊透、卡絲及夾渣等典型焊接缺陷。

1 焊接多源信息傳感及采集

文中在不改變高速動車組轉向架焊接車間機器人焊接系統基礎上，專門設計并研制了一套集電弧聲音、熔池圖像為一體的緊湊型智能傳感系統，并安裝在機器人末端法蘭上，為原先生產車間的“示教再現型”弧焊機器人安裝了“眼睛”與“耳朵”模擬經驗焊工感知每個工位的焊接熔池圖像與電弧聲音信息，如圖1所示。轉向架機器人MAG焊接多源傳感系統通過高性能高速CMOS相機、傳聲器、電流/電壓霍爾傳感器等實時采集焊接動態熔池圖像、電弧聲音及電流/電壓參數。焊接本地端控制器可實現焊接過程多源異構數據實時采集、顯示及短期存儲等功能。同時，焊接多源異構數據同步鏡像傳輸、存儲和安裝在中車北京數據中心存儲服務器，用戶可以在web端進行查詢、下載等操作。

圖1 本地端焊接多源傳感系統

焊接熔池圖像采集頻率設置為10 Hz，電弧聲音、實際電壓值的采集頻率設置為10 kHz，在焊接過程中，每隔100 ms分析一次，即每次采集1張熔池圖片及與其對應的1 000個電弧聲音數據及1 000個實際輸出電壓數據，作為1個數據包。

開展模擬件焊接工藝試驗，采用與轉向架構件相同的母材、焊材、設備及操作環境，分別獲取良好、燒穿、未熔合、卡絲、夾雜5種質量類型焊縫的多源信息數據包，數據信息見表1。

表1 多源信息數據包

2 焊接多源傳感信息處理及知識建模

2.1 熔池圖像分析及特征提取

熔池圖像特征與焊縫質量關系最為密切[9]，分別采集焊縫質量良好、燒穿、未熔合、卡絲及夾雜缺陷問題的熔池圖像，如圖2～圖6所示。其中，焊縫成形質量良好時，熔池圖像紋理清晰，焊絲前端的熔池有明顯下凹特點，此時熔池近似為橢圓形；當存在燒穿缺陷問題時，熔池不連續且明暗變化顯著；當存在未熔合缺陷問題時，熔池面積較小而黯淡；當存在卡絲缺陷問題時，焊絲末端與熔池分離，難以保持穩定電弧；當存在夾雜缺陷問題時，熔池中間出現黑點，并且飛濺嚴重。結合對上述熔池圖像特點、尺寸形貌分析和歸納，擬提取熔池圖像中灰度值大于50的連續區域，作為熔池輪廓，并分別計算質量良好、燒穿、未熔合、卡絲、夾雜五種狀態下的熔池寬度w和熔池長度h等幾何尺寸信息。

圖2 0號焊接熔池圖像特征分析及處理結果

圖3 1號焊接熔池圖像特征分析及處理結果

圖4 2號焊接熔池圖像特征分析及處理結果

圖5 3號焊接熔池圖像特征分析及處理結果

圖6 4號焊接熔池圖像特征分析及處理結果

進一步統計分析熔池圖像灰度值在[50,255]之間的分布情況，結果表明在質量良好、燒穿、未熔合、卡絲、夾雜等5種狀態下，統計[50,99]，[100,149]，[150,199]，[200,255]4個區間像素點的個數，分別標記為g50，g100，g150，g200，通過與焊縫質量良好時的熔池灰度值分布比較，當存在燒穿、未熔合、卡絲及夾雜缺陷問題時，g50，g100，g150，g200具有明顯差異。其中，當存在燒穿缺陷問題時，g50與g100較小，而g150與g200較大；當存在未熔合缺陷問題時，4個區間像素點個數都較小，g200幾乎為零；當存在卡絲缺陷問題時，g50較大，而其它區間像素點個數較小；當存在夾雜缺陷問題時，也是所有區間像素點個數較少。因此，選取熔池圖像的幾何特征尺寸：w，h及灰度信息g50，g100，g150，g200等作為焊接過程缺陷的特征輸入向量之一。

2.2 電弧聲音時域特征分析

電弧聲音特征與焊縫質量具有明顯的相關性[10]，分別采集焊縫質量良好、燒穿、未熔合、卡絲及夾雜缺陷問題的電弧聲音信息，如圖7所示。分別標記焊縫質量良好及存在燒穿、未熔合、卡絲、夾雜缺陷問題時的電弧聲音信息為0，1，2，3，4，并分別提取標準差、平均值、均方根、峰峰值、峰峰因子、波形因子、偏度、峭度8個數據特征，分別記為Sstd，Smean，Srms，Spk，SC，SsfSsk，Sku。通過與焊縫質量良好時電弧聲音信息特征比較，當存在燒穿、未熔合、卡絲、夾雜缺陷問題時，8個特征均有明顯差異。因此，選擇電弧聲音的8個時域特征，作為典型焊接缺陷識別的特征信號。

圖7 電弧聲音時域特征分析

2.3 焊接工藝參數時域特征分析

轉向架焊接過程工藝參數設定是直接反映焊接質量的關鍵參數，電流設定參數過大就會出現前文提到“噼里啪啦”的電弧聲音特征，電壓設定值過大就會出現電弧聲音“嗚嗚”的特征。然而在實際生產環節，焊接電流、電弧電壓參數的設定值與實際 值往往存在一定差異，文中擬分別采集焊縫質量良好、燒穿、未熔合、卡絲及夾雜缺陷問題的實際電壓值，如圖8所示。分別標記每條焊縫成形質量良好以及存在燒穿、未熔合、卡絲、夾雜缺陷問題時的實際電壓值為0，1，2，3，4，并分別提取實際電壓值的標準差、平均值、均方根、峰峰值、峰值因子、波形因子、偏度、峭度8個數據特征，分別記為Ustd，Umean，Urms，Upk，UC，Usf，Usk，Uku。通過與焊縫質量良好時實際電壓值特征比較，當存在燒穿、未熔合、卡絲、夾雜缺陷問題時，其時域特征值與理想焊縫有明顯差異。

圖8 實際電壓值分析

2.4 焊接多模態信息驅動的知識建模

對于質量良好、燒穿、未熔合、卡絲、夾雜5種類型，熔池圖像的6個特征、電弧聲音信息的8個特征及實際電壓值的8個特征均與其相關，為了更好的實現識別準確率與可靠性，需要多源信息特征進行融合處理。

XGBoost(Xtreme gradient boosting tree)是一種開源的基于決策樹的集成機器學習算法，使用梯度上升框架，在傳統Boosting 的基礎上，引入正則化項的邏輯回歸和線性回歸，對代價函數做了二階泰勒展開，能自動學習分裂方向且支持列抽樣，可以開展大規模并行計算，適用于分類和回歸問題[11-12]。如圖9所示，以XGBoost為基礎構建轉向架焊接典型缺陷識別知識模型，其中輸入為熔池圖像、電弧聲音、實際電壓的關鍵特征，輸出為焊縫質量類型，包括良好、燒穿、未熔合、卡絲、夾雜等5種類型焊縫。

圖9 基于XGBoost建模

3 模型測試驗證

以轉向架焊接車間工藝試驗獲取的試驗數據制作數據集，一共有2 277組數據。其中，良好為529組，燒穿為271組，未熔合為583組，卡絲為619組，夾雜為275組。按照7∶3的比例劃分數據集與測試集，并開展知識模型訓練與測試，效果如圖10所示，在訓練過程中，隨著迭代次數增加，整體誤差趨近為0.0，在測試過程中，隨著迭代次數增加，整體誤差趨近為0.09，效果良好。

圖10 模型訓練與測試效果

分別統計良好、燒穿、未熔合、卡絲、夾雜5種類型識別效果見表2，其中未熔合缺陷問題識別的F1得分最高，達到0.952，夾雜缺陷問題識別的F1得分最低，達到0.843，綜合識別精度約為0.91。該識別算法一次檢測需要15.6 ms，能夠滿足焊接過程實時檢測的要求。

表2 試驗測試結果統計

4 結論

(1)針對高速動車組轉向架焊接過程的典型缺陷預警及識別難題，通過模擬焊接技能大師，構建機器人MAG焊接過程熔池圖像、電弧聲音、電壓值等多源異構傳感數據軟、硬件平臺。

(2)開發焊接燒穿、未熔合、卡絲、夾雜等典型缺陷對應的熔池圖像、電弧聲音及電弧電壓/焊接電流等多源異構傳感處理、特征提取算法及相關性分析。

(3)建立轉向架機器人MAG焊接多模態信息驅動的缺陷預測XGBoost知識模型，并對典型缺陷識別進行模型驗證，綜合精度可達91%。