基于声信号时频分析与机器学习的 SMAW 焊缝质量自动化分类研究

《Sensors》：Time–Frequency and Spectral Analysis of Welding Arc Sound for Automated SMAW Quality Classification Alejandro García Rodríguez, Christian Camilo Barriga Castellanos, Jair Eduardo Rocha-Gonzalez and Everardo Bárcenas

本研究针对手动保护金属极电弧焊（SMAW）过程中焊缝质量评估困难、依赖人工经验的问题，创新性地将焊接电弧声信号转换为时频图，并结合多种机器学习模型进行质量（合格/不合格）分类。研究结果显示，基于声谱图的机器学习方法分类准确率高达0.95-0.96，ROC-AUC值超过0.95，显著优于传统时域信号分析，为焊接过程的自动化、无损质量评估提供了一种鲁棒且可靠的新框架。

　　

焊接，作为制造业中连接金属的基础工艺，其质量直接关系到从汽车到建筑等众多行业的结构完整性与安全性。然而，在广泛应用的手动保护金属极电弧焊（SMAW）过程中，焊接质量的好坏不仅取决于设备参数，更与操作员的经验、手眼协调性甚至对电弧声音的听觉判断息息相关。这种“人为因素”难以量化，使得对焊接质量的客观、标准化评估成为一个巨大挑战。尽管自动化和激光焊接的质量监测已取得进展，但对于在真实、多变工况下进行的手动SMAW，如何实现稳定、可靠的无损在线监测，仍是一个亟待解决的难题。

为了应对这一挑战，由Alejandro García Rodríguez等研究人员组成的团队在《Sensors》期刊上发表了一项研究，他们巧妙地将焊接时产生的“声音”转化为判断焊缝好坏的“密码”。研究人员提出，既然经验丰富的焊工能通过声音判断焊接状态，那么通过分析焊接电弧的声信号，就有可能开发出一种自动化的质量评估系统。这就像是为焊接过程安装了一个智能的“听诊器”，通过捕捉和分析焊接时的“心跳声”——电弧声，来无接触、实时地诊断焊缝的健康状况。

本研究主要采用了以下关键技术方法：首先，研究人员在真实工况下，使用配有主动降噪功能的麦克风采集了400条SMAW焊缝（200条合格，200条不合格）的电弧声信号。接着，通过信号处理技术（如短时傅里叶变换STFT）将一维的音频信号转换为二维的时频图（声谱图），从而将不同时长的声音标准化为图像，并提取了基频（F₀）和谐噪比（HNR）等声学描述符进行统计分析。最后，他们构建了一个包含支持向量机（SVC）、逻辑回归（LR）、随机森林（RF）等在内的十种机器学习模型库，以声谱图或音频频谱作为输入，进行焊缝质量的二分类（合格/不合格）建模与评估，并通过10折交叉验证和超参数优化来确保模型的性能与泛化能力。

研究结果

3.1. 频率分布与谐噪比

通过对声学描述符的统计分析发现，合格焊缝与不合格焊缝在谐噪比（HNR）上存在显著差异。合格焊缝的HNR呈双峰分布，这与其焊接起始和结束阶段的瞬态电弧不稳定性相关；而不合格焊缝则在整个过程中表现出更均匀的声学行为。相比之下，基频（F₀）在两类焊缝间的差异则不那么明显。这些结果为利用声学信号区分焊缝质量提供了初步的统计证据。

3.2. 机器学习模型-声音频谱

当使用音频频谱（即忽略时间信息的频率能量分布）作为机器学习模型的输入时，模型表现出了中等偏上的分类性能。其中，支持向量分类器（SVC）和K-近邻（KNN）算法表现最佳，平均准确率分别达到0.88和0.87，ROC-AUC值最高为0.95。但总体而言，所有模型基于频谱的分类性能均低于后续的声谱图方法。

3.3. 机器学习模型-声谱图

当将音频转换为包含时间、频率和强度三维信息的声谱图，并以此作为模型输入时，分类性能得到了显著且一致的提升。支持向量分类器（SVC）和逻辑回归（LR）模型表现最为出色，平均准确率达到0.94-0.95，ROC-AUC值高达0.98，且假阳性率和假阴性率均低于6%。其他如随机森林（RF）、梯度提升（GB）等模型也取得了极具竞争力的结果。这表明，时频表示能够更全面、更有效地捕捉焊接过程中与质量相关的动态声学模式。

结论与讨论

本研究的核心结论是，基于焊接电弧声的时频（声谱图）分析，结合机器学习，能够为手动SMAW焊缝质量的自动化、无损评估提供一个强大而可靠的框架。与仅使用标量声学描述符（如F₀和HNR）的统计方法相比，声谱图通过保留信号的完整时频结构，将分类准确率提升了约7-10%，这凸显了捕获焊接过程动态变化信息的重要性。

该研究的意义在于，它将人工智能和声学监测成功应用于极具挑战性的手动焊接场景。手动SMAW因操作者变异性大、环境干扰多，其监测一直是个难题。本研究证明，即使在这样的条件下，电弧声中也蕴含着丰富的、与焊缝质量强相关的信息。通过简单的音频采集设备（如麦克风）和先进的信号处理与机器学习算法，可以构建一个成本相对较低、易于在现场部署的智能监测系统。这不仅能将资深焊工的“隐性经验”转化为可量化的数据，实现质量评估的标准化和可重复性，还能为实时工艺优化、缺陷预警和技能培训提供数据支持，推动焊接制造向更智能、更可靠的方向发展。