CN117520738A - 一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法 - Google Patents
一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法 Download PDFInfo
- Publication number
- CN117520738A CN117520738A CN202311289826.XA CN202311289826A CN117520738A CN 117520738 A CN117520738 A CN 117520738A CN 202311289826 A CN202311289826 A CN 202311289826A CN 117520738 A CN117520738 A CN 117520738A
- Authority
- CN
- China
- Prior art keywords
- welding
- signal
- keyhole
- model
- mesoscopic
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 153
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 230000005284 excitation Effects 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000003287 optical effect Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 23
- 230000015572 biosynthetic process Effects 0.000 claims description 18
- 210000001503 joint Anatomy 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 239000000758 substrate Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 239000010953 base metal Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 230000008018 melting Effects 0.000 claims description 6
- 238000002844 melting Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000002329 infrared spectrum Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 238000007493 shaping process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000001883 metal evaporation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000009834 vaporization Methods 0.000 description 2
- 230000008016 vaporization Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/03—Observing, e.g. monitoring, the workpiece
-
- 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
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/03—Observing, e.g. monitoring, the workpiece
- B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
-
- 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
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/20—Bonding
- B23K26/21—Bonding by welding
-
- 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
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8411—Application to online plant, process monitoring
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明是一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法。本发明涉及焊接在线检测及智能控制,本发明选取匙孔内部热激发态信号作为检测信号,获取介观检测信号;对介观检测信号进行预处理,得到计算机可识别类型数据;根据预处理后的数据,进行标定后分成训练集、测试集及验证集;建立神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的识别能力,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集数据评估该模型的准确率和预测结果的有效性,最后调用已训练好的最优模型在线监测激光焊接成形稳定性。
Description
技术领域
本发明涉及焊接在线检测及智能控制技术领域,是一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法。
背景技术
激光及激光复合能场焊接是智能制造领域中的主流技术之一。但是激光焊接在工程应用中往往存在非工艺参数波动引起的焊接不稳定现象,研究认为焊接羽辉及匙孔喷射物对激光能量吸收的波动与金属材料汽化过程的非平衡性是产生激光焊接不稳定性的根本原因。而激光焊接的不稳定性将直接导致许多焊后成形质量问题,比如,成形连续性、焊缝表面质量、飞溅量等。所以,可靠的焊接稳定性在线检测及质量闭环控制对于激光及激光复合能场焊接智能制造来说极为重要。
由于金属材料汽化是匙孔形成的主要原因,而且在激光及激光复合能场焊接时高能束激光与焊接件间的能量转化也都是在匙孔内完成的,所以匙孔的稳定性与激光焊接的稳定性具有较为直接的关联性,比如①匙孔内壁的波动将会影响到焊缝成形的连续性,②匙孔上开口的波动幅值及频率将对焊后表面成形质量产生较直接影响,③匙孔上开口边缘的异常波动更是焊接飞溅形成的前兆,所以匙孔的稳定性对于焊接成形连续性、表面质量、焊接飞溅等均有较直接的关联性,同时,由于在时间顺序上匙孔特征变化要先于焊缝成形产生,所以通过实时监测匙孔变化调节焊接工艺参数,对于实现焊缝成形质量稳定闭环控制也具有一定的可行性。但是,由于匙孔不同区域的信号变化对于识别不同稳定性特征存在较大的差异,需要将匙孔不同区域的信号有效分离出来,而匙孔本身的开口直径不足1mm,所以其内部信号特征属于介观领域检测范畴,同时由于缺陷种类、形成原因都不尽相同,所以不同区域信号的分析模型又存在较大差异,因此对于信号光学提取手段和数据分析方法都具有极高的技术要求。而现有检测方法,由于受宏观采样手段及现有数据分析方法的局限,难以获得准确、可靠的焊接稳定性信息,所以焊接稳定性在线可靠检测难度极大。
发明内容
本发明为克服现有技术的不足,本发明提供一种基于阵列传感及人工智能识别的激光焊接稳定性在线检测方法,本发明提出一种利用阵列传感手段采集匙孔内部特征区域的热激发态介观检测信号,并通过机器学习方式建立神经网络模型,再调用已训练好的识别模型在线分析信号特征、提取焊接稳定性信息,并可对焊缝成形连续性、表面质量、焊接飞溅具有较好的预测识别效果的人工智能在线检测方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本发明提供了一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法,本发明提供了以下技术方案:
一种基于阵列传感及人工智能识别的焊接检测装置,所述装置包括:外壳、基板、传感器、窄带滤光片和三维微调机构;
基板与激光焊接头连接起到固定整个装置的作用,基板上有安装孔可分别固定装置外壳、三维微调机构以及窄带滤光片承载架,三维微调机构与传感器连接可调节传感器感应芯片三维空间位置,窄带滤光片位于光学聚焦镜头组与阵列传感器感应面之间的光路上,滤光后的光学实像可投射在阵列传感器感应面上。
一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法,所述方法基于一种基于阵列传感及人工智能识别的焊接检测装置,所述方法包括以下步骤:
步骤1:选取匙孔内部热激发态信号作为检测信号,获取介观检测信号;
步骤2:对介观检测信号进行预处理,得到计算机可识别类型数据;
步骤3:根据预处理后的数据,进行标定后分成训练集、测试集及验证集;
步骤4:建立神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的识别能力,直至3种识别结果均能收敛,再通过验证集调整模型超参数;
步骤5:通过测试集检验模型的可靠性;
步骤6:调用已训练好的识别模型在线分析信号特征、提取焊接稳定性信息。
优选地,选取匙孔内的热激发态介观信号作为检测对象,利用光学聚焦成像及光谱透射原理将匙孔内部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号,采用机器学习中的深度方法,自动识别不同区域中的介观信号特征,对焊缝成形连续性、表面质量、焊接飞溅的趋势性进行预测,并获取当前匙孔稳定性信息。
优选地,所述匙孔内部热激发态信号,是激光光束进入母材后,通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发,并伴随高密度能量激发而产生的一种近红外信号,由于其产生于匙孔表面,因此该信号特征变化与匙孔动态行为具有较好的一致性。
优选地,介观检测信号的采集方法为:
S1、通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组,从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像,足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像;
S2、在近红外谱段下,通过窄带滤光的办法将匙孔上方的焊接羽辉、激光束及其它大量焊接辐射信号有效屏蔽,使特征区域内的热激发态信号可以有效分离出来,从而大幅减少检测信号中的无效信号的占比;
S3、将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上,阵列传感器的感应区域应≥待测特征区域,且分辨精度≤10μm,由此获得待测特征区域中不同位置的介观信号。
优选地,所述焊接稳定性最优模型获取具体为,
将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据,其次分别将分析样本与实际的焊缝成形连续性、表面质量、焊接飞溅量进行标定后分成训练集、测试集及验证集,然后利用计算机构建神经网络模型,分别训练出可识别不同趋势变化的最大阈值,然后在焊接稳定性在线监测时,通过实时比对不同识别对象的当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断是否稳定。通过深度学习方式让计算机同时训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。
优选地,将采集到的单路/或多路/或全部介观检测信号数据,通过一定的数据处理后转换成计算机可识别类型数据,调用已经训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定,最后通过对3种预测结果的加权统计值给出焊接稳定性在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据,如焊接激光器功率、焊接速度、离焦量。
一种基于阵列传感及人工智能识别的焊接检测系统,所述系统包括:
数据采集模块,所述数据采集模块选取匙孔内部热激发态信号作为检测信号,获取介观检测信号;
预处理模块,所述预处理模块对介观检测信号进行预处理,得到计算机可识别类型数据;
标定模块,所述标定模块根据预处理后的数据及实际焊缝成形连续性、表面质量、焊接飞溅情况,进行标定后分成训练集、测试集及验证集;
模型建立模块,所述模型建立模块建立神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性;
在线检测模块,调用已训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法。
本发明具有以下有益效果:
本发明采用匙孔内部热激发态信号作为检测信号,首先该信号与匙孔形态及稳定性特征都具有较好的一致性,所以可作为一种直接检测信号,能够避免采用间接检测信号检测时受环境湿度、温度、气体流场等干扰因素的影响。同时,该信号的近红外谱段增强特性也支持对焊接羽辉等其它有害信号的在该谱段下的有效屏蔽作用,提高检测信号中的有效信号比例,降低信号分析难度。
本发明提出将热激发态信号实像投射于阵列传感芯片进而获取介观信号的方法,能够实现对匙孔内部区域的全覆盖识别。由于激光焊接过程中激光匙孔一直处于波动状态中,介观尺度的不同稳定性特征区域位置也会随之摆动,所以对匙孔底部特征区域的全覆盖识别就非常必要了,本发明的一个特点就是可以自适应跟踪识别特征区域,可以准确定位孔内壁区域、匙孔开口区域及开口边缘区域的检测信号,同时利用阵列传器的高分辨特性可以对目标介观区域进行高分辨率识别,有效屏蔽掉绝大多数干扰信号,提高检测可靠性。
本发明采用机器学习中的深度学习方法,可通过热激发态信号中检测信号,就能自动识别不同特征区域介观信号特征,完成对焊缝成形连续性、表面质量、焊接飞溅量的有效预测,及对焊接稳定性的综合可靠评价,并且通过将一段时间内的数据进行叠加后再均化处理的信号预处理方法还能规避信号个例、捕捉信号规律性特征,有效规避掉焊接信号复杂、波动性大、干扰信号多等方面带来的数据分析问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为检测装置装配示意图;1、焊接检测装置外壳;2、基板;3、阵列或图像传感器;4、窄带滤光片;5、三维微调机构
图2为本发明方法流程图;
图3为人工智能检测方法流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
具体实施例一:
根据图1至图3所示,本发明为解决上述技术问题采取的具体优化技术方案是:本发明涉及一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法。
一种基于阵列传感及人工智能识别的焊接检测装置,所述装置包括:外壳、基板、传感器、窄带滤光片和三维微调机构;
基板与激光焊接头连接起到固定整个装置的作用,基板上有安装孔可分别固定装置外壳、三维微调机构以及窄带滤光片承载架,三维微调机构与传感器连接可调节传感器感应芯片三维空间位置,窄带滤光片位于光学聚焦镜头组与阵列传感器感应面之间的光路上,滤光后的光学实像可投射在阵列传感器感应面上。
一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法,所述方法基于一种基于阵列传感及人工智能识别的焊接检测装置,所述方法包括以下步骤:
步骤1:选取匙孔内部热激发态信号作为检测信号,获取介观检测信号;
步骤2:对介观检测信号进行预处理,得到计算机可识别类型数据;
步骤3:根据预处理后的数据,进行标定后分成训练集、测试集及验证集;
步骤4:建立神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的识别能力,直至3种识别结果均能收敛,再通过验证集调整模型超参数;
步骤5:通过测试集检验模型的可靠性;
步骤6:调用已训练好的识别模型在线分析信号特征、提取焊接稳定性信息。
具体实施例二:
本申请实施例二与实施例一的区别仅在于:
选取匙孔内的热激发态介观信号作为检测对象,利用光学聚焦成像及光谱透射原理将匙孔内部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号,采用机器学习中的深度方法,自动识别不同区域中的介观信号特征,对焊缝成形连续性、表面质量、焊接飞溅的趋势性进行预测,并获取当前匙孔稳定性信息。
所述匙孔内部热激发态信号,是激光光束进入母材后,通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发,并伴随高密度能量激发而产生的一种近红外信号,由于其产生于匙孔表面,因此该信号特征变化与匙孔动态行为具有较好的一致性。
介观检测信号的采集方法为:
S1、通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组,从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像,足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像;
S2、在近红外谱段下,通过窄带滤光的办法将匙孔上方的焊接羽辉、激光束及其它大量焊接辐射信号有效屏蔽,使特征区域内的热激发态信号可以有效分离出来,从而大幅减少检测信号中的无效信号的占比;
S3、将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上,阵列传感器的感应区域应≥待测特征区域,且分辨精度≤10μm,由此获得待测特征区域中不同位置的介观信号。
所述焊接稳定性最优模型获取具体为,
将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据,其次分别将分析样本与实际的焊缝成形连续性、表面质量、焊接飞溅量进行标定后分成训练集、测试集及验证集,然后利用计算机构建神经网络模型,通过深度学习方式让计算机同时训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。
将采集到的单路/或多路/或全部介观检测信号数据,通过一定的数据处理后转换成计算机可识别类型数据,调用已经训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定,最后通过对3种预测结果的加权统计值给出焊接稳定性在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据,如焊接激光器功率、焊接速度、离焦量。
具体实施例三:
本申请实施例三与实施例二的区别仅在于:
本发明的目的是提出一种可有效检测识别激光/激光复合能场焊接稳定性的在线检测方法。
上述的目的通过以下的技术方案实现:
基于阵列传感及人工智能识别的激光焊接稳定性在线检测方法,提出一种利用阵列传感手段采集匙孔内部特征区域的热激发态介观检测信号,并通过机器学习方式建立神经网络模型,再调用已训练好的模型分析信号特征、提取焊接稳定性信息,并可对焊缝成形连续性、表面质量、焊接飞溅具有较好的预测识别效果的人工智能在线检测方法。具体步骤如下:
首先,选取匙孔内的热激发态介观信号作为检测对象,其次,利用光学聚焦成像及光谱透射原理将匙孔内部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号;再次,将实际稳定性结果与检测数据关联,并采用相同方法获取大量数据形成分析样本集,然后,利用计算机构建神经网络模型,通过深度学习方式让计算机同时训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。最后,调用已经训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定。
所述匙孔内部热激发态信号,是激光光束进入母材后,通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发,并伴随高密度能量激发而产生的一种近红外信号,所以热激发态信号与金属蒸汽反冲压力产生具有同时、同位置、同趋势变化特征,而匙孔的形成又是在金属蒸发的反冲压力下完成的,所以,匙孔内部热激发态信号与匙孔形态及稳定性特征都具有较好的一致性。
介观检测信号的采集方法为,首先通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组,从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像,足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像,其次,在近红外谱段下,通过窄带滤光的办法将匙孔上方的焊接羽辉、激光束及其它大量焊接辐射信号有效屏蔽,使特征区域内的热激发态信号可以有效分离出来,从而大幅减少检测信号中的无效信号的占比,然后,将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上,阵列传感器的感应区域应≥待测特征区域,且分辨精度≤10μm,由此获得待测特征区域中不同位置的介观信号,该方法不但可以获得待测区域内的全位置的热激发信号,准确获得匙孔内壁、上开口及开口边缘区域特征信号的所处位置,更能通过直接提取关键位置的介观信号,来进一步提高检测数据中的有效信号占比,降低信号分析的数据量,为下一步检测信号分析提供数据保障。
所述人工智能检测方法,是利用匙孔内部特征区域的热激发态信号遵循焊接热反应本质且在信号的趋势性特征变化上具有规律性这一特点,通过大量的数据分析规避信号个例、捕捉规律性特征,同时通过对多区域信号的复合识别提高分析的准确性。具体方法是:将采集到的单路/或多路/或全部介观检测信号数据,先通过一定的数据处理后转换成计算机可识别类型数据,然后调用已经训练好的识别模型进行运算,得出焊缝成形连续性、表面质量、焊接飞溅的3种预测分析结果,最后通过对3种预测结果的加权统计值给出焊接稳定性在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据,如焊接激光器功率、焊接速度、离焦量等。
所述识别模型的建立方法,是将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据,其次分别将分析样本与实际的焊缝成形连续性、表面质量、焊接飞溅量进行标定后分成训练集、测试集及验证集,然后利用计算机构建神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。
具体实施例四:
本申请实施例四与实施例三的区别仅在于:
本发明提供一种基于阵列传感及人工智能识别的焊接检测系统,所述系统包括:
数据采集模块,所述数据采集模块选取匙孔内部热激发态信号作为检测信号,获取介观检测信号;
预处理模块,所述预处理模块对介观检测信号进行预处理,得到计算机可识别类型数据;
标定模块,所述标定模块根据预处理后的数据,进行标定后分成训练集、测试集及验证集;
模型建立模块,所述模型建立模块建立神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性;
在线检测模块,所述在线检测模块调用已训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定。
具体实施例五:
本申请实施例五与实施例四的区别仅在于:
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法。
步骤包括:
首先,选取匙孔内的热激发态介观信号作为检测对象,其次,利用光学聚焦成像及光谱透射原理将匙孔内部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号;再次,将实际稳定性结果与检测数据关联,并采用相同方法获取大量数据形成分析样本集,然后,利用计算机构建神经网络模型,通过深度学习方式让计算机同时训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。最后,调用已经训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定。
所述匙孔内部热激发态信号,是激光光束进入母材后,通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发,并伴随高密度能量激发而产生的一种近红外信号,所以热激发态信号与金属蒸汽反冲压力产生具有同时、同位置、同趋势变化特征,而匙孔的形成又是在金属蒸发的反冲压力下完成的,所以,匙孔内部热激发态信号与匙孔形态及稳定性特征都具有较好的一致性。
介观检测信号的采集方法为,首先通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组,从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像,足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像,其次,在近红外谱段下,通过窄带滤光的办法将匙孔上方的焊接羽辉、激光束及其它大量焊接辐射信号有效屏蔽,使特征区域内的热激发态信号可以有效分离出来,从而大幅减少检测信号中的无效信号的占比,然后,将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上,阵列传感器的感应区域应≥待测特征区域,且分辨精度≤10μm,由此获得待测特征区域中不同位置的介观信号,该方法不但可以获得待测区域内的全位置的热激发信号,准确获得匙孔内壁、上开口及开口边缘区域特征信号的所处位置,更能通过直接提取关键位置的介观信号,来进一步提高检测数据中的有效信号占比,降低信号分析的数据量,为下一步检测信号分析提供数据保障。
所述人工智能检测方法,是利用匙孔内部特征区域的热激发态信号遵循焊接热反应本质且在信号的趋势性特征变化上具有规律性这一特点,通过大量的数据分析规避信号个例、捕捉规律性特征,同时通过对多区域信号的复合识别提高分析的准确性。具体方法是:将采集到的单路/或多路/或全部介观检测信号数据,先通过一定的数据处理后转换成计算机可识别类型数据,然后调用已经训练好的识别模型进行运算,得出焊缝成形连续性、表面质量、焊接飞溅的3种预测分析结果,最后通过对3种预测结果的加权统计值给出焊接稳定性在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据,如焊接激光器功率、焊接速度、离焦量等。
所述识别模型的建立方法,是将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据,其次分别将分析样本与实际的焊缝成形连续性、表面质量、焊接飞溅量进行标定后分成训练集、测试集及验证集,然后利用计算机构建神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。
具体实施例六:
本申请实施例六与实施例五的区别仅在于:
本发明提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法。
步骤包括:
首先,选取匙孔内的热激发态介观信号作为检测对象,其次,利用光学聚焦成像及光谱透射原理将匙孔内部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号;再次,将实际稳定性结果与检测数据关联,并采用相同方法获取大量数据形成分析样本集,然后,利用计算机构建神经网络模型,通过深度学习方式让计算机同时训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。最后,调用已经训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定。
所述匙孔内部热激发态信号,是激光光束进入母材后,通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发,并伴随高密度能量激发而产生的一种近红外信号,所以热激发态信号与金属蒸汽反冲压力产生具有同时、同位置、同趋势变化特征,而匙孔的形成又是在金属蒸发的反冲压力下完成的,所以,匙孔内部热激发态信号与匙孔形态及稳定性特征都具有较好的一致性。
介观检测信号的采集方法为,首先通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组,从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像,足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像,其次,在近红外谱段下,通过窄带滤光的办法将匙孔上方的焊接羽辉、激光束及其它大量焊接辐射信号有效屏蔽,使特征区域内的热激发态信号可以有效分离出来,从而大幅减少检测信号中的无效信号的占比,然后,将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上,阵列传感器的感应区域应≥待测特征区域,且分辨精度≤10μm,由此获得待测特征区域中不同位置的介观信号,该方法不但可以获得待测区域内的全位置的热激发信号,准确获得匙孔内壁、上开口及开口边缘区域特征信号的所处位置,更能通过直接提取关键位置的介观信号,来进一步提高检测数据中的有效信号占比,降低信号分析的数据量,为下一步检测信号分析提供数据保障。
所述人工智能检测方法,是利用匙孔内部特征区域的热激发态信号遵循焊接热反应本质且在信号的趋势性特征变化上具有规律性这一特点,通过大量的数据分析规避信号个例、捕捉规律性特征,同时通过对多区域信号的复合识别提高分析的准确性。具体方法是:将采集到的单路/或多路/或全部介观检测信号数据,先通过一定的数据处理后转换成计算机可识别类型数据,然后调用已经训练好的识别模型进行运算,得出焊缝成形连续性、表面质量、焊接飞溅的3种预测分析结果,最后通过对3种预测结果的加权统计值给出焊接稳定性在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据,如焊接激光器功率、焊接速度、离焦量等。
所述识别模型的建立方法,是将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据,其次分别将分析样本与实际的焊缝成形连续性、表面质量、焊接飞溅量进行标定后分成训练集、测试集及验证集,然后利用计算机构建神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述仅是一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法的优选实施方式,一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (10)
1.一种基于阵列传感及人工智能识别的焊接检测装置,其特征是:所述装置包括:外壳、基板、传感器、窄带滤光片和三维微调机构;
基板与激光焊接头连接起到固定整个装置的作用,基板上有安装孔可分别固定装置外壳、三维微调机构以及窄带滤光片承载架,三维微调机构与传感器连接可调节传感器感应芯片三维空间位置,窄带滤光片位于光学聚焦镜头组与阵列传感器感应面之间的光路上,滤光后的光学实像可投射在阵列传感器感应面上。
2.一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法,所述方法基于如权利要求1所述的焊接检测装置,其特征是:所述方法包括以下步骤:
步骤1:选取匙孔内部热激发态信号作为检测信号,获取介观检测信号;
步骤2:对介观检测信号进行预处理,得到计算机可识别类型数据;
步骤3:根据预处理后的数据,进行标定后分成训练集、测试集及验证集;
步骤4:建立神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的识别能力,直至3种识别结果均能收敛,再通过验证集调整模型超参数;
步骤5:通过测试集检验模型的可靠性;
步骤6:调用已训练好的识别模型在线分析信号特征、提取焊接稳定性信息。
3.根据权利要求2所述的方法,其特征是:选取匙孔内的热激发态介观信号作为检测对象,利用光学聚焦成像及光谱透射原理将匙孔内部清晰的热激发态信号实像投射至阵列传感器的感应面上获得介观检测信号,采用机器学习中的深度方法,自动识别不同区域中的介观信号特征,对焊缝成形连续性、表面质量、焊接飞溅的趋势性进行预测,并获取当前匙孔稳定性信息。
4.根据权利要求2所述的方法,其特征是:所述匙孔内部热激发态信号,是激光光束进入母材后,通过剧烈的能量输入使匙孔底部金属迅速熔化、蒸发,并伴随高密度能量激发而产生的一种近红外信号。
5.根据权利要求3或4所述的方法,其特征是:介观检测信号的采集方法为:
S1、通过一个至少具有0.6-1.5m拍摄工作距离和10mm拍摄景深的高倍光学聚焦镜头组,从激光焊接头的同轴光路内提取到匙孔底部特征区域的清晰实像,足够的大的景深可以在焦距不发生改变的同时拍摄到波动状态下特征区域的清晰实像;
S2、在近红外谱段下,通过窄带滤光的办法将匙孔上方的焊接羽辉、激光束及其它大量焊接辐射信号有效屏蔽,使特征区域内的热激发态信号可以有效分离出来,从而大幅减少检测信号中的无效信号的占比;
S3、将热激发态信号实像投射至一个传感覆盖面积大、检测精度高的阵列传感器的感应面上,阵列传感器的感应区域应≥待测特征区域,且分辨精度≤10μm,由此获得待测特征区域中不同位置的介观信号。
6.根据权利要求5所述的方法,其特征是:所述焊接稳定性最优模型获取具体为,
将所述阵列传感器或图像传感器采集到的分析样本数据经一定的数据处理后转换成计算机可识别类型数据,其次分别将分析样本与实际的焊缝成形连续性、表面质量、焊接飞溅量进行标定后分成训练集、测试集及验证集,然后利用计算机构建神经网络模型,训练出一个可识别趋势变化的最大阈值,然后在稳定性在线监测时,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断是否稳定;
通过深度学习方式让计算机同时训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性。
7.根据权利要求6所述的方法,其特征是:将采集到的单路/或多路/或全部介观检测信号数据,通过一定的数据处理后转换成计算机可识别类型数据,调用已经训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定,最后通过对3种预测结果的加权统计值给出焊接稳定性在线诊断结果或为焊接闭环控制系统提供关键工艺参数的调控依据,如焊接激光器功率、焊接速度、离焦量。
8.一种基于阵列传感及人工智能识别的焊接检测系统,其特征是:所述系统包括:
数据采集模块,所述数据采集模块选取匙孔内部热激发态信号作为检测信号,获取介观检测信号;
预处理模块,所述预处理模块对介观检测信号进行预处理,得到计算机可识别类型数据;
标定模块,所述标定模块根据预处理后的数据,进行标定后分成训练集、测试集及验证集;
模型建立模块,所述模型建立模块建立神经网络模型,通过深度学习方式训练匙孔内不同区域信号对缝成形连续性、表面质量、焊接飞溅量的稳定性识别依据,既可识别趋势变化的最大阈值,直至3种识别结果均能收敛,再通过验证集调整模型超参数,通过测试集检验模型的可靠性;
在线检测模块,调用已训练好的识别模型,通过实时比对当前趋势特征值与前一时刻或前n时刻的趋势特征值的增量是否超过阈值,并以此为依据来判断焊缝成形连续性、表面质量、焊接飞溅的3种指标是否稳定。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求2-7的方法。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征是:所述处理器执行所述计算机程序时实现权利要求2-7的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311289826.XA CN117520738A (zh) | 2023-10-08 | 2023-10-08 | 一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311289826.XA CN117520738A (zh) | 2023-10-08 | 2023-10-08 | 一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117520738A true CN117520738A (zh) | 2024-02-06 |
Family
ID=89740717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311289826.XA Pending CN117520738A (zh) | 2023-10-08 | 2023-10-08 | 一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520738A (zh) |
-
2023
- 2023-10-08 CN CN202311289826.XA patent/CN117520738A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106984813B (zh) | 一种激光选区熔化加工过程同轴监测方法及装置 | |
CN108340088A (zh) | 激光精密加工视觉在线监测方法及系统 | |
CN105067568B (zh) | 自动聚焦式激光诱导击穿光谱检测系统及其检测方法 | |
Wu et al. | Progress and perspectives of in-situ optical monitoring in laser beam welding: Sensing, characterization and modeling | |
US7129438B2 (en) | Laser weld monitor | |
CN111504980B (zh) | 一种金属增材制造过程的libs在线监测装置及方法 | |
CN101730607B (zh) | 用于在激光焊接过程期间识别焊缝上的缺陷的方法 | |
US20100228377A1 (en) | Method for controlling the quality of industrial processes, in particular laser-welding processes | |
CN104977305A (zh) | 一种基于红外视觉的焊接质量分析装置及分析方法 | |
Chen et al. | Intelligentized methodology for arc welding dynamical processes | |
EP2567773A1 (de) | Verfahren zum Überprüfen der Nahtqualität während eines Laserschweißprozesses | |
CN110441329B (zh) | 一种基于深度学习的激光焊接缺陷识别方法、装置及设备 | |
CN107931802B (zh) | 基于中红外温度传感的电弧焊焊缝质量在线检测方法 | |
CN112894138A (zh) | 软包电池极耳焊接方法及系统 | |
CN109507187A (zh) | 一种激光增材制造缺陷诊断方法及其装置 | |
US20230201956A1 (en) | Method for analyzing a laser machining process, system for analyzing a laser machining process, and laser machining system comprising such a system | |
Alvarez Bestard et al. | Measurement and estimation of the weld bead geometry in arc welding processes: the last 50 years of development | |
Yu et al. | Application of arc plasma spectral information in the monitor of Al–Mg alloy pulsed GTAW penetration status based on fuzzy logic system | |
CN116423005B (zh) | 一种提高焊接精度的锡焊工艺优化方法及系统 | |
CN115889975B (zh) | 一种激光焊接过程监测系统及方法 | |
CN109297976B (zh) | 基于激光焊接能量分配的激光穿透焊缺陷检测平台及方法 | |
CN114502313A (zh) | 用于借助激光束在工件上执行加工工序的激光加工系统和用于监控工件上的借助激光束的加工工序的方法 | |
You et al. | Data-driven based analyzing and modeling of MIMO laser welding process by integration of six advanced sensors | |
CN201052570Y (zh) | 三维激光焊接和切割过程的实时监测装置 | |
CN117520738A (zh) | 一种基于阵列传感及人工智能识别的激光焊接成形稳定性在线检测方法 |
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 |