广西大学学报·自然科学版杂志投稿格式参考范文：基于信号融合的镁合金激光焊接熔透状态监测

　　0 引言

　　镁合金是金属结构材料中密度最小的一种，具有质量轻、比强度高、减震性和耐腐蚀性好等特性，在航空航天领域应用价值高，已用于飞行器发动机、航空器结构件等。激光焊接是新型高效焊接技术，在镁合金焊接方面应用广泛。未熔透和过熔透是激光焊接常见缺陷，影响焊接质量，因此镁合金激光焊接熔透状态监测至关重要。

　　焊接过程会产生光、声、热、视觉等信号，研究人员常用光电传感器、热成像仪、麦克风、工业相机等监测焊接状态，并在不锈钢、铝合金等材料上开展了大量研究。但镁合金激光焊接研究发展缓慢且不成熟，相关监测研究较少，这与镁合金材料特性有关，其激光吸收率差、熔点低、易氧化等，焊接时易出现熔池不稳定、飞溅物多等问题。

　　目前镁合金激光焊接监测主要集中于孔隙方面。而在激光焊接中，熔透状态是影响焊接质量的首要因素，未熔透易引发裂纹和脆性断裂，过熔透会降低接头强度和承载能力。目前镁合金激光焊接熔透状态缺乏智能监测手段，因此本文提出基于信号融合的监测方法，用麦克风和高速相机获取信号，经处理后通过反向传播神经网络监测熔透状态。

　　1 试验及方法

　　1.1 实验设备及材料

　　镁合金激光焊接平台由激光焊接系统和多传感器监测系统组成。激光焊接系统包括蓝光半导体激光器、近红外激光器、三轴运动平台和氩气保护气;多传感器监测系统由麦克风、声音与振动数据采集卡、高速摄像机组成。焊接材料为镁合金 AZ31B，采用红蓝光复合焊接进行堆焊，每组参数重复实验 2 次，共获得 6 组实验数据。麦克风采样率、相机采样帧率等参数有具体设定，采用辅助激光器照明并加装滤光片消除干扰。

　　1.2 熔透状态

　　将镁合金焊接试样沿熔池截面切开制备金相样品，拍摄熔池截面图，根据焊缝熔池截面可将熔透状态分为未熔透、完全熔透和过熔透状态。未熔透时熔深较浅，熔池未到工件底部;完全熔透时熔池到达工件底部且微微凸起;过熔透时熔池塌陷严重，工件底部凸起更高。同时测量了焊缝表面形貌，不同熔透状态下焊缝正面熔宽、塌陷值、背面熔宽、隆起高度等存在差异。

　　2 数据处理

　　2.1 声音数据处理

　　激光焊接时会产生大量声信号，声源有匙孔腔体发声和混合气体喷射发声两种类型。焊接采集声音信号的时频图显示，背景噪声在低频段，高频段为有用信号，需对原始声信号降噪处理并提取特征。先对原始信号进行小波包变换获取默认阈值，再用 Symlets 小波基分解，重构低频和高频系数得到降噪信号，然后对声音信号分帧处理，每帧时长 0.02s。提取声信号的方根幅值、标准差等时域特征，发现过熔透状态特征值较大，可较好区分，但未熔透和完全熔透状态时域特征混叠严重。对信号频域特征分析，提取频段 [1.5,5) kHz、[5,10] kHz 的频带强度作为频域特征，过熔透状态这两个频段强度整体大于另外两种状态，但未熔透和完全熔透状态仍存在轻微混叠，难以区分，因此需补充图像信息。

　　2.2 图像信号处理

　　高速相机捕获的焊接图像中，镁合金焊接产生的羽烟干扰熔池区域。由于熔池形态特征与焊接熔透状态密切相关，且原始图像干扰大，传统图像分割算法难以提取熔池轮廓特征，因此采用局部二值模式(LBP)算法提取熔池纹理特征。图像信号处理流程包括提取目标熔池的感兴趣区域，将原始图像裁剪;提取 ROI 图像的 LBP 特征得到特征向量;采用平均法下采样处理，保证和声音信号特征样本时间尺度一致。

　　3 结果和讨论

　　3.1 声音和图像数据集

　　将声音时域特征、频域特征和图像的 LBP 特征串联进行特征级融合，因特征维数过高，采用主成分分析(PCA)将高维特征数据集降至 40 维。进行 6 组实验构建小数据集样本，剔除焊接开始和结束附近不稳定数据，共获得 1356 个数据，按 8∶2 的比例随机划分为训练集和测试集，训练集用于模型训练，测试集用于测试。

　　3.2 分类结果

　　以降维后的声图特征为输入，焊接熔透状态为输出，建立 BP 神经网络模型。该模型设置 2 个隐藏层，神经元数量分别为 5 和 3，设定了最大迭代次数、目标误差、学习率等训练参数，传递函数选择 Log-sigmoid。基于 BP 神经网络的声音图像信号融合预测结果显示，所有样本都能正确分类，分类准确率达到 100%。对比仅使用声音和图像特征时 BP 神经网络的预测结果，发现声音图像融合监测的识别准确率平均值比仅使用声音特征时提高了 6.16%，比仅使用图像特征时提高了 0.40%，说明声音和图像特征存在信息互补，融合能准确预测激光焊接熔透状态。将声图特征数据集分别输入 K 最近邻(KNN)、朴素贝叶斯(NB)分类、支持向量机(SVM)和决策树等机器学习模型中，结果表明 BP 神经网络在熔透状态监测中识别准确率更高，比 KNN、SVM 高 0.40%，比 NB 分类、决策树高 1.50%。

　　4 结语

　　镁合金激光焊接熔透状态与焊接质量密切相关，目前相关监测研究较少，本文提出基于信号融合的监测方法。具体为构建多传感器系统采集声音和图像信号并提取特征进行融合;构建 BP 神经网络，输入融合特征识别镁合金激光焊接熔透状态，识别准确率达 100%;声图融合特征在多种机器学习模型中具有较高预测准确率，证明了该方法的有效性。但该方法仅适用于厚度为 2mm 的镁合金激光焊接，对其他厚度通用性差。未来研究可关注镁合金焊接中裂纹、不均匀性等其他缺陷监测，结合焊接控制实现焊接智能化。

魏伟;孔前程;邓昊林;彭重清;魏芝霖;陈召桃;邓年春;龙雨,省部共建特色金属材料与组合结构全寿命安全国家重点实验室;广西大学机械工程学院;广西路桥工程集团有限公司;广西大学土木工程学院,202405