铝合金焊接过程往往伴随着突出的氢气孔出现现象,严重影响着焊缝成形与产品性能。传统的气孔缺陷检测手段对实验设备有较高要求,且会对焊件造成不可逆的损伤。电弧光谱信号中携带了大量的能反映焊接动态过程的元素信息,从而可以与焊接氢气孔间建立起内在的联系。目前针对焊接氢气孔检测光谱研究方法的关键在于,要找到一种能够从大量光谱信息中提取有效特征且相对简单的方法。本文尝试探索出一套完整的铝合金交流GTAW焊接电弧光谱信号采集分析方法,并在此基础上实现氢气孔的在线检测。本文以铝合金交流GTAW焊接中的氢气孔缺陷检测为研究背景,在实验室原有焊接平台的基础上搭建了电弧光谱采集分析系统。为了实现对焊接电弧光谱信号的实时采集和分析,研制了基于切尔尼-特纳光路的光谱传感系统,用线阵CCD信号采集卡作为光电转换和数据存储核心,传感系统能够实现对所采集光谱数据的实时调用和分析。在光谱数据分析过程中,为了更好地分离出强度较低的特征谱线,同时去除连续谱线对特征谱线的影响,使用了基于谱线强度一阶导数的谱分离算法,实现了在线性时间内有效分离连续谱线和特征谱线。为了建立特征谱线与熔池中存在元素间的本征联系,同时去除电弧光谱信号中的冗余信息,需要对特征谱线进行特征选择和自动分类,使用了基于皮尔逊相关系数的特征选择算法,实现了将特征谱线中提取到的6个种类的谱线与焊接过程中的6种元素及元素组合一一对应。得到光谱样本的特征后,为了建立气孔分类模型,还需要得到光谱样本对应的标签。本文基于铝合金GTAW焊缝的X射线探伤图片建立了针对焊接氢气孔缺陷的YOLO v3目标检测模型,实现了对气孔缺陷的端到端自动化打标,极大地降低了光谱样本标签获取的难度,同时简化了标签获取流程。以经过两次谱分离算法和特征选择算法处理后得到的7个特征量作为光谱样本属性,以目标检测模型得到的结果作为光谱样本标签,建立XGBoost氢气孔缺陷分类器。实验结果表明,模型对氢气孔缺陷的预测召回率为91.02%,精确率为86.69%,符合氢气孔检测要求。综合全文,得到了氢气孔缺陷的在线检测算法流程,具体为实时采集到的光谱数据经过两次谱分离算法处理分离为连续谱和特征谱;连续谱经由特征转换算法得到C0特征量,特征谱经由特征转换算法得到C1-C6特征量;C0-C6特征量送入分类器预测是否会产生气孔;焊完后,焊缝的X射线图片送入目标检测模型,对焊缝中的气孔缺陷打标,将C0-C6特征量和标签送给分类器训练,进行增量学习。