System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及焊接在线检测及智能控制,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。
技术介绍
1、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。
2、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
技术实现思路
1、本专利技术为克服现有技术的不足,本专利技术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,本专利技术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。
2、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。
3、本专利技术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,本专利技术提供了以下技术方案:
4、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;
5、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。
6、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:
7、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;
8、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;
9、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;
10、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;
11、步骤5:通过测试集检验模型的可靠性;
12、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。
13、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。
14、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。
15、优选地,介观检测信号的采集方法为:
16、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;
17、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;
18、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。
19、优选地,所述焊接稳定性最优模型获取具体为,
20、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。
21、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,最后通过对本文档来自技高网...
【技术保护点】
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;
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:
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:
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,
...【技术特征摘要】
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;
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:
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:
...
【专利技术属性】
技术研发人员:孙谦,徐富家,黄瑞生,李荣,邹吉鹏,梁晓梅,杨义成,
申请(专利权)人:中国机械总院集团哈尔滨焊接研究所有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。