激光焊接的数字描述与监控.docx

激光焊接——尤其是大功率激光焊接——已广泛应用于汽车制造、航天制造、造船等行业。崩裂、驼峰和咬边等典型焊接缺陷大大降低了接头的强度，限制了焊接效率。

激光焊接过程中，激光束能量密度较高。经激光束照射，焊接母材可迅速升温，从固态转变到液态并被剧烈汽化。

液态金属因汽化而产生反冲压力，同时，熔池内部因温度不均引起的马尔格尼力、材料的重力和自身产生的浮力等综合作用，最终在激光束下方形成匙孔。匙孔使得激光束在匙孔内部形成多重反射，提高了材料对激光能量的吸收效率。

金属蒸汽由一定尺度的颗粒组成，从匙孔中溢出后，堆积在激光束下方。金属蒸汽使激光束散射，并吸收部分激光能量。这造成到达匙孔中的激光束的能量发生变化。能量变化引发熔池中的受力发生变化，大尺度液态金属会飞溅着脱离熔池。金属飞溅从熔池中带走一定动能，使熔池和匙孔的形态发生变化。

由此可见，匙孔、金属蒸汽和飞溅是焊接过程中最重要的现象，与焊接缺陷的产生密切相关。借助它们的实时特征来描述激光焊接状态，可实现对于激光焊接过程的实时监控及焊接质量预测。

广东工业大学教授团队开发了一种集辅助激光视觉成像系统、紫外/可见波段视觉成像系统、光谱测量仪、光电传感器的多传感器系统。该系统可以获取激光焊接过程中熔池、匙孔及金属蒸汽的信息。

???激光焊接在线监控多传感信号系统

光电传感器可搜集到可见光波段传感信号和激光反射传感信号。研究团队采用小波包分解方法对这些信号进行分解，并提取相关特征。同时，使用光谱仪采集到的光谱信号将被分割为多个子频带，根据统计分析提取各子频带的光谱信号特征。

紫外/可见波段视觉成像系统可采集图像以获取金属蒸汽和飞溅的特征，辅助激光视觉传感器系统则可采集匙孔特征。

该团队基于上述焊接过程提取的关于熔池、匙孔和金属蒸汽的实时量化特征，建立了焊接状态监测的深度信念网络，并采用遗传算法对该模型相关参数进行优化。

与传统的反向传播神经网络(BPNN)模型相比，所建立的DBN模型在焊接状态监测方面具有更高的精度、鲁棒性和泛化能力。