松下|基于多传感器信号分析的大功率盘形激光焊接状态监测( 四 )

线性判别分析（LDA）可以以有监督的方式减少高维特征的维数，在本研究中，应用线性判别分析来寻找用于表征不同焊接状态的捕获特征的最有效线性组合。
提取LDA变换的三个最重要特征（LDA 1、LDA 2和LDA 3），并将它们的辨别能力与图9所示的三个实验中通过相关分析获得的前三个特征进行比较。三个实验的LDA处理的特征分布比原始特征更集中。即使与图9（a）、（c）和（e）所示的原始特征相比，图9（b）、（d）和（f）中所示的由LDA处理的特征的辨别能力有所提高，但在每个实验中直观地分离焊接状态仍然是一个挑战。因此，需要应用非线性变换来基于这些原始信号有效地确定焊接状态。

图9 原始特征和LDA提取的特征的可视化。（a） Exp.1的原始特性；（b） Exp.1的LDA后的特性；（c） Exp.2的原始特性；（d）实验2的LDA后的特征；（e） Exp.3的原始特性；（f） Exp.3的LDA之后的功能。
3.3 SAE的非线性变换及其性能分析
一些研究表明，人工神经网络（ANN）和支持向量机（SVM）等浅层结构难以获取更具代表性的特征，并且不足以学习复杂多传感器信号之间的非线性关系。 SAE网络被认为是获得更具代表性特征的最有效方法，广泛用于深度学习结构。
SAE网络由多个自动编码器（AE）组成，每个AE将其输入特征压缩为更具代表性和更全面的表示，作为其输出。第一AE的输出被馈入第二AE作为其输入。通过几个AEs叠加（SAE），建立了一个深度学习架构，以获得原始特征的非线性变换，这种非线性表示对于解决多分类问题更为全面和具有代表性。
在本研究中，建立了具有三个AE的SAE堆叠，其网络结构为9-7?5-3 。 SAE模型的输入是九个提取的特征， SAE的输出表示为SAE1、SAE2和SAE3 。计算每个样本的原始特征，并在图10中绘制最终输出特征。这表明，三个实验的样本可以很容易地分为四种不同的焊接状态。此外，每个类别的样本都位于这个三维坐标空间中。

图10 SAE获取的特征的可视化。
图11中计算并绘制了混淆矩阵。该模型可以很容易地对良好焊缝、吹扫和咬边进行分类，分类精度分别为94.27%、91.64%和91.22% ，但很难将驼峰状态与良好焊缝状态区分开来。驼峰状态的分类准确率仅为59.17% ，远低于其他三种状态。原因可能是，与良好焊接状态（693个样本）、爆裂（287个样本）和咬边（353个样本）相比，对应于隆起状态的样本数量最少（仅169个样本）。与每个实验对应的分类结果如图12所示。所提出的SAE提取的特征比原始特征和LDA获取的特征具有更高的识别能力。

图11 SAE的混淆矩阵?+?softmax 。

图12 三个实验的焊接状态监测结果。纵轴中， 1表示良好焊接；2表示井喷；3表示驼峰；4表示底切。（a）实验1；（b）实验2；（c）实验3 。
为了验证所提出的SAE模型的有效性，图13中绘制了两个新实验的结果，包括咬边、爆裂、良好焊接和驼峰状态。图13（a）所示实验中的焊接参数如下。焊接激光功率为14?kW ，焊接速度为3?m/min ，激光束的散焦位置为-3?mm ，保护气体速度为30?L/min 。在图13（a）所示的实验中，底切和井喷的监测精度分别为90.27%和89.24% 。在图13（b）所示的实验中，激光功率为12?kW ，焊接速度为3?m/min ，激光束的散焦位置为0?mm ，保护气体速度为30?L/min 。本实验中良好焊缝和驼峰的监测准确率分别为91.53%和57.62% 。总的来说，这两个实验中的监测精度验证了所建立SAE模型的有效性。

图13 验证实验。预测标签1表示良好焊接；2表示井喷；3表示驼峰；4表示底切。（a）底切和井喷；（b）良好的焊接和隆起。