罗钟毅1,2， 吴頔1,2,3*， 王润4， 董金枋1,2， 杨方毅1,2， 张培磊1,2， 于治水1,2等研究者于2023年4月在《中国激光》第50卷第8期发表了题为《基于声波时频特性和深度学习的铝合金脉冲激光焊接熔透定量评估》的研究论文。该研究由上海工程技术大学材料科学与工程学院、上海市激光先进制造技术协同创新中心、上海交通大学材料科学与工程学院及大族激光科技产业集团股份有限公司合作完成，聚焦激光焊接质量监测领域，提出了一种融合声波时频分析与深度学习技术的焊缝熔透状态智能评估新方法。
学术背景与研究目标
激光焊接凭借高能量密度、高精度等优势，广泛应用于汽车、航空航天等领域。铝合金薄板焊接中，熔透状态是衡量焊接质量的核心指标，但受材料高反射率、匙孔效应不稳定性等因素影响，传统监测方法难以实现精准评估。现有声学特征分析多依赖时域/频域分离处理（如Yusof等研究），或仅关注等离子体声波时域特征（如谢小健的研究），缺乏对时频域关联特性的深入挖掘。本研究旨在通过声波时频图像化表征与深度学习模型构建，建立匙孔动态行为-声波特征-熔透状态的三者映射关系，为铝合金脉冲激光焊接提供在线监测新方案。
研究流程与方法
1. 多信息同步传感系统搭建
研究团队设计了视觉-声发射同步传感平台（图1），核心设备包括：
- Trumpf TruPulse 556光纤激光器（峰值功率10 kW，波长1064 nm）
- 高速相机（Phantom VEO710L，帧率10000 fps）配合810 nm滤光片捕捉匙孔动态
- 空气声发射传感器（采样频率20 kHz）采集声波信号
- 特制”工件-石英玻璃”结构实现匙孔原位观测
实验选用3 mm厚6061铝合金，设置全熔透（FP）、部分熔透（PP）、未熔透（NP）三组焊接参数（表1），每组采集400帧声波信号及对应匙孔图像。
2. 声波信号预处理
- 分帧处理：按脉冲周期（100 ms/帧）分割信号，每帧含2000个采样点（图2）
- 小波包阈值去噪：采用sym4小波基进行3层分解，通过固定式阈值准则（SPTWOLOG）滤除高频噪声，信噪比提升至约50（表3）。图4显示去噪后信号纹理更清晰，有效保留低频声波特征。
3. 时频特征提取与纹理分析
- SPWVD时频图生成：通过平滑伪魏格纳维利分布（Smoothed Pseudo Wigner-Ville Distribution, SPWVD）消除交叉干扰项，获得”时域-频域-能量”三维表征（图5）。结果显示：
- NP状态：能量条纹短窄（频域1-10000 Hz未全覆盖）
- PP状态：能量分布不均匀（8-10 ms时段匙孔深度无显著变化）
- FP状态：能量条纹充满全脉冲宽度（30-40 ms）
- GLCM纹理特征提取：从时频图中计算对比度、相关性、能量、均匀性4个参数（图6），发现FP状态的能量值较NP状态高47.6%，印证熔透程度与纹理粗糙度的正相关。
4. 深度学习模型构建
- GLCM-BPNN模型：以4个纹理特征为输入，3层网络结构（4-8-3），分类准确率85%。混淆矩阵（图8）显示PP状态识别率仅75%，反映浅层网络对复杂特征的表征局限。
- SPWVD-CNN模型：直接输入时频图，4卷积层+池化层结构（图9），引入Dropout层（丢弃率0.5）防止过拟合。经1000次迭代后：
- 训练集准确率达98.62%（损失值0.12%）
- 验证集平均准确率98.8%，其中FP状态识别率100%（图11）
关键结果与科学价值
- 声波-匙孔-熔透的关联机制：首次通过SPWVD时频图证实声波能量分布与匙孔深度变化的高度同步性（图5），为声学监测提供理论依据。
- 算法创新性：
- 提出小波包-SPWVD-GLCM三级特征提取流程，克服传统时/频域分离分析的缺陷
- 构建的SPWVD-CNN模型将熔透识别准确率从BPNN的85%提升至98.8%
- 工业应用价值：所开发系统可实现毫秒级实时监测，为大功率激光焊接的自适应控制奠定技术基础。
研究亮点
- 多模态数据融合：同步获取声波信号与视觉图像，建立跨物理场关联模型
- 时频分析方法创新：首次将SPWVD应用于激光焊接声波分析，揭示全脉冲周期内的动态特征
- 轻量化模型设计：CNN模型仅需单帧时频图输入，适于嵌入式设备部署
该研究为铝合金薄壁件激光焊接质量控制提供了可工程化的解决方案，其方法论亦可扩展至其他金属材料的焊接监测。文中提及的”工件-玻璃”观测结构（专利未注明）和自主开发的MATLAB分析代码具有技术壁垒，相关成果已应用于合作企业的大族激光设备优化。未来研究可进一步探索声波-等离子体-匙孔的多参数耦合机制。