CN111539533A - 一种基于极限学习机和小孔特征的焊接熔透定量评价方法 - Google Patents
一种基于极限学习机和小孔特征的焊接熔透定量评价方法 Download PDFInfo
- Publication number
- CN111539533A CN111539533A CN202010311681.9A CN202010311681A CN111539533A CN 111539533 A CN111539533 A CN 111539533A CN 202010311681 A CN202010311681 A CN 202010311681A CN 111539533 A CN111539533 A CN 111539533A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- penetration
- sample data
- machine model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种基于极限学习机和小孔特征的焊接熔透定量评价方法,该方法包括以下步骤:(1)对变极性等离子弧焊VPPAW的背面小孔进行特征提取获得特征数据,与对应的不同熔透状态构建预测样本,并分为训练样本集和测试样本集;(2)构建基于极限学习机模型的输入层、隐含层和输出层,通过多次试验法确定最优隐含层节点数;(3)选取Sigmoid激励函数求解,计算隐含输出矩阵和输出权重,完成极限学习机模型的训练;(4)采用测试样本集验证训练后的极限学习机模型的分类准确率。本发明通过构建极限学习机模型对背面小孔熔透状态进行定量评估,其预测精度高,收敛速度快,从而为焊接过程监测及质量诊断提供可靠依据。
Description
技术领域
本发明属于焊接过程监测及质量诊断技术领域,涉及一种基于极限学习机和小孔特征的焊接熔透定量评价方法。
背景技术
变极性等离子弧焊(Variable polarity plasma arc welding,VPPAW)由于具有能量密度高、穿透力强、能实现中厚板铝合金材料单面焊双面成形等优点,因此广泛应用于航天航空焊接技术领域。对于VPPAW接头形式来说,衡量焊接成形质量最重要和最根本的指标是焊缝的熔透状态。但是在实际焊接过程中,由于影响熔透状态的因素较多,如工件散热条件、热变形、对缝间隙等都会影响焊接过程的稳定性及最终的熔透状态,仅仅通过固定的焊接规范难以保证获得均匀稳定的适度熔透状态,从而影响最终的焊缝成型和焊接质量。鉴于变极性等离子弧焊的小孔动态行为是直接影响焊缝成形稳定性及接头质量的关键因素,因此研究能够准确表征小孔行为的有效信号是保证焊缝稳定成形的主要途径。
目前现有表征小孔特征信号的传感技术中,主要开展了声音信号、弧光光谱、尾焰以及等离子云电压传感方面的研究,但是这些传感技术都只能间接预测小孔的形成,难以准确地判断VPPAW的小孔状态以及焊缝成形质量。相反,视觉传感技术通过模仿熟练焊工通过视觉观察焊接熔池行为,在焊接过程的在线监测及质量诊断领域得到广泛的应用。然而,由于VPPAW过程强烈的弧光干扰、喷嘴易遮挡等干扰因素,使得实际获得的正面穿孔熔池边缘不是特别清晰,导致图像处理算法要求比较苛刻,难以准确获取正面小孔视觉特征,从而影响焊接熔透状态的判断。鉴于背面小孔特征更容易反映实际焊接熔透和焊接质量,目前研究主要定性分析了焊接工艺参数对背面小孔特征的影响规律,但缺乏深入研究背面小孔特征与实际焊接熔透状态的内在关系,从而很难定量化地准确评价焊接熔透及焊缝成形质量。
发明内容
本发明旨在解决现有技术无法定量分析小孔特征与实际焊接熔透状态的关系的技术问题,提供一种基于极限学习机和小孔特征的变极性等离子弧焊接的熔透定量评价方法。
本发明目的是提供一种基于极限学习机和小孔特征的焊接熔透定量评价方法,通过分析焊接背面小孔特征和焊接熔透状态,建立基于背面小孔特征的焊接熔透的预测极限学习机模型,根据背面小孔特征就能由极限学习机模型判断出焊缝成形稳定性和接头质量。
为达到上述目的,本发明采用的方案如下:
基于极限学习机和小孔特征的焊接熔透定量评价方法,依据变极性等离子弧焊接的背面小孔图像,通过建立的极限学习机模型对焊接熔透状态进行定量评价;
步骤1:建立极限学习机模型;
(1)将变极性等离子弧焊划分为P个熔透状态,P为大于或等于2的整数,并分别标定为第1标签、第2标签······第P标签,采集P个熔透状态所对应的背面小孔图像数据;
(2)对所述小孔图像数据进行特征提取,确定多个特征变量;
(3)将熔透状态及背面小孔图像的特征变量组成样本数据;每组样本数据均至少包括当前时刻的特征变量和当前时刻的熔透状态;
(4)确定待建立的极限学习机模型的输入层和输出层节点数,选取极限学习机的激励函数;
所述输入层节点数为所述特征变量的维数Q;该维数Q等于特征变量的数量乘以采集时刻的数量,所述采集时刻必须包括当前时刻;
所述输出层节点数为所述熔透状态的数量,激励函数g(x)选用Sigmoid函数,g(x)=1/(1+e-x);
极限学习机模型建立完成;
步骤2:训练极限学习机模型;
(1)将训练样本数据作为已建立极限学习机模型的输入层和输出层,针对隐含层节点数采用多次试验法,以训练样本预测准确率为评价指标,确定最高准确率的隐含层节点数作为最优节点数;
(2)计算训练样本数据的隐含输出矩阵Htr和输出权重β,完成极限学习机模型的训练;
步骤3:验证极限学习机模型;
(1)根据步骤2已训练的极限学习机模型,计算测试样本数据的隐含输出矩阵Hte和测试样本数据的最终输出值Tte;
(2)将测试样本数据经极限学习机模型获得的输出值Tte与其对应的与实际熔透状态标签值P对比,计算分类准确率,完成极限学习机模型的验证;
步骤4:极限学习机模型校正;
(1)若分类准确率≤90%,则返回步骤2,重新调整隐含层节点数,采用多次试验法,对训练样本数据进行极限学习机模型的训练,确定新的最优隐含层节点数;
(2)返回步骤3,对测试样本数据进行极限学习机模型的验证,直至分类准确率>90%为止,完成极限学习机模型的校正;
步骤5:定量评价;
将变极性等离子弧焊接的背面小孔图像按步骤(1)提取小孔特征获得Q维特征向量,按步骤(4)输入到校正后的极限学习机模型,定量评价实际的焊接熔透状态。
作为优选的技术方案:
如上所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,P个熔透状态分别为部分熔透、完全熔透及切割三种熔透状态;将部分熔透状态设定为第1标签,完全熔透状态设定为第2标签,切割状态设定为第3标签。
如上所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,对所述小孔图像数据为经过图像处理方法及摄像机标定得到的小孔特征;所述小孔特征参数为小孔宽度、小孔长度、小孔面积和倾斜角,即为特征变量。
如上所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,每组样本数据均至少包括当前时刻的特征变量和当前时刻的熔透状态为:每组样本数据均包括当前时刻及前三个历史时刻获取的特征变量,和当前时刻的熔透状态。
如上所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,步骤(2)中,获得最优隐含层节点数的步骤为:随机选取初始隐含层节点数,采用样本数据输入极限学习机模型并计算分类准确率,确定准确率最高对应的隐含层节点数为训练后的最优隐含层节点数;
如上所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,步骤(2)中,确定最优隐含层节点数,并计算对应训练样本数据的隐含输出矩阵Htr:
如上所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,计算测试样本数据的隐含输出矩阵Hte:
计算测试样本数据的最终输出值Tte=Hteβ。其中,Tte=[t1,…,tM]T为M个测试样本的输出矩阵。
如上所述的一种基于极限学习机和小孔特征的焊接熔透定量评价方法,计算分类准确率具体为:
Acc=(K/M)×100%;
式中,Acc为分类准确率,K为输出值Tte和真实标签值P一致的样本数量,M为测试样本数据的组数。
有益效果
(1)本发明的一种基于极限学习机和小孔特征的焊接熔透定量评价方法,通过建立的极限学习机模型对焊接熔透状态进行定量评价,从而实现焊接过程的在线监测和质量诊断;
(2)本发明的一种基于极限学习机和小孔特征的焊接熔透定量评价方法,分类准确率高,能达到90%以上,且本发明的极限学习机模型的学习无需迭代,收敛速度快,具有良好的泛化性能。
附图说明
图1为本发明的基于极限学习机和小孔特征的焊接熔透定量评价方法的流程图;
图2为本发明实施例提供的三种典型熔透状态下对应的小孔序列图像;
图3为本发明的极限学习机结构模型;
图4为本发明实施例提供的隐含层节点数对极限学习机性能的影响。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,本实施例提供了一种基于极限学习机和小孔特征的焊接熔透状态定量评价方法,包括:
步骤1:将变极性等离子弧焊划分为P个熔透状态,P为大于或等于2的整数,并分别标定为第1标签、第2标签······第P标签,选取变极性等离子弧焊的背面小孔图像作为数据源;
步骤2:采集各个熔透状态下的背面小孔图像数据,对小孔图像数据进行特征提取,确定多个特征变量;
步骤3:选取变极性等离子弧焊在各个熔透状态下的样本数据,每组样本数据均包括特征变量和熔透状态;
步骤4:将样本数据随机分为训练样本数据和测试样本数据,训练样本数据用于学习极限学习机模型,测试样本数据用于验证极限学习机模型,如图3所示,确定待建立的极限学习机模型的输入层、隐含层和输出层节点数,选取极限学习机的激励函数;
步骤5:以训练样本数据作为极限学习机的输入,进行极限学习机熔透状态判定模型的学习,进而建立极限学习机模型,通过极限学习机模型根据输入的小孔特征变量判定小孔的熔透状态;
步骤6:采用测试样本数据对建立的极限学习机模型进行验证,验证建立的该极限学习机模型的预测正确率。
在步骤1中,如图2所示,将实际熔透状态划分为:部分熔透,完全熔透及切割三种熔透状态,将部分熔透设定为第1标签,完全熔透设定为第2标签,切割设定为第3标签。将经视觉传感系统获得的背面小孔图像作为数据源,视觉传感系统包括CCD摄像机、复合滤光-减光系统、传感器支架以及工控机。其中,CCD摄像机采像最大每秒帧数为55幅,曝光时间1微秒,分辨率为1280×1084,滤光镜片为中心波长660nm的窄带滤光镜片,减光镜片为5%、10%和20%通过率的组合镜片,减光镜片和滤光镜片的直径均为25mm。
在步骤2中,特征变量是小孔图像经过图像处理方法和摄像机标定得到的小孔特征参数,该特征变量包括小孔宽度,小孔长度,小孔面积和倾斜角。
对于VPPAW的极限学习机模型来说,考虑到焊接过程存在热惯性,即当前小孔特征参数与若干历史时刻值之间存在一定关系,另外为了防止模型过于复杂,因此仅取当前值及前面若干个历史时刻值作为极限学习机模型的输入。
在步骤3中,每组样本数据均包括当前时刻及前三个历史时刻获取的特征变量,且还包括当前时刻的熔透状态。
在步骤4中,输入层节点数为特征变量的维数Q,该维数Q等于特征变量的数量乘以采集时刻的数量,每组样本数据均包括Q维的特征变量和当前时刻的1个熔透状态,输出层节点数为熔透状态的数量,隐含层节点数为经验值,激励函数g(x)选用Sigmoid函数:g(x)=1/(1+e-x)。
这样,由于小孔特征参数为小孔宽度,小孔长度,小孔面积和倾斜角,各4个输入,因此输入层节点数为16。输出层节点数为划分的熔透状态的状态数,在这里输出层节点数为3。且在本实施例中,每组样本数据包含小孔宽度,小孔长度,小孔面积和倾斜角及前三个历史时刻值共16个输入向量和1个熔透状态输出向量,共计2100个样本数据。
在步骤4中,随机抽取所有样本数据前1500个样本作为训练,其余600个样本作为测试,将测试样本的极限学习机预测结果与实际结果作比较,计算测试样本集的分类准确率Acc(见式1),其中K为预测结果和实际结果一致的样本数,M为总测试样本数。考虑到隐含层节点数需要人工设置,因此为了获得最大的预测正确率,则分析了不同的隐含层节点数对正确率的影响。
Acc=(K/M)×100% (1)
随机选取一个初始隐含层节点数,建立极限学习机模型并采用测试样本数据计算预测正确率,每间隔设定的间隔选取一个隐含层节点数并计算预测正确率,选取预测正确率最高时对应的隐含层节点数为步骤4中所用的隐含层节点数。也就是,通过多次试验找寻到一个最优的隐含层节点数值为选用的隐含层节点数。
如图4所示,为隐含层节点数对极限学习机性能的影响,可以看出,当隐含层节点数逐渐增加时,测试集的预测正确率呈逐渐减小的趋势,因此根据图4的结果,最终确定本实施例中的隐含层节点数为200。
在步骤5中,
步骤52:计算对应训练样本数据的隐含输出矩阵Htr;其中,
在步骤6中,
步骤61:计算对应测试样本数据的隐含输出矩阵Hte;
计算测试样本数据的最终输出值Tte=Hteβ。其中,Tte=[t1,…,tM]T为M个测试样本的输出矩阵。
步骤62:以极限学习机的输出行中元素值对应的熔透状态类型作为判断结果,该元素值为正整数,且每个元素值为1、2······P中的一个,并相应对应第1标签、第2标签······第P标签;
步骤63:将极限学习机的判断结果与实际熔透状态进行对比,计算分类准确率,对极限学习机模型进行验证。由于训练集和测试集是随机产生的,为了更好地验证极限学习机性能的好坏,则对测试样本分别计算十次,得到最终的预测正确率,其中,隐含层节点数固定为200。
表1 极限学习机验证结果
表1显示了十次的分类准确率以及最终的平均准确率,可以看出极限学习机模型的分类准确率基本上都在90%以上。且经平均计算后,在90%以上,能够达到很精确的预测效果。
本发明提出了焊接技术领域中的一种基于极限学习机和小孔特征的焊接熔透定量评价方法,在获取背面小孔图像基础上经过图像处理提取小孔特征参数,并选取熔透状态样本进行极限学习机模型学习,通过建立的极限学习机模型对小孔的熔透状态进行判定。经过验证发现该极限学习机模型预测准确率高,能达到90%以上,且极限学习机模型的学习无需迭代,收敛速度快,具有良好的泛化性能。
Claims (8)
1.基于极限学习机和小孔特征的焊接熔透定量评价方法,其特征是:依据变极性等离子弧焊接的背面小孔图像,通过建立的极限学习机模型对焊接熔透状态进行定量评价;
步骤1:建立极限学习机模型;
(1)将变极性等离子弧焊划分为P个熔透状态,P为大于或等于2的整数,并分别标定为第1标签、第2标签······第P标签,采集P个熔透状态所对应的背面小孔图像数据;
(2)对所述小孔图像数据进行特征提取,确定多个特征变量;
(3)将熔透状态及背面小孔图像的特征变量组成样本数据;每组样本数据均至少包括当前时刻的特征变量和当前时刻的熔透状态;
(4)确定待建立的极限学习机模型的输入层和输出层节点数,选取极限学习机的激励函数;
所述输入层节点数为所述特征变量的维数Q;该维数Q等于特征变量的数量乘以采集时刻的数量,所述采集时刻必须包括当前时刻;
所述输出层节点数为所述熔透状态的数量,激励函数g(x)选用Sigmoid函数,g(x)=1/(1+e-x);
极限学习机模型建立完成;
步骤2:训练极限学习机模型;
(1)将训练样本数据作为已建立极限学习机模型的输入层和输出层,针对隐含层节点数采用多次试验法,以训练样本预测准确率为评价指标,确定最高准确率的隐含层节点数作为最优节点数;
(2)计算训练样本数据的隐含输出矩阵Htr和输出权重β,完成极限学习机模型的训练;
步骤3:验证极限学习机模型;
(1)根据步骤2已训练的极限学习机模型,计算测试样本数据的隐含输出矩阵Hte和测试样本数据的最终输出值Tte;
(2)将测试样本数据经极限学习机模型获得的输出值Tte与其对应的与实际熔透状态标签值P对比,计算分类准确率,完成极限学习机模型的验证;
步骤4:极限学习机模型校正;
(1)若分类准确率≤90%,则返回步骤2,重新调整隐含层节点数,采用多次试验法,对训练样本数据进行极限学习机模型的训练,确定新的最优隐含层节点数;
(2)返回步骤3,对测试样本数据进行极限学习机模型的验证,直至分类准确率>90%为止,完成极限学习机模型的校正;
步骤5:定量评价;
将变极性等离子弧焊接的背面小孔图像按步骤(1)提取小孔特征获得Q维特征向量,按步骤(4)输入到校正后的极限学习机模型,定量评价实际的焊接熔透状态。
2.根据权利要求1所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,其特征在于,P个熔透状态分别为部分熔透、完全熔透及切割三种熔透状态;将部分熔透状态设定为第1标签,完全熔透状态设定为第2标签,切割状态设定为第3标签。
3.根据权利要求1所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,其特征在于,对所述小孔图像数据为经过图像处理方法及摄像机标定得到的小孔特征;所述小孔特征参数为小孔宽度、小孔长度、小孔面积和倾斜角,即为特征变量。
4.根据权利要求1所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,其特征在于,每组样本数据均至少包括当前时刻的特征变量和当前时刻的熔透状态为:每组样本数据均包括当前时刻及前三个历史时刻获取的特征变量,和当前时刻的熔透状态。
5.根据权利要求1所述的基于极限学习机和小孔特征的焊接熔透定量评价方法,其特征在于,步骤(2)中,获得最优隐含层节点数的步骤为:随机选取初始隐含层节点数,采用样本数据输入极限学习机模型并计算分类准确率,确定准确率最高对应的隐含层节点数为训练后的最优隐含层节点数。
8.根据权利要求1所述的一种基于极限学习机和小孔特征的焊接熔透定量评价方法,其特征在于,计算分类准确率具体为:
Acc=(K/M)×100%;
式中,Acc为分类准确率,K为输出值Tte和真实标签值P一致的样本数量,M为测试样本数据的组数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311681.9A CN111539533A (zh) | 2020-04-20 | 2020-04-20 | 一种基于极限学习机和小孔特征的焊接熔透定量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311681.9A CN111539533A (zh) | 2020-04-20 | 2020-04-20 | 一种基于极限学习机和小孔特征的焊接熔透定量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539533A true CN111539533A (zh) | 2020-08-14 |
Family
ID=71976838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311681.9A Pending CN111539533A (zh) | 2020-04-20 | 2020-04-20 | 一种基于极限学习机和小孔特征的焊接熔透定量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539533A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967259A (zh) * | 2021-03-16 | 2021-06-15 | 山东建筑大学 | 基于熔池图像的等离子弧焊接穿孔状态预测方法及系统 |
CN113379740A (zh) * | 2021-08-02 | 2021-09-10 | 上海工程技术大学 | 基于穿孔熔池图像和深度学习的vppaw熔透原位实时监测系统 |
CN113751920A (zh) * | 2021-08-04 | 2021-12-07 | 华南理工大学 | 一种锁孔tig焊焊接质量实时检测的嵌入式装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101020753B1 (ko) * | 2010-12-08 | 2011-03-09 | 이영희 | 환봉 내부 분리형 연결구 |
CN104014905A (zh) * | 2014-06-06 | 2014-09-03 | 哈尔滨工业大学 | Gtaw焊接过程中熔池三维形貌观测装置及方法 |
CN105741306A (zh) * | 2016-03-03 | 2016-07-06 | 上海交通大学 | 一种基于背面小孔特征的熔透状态判定方法 |
CN110000475A (zh) * | 2019-04-08 | 2019-07-12 | 中车青岛四方机车车辆股份有限公司 | 复合焊连续焊接方法及装置、焊接成品、车体 |
CN110567925A (zh) * | 2019-09-10 | 2019-12-13 | 哈尔滨焊接研究院有限公司 | 激光焊接在线自适应熔透检测装置及检测方法 |
-
2020
- 2020-04-20 CN CN202010311681.9A patent/CN111539533A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101020753B1 (ko) * | 2010-12-08 | 2011-03-09 | 이영희 | 환봉 내부 분리형 연결구 |
CN104014905A (zh) * | 2014-06-06 | 2014-09-03 | 哈尔滨工业大学 | Gtaw焊接过程中熔池三维形貌观测装置及方法 |
CN105741306A (zh) * | 2016-03-03 | 2016-07-06 | 上海交通大学 | 一种基于背面小孔特征的熔透状态判定方法 |
CN110000475A (zh) * | 2019-04-08 | 2019-07-12 | 中车青岛四方机车车辆股份有限公司 | 复合焊连续焊接方法及装置、焊接成品、车体 |
CN110567925A (zh) * | 2019-09-10 | 2019-12-13 | 哈尔滨焊接研究院有限公司 | 激光焊接在线自适应熔透检测装置及检测方法 |
Non-Patent Citations (2)
Title |
---|
丁洁琼: "MAG焊单面焊双面成形熔池视觉特征与控制模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
林俊: "电弧择溶透状态视觉检测模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967259A (zh) * | 2021-03-16 | 2021-06-15 | 山东建筑大学 | 基于熔池图像的等离子弧焊接穿孔状态预测方法及系统 |
CN112967259B (zh) * | 2021-03-16 | 2023-10-13 | 山东建筑大学 | 基于熔池图像的等离子弧焊接穿孔状态预测方法及系统 |
CN113379740A (zh) * | 2021-08-02 | 2021-09-10 | 上海工程技术大学 | 基于穿孔熔池图像和深度学习的vppaw熔透原位实时监测系统 |
CN113751920A (zh) * | 2021-08-04 | 2021-12-07 | 华南理工大学 | 一种锁孔tig焊焊接质量实时检测的嵌入式装置及方法 |
CN113751920B (zh) * | 2021-08-04 | 2022-07-22 | 华南理工大学 | 一种锁孔tig焊焊接质量实时检测的嵌入式装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539533A (zh) | 一种基于极限学习机和小孔特征的焊接熔透定量评价方法 | |
Chen et al. | Welding penetration prediction with passive vision system | |
Lei et al. | Real-time weld geometry prediction based on multi-information using neural network optimized by PCA and GA during thin-plate laser welding | |
Chen et al. | A spectroscopic method based on support vector machine and artificial neural network for fiber laser welding defects detection and classification | |
Chokkalingham et al. | Predicting the depth of penetration and weld bead width from the infra red thermal image of the weld pool using artificial neural network modeling | |
Chen et al. | Welding penetration monitoring for pulsed GTAW using visual sensor based on AAM and random forests | |
JP6920557B2 (ja) | ワークピースの溶接を実行するための最適溶接パラメータを自動的に決定するための方法 | |
Yu et al. | Arc spectral processing technique with its application to wire feed monitoring in Al–Mg alloy pulsed gas tungsten arc welding | |
Park et al. | Estimation of weld bead size in CO 2 laser welding by using multiple regression and neural network | |
Alvarez Bestard et al. | Measurement and estimation of the weld bead geometry in arc welding processes: the last 50 years of development | |
Zhang et al. | Study of inner porosity detection for Al-Mg alloy in arc welding through on-line optical spectroscopy: Correlation and feature reduction | |
JPH0896136A (ja) | 溶接欠陥の評価システム | |
Sarkar et al. | Machine learning method to predict and analyse transient temperature in submerged arc welding | |
CN106624266A (zh) | 一种用于汽车焊接的焊缝偏差及熔透状态监测方法 | |
Jin et al. | Prediction model for back-bead monitoring during gas metal arc welding using supervised deep learning | |
Pal et al. | Multisensor-based monitoring of weld deposition and plate distortion for various torch angles in pulsed MIG welding | |
Shin et al. | Prediction of weld porosity (pit) in gas metal arc welds | |
Hong et al. | Filter-PCA-based process monitoring and defect identification during climbing helium arc welding process using DE-SVM | |
Gyasi et al. | Digitalized automated welding systems for weld quality predictions and reliability | |
Yu et al. | The development of a quality prediction system for aluminum laser welding to measure plasma intensity using photodiodes | |
Chen et al. | Non-linear modelling and compound intelligent control of pulsed gas tungsten arc welding dynamics | |
CN105741306A (zh) | 一种基于背面小孔特征的熔透状态判定方法 | |
Zhang et al. | On-line monitoring and defects detection of robotic arc welding: A review and future challenges | |
Ho et al. | An artificial neural network approach for parametric study on welding defect classification | |
Zhang et al. | Multisensory data fusion technique and its application to welding process monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200814 |
|
WD01 | Invention patent application deemed withdrawn after publication |