社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

基于同轴高动态范围观测和机器学习的窄缝激光焊接穿透预测

激光制造网LaserfairCom • 23 小时前 • 19 次点击  

Image


天津大学的研究员在Journal of Manufacturing Processes期刊上发表文章Penetration prediction of narrow-gap laser welding based on coaxial high dynamic range observation and machine learning。


01

论文导读

窄间隙激光焊接是一种适用于厚壁结构高质量连接的新型工艺,其熔透状态作为评价焊接质量的关键指标,直接影响焊件的性能与服役寿命。受限于焊接空间与工艺条件,传统方法难以实时、准确地监测焊缝背面熔透情况,制约了工艺的闭环控制与质量稳定性。熔池形态作为焊接过程最直接的视觉信息,能够反映熔透状态的变化,因此基于正面熔池图像进行熔透预测成为研究热点。本文针对窄间隙激光焊接熔透监测难题,提出一种基于高动态范围相机的熔池视觉观测方法,该研究为窄间隙激光焊接的实时质量控制与智能监测提供了可行方法,具有较好的工程应用前景。

Laser & Electron Beam Processing

02

全文概述

研究旨在解决窄间隙激光焊接中熔透状态难以实时监测与准确预测的关键问题。研究创新性地采用高动态范围相机,在无辅助光源的复杂工况下清晰捕获焊接熔池的动态图像,克服了传统视觉方法中图像过曝、细节丢失的局限。通过系统的正交实验,获取了不同熔透状态下的熔池样本,进而设计了一套基于灰度梯度分析的图像处理算法,提取出熔池宽度、直线边缘长度与尾随长度三项形态特征,并明确了它们与熔透状态之间的关联规律。在此基础上,研究构建了基于BP神经网络的熔透预测模型,初期仅依靠熔池形态特征进行预测,最终通过融合激光功率、焊接速度等工艺参数进一步优化模型,使整体预测准确率提升至94.74%。本工作实现了从熔池视觉感知、特征提取到智能预测的完整技术闭环,为窄间隙激光焊接的实时质量控制与工艺自适应调控提供了可靠方法,也为后续探究侧壁熔透等复杂问题奠定了技术基础。

Laser & Electron Beam Processing

03

图文解析

图1通过展示未熔透、部分熔透与完全熔透三种状态的焊缝截面金相图,从宏观上确立了本研究评价焊接质量的核心标准,直观揭示了熔透状态与焊缝截面形貌之间的直接对应关系,为后续所有分析奠定了客观的评判基础。研究表明,不同的熔透状态对应着截然不同的焊缝背部成形,这验证了以熔透状态作为工艺质量核心指标的合理性,并明确了图像分析所需判别的最终目标。


Image

图1.焊缝截面图像:(a) 未熔透焊缝;(b) 部分熔透焊缝(未熔透状态);(c) 部分熔透焊缝(完全熔透状态);(d) 全熔透焊缝。。


图2则呈现了与上述截面状态相对应的正面熔池动态图像,研究通过对比分析发现,随着熔透程度从无到有、直至完全,熔池的视觉形态呈现系统性变化:其长度、宽度显著增加,且与窄间隙侧壁接触的部分逐渐形成清晰的直线边缘。这一部分研究揭示了正面熔池形态是背面熔透状态的敏感指示器,初步建立了“池貌”与“穿透”之间的定性关联,为后续从图像中提取量化特征指明了方向。


Image

图2.不同熔池渗透状态的图像。


图3详细阐释了为从熔池图像中获取量化数据而设计的图像处理算法流程。研究针对熔池宽度、直线边缘长度和尾随长度这三个关键参数,开发了基于灰度梯度变化的识别方法。该算法成功实现了对熔池特征的自动化、高精度提取,其整体平均识别误差控制在较低水平,从而将直观的视觉信息转化为可靠的数字特征,为机器学习模型的构建提供了高质量的数据集。


Image


图3.图像处理流程。(a) 焊池宽度提取;(b) 直边长度提取;(c) 尾部长度提取。


图4展示了融合焊接工艺参数后的BP神经网络模型的训练与预测结果。研究通过调整模型结构,将熔池形态特征与激光功率、焊接速度等参数共同输入,使得模型能够更准确地捕捉工艺条件与熔透状态之间的复杂映射。最终模型在测试集上达到了94.74%的整体预测准确率,其中对未熔透和完全熔透状态的判断近乎完美。这一结论证明,所提出的“HDR视觉监测+特征提取+神经网络”技术路线,能够有效地实现窄间隙激光焊接熔透状态的在线、高精度智能预测。


Image

图4.带有参数的模型训练曲线。(a) 损失曲线;(b) 训练结果;(c) 分类结果。

Laser & Electron Beam Processing

04

结论

本研究通过建立基于高动态范围相机的窄间隙激光焊接熔池视觉监测系统,结合图像处理与机器学习技术,成功实现了对焊接熔透状态的实时预测。研究首先揭示了熔池形态与熔透状态之间的内在关联,并开发了一套基于灰度梯度分析的图像算法,能够稳定提取熔池宽度、直线边缘长度及尾随长度等特征。进一步构建的BP神经网络预测模型,在仅使用熔池形态特征时整体准确率达84.21%,而融合焊接工艺参数后,模型预测准确率显著提升至94.74%。该工作的主要贡献在于提出了一套完整的“视觉感知–特征提取–智能预测”技术框架,首次在无辅助光源的窄间隙激光焊接条件下实现了高精度熔透状态识别,为焊接过程实时质量控制与智能工艺调控提供了可靠方法,具有明确的工程应用价值,并为后续研究侧壁熔透等复杂问题奠定了基础。

Laser & Electron Beam Processing


论文链接:

https://doi.org/10.1016/j.jmapro.2023.12.017



来源:高能束加工技术及应用


激光·视讯




推荐·阅读

点赞+分享


56个标杆揭晓!第九届“红光奖”见证中国激光产业“链”上创新

点击阅读

图片


顶级阵容×前沿技术×产业融合:这场全球顶级激光盛会在深圳璀璨启幕

点击阅读

图片

第十九届深圳激光展,与激光产业共同迈向新一程


点击阅读

图片





免责声明:凡本公众号注明来源非本公众号的作品和图片,均转载自其它媒体,目的在于传递和分享更多信息,并不代表本媒赞同其观点和对其真实性负责,版权归原作者所有,如有侵权请联系我们删除。 



















Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/203431