随着我国海洋资源开发的深入，大型的海洋工程和海洋工程装备持续增加，对水下焊接技术提出了更高的要求。同时，我国作为世界第一大船舶制造国，大量的船舶制造与维护也迫切需要水下焊接技术。近年来，虽然水下焊接在焊接手段、工艺、焊接材料及焊接机理等方面已有不少成果。但工作环境的复杂性和特殊性，使水下焊接的质量无法保证，极大的影响着焊件质量。因此，针对水下焊接进行质量检测对水下焊接技术的提升有着重要意义。目前，主要的水下焊接质量检测方法有焊缝渗透检测、超声波检测、射线检测等。但上述方法过程复杂，成本较高，且对工作环境有较大需求。针对上述问题，本文提出一种基于声信号的水下焊接质量检测方法。
一、声信号采集平台搭建
团队采用水听器分析声音焊时电弧声，水听器由中科探海公司提供，型号为：TH-AC0200，监听频率范围为：500Hz-30KHz，采样频率为2Msps，带内波动小于3dB，动态范围时变增益68dB，固定增益18.2dB，平均噪声水平50uVpp，该水听器具有高输入阻抗、低输出阻抗以及低噪声等特点，实物图如图1所示。声信号采集使用声影软件，界面如图2所示。
二、声信号预处理
电弧声采集时，受水流、机器人推进器以及减速机等声音干扰，必然存在相应的噪声，需要对其进行滤波处理，团队采用巴特沃斯滤波器对声音信号进行滤波。巴特沃斯（Butterworth）滤波器具有最大平坦幅度响应，幅值平方函数为：式中：N为滤波器的阶数，ωc为低通滤波器的截止频率。实验可知：N值越大，过渡带越抖，通带和阻带的近似性也越好。本设计中取N=8，其幅值特性如图3所示。巴特沃斯滤波器在衰减斜率、线性相位与加载特性三个方面都有特性均衡的优点。以焊接电流为140A为例，对焊接质量合格的声音波形进行巴特沃斯滤波，滤波前后时域、频域对比如图4，图5所示。
三、多模态协同学习焊时电弧声特征
（1）电弧声信号短时能量分析由于声信号的能量随时间而变化，清音和浊音之间的能量差别显著。因此，短时能量和短时平均幅度可以描述语音的特征变化情况。定义n时刻某语音信号的短时平均能量：CDF（累计分布函数）可表示一变量在所有取值范围中的概率分布情况，可抽象为概率密度函数的积分形式。由于概率密度函数常采用直方图的形式进行表示，能够较好地表示某个变量出现的概率，但一段时间的累计分布不具有直观性，易误判。（2）基于多权值神经网络的声信号模式识别王守觉院士通过多年研究，发现在多维空间形体和神经元之间存在着对应关系，提出了具有多值和多阈值输出特性的神经元，并首次提出多权值神经网络。与传统神经网络相比，多权值神经网络在复杂程度和覆盖能力方面，都有明显提高。从广义角度，一个神经元可以表示为：式中：X，W，Th分别为神经元的输入、权值和阈值，φ（X，W）为神经元运算法则，通过计算得出预测输出Y。在此基础上，可以推出多权值神经网络表示为：本文采用三权值神经网络进行声信号的模式识别。在n维特征空间中，将特征提取后的电弧声信号设为样本集V={v1，v2，…，vn}。每个三权值神经元可构成一个三角图，建立n个三角图S1，S2，…，Si，其中V(s)⊂V,i=1,2,3,n。构造函数可表达如下：式中：W（vj，vr）为vj和vr两个向量之间的权值，vj和vr存在关系如下：根据上式确定向量0V⊂V及三角图S，其中123v,v,v∈V(s)⊂V，0V∉V(S)，011223W(v,v)≤W(v,v)≤W(v,v)。具体算法如下：从一类训练样本集{}12=,nVvvv中选定向量P11，P12，这两个向量之间存在如下关系：，其中ijv≠v。从向量集{}01112U=V−P−P中筛选距离最短的向量130P∈U。该距离指的是与上述两个向量二范数距离最近点，即h（P11，P12，P13）=0。连接P11，P12，P13向量则构成三角图S1。再次从向量集1=()iUV−VS中筛选出一个新向量21iP∈U，满足：令P22=P11，P23=P12，P24=P13，并满足如下关系：21222324g(P,V(S))=(P,P,P)（10）同样筛选最短向量P24，即当222324h(P,P,P)=0时，连接P21和P22，P21和P23构成第二个三角图S2。否则连接P21和P22，P23，P24构建S2。同理，重复上述步骤，可将每三个向量构建为一个三角图，最终在多维特征空间中获得一个简单有限图1((),())mIiGVGEGUS===，参数m为三角图的数量。
四、实验与分析
通过对不同焊接参数下的电弧声信号进行巴特沃斯滤波器预处理后，从概率分布模态学习电弧声模型参数，以焊接电流为140A和105A为例，选取帧长度为512，帧移为256，汉宁窗加窗后提取该帧短时能量，并绘制出该样本对应的短时能量信号的概率密度函数和累计能量分布函数，时域波形对比如图6a-6b所示，短时能量波形对比如图7a-7b所示，累计分布函数波形对比如图8a-8b所示。选取10个声信号为训练样本，40个声信号为测试样本，首先进行声信号的滤波处理，提取特征信号，经过多权值神经网络分类，结果如图9所示。通过实验结果可知，多权值神经网络识别准确率为90%。多权值神经网络识别准确率较高，可以实现水下焊接质量检测。
五、结语
1.创新性地将声信号研究运用于水下焊接质量检测，为水下焊接质量的提升打下基础；2.采用巴特沃斯滤波器完成声信号预处理，剔除原始声信号噪声；3.运用多权值神经网络进行声信号模式识别。实验表明，多权值神经网络识别率可达到90%，焊接质量识别率较高，可以实现水下焊接质量检测。
作者:言淳恺 单位:南通大学