一种基于电弧声信号的焊接质量监测方法技术

本发明专利技术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。本发明专利技术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。护焊接过程提供一定的参考。护焊接过程提供一定的参考。

【技术实现步骤摘要】
一种基于电弧声信号的焊接质量监测方法


[0001]本专利技术涉及焊接质量监测
，尤其涉及一种基于电弧声信号的焊接质量监测方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。故本专利技术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。

技术实现思路

[0005]本专利技术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。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于电弧声信号的焊接质量监测方法，具体步骤如下：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]步骤S5、定义多判据联合算法，并将算法程序置于工控机中；
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]判据1：基于欧式距离的判据；
[0020]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”。
[0021][0022][0023]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。
[0024]判据2：基于图像信息熵的判据；
[0025]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。
[0026][0027]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。
[0028]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，由于同一本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：顾菊平，赵佳皓，张新松，朱建红，言淳恺，程天宇，蒋凌，周伯俊，赵凤申，
申请(专利权)人：南通大学，
类型：发明
国别省市：