CN114723738A - 一种精密焊接显微监控方法及*** - Google Patents
一种精密焊接显微监控方法及*** Download PDFInfo
- Publication number
- CN114723738A CN114723738A CN202210495743.5A CN202210495743A CN114723738A CN 114723738 A CN114723738 A CN 114723738A CN 202210495743 A CN202210495743 A CN 202210495743A CN 114723738 A CN114723738 A CN 114723738A
- Authority
- CN
- China
- Prior art keywords
- molten pool
- welding
- microscopic
- monitoring
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 101
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004438 eyesight Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 230000000877 morphologic effect Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 3
- 101000713575 Homo sapiens Tubulin beta-3 chain Proteins 0.000 claims description 3
- 101000713585 Homo sapiens Tubulin beta-4A chain Proteins 0.000 claims description 3
- 101000642811 Oryza sativa subsp. indica Soluble starch synthase 1, chloroplastic/amyloplastic Proteins 0.000 claims description 3
- 102100036788 Tubulin beta-4A chain Human genes 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 230000001681 protective effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 229910052751 metal Inorganic materials 0.000 abstract description 12
- 239000002184 metal Substances 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 4
- 229910001338 liquidmetal Inorganic materials 0.000 abstract description 3
- 238000007789 sealing Methods 0.000 abstract description 3
- 230000003321 amplification Effects 0.000 abstract description 2
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 2
- 230000001052 transient effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K10/00—Welding or cutting by means of a plasma
- B23K10/02—Plasma welding
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4086—Coordinate conversions; Other special calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种精密焊接显微监控方法及***,属于智能焊接制造技术领域。本发明针对目前工业中的精密焊接过程监测,由于其严重依赖于人的肉眼借助光学显微放大装置对焊接熔池进行长时间连续观测,存在检测效率低、劳动强度高以及无法记录和追溯制造过程信息的问题。采用大景深显微视觉传感***获取连续焊接过程中高清动态熔池放大图像,呈现熔池液体金属流动特征、接缝间隙等局部细节,可用于操作反馈、焊工培训和工艺优化;在此基础上利用基于目标检测和语义分割的图像处理算法提取熔池瞬态形态特征,并对特征参数进行时间序列异常状态监测。本发明可应用于航空航天、能源动力装备等领域中的金属蓄能器、金属密封元件和特种阀门等薄壁金属结构的精密焊接监测。
Description
技术领域
本发明属于智能焊接制造技术领域。涉及一种精密焊接显微监控方法及***,可广泛应用于能源装备制造等领域的薄壁金属结构的精密焊接制造。
背景技术
航空航天、军用武器、核工业、医疗器械和生物医学等高端精密装备制造领域对薄壁和超薄壁金属构件的需求量巨大,如金属蓄能器,金属密封元件和特种阀门等敏感元件。薄壁和超薄壁金属构件广泛采用微束等离子焊接、钨极氩弧焊、激光焊等精密焊接技术作为关键制造工艺,这些精密焊接过程由于熔池微小,且对热力条件变化极其敏感,给焊接过程监测和控制均带来了极大的困难。在实际焊接生产中,操作人员主要通过肉眼在显微镜下观测焊接熔池区域,并根据经验对焊接过程中所观察到的变化做出补偿,长时间持续作业的劳动强度远大于常规焊接,且对眼力、耐力、反应速度、技艺和经验等方面同时具有极高的要求。因此,开发稳定有效的熔池监测技术对于保障薄壁金属精密构件产品焊接质量、提高焊接一次合格率与生产效率、缩减操作成本等均具有重要意义。
经对现有技术文献和专利检索发现,专利申请号为CN201711243863.1的中国发明专利《一种薄壁环缝端接质量在线监测与缺陷定位***及方法》公开了一种薄壁环缝端接质量在线监测与缺陷定位***及方法。该发明采用熔池显微视觉传感***和图像采集设备获取端接环缝焊接熔池图像序列,利用旋转编码器同步获取工件旋转角位移信息,基于图像处理技术提取熔池宽度与形心并对其动态变化进行在线监测。专利申请号为CN201711240303.0的中国发明专利《基于熔池动态特征的端缝焊接未熔合缺欠实时检测方法》公开了一种基于熔池动态特征的端缝焊接未熔合缺欠实时检测方法,该发明针对薄壁端接接头精密焊接过程,旨在实现对因工件母体结构缺欠、焊偏、热输入和散热条件变化等导致的焊缝未熔合缺欠的实时检测,利用视觉传感技术采集焊接过程中熔池瞬态高分辨率图像,采用数字图像处理方法识别熔池特征区域形心位置,通过监测熔池特征区域形心位置在焊接过程中的动态细微跳变实现端缝焊接未熔合缺陷的实时检测。专利申请号为CN201911420902.X的中国发明专利《焊接监测装置及焊接监测***》公开了一种焊接监测装置及焊接监测***,属于焊接控制技术领域。该焊接监测装置包括:数据采集模块、报警模块、存储模块和控制模块。焊接监测***包括:远程监测终端、以及一个或多个焊接监测装置。数据采集模块、报警模块和存储模块分别与控制模块电连接。一个或多个焊接监测装置与一个或多个焊接机一一对应。
综上所述,现有公开技术未涉及精密焊接熔池与接头间隙几何特征的实时同步提取以及异常监测。目前也尚未见基于熔池主动显微视觉传感与语义分割的精密焊接监控技术公开报道。
发明内容
本发明的目的在于克服现有技术的不足,提出一种精密焊接显微监控方法及***,以实现在端接焊缝精密焊接过程中对熔池进行监测,为了实现上述目的,本发明采取以下技术方案:
一种精密焊接显微监控方法及***,其特征在于所述方法包括如下步骤:
1)以焊枪的中心轴线为法线,采用大功率红外点光源激光器从所述法线的一侧以一固定入射角照射工件表面的待焊接区域,采用大景深显微视觉传感***从所述法线的另一侧以一固定反射角观测焊接区域;
2)焊接开始后,所述大景深显微视觉传感***连续拍摄精密焊接的动态微小熔池,获得熔池显微图像,并在焊接过程中进行自动追焦;
3)在图像处理单元中采用基于目标检测和语义分割的熔池显微图像处理算法,检测出熔池轮廓,提取熔池轮廓形态特征参数;采用接头间隙宽度检测算法检测熔池前沿的接头间隙最大宽度值;
4)在嵌入式处理单元中采用时间序列异常监测算法对所述熔池轮廓形态特征参数和所述接头间隙最大宽度值进行异常状态监测;
5)根据所述异常状态监测的结果,通过预警软件程序实现异常状态预警;设备控制单元根据是否出现异常状态预警,执行相应动作。
上述技术方案中,步骤1)中所述焊枪采用透明材质的保护气罩,最大程度减少焊枪端部对所述大景深显微视觉传感***拍摄熔池的遮挡。
上述技术方案中,步骤1)中所述大功率红外点光源激光器采用波长不低于808nm、功率不低于40W的激光器作为主动光源。
上述技术方案中,步骤1)中所述大景深显微视觉传感***包括光学放大镜组、成像单元、图像高速采集模块、冷却装置;所述大景深显微视觉传感***的光学放大倍率范围为1X-25X,景深不小于0.6mm,采集512像素×512像素图像的最大帧率不低于100帧每秒。
上述技术方案中,步骤3)中所述目标检测采用基于通道和空间双注意力机制的yolox模型,所述yolox模型在第一层和第二层加强特征提取网络后以及上采样网络层后添加了CBAM(通道注意力机制和空间注意力机制相结合的双注意力机制)。
上述技术方案中,所述yolox模型的训练步骤包括:首先获取训练样本集;对所述训练样本集进行标注,得到标注数据;在训练网络中将初始学习率设置为0.001,初始梯度系数设置为0.9,将所述训练样本集输入至yolox网络中进行训练,在训练的过程中通过Adam优化算法在每一次训练后对这些参数进行自动调优;
上述技术方案中,步骤3)中所述语义分割采用基于通道和空间双注意力机制的u-2-net模型,所述u-2-net模型在解码部分的第二层,第三层,第四层,第五层加强特征提取网络上添加了CBAM。
上述技术方案中,所述u-2-net模型的训练步骤包括:首先获取训练样本集;对所述训练样本集进行标注,得到标注数据;在训练网络中将初始学习率设置为0.001,初始梯度系数设置为0.999,分母里的项eps设置为e-8,权重衰减设置为0,将所述训练样本集输入至u-2-net网络中进行训练,在训练的过程中通过Adam优化算法在每一次训练后对这些参数进行自动调优。
上述技术方案中,步骤3)中所述熔池轮廓形态特征参数至少包括熔池宽度,熔池长度、熔池轮廓面积、熔池灰度质心位置。
上述技术方案中,步骤3)中所述接头间隙宽度检测算法步骤包括:S1:利用所述yolox算法提取出熔池区域和熔池前沿接头间隙区域;S2:对所述熔池前沿接头间隙区域进行阈值分割;S3:利用sobel算子进行图像边缘检测;S4:利用腐蚀算法进行图像腐蚀运算;S5:利用距离测量算法测量熔池前沿的接头间隙最大宽度值。
上述技术方案中,步骤4)中所述时间序列异常监测算法采用孤立森林算法训练异常监测模型,训练步骤包括:SS1:创建一个模型变量,并实例化孤立森林类;SS2:对定义后的模型调用fit()函数,从所述熔池轮廓形态特征参数和所述接头间隙最大宽度值中随机选择a个样本点作为子样本,放入树的根节点;SS3:随机指定一个维度,在当前节点数据中随机产生一个切割点p;SS4:以切割点p生成了一个超平面,然后将当前节点数据空间划分为若干子空间;SS5:在子节点中递归步骤SS3和SS4,不断构造新的子节点,直到子节点中只有一个数据或子节点已到达限定高度,则训练结束。
上述技术方案中,步骤4)中所述时间序列异常监测算法步骤包括:SSS1:对训练后的所述异常监测模型调用predict()函数,并将所述熔池轮廓形态特征参数和所述接头间隙最大宽度值作为所述predict()函数的输入参数,在所述predict()函数中调用decision_function()函数,计算得到异常列的值,将异常列中的正常数据和异常数据进行标注。SSS2:输出异常熔池轮廓形态特征参数和异常接头间隙最大宽度值。
本发明具有以下优点及突出性的技术效果:采用大景深显微视觉传感***获取连续焊接过程中高清动态熔池区域放大图像,呈现熔池液体金属流动、接缝间隙等局部细节,可用于操作反馈、焊工培训和工艺优化;在此基础上利用基于目标检测和语义分割的图像处理算法提取熔池瞬态形态特征,并对特征参数进行时间序列异常监测。本发明可应用于航空航天、能源动力装备等领域金属蓄能器、金属密封元件和特种阀门等薄壁金属结构的精密焊接过程监测。
附图说明
图1是实现本发明所述方法的监控***实施例的结构示意图;
图中:1—微束等离子焊接电源;2—旋转装置控制器;3—熔池图像采集设备;4—工控机;5—电气控制***;6—焊接工装旋转装置;7—焊件;8—微束等离子焊枪;9—大景深显微视觉传感***;10—工业显示屏;11—大功率红外点光源激光器。
图2是本发明精密焊接显微监控方法的流程示意图;
图3是本发明实施例中熔池图像定位与分割算法流程图;
图4是本发明实施例中接头间隙宽度检测算法流程图;
图5是本发明实施例中孤立森林算法训练步骤流程图;
图6是本发明实施例中孤立森林算法预测步骤流程图;
图7是本发明实施例中精密焊接熔池目标跟踪示意图;
图中:12—微束等离子焊接熔池;13—熔池前沿的接头间隙。
图8是本发明实施例中端接焊缝示意图;
图中:14—焊件夹具;15—端接焊缝。
具体实施方式
下面结合附图和实施例对本发明原理和工作过程做进一步详细说明。
图1所示为实现本发明所述方法的监控***实施例的结构示意图,该***包括微束等离子焊接电源1、旋转装置控制器2、熔池图像采集设备3、工控机4、电气控制***5、焊接工装旋转装置6、焊件7、微束等离子焊枪8、大景深显微视觉传感***9、工业显示屏10、大功率红外点光源激光器11;所述微束等离子焊枪8通过焊接电缆连接所述微束等离子焊接电源1的负极,所述微束等离子焊接电源1的正极通过焊接电缆与所述焊接工装旋转装置6相连接;所述微束等离子焊接电源1通过控制线与所述旋转装置控制器2相连接;所述焊件7夹紧固定在所述焊接工装旋转装置6上;所述旋转装置控制器2通过控制线与所述焊接工装旋转装置6相连接;所述大景深显微视觉传感***9通过信号线连接所述熔池图像采集设备3,所述熔池图像采集设备3通过信号线连接所述工控机4,所述工控机4通过控制线与所述电气控制***5相连接以及与所述工业显示屏10相连接,所述电气控制***5通过控制线分别与所述旋转装置控制器2和所述大景深显微视觉传感***9中的工业相机相连接;所述电气控制***5采用PLC、单片机或嵌入式***,通过软件编程实现与所述工控机4、所述旋转装置控制器2和所述大景深显微视觉传感***9的通信和控制;本实施例中,所述微束等离子焊枪8采用透明材质的保护气罩,以最大程度减少焊枪端部对所述大景深显微视觉传感***拍摄熔池的遮挡;所述大功率红外点光源激光器11采用波长不低于808nm、功率不低于40W的激光器;所述大景深显微视觉传感***9包括光学放大镜组、成像单元、图像高速采集模块、冷却装置;所述大景深显微视觉传感***9的光学放大倍率范围为1X-6X,景深不小于0.6mm,采集512像素×512像素图像的最大帧率不低于100帧每秒。
图2所示为本发明精密焊接显微监控方法的流程示意图,包括以下几个步骤:
1)采用所述焊件夹具14将所述焊件7夹紧固定在所述焊接工装旋转装置6上,调整所述微束等离子焊枪8至待焊位置并以固定姿态对准如图8所示所述端接焊缝15的中心,并且以所述微束等离子焊枪8的中心轴线为法线,采用所述大功率红外点光源激光器11从所述法线的一侧以一固定入射角照射所述焊件7表面的待焊接区域,采用所述大景深显微视觉传感***9从所述法线的另一侧以一固定反射角观测焊接区域;本实施例中,在工业显示屏10的人机交互界面中进行预警软件程序的阈值设置。
2)采用所述工控机4发送指令至所述电气控制***5,由所述电气控制***5发送指令至所述旋转装置控制器2,由所述旋转装置控制器2触发所述微束等离子焊接电源1起弧开始焊接,由所述旋转装置控制器2控制所述焊接工装旋转装置6开始旋转,所述微束等离子焊枪8在焊接过程中保持固定位置和姿态,所述焊件7随所述焊接工装旋转装置6旋转;由所述电气控制***5触发所述大景深显微视觉传感***9使检测开始,所述大景深显微视觉传感***9从焊接熔池后方拍摄熔池区域,获得熔池显微图像,并在焊接过程中进行自动追焦。
3)采用所述熔池图像采集设备3实时采集连续焊接过程中呈现熔池液体金属流动特征、接缝间隙等局部细节的高清动态熔池放大图像,传输至所述工控机4进行存储。
图3所示为本发明实施例中熔池图像定位与分割算法流程图,包括以下4)和5)2个步骤:
4)在所述工控机4中利用yolox算法对熔池区域和熔池前沿接头间隙区域进行提取如图7所示并实时存储在工控机中。其实现的详细步骤为:首先通过CSPDarknet主干特征提取网络对输入的数据集进行特征提取,然后利用加了通道和空间双注意力机制的加强特征提取网络对主干部分获得的三个有效特征层进行特征融合,还会对特征再次进行下采样实现特征融合。最后利用Yolo Head分类器与回归器对特征点进行判断,判断特征点是否有物体与其对应,最后结果如图7所示。
5)在所述工控机4中利用u-2-net语义分割算法对熔池图像进行分割,检测出熔池轮廓,并提取熔宽,熔长和熔池轮廓面积以及熔池尾部轮廓角角度的熔池轮廓形态特征参数并实时存储在工控机中。本实施例中,将输入图像的大小调整为320×320,并将其送入网络以获得特征图,然后对特征图上的像素点进行概率分析以此来确定特征图上的各区域的类别,实现对熔池图像的分割。本实施例中,在u-2-net语义分割模型的训练过程中,首先将每张图像的大小调整到320×320,然后随机垂直翻转并裁剪到288×288,使用ADAM优化器训练u-2-net网络,其超参数设置为默认值,即初始学习率LR=0.001,β=0.999,eps=1e-8,权重衰减=0,训练网络直到损失收敛。
6)采用接头间隙宽度检测算法检测熔池前沿接头间隙宽度。其实施细节如图4所示:S1:利用步骤4)所述yolox算法提取出熔池区域和熔池前沿接头间隙区域。S2:对待处理的熔池前沿接头间隙区域进行阈值分割,本实施例中,将阈值设置为113。S3:利用sobel算子对阈值分割后的图像进行边缘检测。S4:利用腐蚀算法对边缘检测好的图像进行腐蚀处理,本实施例中,将卷积核设置为(2,2)。S5:利用距离测量算法测量出熔池前沿接头间隙宽度。
7)在所述工控机4中通过孤立森林算法对所述熔池轮廓形态特征参数和所述接头间隙最大宽度值进行异常状态监测。其模型训练步骤实施细节如图5所示:SS1:创建一个模型变量,并实例化孤立森林类,本实施例中,将评估器数量设置为120;最大样本设置为500;最大特征设置为1;阈值设置为5。SS2:对定义后的模型调用fit()函数,从所述熔池轮廓形态特征参数和所述接头间隙最大宽度值中随机选择a个点样本点作为子样本,放入树的根节点。SS3:随机指定一个维度,在当前节点数据中随机产生一个切割点p。SS4:以切割点p生成了一个超平面,然后将当前节点数据空间划分为2个子空间。SS5:在子节点中递归步骤SS3和SS4,不断构造新的子节点,直到子节点中只有一个数据或子节点已到达限定高度,则训练结束。
8)在所述工控机4中通过孤立森林算法对所述熔池轮廓形态特征参数和所述接头间隙最大宽度值进行异常状态监测。本实施例中,其预测步骤实施细节如图6所示:SSS1:对训练后的所述异常监测模型调用predict()函数,并将所述熔池轮廓形态特征参数和所述接头间隙最大宽度值作为所述predict()函数的输入参数,在所述predict()函数中调用decision_function()函数,计算得到异常列的值,将异常列中的正常数据标注为1,异常数据标注为-1。SSS2:输出异常熔池轮廓形态特征参数和异常接头间隙最大宽度值。
9)本实施例中,由预警软件程序校验所述异常熔池轮廓形态特征参数和所述异常接头间隙最大宽度值是否超出所述阈值设置,若超出则通过预警软件程序实现在所述工业显示屏10上进行异常状态预警。
10)所述工控机4发送指令至所述电气控制***5,由所述电气控制***5发送指令至所述旋转装置控制器2,由所述旋转装置控制器2控制所述焊接工装旋转装置6停止旋转;由所述电气控制***5控制所述大景深显微视觉传感***9停止拍摄。
11)由所述工控机4判断所有图像是否已全部检测完,若全部图像已全部检测完,则结束监测,否则重复步骤4)至步骤11)。
Claims (10)
1.一种精密焊接显微监控方法及***,其特征在于所述方法包括如下步骤:
1)以焊枪的中心轴线为法线,采用大功率红外点光源激光器从所述法线的一侧以一固定入射角照射工件表面的待焊接区域,采用大景深显微视觉传感***从所述法线的另一侧以一固定反射角观测焊接区域;
2)焊接开始后,所述大景深显微视觉传感***连续拍摄精密焊接的动态微小熔池,获得熔池显微图像,并在焊接过程中进行自动追焦;
3)在图像处理单元中采用基于目标检测和语义分割的熔池显微图像处理算法,检测出熔池区域和熔池前沿接头间隙区域,提取熔池轮廓形态特征参数;采用接头间隙宽度检测算法检测熔池前沿的接头间隙最大宽度值;
4)在嵌入式处理单元中采用时间序列异常监测算法对所述熔池轮廓形态特征参数和所述接头间隙最大宽度值进行异常状态监测;
5)根据所述异常状态监测的结果,通过预警软件程序判断是否进行异常状态预警;设备控制单元根据是否出现异常状态预警,执行相应动作。
2.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤1)中所述焊枪采用透明材质的保护气罩,以最大程度减少焊枪端部对所述大景深显微视觉传感***拍摄熔池的遮挡。
3.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤1)中所述大功率红外点光源激光器采用波长不低于808nm、功率不低于40W的激光器。
4.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤1)中所述大景深显微视觉传感***包括光学放大镜组、成像单元、图像高速采集模块、冷却装置;所述大景深显微视觉传感***的光学放大倍率范围为1X-6X,景深不小于0.6mm,采集512像素×512像素图像的最大帧率不低于100帧每秒。
5.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤3)中所述目标检测采用基于通道和空间双注意力机制的yolox模型,所述yolox模型在第一层和第二层加强特征提取网络层后以及上采样网络层后添加了CBAM(通道注意力机制和空间注意力机制相结合的双注意力机制)。
6.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤3)中所述语义分割采用基于通道和空间双注意力机制的u-2-net模型,所述u-2-net模型在解码部分的第二层,第三层,第四层,第五层加强特征提取网络层后添加了CBAM。
7.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤3)中所述熔池轮廓形态特征参数至少包括熔池宽度、熔池长度、熔池轮廓面积、熔池灰度质心位置。
8.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤3)中所述接头间隙宽度检测算法步骤包括:S1:利用所述yolox算法提取出熔池区域和熔池前沿接头间隙区域;S2:对所述熔池前沿接头间隙区域进行阈值分割;S3:利用sobel算子进行图像边缘检测;S4:利用腐蚀算法进行图像腐蚀运算;S5:利用距离测量算法测量熔池前沿的接头间隙最大宽度值。
9.根据权利要求1所述的一种精密焊接显微监控方法及***,其特征在于:步骤4)中所述时间序列异常监测算法采用孤立森林算法训练异常监测模型,训练步骤包括:SS1:创建一个模型变量,并实例化孤立森林类;SS2:对定义后的模型调用fit()函数,从所述熔池轮廓形态特征参数和所述接头间隙最大宽度值中随机选择a个样本点作为子样本,放入树的根节点;SS3:随机指定一个维度,在当前节点数据中随机产生一个切割点p;SS4:以切割点p生成了一个超平面,然后将当前节点数据空间划分为若干子空间;SS5:在子节点中递归步骤SS3和SS4,不断构造新的子节点,直到子节点中只有一个数据或子节点已到达限定高度,则训练结束。
10.根据权利要求1或9所述的一种精密焊接显微监控方法及***,其特征在于:步骤4)中所述时间序列异常监测算法步骤包括:SSS1:对训练后的所述异常监测模型调用predict()函数,并将所述熔池轮廓形态特征参数和所述接头间隙最大宽度值作为所述predict()函数的输入参数,在所述predict()函数中调用decision_function()函数,计算得到异常列的值,将异常列中的正常数据和异常数据进行标注。SSS2:输出异常熔池轮廓形态特征参数和异常接头间隙最大宽度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495743.5A CN114723738A (zh) | 2022-05-06 | 2022-05-06 | 一种精密焊接显微监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495743.5A CN114723738A (zh) | 2022-05-06 | 2022-05-06 | 一种精密焊接显微监控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723738A true CN114723738A (zh) | 2022-07-08 |
Family
ID=82232228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210495743.5A Pending CN114723738A (zh) | 2022-05-06 | 2022-05-06 | 一种精密焊接显微监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723738A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898125A (zh) * | 2022-07-14 | 2022-08-12 | 武汉东沃慧达科技有限公司 | 基于光场成像技术的轮轴识别方法、***及存储介质 |
CN114888408A (zh) * | 2022-05-06 | 2022-08-12 | 中国计量大学 | 一种航天运载器贮箱焊接熔透智能控制***及方法 |
CN116748683A (zh) * | 2023-08-23 | 2023-09-15 | 布柯玛蓄能器张家口有限公司 | 一种隔膜式蓄能器壳体的激光焊接生产工艺 |
CN117392178A (zh) * | 2023-12-08 | 2024-01-12 | 武汉纺织大学 | 一种铺粉增材制造过程熔池的运动特征提取方法及装置 |
-
2022
- 2022-05-06 CN CN202210495743.5A patent/CN114723738A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114888408A (zh) * | 2022-05-06 | 2022-08-12 | 中国计量大学 | 一种航天运载器贮箱焊接熔透智能控制***及方法 |
CN114888408B (zh) * | 2022-05-06 | 2024-05-10 | 中国计量大学 | 一种航天运载器贮箱焊接熔透智能控制***及方法 |
CN114898125A (zh) * | 2022-07-14 | 2022-08-12 | 武汉东沃慧达科技有限公司 | 基于光场成像技术的轮轴识别方法、***及存储介质 |
CN116748683A (zh) * | 2023-08-23 | 2023-09-15 | 布柯玛蓄能器张家口有限公司 | 一种隔膜式蓄能器壳体的激光焊接生产工艺 |
CN117392178A (zh) * | 2023-12-08 | 2024-01-12 | 武汉纺织大学 | 一种铺粉增材制造过程熔池的运动特征提取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723738A (zh) | 一种精密焊接显微监控方法及*** | |
CN109676135A (zh) | 一种激光增材制造视觉灰度值差异在线监测与缺陷修复装置 | |
CN108624880B (zh) | 一种激光熔覆质量智能控制***及其智能控制方法 | |
CN108340088A (zh) | 激光精密加工视觉在线监测方法及*** | |
CN111451604B (zh) | 一种gtaw电弧熔丝增材制造熄弧处补焊监测反馈方法及*** | |
CN113379740A (zh) | 基于穿孔熔池图像和深度学习的vppaw熔透原位实时监测*** | |
CN104014905A (zh) | Gtaw焊接过程中熔池三维形貌观测装置及方法 | |
Wang et al. | Monitoring of keyhole entrance and molten pool with quality analysis during adjustable ring mode laser welding | |
CN101118430A (zh) | 铝合金熔焊焊接过程的在线监测与工艺参数的优化方法 | |
CN114453708A (zh) | 一种铝合金焊接缺陷在线监测方法 | |
CN108067714B (zh) | 一种薄壁环缝端接质量在线监测与缺陷定位***及方法 | |
CN105478975B (zh) | 基于远心视觉传感的端接微束等离子焊接成形控制方法 | |
CN111061231B (zh) | 焊接装配间隙和错边前馈的熔池监控***及熔透监测方法 | |
CN114131141A (zh) | 一种大型结构件变位置焊接质量在线监测方法及*** | |
CN116597391B (zh) | 一种焊缝表面形貌和熔透状态同步在线监测方法 | |
CN112756783A (zh) | 一种激光焊接跟踪过程中焊接匙孔偏移量确定方法 | |
CN114406425A (zh) | 一种用于超薄金属精密焊接的焊缝跟踪方法 | |
Yu et al. | Monitoring of back bead penetration based on temperature sensing and deep learning | |
Gao et al. | Prediction of weld widths for laser-MIG hybrid welding using informer model | |
Abels et al. | Universal coaxial process control system for laser materials processing | |
Ye et al. | Weld seam tracking based on laser imaging binary image preprocessing | |
CN116038163A (zh) | 一种激光智能焊接***和方法 | |
KR20230118341A (ko) | 딥러닝을 이용한 아크 이미지 기반 용접 품질 검사 모델 생성 방법, 용접 품질 검사 모델 생성 장치 및 이를 이용한 아크 이미지 기반 용접 품질 모니터링 장치 | |
CN210281077U (zh) | 对窄间隙激光焊接焊偏状态的实时识别装置 | |
Guo et al. | Construction of welding quality intelligent judgment system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |