拼多多助力网站辱骂自己的话

客服   拼多多砍价dy抖音ks快手 自助商城点击进入

长三角G60激光联盟导读

本文综述了近十年来激光焊接实时监测的研究成果和进展。本文为第二部分。

4.实现各种监测目标的方法

完整的监控过程需要收集和分析焊接过程中产生的信号数据。第3节详细回顾了不同的传感器和监测方法。本节根据不同的监测目标总结了数据处理方法和分析技术，特别是基于人工智能的方法（如机器学习）。如图11所示，基于人工智能的方法可用于优化工艺参数、预测焊缝特征、跟踪焊缝、自适应控制焊接工艺、分类焊接缺陷和验证模拟结果等。

图11.各种基于人工智能的技术用于数据处理和分析，以实现不同的监测目标。

4.1.工艺参数优化

选择合适的工艺参数有利于获得高质量的焊接产品。Taguchi方法和基于人工智能的技术可以有效地优化焊接参数，这两种方法的组合也可以获得良好的优化结果。Taguchi方法广泛用于优化工艺参数，因为这种方法可以减少实验研究的时间和成本。为了提高焊缝的深宽比，Ai等人应用田口方法优化了三个焊接参数，即激光功率、焊接速度和焦点位置。结果表明了该方法的可靠性和有效性。近年来，基于人工智能的方法也广泛应用于参数优化。Cao等人使用径向基函数神经网络（RBFNN）和遗传算法（GA）优化外部磁场下的激光焊接工艺参数。分析了不同焊接参数（包括优化参数）对焊缝外观的影响，结果表明，该方法可以有效地减少飞溅。Rong等人将反向传播神经网络（BPNN）和遗传算法相结合，以优化焊接参数。采用田口方法设计焊接试验。结果表明，该方法有助于提高焊缝质量。Yang等人利用元模型和非支配排序遗传算法来获得激光焊接的最佳工艺参数。核心优化原则是充分利用元模型（即克里格、RBF和支持向量回归）的预测能力。通过使用基于人工智能的方法或混合方法优化工艺参数，可以有效提高焊缝质量。

使用EPMA映射分析对MIG焊缝和PMH焊缝中的Smut进行定性分析。（a） MIG中的SOB，（b）PMHW中的SS。

4.2.煤层特征预测

焊缝外观是焊接质量的外在表现。焊缝特征，如焊缝宽度和熔深等，可通过建立与监控信号的关系来准确预测。Lee等人实时观察了声信号，并使用BPNN预测焊缝特征。结果表明，预测模型的输出与实际焊接试验的实测数据吻合较好。主成分分析（PCA）算法通常用于数据处理，因为它在识别谱线、提取谱特征和消除数据冗余方面具有出色的能力。Gao等人通过分析中定义和获得的熔池阴影特征，使用主成分分析来减少数据冗余。然后，建立了遗传算法改进的BP神经网络方法，以建模焊缝外观与获得的特征之间的关系。Zhang等人监测电极位移信号，并应用图像处理方法将获得的信号转换为二进制图像。通过采用概率神经网络（PNN），可以从概率角度分析焊接质量，并获得确定性分类结果。

为了在在线过程中估计小孔的动态形状和焊接缺陷，Luo等人应用同轴监测系统，在焊接参数突然变化时实时观察小孔形状，这为基于RBFNN的状态观测器提供了输入数据，还可以指示潜在的焊接气孔。Gao等人比较了激光焊接过程中不同焊接速度下BPNN和RBFNN的预测性能。Wang等人对比了多元线性回归分析和BPNN的效果。上述两个参考文献的结果表明，BPNN模型的效果更好。Gunther等人将强化学习和深度学习技术应用于监控系统。该监控系统具有一定的学习能力，可以适应不同的焊接环境。为开发更智能的监控系统奠定了基础。

等离子电流0 A（WFS 10.9 m/min，MIG输出电流178 A）下MIG焊接过程中金属转移的连续高速摄像机图像。

4.3.焊缝跟踪

激光焊接工艺需要激光束在工件上的高精度定位，以确保焊接轨迹和进给速度的高精度。为了满足这一要求，对接缝跟踪设备和技术如红外成像技术、视觉跟踪技术（即机器视觉）和人工视觉技术进行了大量研究。在使用传统示教和回放机器人进行多道次焊接时，难以获得稳定的焊缝。Gu等人设计了一种自动焊接跟踪系统，以克服传统焊接机器人的不足。采用模糊P控制器控制焊枪实时调整位置，实现焊缝的精确跟踪。监控系统的视觉能力可以提供可靠的实时焊缝跟踪信息。Nele等人使用基于CCD摄像机的焊缝跟踪系统获取连续图像，以实时提取和分析焊缝的位置和特征。焊接实验验证并提高了该自动跟踪系统的识别精度。

结果表明，该方法可以实现高精度的焊缝间隙检测和焊缝跟踪。Shi等人应用了一种有效的算法，以在对接焊接期间从单个图像中实现焊缝检测。该方法的基本思想是使用迭代边缘检测和边缘连接方法来搜索残余边缘以获得整个焊缝。Gao等人使用Elman神经网络改进了自适应KF系统，并使用误差估计器来补偿滤波误差。实际焊接实验表明，RBF神经网络补偿的KF能有效地跟踪焊缝，减少有色噪声对焊缝的干扰影响。Gao等人还研究了基于MOI技术的焊缝跟踪方法。Heber等人分析了高质量图像，以提取正在进行的焊接过程中的动态信息，从而自动跟踪焊缝位置。图12详细介绍了基于该方法的实时焊缝跟踪原理。从图中可以看出，整个跟踪方法分为四个步骤。首先，使用鲁棒模板跟踪方法匹配焊缝图像区域。其次，采用基于样条的正则化方法对匹配图进行处理。第三，沿样条预测新的焊缝点。最后，用自适应焊接模型校正预测点。

图12（a）焊缝跟踪方法。（b）焊缝点预测。

4.4.缺陷分类

外部或内部焊接缺陷影响焊接产品的质量。通过对焊接过程中的缺陷进行分类和监控，可以减少焊接缺陷的产生。基于视觉的检测系统与支持向量机（SVM）等分类模型或超声等NDI检测系统相结合，通常用于检测焊接缺陷，如hamping、裂纹、飞溅、底部填充、咬边和爆裂等。激光焊接的一个优点是焊接速度快。然而，在高速焊接过程中，经常会产生焊缝周期性外观缺陷。

You等人应用光电二极管和视觉传感器同时监测焊接区域，并使用支持向量机识别焊接缺陷。结果表明，该方法可以有效地检测焊接缺陷。Passini等人利用超声相控阵系统检测薄铝焊接件中的焊接缺陷。该检测方法可通过X射线照相系统和金相检验方法进行测试和验证多源数据融合技术，有效识别成组气孔的存在。Rodil等人监测并分析了无电子等离子体的辐射，以检测焊接缺陷。Sumesh等人研究了电弧声信号与缺陷（即未熔合和烧穿）之间的相关性。数据挖掘软件用于提取原始数据的统计特征。应用J48和random forest算法将焊接产品分为三类：良好焊接、未熔合焊接和烧穿焊接。Zhang等人建立了光谱信号与焊接缺陷之间的关系。采用小波包变换方法减少监测曲线中的脉冲干扰。所提出的技术已被证明是可行的，可以检测焊接扰动和缺陷。Gao等人将MOI方法与PCA和SVM算法相结合，以建立识别模型来检测焊缝裂纹。这种组合方法可以有效地提取焊缝裂纹特征，提高检测精度。图13显示了缺陷的实际样本及其对应的磁光图像。

图13 MOI检测到未焊透、裂纹和凹陷等焊缝缺陷。

4.5.模拟验证

激光焊接数值模拟模型有助于揭示焊接区的复杂现象，以便更好地理解和控制焊接过程。图14通过直接将仿真结果与实验图像进行比较，证明了仿真模型的有效性。数值技术也是识别关键工艺参数和减少可能的焊接缺陷的有用工具。监测焊接过程可以提供大量可靠的数据，以提高模型精度并验证模型可靠性。模拟和实验中获得的蒸发速率显示出良好的相关性。Abederrazak等人利用实验和有限体积法（FVM）研究了熔池动态形成过程中的热现象。Zhao等人基于有限元法建立了焊接温度场模型，以探索工艺参数、界面温度和焊缝微观结构之间的关系。

图14 焊接试验和数值模拟的比较结果：（a）和（e）情况一：部分熔透，（b）和（f）情况二：全熔透，（c）情况三：全熔深。

仿真结果和实验数据表明，测点的温度历史具有相似的趋势，这证明了模型的有效性。Kazemi等人应用改进的热源模型来预测焊缝的横截面数据多源数据融合技术，预测结果与实验结果几乎相同。在激光焊接过程中，小孔的周期性振动导致焊缝产生难以直接观察的气孔缺陷。Pang等人提出了由小孔不稳定性引起的气孔缺陷的定量模型，以研究熔池动力学和气孔形成过程。通过与实验结果的比较，模拟的小孔深度波动可以反映小孔数量和平均孔径的变化趋势。基于多时间尺度多相模型，系统研究了金属蒸汽羽流的动力学行为和复杂机制。从理论上预测了不同工艺参数下蒸汽羽流温度、压力、速度等的动态变化。Zhang建立了一个三维数值模型，并结合射线追踪算法，以探索小孔、熔池和羽流的瞬态动力学行为。焊缝横截面形状的模拟结果与实验结果吻合良好。Wu等人利用实验结果改进了熔池表面的分析模型。实验中测量了熔池表面的三维形貌数据，以校准由模拟模型计算的熔池尺寸和形状。校准的分析模型将提供熔池边界和熔深数据，以控制焊接参数。

等离子弧焊缝在250 A等离子电流（喷嘴直径：7 mm）下的不对称咬边形成。（a）–（d）：焊缝金属流动的连续CCD摄像机图像。（e）：等离子弧焊缝的横截面。

4.6.过程控制

根据焊接过程的在线监测信息，可以进行实时调整措施，以确保焊接过程的稳定性，即确保焊接产品的焊接质量。从监测信号的采集到调整信号的发送有一个短暂的延迟，主要是信号处理和分析需要一些时间，因此调整有一个滞后。然而，随着技术的进步，用于数据处理的时间越来越少，这使得焊接过程的实时反馈控制成为可能。这种监控调整方法使焊接过程更加稳定，提高了焊接效率和产品质量。Hofman等人开发了一种基于CMOS摄像机和软件算法的控制系统，用于调整激光功率，以在焊接过程中保持熔池宽度的稳定性，该系统可在一秒内补偿干扰。Craeghs等人设计了一个实时监测和控制系统，以连续观察熔池辐射。通过分析光电二极管和CMOS摄像机的信号，实时控制回路可以对焊接工艺参数提供有效的反馈控制。

基于实验和理论研究，Mrna等人提出并实施了一种反馈控制方法，以调整激光焊接过程，该方法可以快速优化和控制激光束的焦点。建立了一个有效的闭环控制系统，通过监测不同实验条件下的等离子体电子温度，可以实时调整激光功率，以保持所需的穿透深度。Li等人基于熔深模型提供的熔深反馈比例积分微分（PID）算法建立了焊缝熔深监测系统，该系统将焊缝熔深与母材电流相关联。实验结果验证了该方法的有效性。熟练的焊工可以根据对熔池的观察来估计和控制焊缝的形状，以获得良好的焊接产品。Liu等人对焊工的焊接工艺进行了深入研究，以建立更智能、更先进的控制系统，控制焊缝熔深。采用自适应神经模糊推理系统（ANFIS）对熟练焊工的焊接过程进行了仿真。采用三维视觉传感系统作为智能焊接系统的眼睛，实时测量熔池的特征参数。焊接实验证明，所开发的控制系统能够在各种扰动和初始条件下有效地实现理想的焊接熔深。

5.潜在的研究问题和挑战

智能激光焊接技术可以进一步提高焊接效率和焊接质量，是智能制造的重要组成部分。在智能制造的大数据制造环境中，智能监控系统就像质检人员一样，实时监控和调整焊接状态。未来智能监测的潜在研究重点应集中在三个方面：多焊接信号的智能采集平台、信号的深度分析与融合、焊接参数的反馈控制。也就是说，焊接监控的整个过程（获取信号、分析信号、实现监控目标）将更加人性化。

不同焊接状态下的相关系数。

5.1.多焊接信号采集平台

多传感器平台就像工人的感觉系统，可以同时采集多个信号。然而，传感器数量的增加将导致诸如难以同时控制多个传感器的问题。此外，传感器可能受到许多不确定性的影响。多信号采集系统应更加智能化，能够有效地协调多个传感器，并具有一定的减少环境干扰的能力。

从五种传感器获得的原始数据。

5.2.多源焊接数据深度分析和融合

数据融合技术已广泛应用于多传感器环境，可以同时处理和分析来自不同传感器的数据。就像人脑一样，来自传感系统的多源数据可以快速准确地分析。有许多问题使得深度数据融合成为一项具有挑战性的任务。这些问题大多来自待融合的数据、传感器技术的不完善性和多样性以及应用环境的性质。焊接过程中会产生多种信号，如光、电、声和热。很难融合这些不同类型的数据。此外，不同类型传感器的信号采集也增加了信号融合的难度，因为获得的多个信号具有不同的特征。此外，通过多保真度代理模型和深度数据挖掘将仿真数据与实际传感器信息相结合，以获得更深入的信息，是很有希望的。