CN116165280A - 一种对激光熔覆过程内部缺陷实时监测方法与系统 - Google Patents
一种对激光熔覆过程内部缺陷实时监测方法与系统 Download PDFInfo
- Publication number
- CN116165280A CN116165280A CN202310320487.0A CN202310320487A CN116165280A CN 116165280 A CN116165280 A CN 116165280A CN 202310320487 A CN202310320487 A CN 202310320487A CN 116165280 A CN116165280 A CN 116165280A
- Authority
- CN
- China
- Prior art keywords
- laser cladding
- acoustic
- signals
- defects
- optical
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种对激光熔覆过程内部缺陷实时监测方法与系统,包括采集放大激光熔覆过程中的声信号,并对声信号进行小波包变换和集合经验模态分解,实现对声信号的降噪处理;通过声波传感器和光调制器将采集到的声信号转化为CCD型光谱分析仪可识别的光信号;根据得到的各个位置的光信号构建数据样本并分析,建立光信号和不同种类缺陷的及不同缺陷所在位置的对应关系,并以此建立数据库;采用深度置信神经网络建立模型,用上述数据库的大量实验数据训练模型,自动提取信号特征及识别激光熔覆状态,与数据库内光信号进行对比分析,实现对内部缺陷种类和缺陷位置的识别。本发明能够对激光熔覆过程缺陷实时监测,使激光熔覆产品的组织性能更加优异。
Description
技术领域
本发明涉及激光熔覆设备技术领域,具体涉及一种对激光熔覆过程内部缺陷实时监测方法与系统。
背景技术
近年来,激光熔覆技术在工业生产中应用广泛,受到极大的关注。激光熔覆技术通过高能激光将性能优异的合金粉末在基体表面熔化,从而在基体表面形成性能良好的熔覆层,并能够一步成型金属零件,经过智能化过程控制后成型的致密金属零件是近净形的,几乎不用后续加工,有效实现快速、熔覆3D打印金属零件,使产品的制造更快速、个性化和多样化,广泛应用于多个领域,适应经济全球化的趋势。但激光熔覆打印出的零件质量稳定性较差,激光熔池熔化受多个参数的影响,容易产生裂纹、气孔等缺陷,严重影响了熔覆层表面的性能。获得良好的激光熔覆表面质量是提高被加工工件使用质量的前提,因此把智能技术融合于激光熔覆工艺中的同时,对打印过程进行在线的实时智能化诊断与控制,对真正实现致密金属零件的快速、熔覆打印具有重要的意义。
熔池是熔化金属滴落在母材上形成的池状液态区域,其测量数据蕴含着重要焊接过程信息,是在线质量分析的主要依据。目前存在的对激光熔覆过程检测技术有:基于电信号的检测、基于声学原理的监测、基于光谱分析的监测、基于温度场的监测、基于视觉成像的监测等技术,当前广泛采用的熔池视觉方法难以从强光、高反、烟尘飞溅等干扰因素中检测到无明显特征的缺陷,因此必须结合不同的监测方法协同检测以实现在线质量检测。
声发射技术能通过确定声发射源的方位来分析所述发射源的性质,记录声发射到达的时间和地点,从而根据声发射源的规律来进行相关的危险评定,对环境要求不高,可以在很恶劣的条件下进行监测,声发射在无损检测方面具有独特的潜在优势。
发明内容
为了解决上述问题,本发明提供了一种对激光熔覆过程内部缺陷实时监测方法与系统,通过将视觉成像监测和声发射监测技术结合能更有效的实现在线监测。
本发明采用的技术方案为:
一种对激光熔覆过程内部缺陷实时监测方法,包括以下步骤:
步骤S1,采集和放大激光熔覆过程中的声信号,并对声信号进行小波包变换和集合经验模态分解,实现对声信号的降噪处理;
步骤S2,通过声波传感器和光调制器将采集到的声信号转化为CCD光谱分析仪可识别的光信号;根据得到的各个位置的光信号构建数据样本并分析,建立光信号和不同种类缺陷的及不同缺陷所在位置的对应关系,并以此建立数据库;
步骤S3,采用深度置信神经网络建立模型,用上述数据库的大量实验数据训练模型,自动提取信号特征及识别激光熔覆状态,与数据库内光信号进行对比分析,实现对内部缺陷种类和缺陷位置的识别。
进一步,所述步骤S1具体为:将采集和放大激光熔覆过程中的声信号,使用Matlab软件对声信号进行小波包阈值降噪,再对降噪后的信号进行EEMD降噪,实现对声信号的降噪处理。
进一步,所述步骤S2具体为:将处理后的声信号依次经过声波传感器和光调制器转化为CCD相机可识别的光信号,通过光矢量分析仪进行分析,建立光信号和不同种类缺陷的及不同缺陷所在位置的对应关系,并以此建立数据库。
进一步,所述步骤S3具体为:采用深度置信神经网络建立模型,用上述数据库的大量实验数据训练模型,所述训练模型的步骤包括:
步骤S31:进行基于受限玻尔兹曼机的无监督预训练利用CD-k算法进行预训练,并迭代计算RBM1、RBM2和RBM3三个单元的W,a,b值,最后一个BP单元的W和b值,直接采用随机初始化的值即可,求出最佳的权值。
步骤S32:进行有监督的调优训练,训练过程中需要先利用前向传播算法,从输入得到一定的输出值,再利用后向传播算法来更新网络的权重值和偏置值,最终建立起理想的数据模型。
本发明还提供了一种对激光熔覆过程内部缺陷实时监测系统,该系统包括声发射监测系统、声发射采集与处理模块、传感器模块和光信号分析模块;所述声发射监测系统采用三通道的声发射监测系统,三通道的声发射监测系统呈120度三角形排列,每个通道都是一套独立工作的监测设备,各个通道组成探头阵定位法对声发射源进行定位;所述声发射采集与处理模块用于采集激光熔覆过程中的声信号,并进行降噪处理,通过传感器模块将声信号转化为CCD光谱分析仪可识别的光信号并进行分析,分析出每个缺陷位置光信号的特征,并建立数据库;所述光信号分析模块采用深度置信神经网络自动提取信号特征及识别激光熔覆状态,与数据库内光信号进行对比分析,实现对内部缺陷种类和缺陷位置的识别。
进一步,所述声发射采集与处理模块包括声信号采集单元和声信号处理单元,所述声信号采集单元用于收集激光熔覆过程中产生的声信号并将其放大;所述声信号处理单元用于对声信号进行小波包变换和集合经验模态分解,实现对声信号的降噪处理。
进一步,所述传感器模块包括声波传感器和光调制器,所述声波传感器用来将声波信号转换成电信号;所述光调制器用于把电信号转换为CCD光谱分析仪可识别的光信号。
进一步,所述CCD光谱分析仪采用CCD作为检测器,备有数据处理和输出单元,三个CCD光谱分析仪需在不同的方位同声发射监测系统协同使用,之后将不同方向测得的数据进行数据融合,并获得目标观测点的三维数据。
进一步,所述光信号分析模块包括数据库和光谱分析单元;所述数据库用于将采集的光信号样本进行存储和分析,建立光信号和不同种类缺陷和不同缺陷位置的关系;所述光谱分析单元采用深度置信神经网络自动提取信号特征并进行熔覆状态的识别,实现对缺陷类型和位置的识别。
进一步,所述系统还包括人机交互单元,所述人机交互单元包括显示屏和串口,用于显示仪器的状态、内部缺陷和位置以及测量的光谱图形。
进一步,所述系统还包括电源模块,所述电源模块包括220V交流电源和12V直流电源,其中220V的交流电用于支持监测机房的上位机操作与控制,12V电源用于下位机信号采集处理过程中的供电。
本发明产生的有益效果是:
(1)本发明的数据库同时使用了声信号和光谱分析的数据,相比于仅仅使用声信号或者光谱信号的数据,数据库会更加丰富。
(2)声发射和视觉图像技术的协同发展提高了检测与控制数据的精度,数据库的极大丰富使得系统对内部缺陷的种类识别和位置判断更加精确,从而激光熔覆打印系统的硬件越来越完善,提高了过程控制的精度,改善了打印零件的质量稳定性。
(3)本发明将CCD相机巧妙地与光谱分析仪结合在一起,解决了CCD相机难以从强光、高反、烟尘飞溅等干扰因素中无法检测无明显特征的缺陷。
(4)通过使用不同方位的三通道的声发射监测系统以及相匹配的CCD光谱分析仪,能全面的获取内部缺陷的数据,进一步提升精确性。
附图说明
图1为本发明中对激光熔覆过程内部缺陷实时在线监测方法流程框图;
图2为本发明中对激光熔覆过程内部缺陷实时在线监测系统结构框图;
图3为三通道声发射监测系统框图。
实施方式
下面结合附图对本发明作进一步的说明。
如图1所示,本发明是一种对激光熔覆过程内部缺陷实时监测方法,该方法包括以下步骤:
步骤S1,采集和放大激光熔覆过程中的声信号,并对声信号进行小波包变换和集合经验模态分解,实现对声信号的降噪处理;
步骤S2,通过声波传感器和光调制器将采集到的声信号转化为CCD光谱分析仪可识别的光信号;根据得到的各个位置的光信号构建数据样本并分析,建立光信号和不同种类缺陷的及不同缺陷所在位置的对应关系,并以此建立数据库;
步骤S3,采用深度置信神经网络建立模型,用上述数据库的大量实验数据训练模型,自动提取信号特征及识别激光熔覆状态,与数据库内光信号进行对比分析,从而实现对内部缺陷种类和缺陷位置的识别。
其中步骤S1具体包括:将采集和放大激光熔覆过程中的声信号,使用Matlab软件对声信号进行小波包阈值降噪,再对降噪后的信号进行EEMD降噪,实现声信号的降噪处理。
其中步骤S2具体包括:将处理后的声信号依次经过声波传感器和光调制器转化为CCD相机可识别的光信号,通过光矢量分析仪进行分析,建立光信号和不同种类缺陷的及不同缺陷所在位置的对应关系,并以此建立数据库。
其中步骤S3具体包括:采用深度置信神经网络建立模型,用上述数据库的大量实验数据训练模型,训练模型的步骤包括:
步骤S31:进行基于受限玻尔兹曼机的无监督预训练利用CD-k算法进行预训练,需要迭代计算RBM1、RBM2和RBM3三个单元的W,a,b值,最后一个BP单元的W和b值,直接采用随机初始化的值即可,求出最佳的权值。
步骤S32:进行有监督的调优训练,训练过程中,需要先利用前向传播算法,从输入得到一定的输出值,再利用后向传播算法来更新网络的权重值和偏置值,最终建立起理想的数据模型。
如图2所示,一种对激光熔覆过程内部缺陷实时监测系统,该系统包括声电源模块1、声发射监测系统、声发射采集与处理模块2、传感器模块3和光信号分析模块4和人机交互单元5。
电源模块1包括220V交流电源和12V直流电源,其中220V的交流电用于支持监测机房的上位机操作与控制,12V电源用于下位机信号采集处理过程中的供电。
如图3所示,本发明中的声发射监测系统采用三通道的声发射监测系统,三通道的声发射监测系统呈120度三角形排列,每个通道都是一套独立工作的监测设备,各个通道组成探头阵定位法对声发射源进行定位。
所述声发射采集与处理模块2用于采集激光熔覆过程中的声信号,并进行降噪处理,通过传感器模块3将声信号转化为CCD光谱分析仪可识别的光信号并进行分析,分析出每个缺陷位置光信号的特征,并建立数据库。
声发射采集与处理模块2包括声信号采集单元和声信号处理单元,所述声信号采集单元用于收集激光熔覆过程中产生的声信号并将其放大;所述声信号处理单元用于对声信号进行小波包变换和集合经验模态分解,实现对声信号的降噪处理。
传感器模块3包括声波传感器31和光调制器32,所述声波传感器31用来将声波信号转换成电信号;所述光调制器32用于把电信号转换为CCD光谱分析仪可识别的光信号。CCD光谱分析仪采用CCD作为检测器,备有数据处理和输出单元,三个CCD光谱分析仪需在不同的方位同声发射监测系统协同使用,之后将不同方向测得的数据进行数据融合,并获得目标观测点的三维数据。
光信号分析模块4采用深度置信神经网络自动提取信号特征及识别激光熔覆状态,与数据库内光信号进行对比分析,实现对内部缺陷种类和缺陷位置的识别。
光信号分析模块4包括数据库和光谱分析单元;所述数据库用于将采集的光信号样本进行存储和分析,建立光信号和不同种类缺陷和不同缺陷位置的关系;所述光谱分析单元采用深度置信神经网络自动提取信号特征并进行熔覆状态的识别,实现对缺陷类型和位置的识别。
本发明中的人机交互单元5包括显示屏和串口,用于显示仪器的状态、内部缺陷和位置以及测量的光谱图形。
Claims (10)
1.一种对激光熔覆过程内部缺陷实时监测方法,其特征在于,包括以下步骤:
步骤S1,采集和放大激光熔覆过程中的声信号,并对声信号进行小波包变换和集合经验模态分解,实现对声信号的降噪处理;
步骤S2,通过声波传感器和光调制器将采集到的声信号转化为CCD光谱分析仪可识别的光信号;根据得到的各个位置的光信号构建数据样本并分析,建立光信号和不同种类缺陷的及不同缺陷所在位置的对应关系,并以此建立数据库;
步骤S3,采用深度置信神经网络建立模型,用上述数据库的大量实验数据训练模型,自动提取信号特征及识别激光熔覆状态,与数据库内光信号进行对比分析,实现对内部缺陷种类和缺陷位置的识别。
2.根据权利要求1所述的一种对激光熔覆过程内部缺陷实时监测方法,其特征在于,所述步骤S1具体为:将采集和放大激光熔覆过程中的声信号,使用Matlab软件对声信号进行小波包阈值降噪,再对降噪后的信号进行EEMD降噪,实现对声信号的降噪处理。
3.根据权利要求1所述的一种对激光熔覆过程内部缺陷实时监测方法,其特征在于,所述步骤S2具体为:将处理后的声信号依次经过声波传感器和光调制器转化为CCD相机可识别的光信号,通过光矢量分析仪进行分析,建立光信号和不同种类缺陷的及不同缺陷所在位置的对应关系,并以此建立数据库。
4.根据权利要求1所述的一种对激光熔覆过程内部缺陷实时监测方法,其特征在于,所述步骤S3具体为:采用深度置信神经网络建立模型,用上述数据库的大量实验数据训练模型,所述训练模型的步骤包括:
步骤S31:进行基于受限玻尔兹曼机的无监督预训练利用CD-k算法进行预训练,并迭代计算RBM1、RBM2和RBM3三个单元的W,a,b值,最后一个BP单元的W和b值,直接采用随机初始化的值即可,求出最佳的权值;
步骤S32:进行有监督的调优训练,训练过程中需要先利用前向传播算法,从输入得到一定的输出值,再利用后向传播算法来更新网络的权重值和偏置值,最终建立起理想的数据模型。
5.一种对激光熔覆过程内部缺陷实时监测系统,其特征在于:包括声发射监测系统、声发射采集与处理模块、传感器模块和光信号分析模块;所述声发射监测系统采用三通道的声发射监测系统,三通道的声发射监测系统呈120度三角形排列,每个通道都是一套独立工作的监测设备,各个通道组成探头阵定位法对声发射源进行定位;所述声发射采集与处理模块用于采集激光熔覆过程中的声信号,并进行降噪处理,通过传感器模块将声信号转化为CCD光谱分析仪可识别的光信号并进行分析,分析出每个缺陷位置光信号的特征,并建立数据库;所述光信号分析模块采用深度置信神经网络自动提取信号特征及识别激光熔覆状态,与数据库内光信号进行对比分析,实现对内部缺陷种类和缺陷位置的识别。
6.根据权利要求5所述的一种对激光熔覆过程内部缺陷实时监测系统,其特征在于:所述声发射采集与处理模块包括声信号采集单元和声信号处理单元,所述声信号采集单元用于收集激光熔覆过程中产生的声信号并将其放大;所述声信号处理单元用于对声信号进行小波包变换和集合经验模态分解,实现对声信号的降噪处理。
7.根据权利要求5所述的一种对激光熔覆过程内部缺陷实时监测系统,其特征在于:所述传感器模块包括声波传感器和光调制器,所述声波传感器用来将声波信号转换成电信号;所述光调制器用于把电信号转换为CCD光谱分析仪可识别的光信号。
8.根据权利要求5所述的一种对激光熔覆过程内部缺陷实时监测系统,其特征在于:所述CCD光谱分析仪采用CCD作为检测器,备有数据处理和输出单元,三个CCD光谱分析仪需在不同的方位同声发射监测系统协同使用,之后将不同方向测得的数据进行数据融合,并获得目标观测点的三维数据。
9.根据权利要求5所述的一种对激光熔覆过程内部缺陷实时监测系统,其特征在于:所述光信号分析模块包括数据库和光谱分析单元;所述数据库用于将采集的光信号样本进行存储和分析,建立光信号和不同种类缺陷和不同缺陷位置的关系;所述光谱分析单元采用深度置信神经网络自动提取信号特征并进行熔覆状态的识别,实现对缺陷类型和位置的识别。
10.根据权利要求5所述的一种对激光熔覆过程内部缺陷实时监测系统,其特征在于:所述系统还包括人机交互单元和电源模块,所述人机交互单元包括显示屏和串口,用于显示仪器的状态、内部缺陷和位置以及测量的光谱图形;所述系统还包括电源模块,所述电源模块包括220V交流电源和12V直流电源,其中220V的交流电用于支持监测机房的上位机操作与控制,12V电源用于下位机信号采集处理过程中的供电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310320487.0A CN116165280A (zh) | 2023-03-29 | 2023-03-29 | 一种对激光熔覆过程内部缺陷实时监测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310320487.0A CN116165280A (zh) | 2023-03-29 | 2023-03-29 | 一种对激光熔覆过程内部缺陷实时监测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116165280A true CN116165280A (zh) | 2023-05-26 |
Family
ID=86414808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310320487.0A Pending CN116165280A (zh) | 2023-03-29 | 2023-03-29 | 一种对激光熔覆过程内部缺陷实时监测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116165280A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576102A (zh) * | 2024-01-17 | 2024-02-20 | 长春汽车工业高等专科学校 | 一种基于反射光谱的汽车缺陷检测方法及系统 |
-
2023
- 2023-03-29 CN CN202310320487.0A patent/CN116165280A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576102A (zh) * | 2024-01-17 | 2024-02-20 | 长春汽车工业高等专科学校 | 一种基于反射光谱的汽车缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN111141460A (zh) | 一种基于人工智能感官的装备气体泄漏监测系统及方法 | |
CN110614539B (zh) | 一种数控机床主轴状态在线实时监测分析方法 | |
CN110850244B (zh) | 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质 | |
CN116165280A (zh) | 一种对激光熔覆过程内部缺陷实时监测方法与系统 | |
CN112157368B (zh) | 一种激光非熔透焊接焊缝熔深无损检测方法 | |
CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
Gao et al. | Feature extraction of laser welding pool image and application in welding quality identification | |
Hong et al. | Real-time quality monitoring of ultrathin sheets edge welding based on microvision sensing and SOCIFS-SVM | |
CN117428291A (zh) | 基于声谱图特性分析的焊缝熔宽定量方法 | |
CN112183555B (zh) | 焊接质量的检测方法、系统、电子设备和存储介质 | |
CN116704017B (zh) | 一种基于视觉混合的机械臂位姿检测方法 | |
Tang et al. | A new method to assess fiber laser welding quality of stainless steel 304 based on machine vision and hidden Markov models | |
CN102980536B (zh) | 刹车片钢背平面度检测系统及方法 | |
US8426771B2 (en) | Method of monitoring machine condition | |
CN115266951A (zh) | 对选择性激光熔化过程内部缺陷实时在线监测方法及系统 | |
CN117191781A (zh) | 一种复材壁板微小阵列孔通孔率无损检测系统及方法 | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN113820322B (zh) | 一种用于种子外观品质的检测装置及方法 | |
CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
CN113358750A (zh) | 一种基于边界元法的电力设备声成像方法及系统 | |
CN112991260A (zh) | 光和超声复合激励的红外无损检测系统 | |
CN116989593B (zh) | 一种电炉运行故障的监测预警方法 |
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 |