《焊接技术》第54卷第7期（2025年7月）刊载了由丁度坤（东莞职业技术学院、广东工业大学）、姚屏（广东技术师范大学）、范启亮（东莞职业技术学院）团队完成的研究论文《基于声信息的焊接熔透预测》。该研究针对焊接质量控制中的熔透实时监测难题，提出了一种基于声信号特征分析的神经网络预测方法，为焊接过程智能化控制提供了新思路。

一、研究背景与目标

焊接作为金属连接的核心工艺，在机械制造、航空航天等领域应用广泛，约40%的钢结构依赖焊接成型。传统焊后无损检测（如超声、射线检测）虽能发现缺陷，但无法实现过程干预。经验丰富的焊工可通过观察熔池形态和监听电弧声实时调整工艺，说明声信号蕴含熔透状态的关键信息。然而，人工判断依赖主观经验，难以量化。现有研究多聚焦电弧声与焊缝成形的关系（如崔展祥等对超声电弧MIG焊声电特性的研究），但针对TIG焊熔透状态的声信号特征提取与建模仍存在空白。本研究旨在建立焊接声信号峰度特征与熔透状态的映射模型，实现熔透状态的实时预测。

二、研究方法与流程

1. 试验平台搭建与数据采集

研究团队构建了多源信息采集系统，包含焊接机器人、CCD视觉传感器、工控机、声音传感器（采样频率未明确但采样间隔为40ms）、数据采集卡等模块。采用Q235钢板（200mm×150mm×2mm）作为试验材料，设定TIG焊工艺参数（电流70A，速度2.5mm/s），通过控制热输入量人为制造未熔透、熔透、过熔透三种状态（样本量未直接说明，但验证阶段使用400组数据）。同步采集声信号时，采用自主研发的基于Windows系统的声采集软件（未公开具体算法），记录不同熔透状态下的声波时域信号（图4所示波形差异显著）。

2. 声信号特征工程

提出峰度函数（Kurtosis Function）作为核心特征参数，其数学定义为：
$$ f(k) = \frac{g_1(k)}{[g_2(k)]^2} $$
其中$g_1(k)$为四阶中心矩，$g_2(k)$为二阶中心矩（即方差），$a(k)$为声信号幅值。该函数可量化声波波形的尖锐程度，反映熔池振荡能量分布差异。相比传统MFCC（梅尔频率倒谱系数）或短时傅里叶变换，峰度函数计算复杂度低，更适合实时监测。

3. 神经网络建模

构建3层BP神经网络：
- 输入层：峰度特征$f(k)$、焊接速度$v(k)$、加速度$a(k)$（体现动态工艺影响）
- 隐含层：30个神经元，激活函数为tansig（双曲正切S型函数）
- 输出层：熔透状态分类（1/2/3对应未熔透/熔透/过熔透），激活函数为purelin（线性函数）
采用弹性梯度下降法训练，通过误差反向传播调整权重。训练数据来自前述试验采集的声信号峰度特征与对应熔透状态标签。

三、关键结果与分析

1. 特征有效性验证：未熔透区声信号峰度值显著高于熔透区（具体数值未给出，但波形图4显示未熔透信号振幅波动更剧烈），表明熔池热流不平衡导致声波能量分布变化。
   
2. 模型性能：测试集（400组数据）预测准确率达92%，30个误判点主要源于电弧噪声干扰。预测值与实测值的吻合度验证了峰度特征与熔透状态的强相关性（图6所示偏差分布集中）。
   
3. 对比优势：相较于支持向量机（如文献[8]）或粒子群优化模型（文献[9]），BP神经网络通过非线性映射更好地处理了声信号与熔透状态的复杂关系，且容错性更强（局部神经元损坏不影响整体性能）。

四、研究价值与创新点

科学价值：
- 首次将声信号峰度函数应用于TIG焊熔透预测，揭示了声波时域特征与熔池热力学状态的关联机制。
- 为焊接过程监控提供了低成本方案（仅需声传感器+常规工控机），避免昂贵的光学或热成像设备。

工程意义：
- 模型可集成至焊接机器人控制系统，实现熔透自适应调节，减少焊后返修率。
- 所开发的数据采集软件（图2）具备二次开发接口，可扩展至其他工艺（如MIG焊）。

创新性：
1. 特征设计：突破传统频域分析局限，利用时域峰度函数简化特征提取流程。
2. 模型架构：输入层融合工艺参数（速度、加速度）与声特征，提升模型泛化能力。
3. 系统集成：试验平台实现多源信息同步采集，为后续研究提供标准化数据基准。

五、局限与展望

研究未讨论不同材料厚度或保护气体成分对声信号的影响，后续可扩大工艺参数范围验证模型鲁棒性。此外，实时性未明确量化（如单次预测耗时），需进一步优化算法以适应高速焊接场景。该成果为智能焊接质量控制提供了新范式，相关方法已被广东省教育厅产教融合项目（2024CJPT027）等资助推广。