本發(fā)明屬于金屬增材制造，具體地說(shuō)是基于馬爾可夫轉(zhuǎn)移場(chǎng)的增材制造聲信號(hào)特征處理方法。

背景技術(shù)：

1、電弧增材制造(directed?energydeposition?witharc，ded-arc)相比傳統(tǒng)的鑄造、鍛造和減材制造工藝，具有設(shè)備成本低、材料利用率高和適合大尺寸結(jié)構(gòu)制造的優(yōu)勢(shì)，已在航空航天、船舶制造、能源設(shè)備等領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。aam在制造過(guò)程中，焊接熱源、材料沉積和層間結(jié)合的動(dòng)態(tài)變化直接影響零件的成形質(zhì)量。然而，制造過(guò)程中涉及復(fù)雜的熱-力耦合效應(yīng)和非穩(wěn)定物理現(xiàn)象，如金屬熔池的波動(dòng)、焊接飛濺及材料裂紋等，容易導(dǎo)致內(nèi)部缺陷的產(chǎn)生，例如表面氣孔、焊道不連續(xù)及裂紋等。這些缺陷會(huì)顯著降低零件的力學(xué)性能和服役安全性，因此在制造過(guò)程中對(duì)缺陷的實(shí)時(shí)檢測(cè)與精準(zhǔn)識(shí)別至關(guān)重要。

2、現(xiàn)有的電弧增材制造缺陷檢測(cè)方法主要是熔池圖像監(jiān)測(cè)，但是熔池具有環(huán)境適應(yīng)性差、受限于視角和缺乏全面性，容易導(dǎo)致局部缺陷的遺漏。相比之下，聲信號(hào)具有全面性、實(shí)時(shí)性和非接觸性，為缺陷監(jiān)測(cè)提供了準(zhǔn)確、實(shí)時(shí)的可靠手段。同時(shí)，近年來(lái)研究表明，聲信號(hào)作為電弧增材制造過(guò)程中一種重要的過(guò)程特征，能夠反映工藝參數(shù)的變化及缺陷的形成機(jī)理，是進(jìn)行缺陷識(shí)別和質(zhì)量監(jiān)控的有效途徑。

3、目前，對(duì)聲信號(hào)的分析方法大多基于傳統(tǒng)的時(shí)域、頻域和時(shí)頻域信號(hào)處理技術(shù)，但這些方法在處理電弧增材制造過(guò)程中復(fù)雜的非線性和隨機(jī)性聲信號(hào)時(shí)，存在特征提取能力有限、魯棒性不足等問(wèn)題。因此，面對(duì)這種具有非線性、隨機(jī)性和動(dòng)態(tài)變化的聲信號(hào)。

4、本技術(shù)與現(xiàn)有技術(shù)相比技術(shù)區(qū)別如下；

5、本專利提出一種基于馬爾可夫轉(zhuǎn)移場(chǎng)的電弧增材制造聲信號(hào)特征處理及缺陷識(shí)別方法，馬爾可夫轉(zhuǎn)移場(chǎng)是一種基于概率圖模型的時(shí)空特征提取方法，能夠有效捕捉信號(hào)在時(shí)序上的轉(zhuǎn)移規(guī)律和空間分布特性。將馬爾可夫轉(zhuǎn)移場(chǎng)應(yīng)用于電弧增材制造的聲信號(hào)特征處理，可以從信號(hào)中提取多維信息，為缺陷識(shí)別提供更準(zhǔn)確的特征表達(dá)和判別依據(jù)。這種方法有望顯著提高缺陷檢測(cè)的實(shí)時(shí)性和精準(zhǔn)性，從而為電弧增材制造過(guò)程的質(zhì)量控制提供技術(shù)支持。

6、本技術(shù)與現(xiàn)有技術(shù)相比技術(shù)區(qū)別如下；

7、與專利cn202410886291.2“一種基于聲信號(hào)時(shí)頻圖的電弧增材制造缺陷識(shí)別方法、系統(tǒng)”的技術(shù)對(duì)比

8、專利cn202410886291.2通過(guò)時(shí)域圖對(duì)缺陷進(jìn)行識(shí)別，關(guān)注的聲信號(hào)中的時(shí)域關(guān)系，采用的是小波變換。反映了聲信號(hào)隨時(shí)間變化的波形特征，即幅值隨時(shí)間的變化。時(shí)域圖直接展示了聲信號(hào)的波形，能夠清晰地觀察到信號(hào)的振幅、周期、頻率等基本特征。

9、而本發(fā)明針對(duì)聲信號(hào)中的特征及動(dòng)態(tài)變化進(jìn)行空間域的分析，采用的是馬爾可夫轉(zhuǎn)移場(chǎng)，根據(jù)聲信號(hào)中不同狀態(tài)的轉(zhuǎn)移概率，即某種狀態(tài)到某種狀態(tài)之間的轉(zhuǎn)換的概率，將其分別封裝到不同的分位箱排序成狀態(tài)轉(zhuǎn)移矩陣。同時(shí)，這個(gè)過(guò)程也捕捉聲信號(hào)中的其他的動(dòng)態(tài)變化，也就是聲信號(hào)中，一些不穩(wěn)定的背景噪聲，包括熔池振動(dòng)，熔渣飛濺等不規(guī)律的噪聲。

10、與專利cn202410886291.2專注于處理聲信號(hào)中的時(shí)域特征不同，本發(fā)明的馬爾可夫圖體現(xiàn)的是聲信號(hào)中動(dòng)態(tài)變化模式(如狀態(tài)轉(zhuǎn)移)和狀態(tài)轉(zhuǎn)移規(guī)律，通過(guò)馬爾可夫轉(zhuǎn)移場(chǎng)通過(guò)提取信號(hào)的時(shí)序依賴關(guān)系和全局特征形成空間域圖片，使得卷積神經(jīng)網(wǎng)絡(luò)能更好的學(xué)習(xí)到打印過(guò)程中聲信號(hào)的動(dòng)態(tài)變化特征以及各自復(fù)雜背景噪聲，從而對(duì)缺陷進(jìn)行更好的識(shí)別和分類。該技術(shù)還為根據(jù)馬爾可夫轉(zhuǎn)移場(chǎng)實(shí)現(xiàn)對(duì)下一狀態(tài)的預(yù)測(cè)，提取通過(guò)反饋控制實(shí)現(xiàn)對(duì)打印過(guò)程參數(shù)的調(diào)整避免不良缺陷。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問(wèn)題，本發(fā)明提出基于馬爾可夫轉(zhuǎn)移場(chǎng)的增材制造聲信號(hào)特征處理方法，馬爾可夫轉(zhuǎn)移場(chǎng)能捕捉到時(shí)間序列中的隱含模式和依賴關(guān)系同時(shí)可以將時(shí)間序列數(shù)據(jù)的動(dòng)態(tài)變化特征轉(zhuǎn)換為靜態(tài)圖像，使得卷積神經(jīng)網(wǎng)絡(luò)能夠有效地處理這些動(dòng)態(tài)特征，從而對(duì)缺陷生成圖像有更好的分類精度。同時(shí)馬爾可夫矩陣保留時(shí)間序列的全局特征，不僅包括數(shù)值大小，還包含狀態(tài)轉(zhuǎn)移的趨勢(shì)和模式，為后續(xù)通過(guò)圖像預(yù)測(cè)下一時(shí)間狀態(tài)缺陷并及時(shí)作出對(duì)應(yīng)的矯正措施奠定基礎(chǔ)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是：

3、基于馬爾可夫轉(zhuǎn)移場(chǎng)的增材制造聲信號(hào)特征處理方法，包括以下步驟：

4、s1：創(chuàng)建聲信號(hào)數(shù)據(jù)集；通過(guò)設(shè)置不同工藝參數(shù)，設(shè)計(jì)出包含不連續(xù)、氣孔、熔化不良和位置偏移不同缺陷的電弧增材制造工藝試驗(yàn)，并使用聲信號(hào)探測(cè)器針對(duì)打印過(guò)程中聲信號(hào)進(jìn)行采集；

5、s2：對(duì)采集到的聲信號(hào)進(jìn)行預(yù)處理；所述聲信號(hào)包含背景噪聲和電弧起弧閉弧噪聲，預(yù)處理包括去直流，濾波和截?cái)嘣肼暎?/p>

6、s3：將一維聲信號(hào)轉(zhuǎn)為二維圖像；選取合適的采樣窗口下，將預(yù)處理后的聲信號(hào)通過(guò)馬爾可夫轉(zhuǎn)移場(chǎng)轉(zhuǎn)化為一個(gè)二維狀態(tài)轉(zhuǎn)移概率矩陣，將二維狀態(tài)轉(zhuǎn)移概率矩陣映射為二維圖像；

7、s4：依據(jù)不同缺陷對(duì)所述圖像打標(biāo)簽，將其劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，對(duì)圖像增強(qiáng)并構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練集用于訓(xùn)練模型使其學(xué)習(xí)數(shù)據(jù)中的特征和模式，驗(yàn)證集用于在驗(yàn)證評(píng)估訓(xùn)練后模型性能，測(cè)試集用于最終測(cè)試模型的泛化性能；最終實(shí)現(xiàn)電弧增材制造聲信號(hào)特征提取和缺陷識(shí)別。

8、作為本發(fā)明進(jìn)一步改進(jìn)，步驟s1具體包括：

9、采用聲信號(hào)探測(cè)器監(jiān)聽(tīng)電弧增材制造打印過(guò)程中產(chǎn)生的聲信號(hào)，所述聲信號(hào)探測(cè)器采用旁軸方式安裝在電弧增材制造打印機(jī)旁。

10、作為本發(fā)明進(jìn)一步改進(jìn)，步驟s2具體包括：

11、s2-1：所述去直流過(guò)程，通過(guò)小波分解，可以將信號(hào)分為不同頻段，將對(duì)應(yīng)直流分量頻率去掉后再重構(gòu)信號(hào)；

12、s2-2：所述濾波過(guò)程，使用小波去噪算法進(jìn)行濾波，過(guò)濾打印過(guò)程中的背景噪聲；

13、s2-3：所述截?cái)噙^(guò)程，開(kāi)弧閉弧噪聲幅值大且集中，所述噪聲位于信號(hào)初始和尾部，將其截?cái)嗔粝麓蛴∵^(guò)程的聲信號(hào)。

14、作為本發(fā)明進(jìn)一步改進(jìn)，步驟s3具體包括：

15、s3-1：設(shè)定合適的滑動(dòng)窗口為m和滑動(dòng)步長(zhǎng)為n對(duì)聲信號(hào)有一定重疊的提取，目的是擴(kuò)充數(shù)據(jù)集，同時(shí)使得卷積神經(jīng)網(wǎng)絡(luò)能充分學(xué)習(xí)其特征；

16、s3-2：對(duì)提取的一維信號(hào)，基于pycharm下載的python函數(shù)庫(kù)中的馬爾可夫函數(shù)，將一維信號(hào)轉(zhuǎn)成二維圖像。

17、作為本發(fā)明進(jìn)一步改進(jìn)，步驟s4具體包括：

18、s4-1：將所述二維圖像數(shù)據(jù)集依照不同缺陷和不同比例劃分成訓(xùn)練集、驗(yàn)證集和測(cè)試集；

19、s4-2：所述圖像增強(qiáng)的方法包括隨機(jī)裁剪、水平翻轉(zhuǎn)、歸一化和隨機(jī)擦除；

20、s4-3：所述卷積神經(jīng)網(wǎng)絡(luò)模型采用efficientnet-b0作為主干網(wǎng)絡(luò)，用于對(duì)輸入的訓(xùn)練集進(jìn)行特征提取與學(xué)習(xí)；采用adamw優(yōu)化器代替原來(lái)的sgd優(yōu)化器；采用cosineannealinglrupdater代替原來(lái)的steplrupdater；將訓(xùn)練集輸入該卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，訓(xùn)練好該卷積神經(jīng)網(wǎng)絡(luò)模型之后獲得初步的圖像分類模型；

21、s4-4：所述圖像分類模型通過(guò)驗(yàn)證集進(jìn)行驗(yàn)證模型的性能，依據(jù)性能進(jìn)行超參數(shù)調(diào)整，使模型達(dá)到理想性能獲得最終的圖像分類模型，其中性能參數(shù)指標(biāo)有precision、recall和f1-score，指標(biāo)公式如下：

22、

23、式中，precision表示精確率；recall表示召回率；true?positive為預(yù)測(cè)為i類且實(shí)際為i類的樣本數(shù)；false?negative為實(shí)際為i類但預(yù)測(cè)為其他類別的樣本數(shù)；

24、s4-5：將測(cè)試集輸入最終的圖像分類模型，進(jìn)行缺陷的識(shí)別和分類。

25、本發(fā)明的優(yōu)勢(shì)在于：

26、1.本發(fā)明通過(guò)馬爾可夫轉(zhuǎn)移場(chǎng)(mtf)技術(shù)，將一維聲信號(hào)轉(zhuǎn)化為二維圖像，從而將聲信號(hào)的動(dòng)態(tài)變化特征有效地映射為靜態(tài)圖像，使得卷積神經(jīng)網(wǎng)絡(luò)能夠直接處理復(fù)雜的時(shí)序數(shù)據(jù)。這種方法不僅能夠捕捉時(shí)間序列中的隱含模式和依賴關(guān)系，還能通過(guò)馬爾可夫矩陣保留時(shí)間序列的全局特征，包括狀態(tài)轉(zhuǎn)移的趨勢(shì)和模式，從而實(shí)現(xiàn)更加精準(zhǔn)的缺陷分類。

27、2.本發(fā)明采用非接觸式聲信號(hào)監(jiān)測(cè)方法，通過(guò)旁軸安裝的聲信號(hào)探測(cè)器采集聲信號(hào)，無(wú)需直接干預(yù)電弧增材制造過(guò)程，避免了高溫、高濕和金屬飛濺對(duì)傳感器的影響。相較傳統(tǒng)的熔池監(jiān)測(cè)方法，本發(fā)明的聲信號(hào)采集過(guò)程更適應(yīng)復(fù)雜工況，同時(shí)提供實(shí)時(shí)性強(qiáng)、信號(hào)完整的缺陷檢測(cè)能力。

28、3.本發(fā)明通過(guò)滑動(dòng)窗口擴(kuò)充數(shù)據(jù)集，并結(jié)合隨機(jī)裁剪、水平翻轉(zhuǎn)、歸一化和隨機(jī)擦除等圖像增強(qiáng)方法，進(jìn)一步提升了模型的泛化能力。在卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)上，采用efficientnet-b0作為主干網(wǎng)絡(luò)，同時(shí)利用adamw優(yōu)化器和cosineannealinglrupdater策略替代傳統(tǒng)方法，大幅提高了模型的訓(xùn)練效率和分類精度。

29、4.本發(fā)明不僅能夠識(shí)別打印過(guò)程中常見(jiàn)的不連續(xù)、氣孔等缺陷，還具備預(yù)測(cè)下一時(shí)間狀態(tài)缺陷的能力，為電弧增材制造過(guò)程的實(shí)時(shí)矯正和質(zhì)量控制提供了技術(shù)支持。這種方法還適用于激光熔覆、激光粉末床熔融、電子束增材制造等多種增材制造方法的過(guò)程缺陷檢測(cè)，具有良好的推廣價(jià)值。