激光束焊接状态分类：面向声学信号智能的深度学习框架

《Machines》：Laser Beam Welding State Classification: A Deep Learning Framework for Acoustic Signal Intelligence

　　

摘要：铝制汇流排-端子连接的激光束焊接（LBW）用于电动汽车电池包，需要精确的在线监测。无膜光学麦克风提供了一个高带宽（直流至兆赫兹）的声学通道，能够捕获匙孔、熔池和羽流的动力学行为。本研究提出了声学信号智能（ASI），一种基于单个光学麦克风信号进行激光束焊接（LBW）状态分类的深度学习框架，并在一个开放数据集（183个AA1050焊接试验，采样频率_s = 2.5 MHz）上，采用五类分类体系（lack of fusion, LoF；lack of connection, LoC；sound, 良好；marginal, 临界；piercing, 穿孔）进行评价。贡献如下：（i）一个紧凑的1-D卷积神经网络（CNN）编码器，基于梅尔尺度短时傅里叶变换（STFT）频谱图，在三折复制留出交叉验证中达到了最高宏平均F₁（macro-F₁）得分（均值0.72），并且在每一折中实现了100%的穿孔（piercing）召回率；研究人员还评估了多表示融合变体（添加小波包分解和针对8、63和110 kHz匙孔谐振峰值的24特征库）作为消融分支，但该变体未能在交叉验证中保留，因此所提模型仅为梅尔频谱（mel-only）模型；（ii）一个系统性基准测试，包括六个经典机器学习（classical-ML）和四个深度学习基线，其中Transformer混合消融模型和辅助分类器生成对抗网络（ACGAN）风格的数据增强在122个样本的训练集上表现不及紧凑CNN；Transformer性能不佳已被一个包含学习率、权重衰减和丢弃率（dropout）的30个配置的网格搜索进一步证实（最佳调优macro-F₁ = 0.441，而CNN为0.724）；（iii）一个梯度加权类激活映射（Grad-CAM）分析，无需先验知识即可恢复匙孔谐振频带。因此，单个光学麦克风是电池包激光焊接中多传感器堆栈的一种可行的实时替代方案。

**论文解读文章**

激光焊接是电动汽车电池包制造中的关键工艺，铝制汇流排与端子的连接需要数百甚至数千个无缺陷焊点。任何单个连接失败都会影响整个电池组的电、热和机械完整性。远程激光焊接（Remote Laser Welding, RLW）因扫描振镜解耦光束与机器人运动而主导该领域，但1xxx和6xxx系列铝合金的RLW仍易出现熔合不足、连接不足、热裂纹、气孔及穿透等缺陷，且缺陷非线性地依赖于激光功率、间隙、光束形状和夹紧条件。现有在线监测方法多依赖光电二极管、高速相机等多传感器融合，但光学麦克风作为一种低模态，能捕获匙孔谐振、熔池振荡、羽流排放和快速凝固等现象，且提供直流至兆赫兹的高带宽、亚毫米传感头高电磁抗扰度。Basile等人发布了首个RLW声学数据集（183个AA1050焊接试验），但基于阈值规则的分析方法未能适应激光功率与间隙的交互效应，也无法推广至复制实验。因此，研究人员开发了声学信号智能（Acoustic Signal Intelligence, ASI）框架，利用深度学习从单个光学麦克风信号端到端地学习分类特征，以实现实时、通用的焊接状态分类。该论文发表在《Machines》。

研究人员为开展研究，主要采用了以下关键技术方法：（i）信号采集与预处理：使用Xarion Eta250超无膜法布里-珀罗光学麦克风（位于焊区上方70 mm、侧向30 mm），以2.5 MHz采样率采集2 s窗口内的声学信号，对每段试验提取中央1 s稳定区作为感兴趣区域，并去除直流偏置、归一化至单位方差。（ii）多表示前端：将信号通过Welch功率谱密度估计映射至128频带的对数梅尔刻度频谱图（log-mel spectrogram），作为主要输入；同时评估了Daubechies db-10六层小波包分解（Shevchik等人方法）及针对8、63、110 kHz匙孔谐振峰值的24特征工程向量。数据集来源于Basile等人的开放数据集（183个AA1050叠层焊接试验，激光功率800-1350 W，间隙0-1.0 mm，三个复制批次，附加2000 W穿孔试验）。（iii）紧凑1-D卷积神经网络（CNN）编码器：由三个卷积块（核大小7/5/3，步长2/2/1，通道数64/128/256）、批量归一化、GELU激活、丢弃率0.1组成，经全局时间平均池化得到256维嵌入，再由单一线性层映射至五类逻辑值，训练使用类平衡焦点交叉熵损失。（iv）消融与基准比较：对比双阈值规则（Basile等人）、六种经典机器学习基线（随机森林、主成分分析-支持向量机等）、四种深度学习基线（1-D CNN、长短期记忆网络（LSTM）、CNN-门控循环单元（CNN-GRU）、格拉姆角场ResNet）以及五种1-D CNN-Transformer混合变体，并进行了30个超参数配置的网格搜索。（v）可解释性分析与物理相关性验证：采用梯度加权类激活映射（Grad-CAM）分析网络关注的频谱区域，并计算预测分数与激光功率、间隙的皮尔逊相关系数。

以下按原文小节顺序介绍研究结果：

**4.1 类条件输入统计**：展示了每类焊接状态的代表性对数梅尔频谱图（log-mel spectrogram），从熔合不足（几乎没有声学活动）到良好（频谱集中于63 kHz匙孔谐振峰）再到穿孔（宽频带8-110 kHz活动），符合匙孔谐振物理。

**4.2 阈值规则基线复制**：复现Basile等人的双阈值规则（基于带阻滤波后的声功率），在复制3留出折（61个测试试验）上准确率仅0.295，macro-F₁为0.092，穿孔召回率为零，因规则将几乎所有试验映射至良好类，且无法区分临界类。

**4.3 经典机器学习基线**：在24特征库上训练随机森林、PCA-SVM、序贯前向浮动选择-支持向量机（SFFS-SVM）、XGBoost和浅层多层感知机（MLP），采用三折复制留出交叉验证。SFFS-SVM 达到最高平均准确率（0.760 ± 0.008）和macro-F₁（0.690 ± 0.007），但穿孔召回率不完整。

**4.4 深度学习基线与所提模型及Transformer消融**：在三折复制留出交叉验证下，所提梅尔频谱1-D CNN（199,237参数）实现了最高macro-F₁（0.724 ± 0.034）和准确率（0.732 ± 0.041），且在每一折中穿孔召回率均为1.00。所有Transformer混合变体（包括四种轻量变体及原始4层8头模型）准确率均在0.437-0.541之间，macro-F₁在0.28-0.33之间，远低于CNN。辅助分类器生成对抗网络（ACGAN）增强导致大多数Transformer变体崩溃为单类预测（准确率≤0.246）。对Tr-small2变体进行的27个配置网格搜索（学习率、权重衰减、丢弃率）表明，最佳调优macro-F₁（0.441 ± 0.057）仍比CNN低0.283；在原始Transformer上重新运行最优配置后macro-F₁仅为0.304 ± 0.016，证实Transformer的不足并非超参数调优所致。多表示融合变体（梅尔频谱+小波包+24特征）在折3上表现提升，但三折交叉验证下降至0.628/0.531，且折间方差大，因此最终模型为纯梅尔频谱（mel-only）分支。

**4.5 统计显著性检验**：McNemar配对检验表明，所提1-D CNN显著优于双阈值规则（p < 0.001），但与SFFS-SVM无显著差异（p = 0.629），二者在61试验测试集上准确率和macro-F₁接近。

**4.6 梯度加权类激活映射（Grad-CAM）可解释性**：Grad-CAM激活图显示网络正确关注了良好/穿孔类对应的60-110 kHz频带（稳定匙孔谐振和宽带羽流衰减）、连接不足/临界类对应的8-26 kHz频带（不稳定熔池振荡）以及熔合不足类对应的极低频带（无匙孔形成），无需任何先验知识。

**4.7 与工艺参数的相关性**：预测分数与激光功率的皮尔逊相关系数r_P = 0.96，与间隙的相关系数r_g = -0.70，与Basile等人报告的声功率-功率相关性（0.95）和带阻滤波声功率-间隙相关性（-0.67）吻合，表明网络学习了物理趋势而非试验特异性伪影。

讨论部分指出所提1-D CNN在保持折上的准确率（0.721）已较阈值规则提高0.426，macro-F₁提高0.615，且优于Transformer混合模型。Grad-CAM分析确认了网络利用了8、63、110 kHz的匙孔谐振物理特征。局限性包括：数据集仅限于1.0 mm AA1050和单一光束摆动配置；实验室环境无工厂噪声；标签可能受工艺边界处的不确定性影响；梅尔刻度前端在超音频段分配了约六分之一的频带至1 kHz以下无效范围。未来工作将扩展至其他铝合金和铜-钢汇流排，集成横截面级缺陷标签，边缘硬件部署实现闭环控制，以及自监督预训练和噪声鲁棒域自适应。

**结论翻译**：本文应用声学信号智能（Acoustic Signal Intelligence, ASI）框架，基于单个光学麦克风信号（Xarion Eta250超光学麦克风，采样频率_s = 2.5 MHz），在五类分类体系（熔合不足、连接不足、良好、临界、穿孔）下，对激光束焊接（LBW）状态进行在线分类。贡献如下：（i）一个紧凑的1-D CNN编码器（128频带对数梅尔短时傅里叶变换（STFT）频谱图，199,237参数，三个卷积块，单线性层分类头），经三折复制留出交叉验证，达到0.732 ± 0.041准确率、0.724 ± 0.034宏平均F₁（macro-F₁），且每折中穿孔（piercing）召回率为1.00（每折一个穿孔试验），为所有17个模型（包括6个经典机器学习基线和4个深度学习基线及5个1-D CNN-Transformer混合变体）中的最高macro-F₁；研究者评估了添加Daubechies db-10六层小波包分解和针对8、63、110 kHz匙孔谐振峰值的24元素手工特征库的多表示融合变体作为消融分支，最终未保留在模型中。（ii）证明Transformer混合模型和辅助分类器生成对抗网络（ACGAN）增强在122个试验训练集上表现不及所提网络：每个Transformer变体的准确率至少低0.19、macro-F₁低0.39，ACGAN导致四个注意力变体崩溃为单类预测（准确率≤0.246）。这一结论由30个配置（学习率、权重衰减、丢弃率）的网格搜索（共90折次训练）进一步支持，其中最佳调优Transformer混合的macro-F₁（0.441 ± 0.057）仍比所提CNN低0.283。（iii）梯度加权类激活映射（Grad-CAM）分析恢复出匙孔谐振频带（良好/穿孔类对应60-110 kHz，连接不足/临界类对应8-26 kHz，熔合不足类对应低频）而无需显式先验知识。进一步有三点：首先，扩展至五类分类法的双阈值规则仅达到0.295准确率/0.092 macro-F₁且穿孔召回率为零；所提网络在保持折上提高了0.426准确率和0.615 macro-F₁（McNemar检验p < 0.001）。最强的经典基线——序贯前向浮动选择-支持向量机（SFFS-SVM）在24特征库上达到略高准确率（0.760 ± 0.008）但较低macro-F₁（0.690 ± 0.007）；McNemar检验（p = 0.629）表明二者在61试验测试集上统计上无显著差异。其次，三种信号表示的互补性未在交叉验证中保留：完全融合变体（梅尔频谱+小波包+24特征）将折3准确率提升0.10、macro-F₁提升0.07，但三折交叉验证下降至0.628 ± 0.112/0.531 ± 0.183，低于纯梅尔频谱的0.732 ± 0.041/0.724 ± 0.034；表明折3结果是离群值而非可推广的提升，因而验证了纯梅尔频谱分支作为所提模型的合理性。第三，皮尔逊相关性r_P = 0.96、r_g = -0.69确认网络学习了物理趋势而非试验特异性伪影。中央处理器（CPU）推断延迟为每试验4.1 ms（单x86_64核）；结合4 ms的STFT窗口，约120 Hz的更新率符合50-100 ms的外环预算，但比1 kHz光束摆动周期低一个数量级，因此该框架适用于外环质量监测而非内环摆动控制。未来工作将沿四个方向扩展：（a）在AA6063和铜-钢汇流排上验证跨合金迁移性；（b）整合横截面级气孔和裂纹标签；（c）边缘硬件部署实现1 kHz摆动周期的闭环激光功率控制；（d）为生产环境进行自监督预训练和噪声鲁棒域自适应。