CN116921911A - 一种激光焊接质量检测方法 - Google Patents
一种激光焊接质量检测方法 Download PDFInfo
- Publication number
- CN116921911A CN116921911A CN202311002611.5A CN202311002611A CN116921911A CN 116921911 A CN116921911 A CN 116921911A CN 202311002611 A CN202311002611 A CN 202311002611A CN 116921911 A CN116921911 A CN 116921911A
- Authority
- CN
- China
- Prior art keywords
- laser
- photoelectric
- oct
- welding quality
- signal
- 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.)
- Withdrawn
Links
- 238000003466 welding Methods 0.000 title claims abstract description 96
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 6
- 230000001360 synchronised effect Effects 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 229910052782 aluminium Inorganic materials 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 239000013307 optical fiber Substances 0.000 claims description 8
- 230000035515 penetration Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 229910052802 copper Inorganic materials 0.000 claims description 6
- 239000010949 copper Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 229910052751 metal Inorganic materials 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 150000001879 copper Chemical class 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012014 optical coherence tomography Methods 0.000 description 40
- 230000008569 process Effects 0.000 description 11
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000005622 photoelectricity Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011889 copper foil Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明公开了一种激光焊接质量检测方法，主要由三个连续步骤构成：步骤一‑基于光电和OCT融合传感的多信号同步采集及预处理；步骤二‑焊接质量定义及样本数据集构造；步骤三‑基于CNN的焊接质量预测模型构建，并且基于该预测模型在线判断激光焊接质量。本发明一方面解决光电或者OCT单一传感器难以全面反映焊接状态的局限性，另一方面结合深度学习的“端对端”模式，在无需人工干预下，提高了激光焊接质量的识别准确率，以解决难以准确可靠检测焊接质量的问题。
Description
技术领域
本发明涉及激光焊接技术领域，特别涉及一种激光焊接质量检测方法。
背景技术
当前，激光技术凭借高能量、高精度、高适应性等特点，在汽车工业中被广泛采用。动力电池作为整车中最重要的系统，占整车制造成本的30％～40％。特别对于像电池电芯、电池托盘这样需要高精密加工的场景，激光也就成了首选的加工技术。但激光焊接过程剧烈的热能转换效应，对工艺参数及工件固定的精度要求极高，细微的变化即可导致严重的焊接缺陷，从而直接影响电池产品性能与使用寿命。因此，激光焊接过程的在线监测和质量控制对于获得高质量产品显得尤为重要。
光电传感由于装置简单，抗干扰能力强和成本较低等一些优点目前已广泛应用在激光焊接过程监测，保证了焊接过程稳定性和质量一致性。然而，光电传感本质上属于间接传感，主要通过获取反映等离子体，熔池温度以及激光反射能量的光强信号，并建立与实际焊接质量的关联模型，才能准确判断焊接质量，因此需要大量的试验测试和人工主观经验。相反，近年来兴起的高分辨率光学相干层析成像(Optical Coherence Tomography,OCT)技术，是当前唯一能够直接在线测量匙孔深度，可以直接将成本高昂且耗时的焊缝横截面金相检测和工业CT分析方案取代，同时实现产品百分百全检。但OCT极易受到工艺参数变动的影响，一旦设备参数需要调整，就需要去重新校准，同时，OCT测量对没有匙孔出现的情况无能为力，难以测量实际熔深。
综上，如何对复杂动态激光焊接过程进行全面监测且无需人工干预，以提高对激光焊接质量检测准确率，成为目前亟待解决的关键问题。
发明内容
为克服现有技术的不足，本发明公开了一种激光焊接质量检测方法。
为实现上述目的，本发明通过以下技术方案实现：
本发明公开了一种激光焊接质量检测方法，包括以下步骤：
步骤1)基于光电和OCT融合传感的多信号同步采集及预处理：
A1)：搭建基于多波段光电和OCT复合同轴传感系统，至少包括：多波段光电测量模块、OCT测量模块、信号采集与分析装置；
A2)：同步采集多波段光电信号和OCT深度信号：
多波段光电测量模块至少采集可见光波段、激光反射和液态熔池所对应的的多波段光电信号，从而反映激光焊接熔池匙孔和金属蒸汽体积的变化；
OCT测量模块利用低相干光源SLD经过光纤耦合器分成两个光束，其中一束光束经过工件平面返回，另一束光束与激光束同轴打到匙孔底部返回，两束光束经过光纤耦合器发生干涉，并采用光谱仪线阵相机获得光谱干涉条纹图像，对其功率谱密度进行逆傅里叶变换处理，从而获取匙孔深度信息，即OCT深度信号；
A3)：信号采集与分析装置采集OCT深度信号和多波段光电信号，去除焊接前和焊接后不稳定信号，其中，OCT深度信号和多波段光电信号称作光电-OCT多通道信号；
步骤2)焊接质量定义及样本数据集构造：
B1)：开展一系列不同工况下的铜箔-铝板环形激光搭接实验，通过改变激光功率参数和离焦量，获得不同焊接质量结果，以焊缝熔深为评价指标，确定焊接质量类别；
B2):将光电-OCT多通道信号和对应的焊接质量对应起来，对原始一维信号进行分帧合并处理，并转换为二维光电图像；
同时对光电图像进行标注，构造完整的焊接样本数据集，按照适当比例划分训练集和测试集，为后续深度学习模型训练及测试提供数据支撑；
步骤3):构建基于卷积神经网络CNN的焊接质量预测网络模型，并且基于该预测模型在线判断激光焊接质量。
优选的，所述A3)还包括：针对光电-OCT多通道信号中的稳定信号以设定采样频率进行原始信号的数据子采样，同时采用百分位滤波法去除高频干扰，完成光电-OCT多通道信号的预处理。
优选的，所述步骤3)具体包括：
C1)：构建基于卷积神经网络CNN的激光焊接质量预测网络模型，根据训练结果至少对网络初始化参数、卷积-池化层数和输出参数进行优化调整；
C2)：利用训练好的预测模型用于激光焊接质量在线判断，输出质量分类结果，并验证模型识别准确率。
优选的，所述多波段光电采集模块至少由等离子体探测器P、激光反射探测器BR和熔池红外辐射探测器T组成，所述等离子体探测器P、激光反射探测器BR和熔池红外辐射探测器T分别通过内部各个光学元件配合同时采集可见光波段、激光反射和熔池对应的多光谱辐射信号。
进一步优选的，所述可见光波段波长为350～900nm，激光反射对应的激光反射信号波长为1070～1080nm和液态熔池对应的红外光信号波长为800～1700nm。
优选的，所述OCT测量模块包括所述低相干光源和光谱仪线阵相机，还包括激光加工系统。
进一步优选的，所述激光加工系统包括激光加工头、激光光纤和可调环形激光器，所述激光加工头发射激光束，所述可调环形激光器用以在器开启后持续发出激光至所述激光加工头，以对待焊工件进行不同参数下的环形激光焊接实验。
与现有技术相比，本发明的至少具有以下优点：
1)本发明搭建的多波段光电和OCT融合传感系统，可以同步实时采集金属蒸汽(可见光信号)、激光反射(激光反射信号)和熔池(红外光信号)的光辐射能量以及匙孔深度信息，能够解决光电或者OCT单一传感难以全面反映复杂激光焊接过程变化的局限性；
2)本发明构建的基于卷积神经网络CNN的焊接质量分类预测模型，利用深度学习强大的特征提取能力和“端对端”学习模式，获得超过90％的焊接质量预测准确率，相比于人工主观判断，具有更高的可靠性和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的激光焊接质量检测方法的完整技术路线图；
图2为本发明实施例所公开的光电-OCT复合同轴传感系统的示意图；
图3为本发明实施例所公开的铜箔-铝板环形激光搭接焊接头及质量定义的结构示意图；
图4为本发明实施例所公开的基于卷积神经网络CNN的激光焊接质量预测模型图。
具体实施方式
下面结合实施例及附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明公开了一种激光焊接质量检测方法，包括以下步骤：
步骤1)基于光电和OCT融合传感的多信号同步采集及预处理：
A1)：搭建基于多波段光电和OCT复合同轴传感系统，至少包括：多波段光电测量模块、OCT测量模块、信号采集与分析装置；
A2)：同步采集多波段光电信号和OCT深度信号：
多波段光电测量模块至少采集可见光波段、激光反射和液态熔池所对应的的多波段光电信号，从而反映激光焊接熔池匙孔和金属蒸汽体积的变化；
OCT测量模块利用低相干光源SLD经过光纤耦合器分成两个光束，其中一束光束经过工件平面返回，另一束光束与激光束同轴打到匙孔底部返回，两束光束经过光纤耦合器发生干涉，并采用光谱仪线阵相机获得光谱干涉条纹图像，对其功率谱密度进行逆傅里叶变换处理，从而获取匙孔深度信息，即OCT深度信号；
A3)：信号采集与分析装置采集OCT深度信号和多波段光电信号，去除焊接前和焊接后不稳定信号，其中，OCT深度信号和多波段光电信号称作光电-OCT多通道信号；
步骤2)焊接质量定义及样本数据集构造：
B1)：开展一系列不同工况下的铜箔-铝板环形激光搭接实验，通过改变激光功率参数和离焦量，获得不同焊接质量结果，以焊缝熔深为评价指标，确定焊接质量类别；
B2):将光电-OCT多通道信号和对应的焊接质量对应起来，对原始一维信号进行分帧合并处理，并转换为二维光电图像；
同时对光电图像进行标注，构造完整的焊接样本数据集，按照适当比例划分训练集和测试集，为后续深度学习模型训练及测试提供数据支撑；
步骤3):构建基于卷积神经网络CNN的焊接质量预测网络模型，并且基于该预测模型在线判断激光焊接质量。
优选的，所述A3)还包括：针对光电-OCT多通道信号中的稳定信号以设定采样频率进行原始信号的数据子采样，同时采用百分位滤波法去除高频干扰，完成光电-OCT多通道信号的预处理。
优选的，所述步骤3)具体包括：
C1)：构建基于卷积神经网络CNN的激光焊接质量预测网络模型，根据训练结果至少对网络初始化参数、卷积-池化层数和输出参数进行优化调整；
C2)：利用训练好的预测模型用于激光焊接质量在线判断，输出质量分类结果，并验证模型识别准确率。
优选的，所述多波段光电采集模块至少由等离子体探测器P、激光反射探测器BR和熔池红外辐射探测器T组成，所述等离子体探测器P、激光反射探测器BR和熔池红外辐射探测器T分别通过内部各个光学元件配合同时采集可见光波段、激光反射和熔池对应的多光谱辐射信号。
进一步优选的，所述可见光波段波长为350～900nm，激光反射对应的激光反射信号波长为1070～1080nm和液态熔池对应的红外光信号波长为800～1700nm。
优选的，所述OCT测量模块包括所述低相干光源和光谱仪线阵相机，还包括激光加工系统。
进一步优选的，所述激光加工系统包括激光加工头、激光光纤和可调环形激光器，所述激光加工头发射激光束，所述可调环形激光器用以在器开启后持续发出激光至所述激光加工头，以对待焊工件进行不同参数下的环形激光焊接实验。
以下结合附图1和具体实施例对本发明的技术方案作进一步的说明：
本发明实施例公开了一种激光焊接质量检测方法，包括以下步骤：
步骤1)：基于光电和OCT集成的多信号同步采集及预处理：
如图2所示，本发明搭建了基于光电和OCT复合同轴传感系统，主要由多波段光电测量模块、OCT测量模块和信号采集与分析模块以及上位机等系统构成。该同轴传感系统能够无缝集成在主流激光加工头上，无需额外线缆和传感器，同时能够原位实时获取反映激光焊接状态的光辐射信号。其中，多波段光电采集模块由等离子体探测器P、激光反射探测器BR和熔池红外辐射探测器T组成，通过内部各个光学元件(二色镜、反射镜、分光镜和带通滤光片等)的灵活配合同时采集可见光波段(350～900nm)、激光反射(1070～1080nm)和熔池(800～1700nm)对应的多光谱辐射信号。利用光电探测器将激光焊接过程中产生的光辐射能量转换成一定范围的电信号(本案例设为0～10V)，用于后续电信号处理及分析；
OCT测量模块由低相干光源、光谱仪线阵相机和激光加工系统四个部件构成。其中：低相干光源采用超发光二极管SLD宽谱光源，中心波长为850nm，光谱半峰全宽为45nm；
SLD发出的宽谱光源经过光纤耦合器分成两个光束，光束1(参考光束)经过准直器1形成准直光进入参考臂，打到工件平面并发射后原路返回，光束2(测量光束)经准直器2形成准直光后进入样品臂，同时进入激光加工头，经过分光镜与激光束合并经聚焦镜共同聚焦于工件，待形成稳定匙孔后，光束2打在匙孔底部形成散射光后沿原路返回，打到匙孔底部的光束2和打到工件表面的光束1经过光纤耦合器发生干涉，由光谱仪线阵相机拍摄得到原始光谱干涉条纹图像；(此过程符合迈克尔逊干涉仪的原理)
最终，通过图像采集卡采集并传入计算机进行数据处理。由于传输距离的不同，测量光波的频率波长和参考波的频率出现相位差，OCT对干涉信号的功率谱密度进行逆傅里叶变换处理，即可得到两束光的相位差，进而可以获取出匙孔深度数据。
激光加工系统包括激光加工头、激光光纤和可调环形激光器。通过开启激光器设备，持续发出激光至激光加工头，对待焊工件进行不同参数下的环形激光焊接实验。同时利用信号采集与分析装置和上位机，实现对激光焊接过程的多通道光电辐射和匙孔深度信号的同步采集和存储，其中每个光电通道和深度信号的原始采样频率固定为f＝20kHz。进一步去除焊接前和焊接后不稳定信号，以一定采样频率f1＝5kHz进行原始数据子采样。同时采用百分位滤波法去除高频干扰，从而完成多通道信号的预处理。
步骤二：焊接质量定义及样本数据集构造
鉴于激光功率和离焦量变化能够直接决定焊缝熔深和焊接质量，本发明针对铜箔-铝板搭接形式(图3所示)，开展了一系列不同激光功率和离焦量的可调环形激光焊接工艺实验，获得不同的焊缝熔深。在本案例中，铜箔和铝板厚度分别为0.2mm和2.0mm，长宽设置为60×100mm。
根据铝板熔深t1和铝板厚度t的对应关系，结合实际焊缝截面金相分析，确定不同的焊接质量类别，见表1所示。此外，将多波段光电和OCT四通道对应的一维信号按照固定样本点L＝100进行分帧，同时合并成新的特征向量V1，维度为(100,4)。然后将V1转换为二维光电图像V2，维度为(100,100)。最终构造完整的激焊接样本数据集，按照适当比例(7:3)随机划分训练集和测试集，为后续的深度学习模型训练及测试提供数据支撑。
表1焊接质量类别定义
步骤三：基于CNN的焊接质量预测模型构建，并且基于该预测模型在线判断激光焊接质量。
图4为构建的激光焊接质量预测网络模型结构，整个模型构建及预测流程如下所示：
1)所述激光焊接质量预测网络模块主要包括输入层、三个卷积层、三个最大池化层以及输出层。其中，输入层为二维光电图像，输出层为焊接质量类别(I-虚焊，II-正常焊缝，III-焊穿)。在本实施例中，CNN模型卷积核大小均为5×5，池化层核大小均为3×3，其中卷积层主要实现对输入图像的特征自动提取，无需人工提取特征。最终接两个全连接层FC0和FC1，全连接层的输出通过归一化指数函数Softmax进行识别分类，输出焊接质量类别，并得到精度和损失率。
2)进一步根据精度与损失率进行反向传播计算，采用动量随机梯度下降(SGD)优化算法优化CNN模型，训练参数(超参数)包括Batch-size设置为128，动量值为0.9，学习速率为5×10-4，最大迭代步数设置为10000。通过最小化交叉损失函数值来不断更新修正网络关键参数，当训练网络的训练损失值与测试损失值都呈下降趋势并趋于稳定时，CNN模型训练完成；
3)最终将训练好的识别模型用于激光焊接质量在线判断，并结合实际金相分析，结果发现该模型针对激光焊接质量识别准确率均超过90％，能够准确预测铜箔-铝板搭接焊接质量。
对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种激光焊接质量检测方法，其特征在于：包括以下步骤：
步骤1)基于光电和OCT融合传感的多信号同步采集及预处理：
A1)：搭建基于多波段光电和OCT复合同轴传感系统，至少包括：多波段光电测量模块、OCT测量模块、信号采集与分析装置；
A2)：同步采集多波段光电信号和OCT深度信号：
多波段光电测量模块至少采集可见光波段、激光反射和液态熔池所对应的的多波段光电信号，从而反映激光焊接熔池匙孔和金属蒸汽体积的变化；
OCT测量模块利用低相干光源SLD经过光纤耦合器分成两个光束，其中一束光束经过工件平面返回，另一束光束与激光束同轴打到匙孔底部返回，两束光束经过光纤耦合器发生干涉，并采用光谱仪线阵相机获得光谱干涉条纹图像，对其功率谱密度进行逆傅里叶变换处理，从而获取匙孔深度信息，即OCT深度信号；
A3)：信号采集与分析装置采集OCT深度信号和多波段光电信号，去除焊接前和焊接后不稳定信号，其中，OCT深度信号和多波段光电信号称作光电-OCT多通道信号；
步骤2)焊接质量定义及样本数据集构造：
B1)：开展一系列不同工况下的铜箔-铝板环形激光搭接实验，通过改变激光功率参数和离焦量，获得不同焊接质量结果，以焊缝熔深为评价指标，确定焊接质量类别；
B2):将光电-OCT多通道信号和对应的焊接质量对应起来，对原始一维信号进行分帧合并处理，并转换为二维光电图像；
同时对光电图像进行标注，构造完整的焊接样本数据集，按照适当比例划分训练集和测试集，为后续深度学习模型训练及测试提供数据支撑；
步骤3):构建基于卷积神经网络CNN的焊接质量预测网络模型，并且基于该预测模型在线判断激光焊接质量。
2.根据权利要求1所述的一种激光焊接质量检测方法，其特征在于：所述A3)还包括：
针对光电-OCT多通道信号中的稳定信号以设定采样频率进行原始信号的数据子采样，同时采用百分位滤波法去除高频干扰，完成光电-OCT多通道信号的预处理。
3.根据权利要求1所述的一种激光焊接质量检测方法，其特征在于：所述步骤3)具体包括：
C1)：构建基于卷积神经网络CNN的激光焊接质量预测网络模型，根据训练结果至少对网络初始化参数、卷积-池化层数和输出参数进行优化调整；
C2)：利用训练好的预测模型用于激光焊接质量在线判断，输出质量分类结果，并验证模型识别准确率。
4.根据权利要求1所述的一种激光焊接质量检测方法，其特征在于：所述多波段光电采集模块至少由等离子体探测器P、激光反射探测器BR和熔池红外辐射探测器T组成，所述等离子体探测器P、激光反射探测器BR和熔池红外辐射探测器T分别通过内部各个光学元件配合同时采集可见光波段、激光反射和熔池对应的多光谱辐射信号。
5.根据权利要求4所述的一种激光焊接质量检测方法，其特征在于：所述可见光波段波长为350～900nm，激光反射对应的激光反射信号波长为1070～1080nm和液态熔池对应的红外光信号波长为800～1700nm。
6.根据权利要求1所述的一种激光焊接质量检测方法，其特征在于：所述OCT测量模块包括所述低相干光源和光谱仪线阵相机，还包括激光加工系统。
7.根据权利要求6所述的一种激光焊接质量检测方法，其特征在于：所述激光加工系统包括激光加工头、激光光纤和可调环形激光器，所述激光加工头发射激光束，所述可调环形激光器用以在器开启后持续发出激光至所述激光加工头，以对待焊工件进行不同参数下的环形激光焊接实验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311002611.5A CN116921911A (zh) | 2023-08-10 | 2023-08-10 | 一种激光焊接质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311002611.5A CN116921911A (zh) | 2023-08-10 | 2023-08-10 | 一种激光焊接质量检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116921911A true CN116921911A (zh) | 2023-10-24 |
Family
ID=88392473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311002611.5A Withdrawn CN116921911A (zh) | 2023-08-10 | 2023-08-10 | 一种激光焊接质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116921911A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117773405A (zh) * | 2024-02-28 | 2024-03-29 | 茌平鲁环汽车散热器有限公司 | 一种汽车散热器钎焊质量的检测方法 |
-
2023
- 2023-08-10 CN CN202311002611.5A patent/CN116921911A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117773405A (zh) * | 2024-02-28 | 2024-03-29 | 茌平鲁环汽车散热器有限公司 | 一种汽车散热器钎焊质量的检测方法 |
| CN117773405B (zh) * | 2024-02-28 | 2024-05-14 | 茌平鲁环汽车散热器有限公司 | 一种汽车散热器钎焊质量的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104568389B (zh) | 双边错位差动共焦元件参数测量方法 | |
| CN106383105A (zh) | 可自动调整测样距离的拉曼光谱测量装置与方法 | |
| CN101832926B (zh) | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 | |
| CN103528524B (zh) | 透视测量树脂基复合材料内部离面位移场分布的方法 | |
| JP4742279B2 (ja) | 温度測定装置及びこれを利用した熱処理装置、温度測定方法 | |
| CN116921911A (zh) | 一种激光焊接质量检测方法 | |
| TWI428557B (zh) | 反射度分布曲線的建模方法及應用該方法的厚度檢測方法以及厚度檢測反射儀 | |
| US20150008324A1 (en) | Measurement apparatus and method, tomography apparatus and method | |
| CN106691394A (zh) | 一种基于光程编码的高分辨长焦深oct成像系统和方法 | |
| CN104596428B (zh) | 基于光谱共焦及三角法原理的白光测头 | |
| CN116738340A (zh) | 一种融合oct和机器学习的激光焊接缺陷实时检测方法 | |
| CN111912835A (zh) | 一种具备烧蚀量测量功能的libs装置及方法 | |
| CN113740317A (zh) | 基于光斑面积的激光聚焦点位置自动定位方法及系统 | |
| WO2018059135A1 (zh) | 测量太赫兹光束参数的方法 | |
| US6750957B1 (en) | Method and device for analysing a highly dynamic wavefront | |
| CN112729555B (zh) | 标准温度法和相对谱线法同步诊断等离子体温度场的方法 | |
| CN108692819B (zh) | 一种波长调谐哈特曼传感器的波前检测系统 | |
| CN114486912A (zh) | 一种基于线光谱共焦技术的光学元件缺陷检测装置及方法 | |
| CN109613048B (zh) | 一种研究高压下样品相变的方法 | |
| CN114894776A (zh) | 正交双脉冲激光诱导击穿光谱系统及信号稳定性增强方法 | |
| CN114894781A (zh) | 基于外部信号的水下libs光谱标准化泛化方法及系统 | |
| CN114878518A (zh) | 一种基于isbs的波长和相位自适应的声子速度检测装置 | |
| Yin | Driven by machine learning to intelligent damage recognition of terminal optical components | |
| CN113984715A (zh) | 相干断层扫描装置及方法 | |
| CN112711030A (zh) | 一种显微镜面阵扫频测量装置和方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231024 |