马 来西亚理科大学的Ji Tao, Norzalilah Mohamad Nor, Ahmad Baharuddin Bin Abdullah在《Mechanical Systems and Signal Processing》期刊发表了一篇《Acoustic signal-based automated control of welding penetration using digital twin technology》论文。利用声信号进行焊透控制，从而提高焊接质量在线评估。在此次研究中提出了一种门针对机器人焊接的新型滤波器组，并对机器人焊接的工作环境进行了研究，从焊接声音中提取了26个时域和频域特征，并采用统计分析和对比的方法识别缺陷信号特征的变化解释其物理意义。利用这些声信号特性建立了预测识别模型和在线反馈控制器，可以有效别焊接过程中不同的熔透程度；此外，还开发了数字孪生系统，为焊透的在线控制提供了显著的优势。
为了以非接触、无损的方式从复杂的焊接环境中获取可靠的数据，并实现实时计算，从而实现焊透在线控制，人们采用了各种传感器技术来监测焊缝的渗透，然而或多或少与实际状况存在些许差异。焊缝声信号一直被认为是焊缝质量在线评价的关键参数，在焊接现场检测中，声信号可以提供及时的信息，但易受到干扰，使得声信号的提取和分析具有挑战性。直到数字孪生技术出现为解决焊透控制的挑战提供了新的视角，它可以优化或缓解意外事件规定实时行动，并观察和评估运行状态系统。但目前还没有焊缝声信号与数字孪生的相关报道。 本文旨在探讨焊缝声信号与焊透之间的关系，并提出基于数字孪生的焊缝声信号检测与控制的整体解决方案。此外，还阐述了声音信号的预处理方法，提出了一种自适应滤波器组降噪算法；讨论了信号时域和频域特性的统计分析，提供了所选信号特性的详细分析和解释。之后使用模糊控制器开发了深度学习的预测模型；最后则是检查用于监控焊接过程的数字孪生系统，并对焊接数字孪生系统进行了实验测试。
部分数据及图表如下：
图1 焊透采样信号及频谱。
图2 RLS滤波采样(480个采样点= 0.1S)。
图3 峰间值、方差和标准差的统计分析(excen: 烧穿透 ;BurThr: 焊穿; IncPen:不完全穿透)。
图4 频域特征的统计分析(频率方差和频率标准差)。
图5 深度学习模型结构。
图6 预测拟合和RMSE检验(RMSE:均方根误差)。
图7 规则可视化图像。
图8 数字孪生系统中焊接熔透的框架。
图9 部署在计算机上的数字对象。
图10 焊接测试。
图11 分类概率分布。
主要结论： 本研究设计了声学焊接信号的滤波器组，并对其时域和频域特性进行了分析，以解释其物理意义。利用信号特性，提出了预测分类模型和反馈控制器，开发了数字孪生系统。该模型对焊接质量的识别准确率达到95%。在焊接过程的在线控制中，自动控制器可实现速度的快速调节，其速度调节范围为≤0.02 m/min，稳定在正常速度区间1 ~ 1.2 m/min。但这项研究仍存在有一些局限性，在测试过程中，分类模型出现了错误识别，这需要在模型精度和训练样本质量方面进行改进。其次，分布函数的参数是根据具体环境设置的，因此需要针对不同的焊接环境重新计算。模糊控制适用于描述复杂的非线性系统。然而，模糊控制器的质量很大程度上依赖于对分布函数的映射。不同数据源的特征也会对控制器产生影响。因此，需要更多的非线性控制模型来描述焊接过程。最后，由于焊接场景的复杂性和可变性，单一的信息来源往往不足以提供焊接过程的全面视图。因此，迫切需要更稳定、更丰富的信息源，而多源信息融合可能成为解决这一问题的重要方法。 原文链接：https://doi.org/10.1016/j.ymssp.2023.110962
