長(cháng)三角G60激光聯(lián)盟導讀
本文綜述了近十年來(lái)激光焊接實(shí)時(shí)監測的研究成果和進(jìn)展。本文為第二部分。
4.實(shí)現各種監測目標的方法
完整的監控過(guò)程需要收集和分析焊接過(guò)程中產(chǎn)生的信號數據。第3節詳細回顧了不同的傳感器和監測方法。本節根據不同的監測目標總結了數據處理方法和分析技術(shù)，特別是基于人工智能的方法（如機器學(xué)習）。如圖11所示，基于人工智能的方法可用于優(yōu)化工藝參數、預測焊縫特征、跟蹤焊縫、自適應控制焊接工藝、分類(lèi)焊接缺陷和驗證模擬結果等。
圖11.各種基于人工智能的技術(shù)用于數據處理和分析，以實(shí)現不同的監測目標。
4.1.工藝參數優(yōu)化
選擇合適的工藝參數有利于獲得高質(zhì)量的焊接產(chǎn)品。Taguchi方法和基于人工智能的技術(shù)可以有效地優(yōu)化焊接參數，這兩種方法的組合也可以獲得良好的優(yōu)化結果。Taguchi方法廣泛用于優(yōu)化工藝參數，因為這種方法可以減少實(shí)驗研究的時(shí)間和成本。為了提高焊縫的深寬比，Ai等人應用田口方法優(yōu)化了三個(gè)焊接參數，即激光功率、焊接速度和焦點(diǎn)位置。結果表明了該方法的可靠性和有效性。
近年來(lái)，基于人工智能的方法也廣泛應用于參數優(yōu)化。Cao等人使用徑向基函數神經(jīng)網(wǎng)絡(luò )（RBFNN）和遺傳算法（GA）優(yōu)化外部磁場(chǎng)下的激光焊接工藝參數。分析了不同焊接參數（包括優(yōu)化參數）對焊縫外觀(guān)的影響，結果表明，該方法可以有效地減少飛濺。Rong等人將反向傳播神經(jīng)網(wǎng)絡(luò )（BPNN）和遺傳算法相結合，以?xún)?yōu)化焊接參數。采用田口方法設計焊接試驗。結果表明，該方法有助于提高焊縫質(zhì)量。Yang等人利用元模型和非支配排序遺傳算法來(lái)獲得激光焊接的最佳工藝參數。核心優(yōu)化原則是充分利用元模型（即克里格、RBF和支持向量回歸）的預測能力。通過(guò)使用基于人工智能的方法或混合方法優(yōu)化工藝參數，可以有效提高焊縫質(zhì)量。
使用EPMA映射分析對MIG焊縫和PMH焊縫中的Smut進(jìn)行定性分析。（a） MIG中的SOB，（b）PMHW中的SS。
4.2.煤層特征預測
焊縫外觀(guān)是焊接質(zhì)量的外在表現。焊縫特征，如焊縫寬度和熔深等，可通過(guò)建立與監控信號的關(guān)系來(lái)準確預測。Lee等人實(shí)時(shí)觀(guān)察了聲信號，并使用BPNN預測焊縫特征。結果表明，預測模型的輸出與實(shí)際焊接試驗的實(shí)測數據吻合較好。主成分分析（PCA）算法通常用于數據處理，因為它在識別譜線(xiàn)、提取譜特征和消除數據冗余方面具有出色的能力。Gao等人通過(guò)分析中定義和獲得的熔池陰影特征，使用主成分分析來(lái)減少數據冗余。然后，建立了遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò )方法，以建模焊縫外觀(guān)與獲得的特征之間的關(guān)系。Zhang等人監測電極位移信號，并應用圖像處理方法將獲得的信號轉換為二進(jìn)制圖像。通過(guò)采用概率神經(jīng)網(wǎng)絡(luò )（PNN），可以從概率角度分析焊接質(zhì)量，并獲得確定性分類(lèi)結果。
為了在在線(xiàn)過(guò)程中估計小孔的動(dòng)態(tài)形狀和焊接缺陷，Luo等人應用同軸監測系統，在焊接參數突然變化時(shí)實(shí)時(shí)觀(guān)察小孔形狀，這為基于RBFNN的狀態(tài)觀(guān)測器提供了輸入數據，還可以指示潛在的焊接氣孔。Gao等人比較了激光焊接過(guò)程中不同焊接速度下BPNN和RBFNN的預測性能。Wang等人對比了多元線(xiàn)性回歸分析和BPNN的效果。上述兩個(gè)參考文獻的結果表明，BPNN模型的效果更好。Gunther等人將強化學(xué)習和深度學(xué)習技術(shù)應用于監控系統。該監控系統具有一定的學(xué)習能力，可以適應不同的焊接環(huán)境。為開(kāi)發(fā)更智能的監控系統奠定了基礎。
等離子電流0 A（WFS 10.9 m/min，MIG輸出電流178 A）下MIG焊接過(guò)程中金屬轉移的連續高速攝像機圖像。
4.3.焊縫跟蹤
激光焊接工藝需要激光束在工件上的高精度定位，以確保焊接軌跡和進(jìn)給速度的高精度。為了滿(mǎn)足這一要求，對接縫跟蹤設備和技術(shù)如紅外成像技術(shù)、視覺(jué)跟蹤技術(shù)（即機器視覺(jué)）和人工視覺(jué)技術(shù)進(jìn)行了大量研究。在使用傳統示教和回放機器人進(jìn)行多道次焊接時(shí)，難以獲得穩定的焊縫。Gu等人設計了一種自動(dòng)焊接跟蹤系統，以克服傳統焊接機器人的不足。采用模糊P控制器控制焊槍實(shí)時(shí)調整位置，實(shí)現焊縫的精確跟蹤。監控系統的視覺(jué)能力可以提供可靠的實(shí)時(shí)焊縫跟蹤信息。Nele等人使用基于CCD攝像機的焊縫跟蹤系統獲取連續圖像，以實(shí)時(shí)提取和分析焊縫的位置和特征。焊接實(shí)驗驗證并提高了該自動(dòng)跟蹤系統的識別精度。
結果表明，該方法可以實(shí)現高精度的焊縫間隙檢測和焊縫跟蹤。Shi等人應用了一種有效的算法，以在對接焊接期間從單個(gè)圖像中實(shí)現焊縫檢測。該方法的基本思想是使用迭代邊緣檢測和邊緣連接方法來(lái)搜索殘余邊緣以獲得整個(gè)焊縫。Gao等人使用Elman神經(jīng)網(wǎng)絡(luò )改進(jìn)了自適應KF系統，并使用誤差估計器來(lái)補償濾波誤差。實(shí)際焊接實(shí)驗表明，RBF神經(jīng)網(wǎng)絡(luò )補償的KF能有效地跟蹤焊縫，減少有色噪聲對焊縫的干擾影響。
Gao等人還研究了基于MOI技術(shù)的焊縫跟蹤方法。Heber等人分析了高質(zhì)量圖像，以提取正在進(jìn)行的焊接過(guò)程中的動(dòng)態(tài)信息，從而自動(dòng)跟蹤焊縫位置。圖12詳細介紹了基于該方法的實(shí)時(shí)焊縫跟蹤原理。從圖中可以看出，整個(gè)跟蹤方法分為四個(gè)步驟。首先，使用魯棒模板跟蹤方法匹配焊縫圖像區域。其次，采用基于樣條的正則化方法對匹配圖進(jìn)行處理。第三，沿樣條預測新的焊縫點(diǎn)。最后，用自適應焊接模型校正預測點(diǎn)。
圖12（a）焊縫跟蹤方法。（b）焊縫點(diǎn)預測。
4.4.缺陷分類(lèi)
外部或內部焊接缺陷影響焊接產(chǎn)品的質(zhì)量。通過(guò)對焊接過(guò)程中的缺陷進(jìn)行分類(lèi)和監控，可以減少焊接缺陷的產(chǎn)生?；谝曈X(jué)的檢測系統與支持向量機（SVM）等分類(lèi)模型或超聲等NDI檢測系統相結合，通常用于檢測焊接缺陷，如hamping、裂紋、飛濺、底部填充、咬邊和爆裂等。激光焊接的一個(gè)優(yōu)點(diǎn)是焊接速度快。然而，在高速焊接過(guò)程中，經(jīng)常會(huì )產(chǎn)生焊縫周期性外觀(guān)缺陷。
You等人應用光電二極管和視覺(jué)傳感器同時(shí)監測焊接區域，并使用支持向量機識別焊接缺陷。結果表明，該方法可以有效地檢測焊接缺陷。Passini等人利用超聲相控陣系統檢測薄鋁焊接件中的焊接缺陷。該檢測方法可通過(guò)X射線(xiàn)照相系統和金相檢驗方法進(jìn)行測試和驗證，有效識別成組氣孔的存在。Rodil等人監測并分析了無(wú)電子等離子體的輻射，以檢測焊接缺陷。Sumesh等人研究了電弧聲信號與缺陷（即未熔合和燒穿）之間的相關(guān)性。數據挖掘軟件用于提取原始數據的統計特征。
應用J48和random forest算法將焊接產(chǎn)品分為三類(lèi)：良好焊接、未熔合焊接和燒穿焊接。Zhang等人建立了光譜信號與焊接缺陷之間的關(guān)系。采用小波包變換方法減少監測曲線(xiàn)中的脈沖干擾。所提出的技術(shù)已被證明是可行的，可以檢測焊接擾動(dòng)和缺陷。Gao等人將MOI方法與PCA和SVM算法相結合，以建立識別模型來(lái)檢測焊縫裂紋。這種組合方法可以有效地提取焊縫裂紋特征，提高檢測精度。圖13顯示了缺陷的實(shí)際樣本及其對應的磁光圖像。
圖13 MOI檢測到未焊透、裂紋和凹陷等焊縫缺陷。
4.5.模擬驗證
激光焊接數值模擬模型有助于揭示焊接區的復雜現象，以便更好地理解和控制焊接過(guò)程。圖14通過(guò)直接將仿真結果與實(shí)驗圖像進(jìn)行比較，證明了仿真模型的有效性。數值技術(shù)也是識別關(guān)鍵工藝參數和減少可能的焊接缺陷的有用工具。監測焊接過(guò)程可以提供大量可靠的數據，以提高模型精度并驗證模型可靠性。模擬和實(shí)驗中獲得的蒸發(fā)速率顯示出良好的相關(guān)性。Abederrazak等人利用實(shí)驗和有限體積法（FVM）研究了熔池動(dòng)態(tài)形成過(guò)程中的熱現象。Zhao等人基于有限元法建立了焊接溫度場(chǎng)模型，以探索工藝參數、界面溫度和焊縫微觀(guān)結構之間的關(guān)系。
圖14 焊接試驗和數值模擬的比較結果：（a）和（e）情況一：部分熔透，（b）和（f）情況二：全熔透，（c）情況三：全熔深。
仿真結果和實(shí)驗數據表明，測點(diǎn)的溫度歷史具有相似的趨勢，這證明了模型的有效性。Kazemi等人應用改進(jìn)的熱源模型來(lái)預測焊縫的橫截面數據，預測結果與實(shí)驗結果幾乎相同。在激光焊接過(guò)程中，小孔的周期性振動(dòng)導致焊縫產(chǎn)生難以直接觀(guān)察的氣孔缺陷。Pang等人提出了由小孔不穩定性引起的氣孔缺陷的定量模型，以研究熔池動(dòng)力學(xué)和氣孔形成過(guò)程。通過(guò)與實(shí)驗結果的比較，模擬的小孔深度波動(dòng)可以反映小孔數量和平均孔徑的變化趨勢。
基于多時(shí)間尺度多相模型，系統研究了金屬蒸汽羽流的動(dòng)力學(xué)行為和復雜機制。從理論上預測了不同工藝參數下蒸汽羽流溫度、壓力、速度等的動(dòng)態(tài)變化。Zhang建立了一個(gè)三維數值模型，并結合射線(xiàn)追蹤算法，以探索小孔、熔池和羽流的瞬態(tài)動(dòng)力學(xué)行為。焊縫橫截面形狀的模擬結果與實(shí)驗結果吻合良好。Wu等人利用實(shí)驗結果改進(jìn)了熔池表面的分析模型。實(shí)驗中測量了熔池表面的三維形貌數據，以校準由模擬模型計算的熔池尺寸和形狀。校準的分析模型將提供熔池邊界和熔深數據，以控制焊接參數。
等離子弧焊縫在250 A等離子電流（噴嘴直徑：7 mm）下的不對稱(chēng)咬邊形成。（a）–（d）：焊縫金屬流動(dòng)的連續CCD攝像機圖像。（e）：等離子弧焊縫的橫截面。
4.6.過(guò)程控制
根據焊接過(guò)程的在線(xiàn)監測信息，可以進(jìn)行實(shí)時(shí)調整措施，以確保焊接過(guò)程的穩定性，即確保焊接產(chǎn)品的焊接質(zhì)量。從監測信號的采集到調整信號的發(fā)送有一個(gè)短暫的延遲，主要是信號處理和分析需要一些時(shí)間，因此調整有一個(gè)滯后。然而，隨著(zhù)技術(shù)的進(jìn)步，用于數據處理的時(shí)間越來(lái)越少，這使得焊接過(guò)程的實(shí)時(shí)反饋控制成為可能。這種監控調整方法使焊接過(guò)程更加穩定，提高了焊接效率和產(chǎn)品質(zhì)量。Hofman等人開(kāi)發(fā)了一種基于CMOS攝像機和軟件算法的控制系統，用于調整激光功率，以在焊接過(guò)程中保持熔池寬度的穩定性，該系統可在一秒內補償干擾。Craeghs等人設計了一個(gè)實(shí)時(shí)監測和控制系統，以連續觀(guān)察熔池輻射。通過(guò)分析光電二極管和CMOS攝像機的信號，實(shí)時(shí)控制回路可以對焊接工藝參數提供有效的反饋控制。
基于實(shí)驗和理論研究，Mrna等人提出并實(shí)施了一種反饋控制方法，以調整激光焊接過(guò)程，該方法可以快速優(yōu)化和控制激光束的焦點(diǎn)。建立了一個(gè)有效的閉環(huán)控制系統，通過(guò)監測不同實(shí)驗條件下的等離子體電子溫度，可以實(shí)時(shí)調整激光功率，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饋比例積分微分（PID）算法建立了焊縫熔深監測系統，該系統將焊縫熔深與母材電流相關(guān)聯(lián)。
實(shí)驗結果驗證了該方法的有效性。熟練的焊工可以根據對熔池的觀(guān)察來(lái)估計和控制焊縫的形狀，以獲得良好的焊接產(chǎn)品。Liu等人對焊工的焊接工藝進(jìn)行了深入研究，以建立更智能、更先進(jìn)的控制系統，控制焊縫熔深。采用自適應神經(jīng)模糊推理系統（ANFIS）對熟練焊工的焊接過(guò)程進(jìn)行了仿真。采用三維視覺(jué)傳感系統作為智能焊接系統的眼睛，實(shí)時(shí)測量熔池的特征參數。焊接實(shí)驗證明，所開(kāi)發(fā)的控制系統能夠在各種擾動(dòng)和初始條件下有效地實(shí)現理想的焊接熔深。
5.潛在的研究問(wèn)題和挑戰
智能激光焊接技術(shù)可以進(jìn)一步提高焊接效率和焊接質(zhì)量，是智能制造的重要組成部分。在智能制造的大數據制造環(huán)境中，智能監控系統就像質(zhì)檢人員一樣，實(shí)時(shí)監控和調整焊接狀態(tài)。未來(lái)智能監測的潛在研究重點(diǎn)應集中在三個(gè)方面：多焊接信號的智能采集平臺、信號的深度分析與融合、焊接參數的反饋控制。也就是說(shuō)，焊接監控的整個(gè)過(guò)程（獲取信號、分析信號、實(shí)現監控目標）將更加人性化。
不同焊接狀態(tài)下的相關(guān)系數。
5.1.多焊接信號采集平臺
多傳感器平臺就像工人的感覺(jué)系統，可以同時(shí)采集多個(gè)信號。然而，傳感器數量的增加將導致諸如難以同時(shí)控制多個(gè)傳感器的問(wèn)題。此外，傳感器可能受到許多不確定性的影響。多信號采集系統應更加智能化，能夠有效地協(xié)調多個(gè)傳感器，并具有一定的減少環(huán)境干擾的能力。
從五種傳感器獲得的原始數據。
5.2.多源焊接數據深度分析和融合
數據融合技術(shù)已廣泛應用于多傳感器環(huán)境，可以同時(shí)處理和分析來(lái)自不同傳感器的數據。就像人腦一樣，來(lái)自傳感系統的多源數據可以快速準確地分析。有許多問(wèn)題使得深度數據融合成為一項具有挑戰性的任務(wù)。這些問(wèn)題大多來(lái)自待融合的數據、傳感器技術(shù)的不完善性和多樣性以及應用環(huán)境的性質(zhì)。焊接過(guò)程中會(huì )產(chǎn)生多種信號，如光、電、聲和熱。很難融合這些不同類(lèi)型的數據。此外，不同類(lèi)型傳感器的信號采集也增加了信號融合的難度，因為獲得的多個(gè)信號具有不同的特征。此外，通過(guò)多保真度代理模型和深度數據挖掘將仿真數據與實(shí)際傳感器信息相結合，以獲得更深入的信息，是很有希望的。
5.3.焊接參數反饋控制
焊接參數的動(dòng)態(tài)調整可以有效地處理焊接過(guò)程中的不確定性因素，有利于焊接質(zhì)量的穩定。焊接參數的實(shí)時(shí)控制也有助于減少焊接缺陷的發(fā)生。近年來(lái)，對反饋控制系統和自適應過(guò)程的興趣增加。融合的實(shí)時(shí)監控信號用于反饋控制工藝參數（例如，激光功率、焊接速度、聚焦、進(jìn)給速率）。反饋控制方法對于確保焊縫質(zhì)量至關(guān)重要，因為它們可以對焊接過(guò)程中的動(dòng)態(tài)波動(dòng)作出反應。然而，隨著(zhù)焊接設備的不斷改進(jìn)，焊接功率等工藝參數將越來(lái)越高，焊接速度將越來(lái)越快，這就需要一個(gè)響應速度更快、適應性更強的控制系統。人性化和智能化的過(guò)程控制技術(shù)是進(jìn)一步提高焊接質(zhì)量的關(guān)鍵。
基于多傳感器的測量系統的實(shí)驗設置。
6.結論
本文詳細回顧了傳感器、新設備和基于人工智能的焊接質(zhì)量實(shí)時(shí)監測方法的發(fā)展和研究。首先，介紹了焊接監控過(guò)程。在線(xiàn)監測技術(shù)是最理想的實(shí)時(shí)監測方法。因為在過(guò)程中階段獲得的監控信息可用于實(shí)時(shí)調整焊接質(zhì)量。然后，對各種監測設備進(jìn)行了分類(lèi)和評述。視覺(jué)傳感器被廣泛使用，因為它們可以提供更完整的空間信息視圖。ICI監測方法可以獲得實(shí)時(shí)的小孔深度數據，這是判斷焊縫熔深的重要監測信息。為了彌補單傳感器在性能上的不足，多傳感器監測技術(shù)越來(lái)越成熟，是研究人員最常用的監測方法。最后，總結了基于人工智能的焊接監控方法。人工智能技術(shù)是當前的研究熱點(diǎn)，尤其是深度學(xué)習。它在數據處理和挖掘方面具有巨大潛力，可以幫助實(shí)現各種監測目標。因此，開(kāi)發(fā)智能質(zhì)量評估系統是最有趣和最具挑戰性的領(lǐng)域。
來(lái)源：Application of sensing techniques and artificial intelligence-based methods to laser welding real-time monitoring: A critical review of recent literature, Journal of Manufacturing Systems,doi.org/10.1016/j.jmsy.2020.07.021
參考文獻：J. Stavridis, A. Papacharalampopoulos, P. Stavropoulos, Quality assessment in laser welding: a critical review, Int J Adv Manuf Technol, 94 (2017), pp. 1825-1847, 10.1007/s00170-017-0461-4
長(cháng)三角G60激光聯(lián)盟陳長(cháng)軍原創(chuàng )作品!
