CN115003451A - 监测焊道质量的方法、相关焊接站和计算机程序产品 - Google Patents

监测焊道质量的方法、相关焊接站和计算机程序产品 Download PDF

Info

Publication number
CN115003451A
CN115003451A CN202080094793.1A CN202080094793A CN115003451A CN 115003451 A CN115003451 A CN 115003451A CN 202080094793 A CN202080094793 A CN 202080094793A CN 115003451 A CN115003451 A CN 115003451A
Authority
CN
China
Prior art keywords
welding
classifier
sub
quality
region
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
Application number
CN202080094793.1A
Other languages
English (en)
Inventor
G·迪斯特凡诺
N·隆格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Comau SpA
Original Assignee
Comau SpA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Comau SpA filed Critical Comau SpA
Publication of CN115003451A publication Critical patent/CN115003451A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/034—Observing the temperature of the workpiece
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/204—Structure thereof, e.g. crystal structure
    • G01N33/2045—Defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/207—Welded or soldered joints; Solderability
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Plasma & Fusion (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Laser Beam Processing (AREA)
  • Pressure Welding/Diffusion-Bonding (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)
  • Lining Or Joining Of Plastics Or The Like (AREA)

Abstract

本文描述的是一种用于分析焊接区带中的焊道质量的方法。焊道借助于连续焊接操作生成，其中由具有对应焊接头的源发射的能量射束跟随焊接路径，从而熔化至少两个金属构件的材料。该方法包括：经由热感相机监测焊接区带，其中热感相机提供热图像（IMG），在热图像中给定区域对应于焊接区带；以及将该区域划分（300）成多个子区域，并且为每个子区域确定相应的温度（Ti）。在学习步骤期间，对于不同的焊接条件，监测每个子区域的温度演变（Ti（t））。在训练步骤期间，温度演变（Ti（t））被处理用于训练分类器（304）。为此目的，从每个温度演变（Ti（t））中提取（302）相应的冷却曲线，并且确定标识每个冷却曲线的形状的参数（F）。特别地，这些参数（F）被用作分类器（304）的输入特征。在正常焊接操作步骤（1006）期间，每个子区域（Ai）的温度演变（Ti（t））因此可以再次被监测，并且分类器（304）可以用于估计相应的焊接质量（S）。

Description

监测焊道质量的方法、相关焊接站和计算机程序产品
技术领域
本说明书的实施例涉及用于监测焊接质量的技术。
背景技术
图1示出了一个典型的工厂焊接站。
在所考虑的示例中，焊接用于沿着焊接路径联结两个或更多个金属构件M1和M2。例如，图1图示了一块设置在另一块的顶部上的两块板M1/M2，并且焊接应当沿着由x指示的方向的已知轨迹进行。
特别地，在所考虑的示例中，焊接借助于包括焊接头1的能量源来执行，所述能量源诸如用于电子射束焊接的电子源（EBW）或光子源，典型地是激光源。典型地，与所述源和/或焊接头1相关联的是控制电路，该控制电路被配置用于调节源和/或焊接头1的一个或多个参数，诸如由源发射的功率或者由焊接头发射的射束的聚焦等。
此外，焊接站包括至少一个致动器2，所述至少一个致动器2用于沿着焊接路径移动由焊接头1发射的射束。例如，这可以通过转动焊接头1和/或（如图1中图示的那样）通过使焊接头1相对于构件M1和M2移位和/或通过移动光链的至少一个轴来实现。例如，为此目的，图1示出了机器人臂2。因此，典型地，一个或多个致动器2还具有与之相关联的控制电路20，该控制电路20被配置用于驱动一个或多个致动器2，以便沿着焊接路径移动由焊接头1发射的射束。
因此，由源生成并且由焊接头1发射的电子射束或光子射束沿着焊接路径撞击顶部构件M1，并且在焊接区带SA中熔化构件M1和M2的材料，从而获得焊道。通常，金属构件M1和M2可以具有任何形状，并且对于金属构件M1和M2来说，在焊接区带SA中沿着焊接路径接触，即具有互补的形状就足够了。为此目的，典型地使用阻挡/夹紧部件，所述阻挡/夹紧部件被配置用于阻挡构件M1和M2，特别是在焊接区带SA中，从而以这样的方式保证构件M1和M2之间的适当接触。
更进一步地，构件M1和M2也可以由不同的材料制成。例如，当要生产电池，特别是用于电动车辆的电池时，通常就是这种情况。例如，为此目的，可以参考文献Nos.US 2015/0207127 A1和US 2017/0341144 A1或Das, A.；Li, D.；Williams, D.；Greenwood, D.的论文“Joining Technologies for Automotive Battery Systems Manufacturing”（WorldElectr. Veh. J.，2018年9月22日）。
例如，在这种情况下，焊接可以用于将第一接头片（tap）连接到母线和/或第二接头片。例如，这在图2A至2C中示意性地图示。特别地，图2A是横截面视图，其中例如由铝（Al）制成的第一接头片M1被焊接到例如由铜（Cu）制成的母线M2。同样，图2B是横截面视图，其中例如由镍（Ni）或铜（Cu）制成的第二接头片M3焊接到母线M2。最后，图2C是横截面视图，其中第一接头片M1被焊接到第二接头片M3，并且也可能被焊接到母线M2。例如，前述接头片和母线的厚度可以具有在0.3和0.8 mm之间的厚度。
尽管随着时间的推移，现代焊接站满足严格的质量和稳定性准则，但是可能需要对焊接质量进行检查。例如，这在用于汽车领域的电池的背景下特别重要，因为这样的电池必须在接头片和母线之间具有均匀的电阻。
本领域技术人员应当领会，为了连续监测焊接质量，通常需要非破坏性测试方法。特别地，这样的非破坏性测试是实验研究，旨在标识和表征焊道中可能潜在地危及其在最终产品中的性能的任何不连续性。因此，非破坏性测试技术的共同点是它们不会以任何方式影响被分析对象的化学、物理和功能特性。例如，在这种背景下，可以参考UNI EN 473标准。
发明内容
因此，本公开的各种实施例的目的是使得能够监测焊道质量的新的解决方案。
根据一个或多个实施例，所提及的目的中的一个或多个经由具有在随后的权利要求中具体阐述的区别性要素的方法来实现。此外，所述实施例涉及对应的焊接站以及对应的计算机程序产品，所述计算机程序产品可以被加载到至少一个计算机的存储器中，并且包括当该产品在计算机上运行时用于实现所述方法的步骤的软件代码部分。如本文所使用的，对这样的计算机程序产品的引用旨在等同于对包含用于控制计算***以便协调该方法的执行的指令的计算机可读介质的引用。对“至少一个计算机”的引用旨在强调本发明以分布式/模块化方式实现的可能性。
权利要求形成了本文提供的公开内容的技术教导的组成部分。
如先前所解释的，本公开的各种实施例涉及一种用于分析焊接区带中的焊道质量的方法。在各种实施例中，焊道借助于连续焊接操作而生成，其中由具有对应焊接头的源发射的能量射束跟随焊接路径，从而熔化至少两个金属构件的材料。
在各种实施例中，经由热感相机监测焊接区带。特别地，热感相机提供热图像/帧的序列，其中给定区域对应于焊接区带。例如，该区域可以在执行焊接操作时确定。例如，可以在热图像中将矩形或梯形区域定义为感兴趣的区。在自动搜索感兴趣的区的假设下，从固定和预设尺寸的观察窗口开始，处理电路30可以通过最大化由所有帧的被包括在其中的像素的温度之和表示的函数来定位图像中感兴趣的区。
在各种实施例中，上述区域被划分成多个子区域，并且对于每个子区域，根据相应子区域内像素的值来确定相应的温度。例如，给定子区域的温度可以经由相应子区域内像素的值的平均值或加权平均值来确定。
在学习步骤期间，执行多个焊接操作，特别是至少对于其中焊接具有足够质量的多个示例和其中过程质量不好的多个示例。此外，在每个焊接操作期间，监测每个子区域的温度演变。
在训练步骤期间，处理在学习步骤期间监测的温度演变，以用于训练分类器。例如，为此目的，操作者可以对焊接的质量进行分类；即，对于每个焊接，***可以（从操作者）接收标识相应焊接质量的数据。因此，分类器被配置用于根据相应的温度演变来估计焊接质量。
具体地，在各种实施例中，从每个温度演变中提取相应的冷却曲线，并且对于每个冷却曲线，确定标识冷却曲线的形状的参数。因此，在各种实施例中，这些参数被用作分类器的输入特征。
例如，在各种实施例中，为此目的，利用由多个基函数组成的函数经由插值来近似冷却曲线的形状，从而为每个基函数选择相应的参数集。因此，在这种情况下，插值的参数可以用作分类器的输入特征。例如，在各种实施例中，使用指数插值。
代替地，在正常的焊接操作步骤期间，可以在一个或多个焊接操作的执行期间再次监测每个子区域的温度演变，并且可以借助于先前已经训练的分类器来估计相应的焊接质量。例如，分类器可以是人工神经网络。通常，相同的分类器或另外的分类器也可以用于估计缺陷焊接类别。
通常，分类器还可以接收一个或多个另外的输入特征，诸如每个温度演变的峰值、由源发射的功率、能量射束跟随焊接路径的前进速度等。
附图说明
现在将参考所附附图来描述本公开的实施例，所述附图仅通过非限制性示例的方式提供，其中：
-图1示出了焊接站的示例；
-图2A至2C示出了焊接操作的一些示例；
-图3示出了包括热感相机的焊接站的实施例；
-图4示出了一个实施例，其中图3的焊接站在焊接区带中熔化两种材料；
-图5示出了由图3的热感相机捕获的焊接区带图像的示例；
-图6示出了将焊接区带分割成多个子区域的实施例；
-图7示出了图6的子区域的温度演变的示例；
-图8示出了用于从相应的温度演变中提取冷却曲线的示例；
-图9示出了用于根据提取的冷却曲线确定焊接质量的实施例；
-图10和11示出了图9中使用的分类器的实施例；和
-图12示出了用于图9的分类器的训练和使用的实施例。
具体实施方式
在随后的描述中，提供了许多具体细节，以使得能够深入理解实施例。所述实施例可以在没有一个或多个具体细节的情况下实现，或者利用其他方法、组件、材料等来实现。在其他情况下，没有详细表示或描述众所周知的操作、材料或结构，从而不会使实施例的各方面变得模糊。
贯穿于本描述，对“实施例”或“一个实施例”的引用意味着参考该实施例描述的特定特性、区别性元素或结构被包括在至少一个实施例中。因此，可能出现在本描述的各个点中的诸如“在实施例中”或“在一个实施例中”的表述不一定全部指代同一个实施例。此外，在一个或多个实施例中，特定的特性、区别性的元素或结构可以以任何适当的方式组合。
本文使用的参考仅仅是为了方便而提供的，并且因此并不限定保护范围或实施例的范围。
在随后的图3至图12中，已经参照图1和图2描述的部件、元件或组件由先前在上述图中使用的相同参考来指示。为了不加重本详细描述的负担，下文中将不再描述先前描述的前述元件。
如前所述，本描述提供了用于监测焊道质量的解决方案。
图3示出了根据本公开的焊接站的实施例。该实施例基本上基于参照图1和图2描述的焊接站，并且对应的描述完全适用。特别地，同样在这种情况下，焊接站被配置用于在焊接区带SA中熔化多个金属构件M1和M2的材料。为此目的，所述焊接站包括：
-具有相应焊接头1的能量源，优选为激光源，经由相应的控制电路10控制；和
-一个或多个致动器2，诸如机器人臂，借助于控制电路20控制，以这样的方式沿着焊接路径移动由焊接头1发射的射束。
因此，也如图4所示，由焊接头1发射的射束沿着焊接路径SP移位，并且在焊接区带SA中加热重叠的构件M1和M2的材料，从而经由熔化构件M1和M2的材料来获得焊道。如图4所示，通常焊接路径SP不一定在构件M1和M2的边缘开始和结束。此外，尽管沿方向x延伸的直线路径是优选的，但是焊接路径SP可以是任何形状。
在所考虑的实施例中，焊接站进一步包括热感相机3。特别地，在各种实施例中，热感相机3安装在固定定位处，并且以框住焊接区带SA的方式定位；即，热感相机3被配置用于提供表示焊接区带SA的热图像IMG。通常，热感相机3也可以利用多个热感相机来实现，其中每个热感相机仅捕获焊接区带SA的一部分；即，图像IMG可以对应于由多个热感相机提供的图像的联合而产生的全景图像。因此，所述一个或多个热感相机提供在两个方向x’和y’上的二维图像IMG（另请参见图5），其中每个像素的值标识相应的温度。
在所考虑的实施例中，热图像IMG然后由处理电路30处理，处理电路30诸如经由软件代码编程的微处理器，例如计算机。通常，处理电路30甚至可以与控制电路10和/或控制电路20一起实现在单个电子电路中。
例如，图5示意性地示出了由一个或多个热感相机3提供的热图像IMG，其中给定区域SA’对应于焊接区带SA。因此，通过将两个构件M1和M2焊接在一起，区域SA’中的每个像素的值标识了焊接区带SA的相应点的温度。通常，可以手动选择图像IMG中的区域SA’，或者否则处理电路30可以自动确定区域SA’。特别地，当执行焊接操作时，区域SA’中的像素将具有较高的值，即温度，并且因此处理电路30可以检测图像IMG中对应于焊接区带SA的区域SA’。特别地，在焊接路径SP是直线的情况下，区域SA’将典型地具有矩形形状，或者考虑到图像IMG的可能失真，具有梯形区域。
代替地，在各种实施例中，处理电路30被配置用于将图像IMG（或图像IMG序列）的每个像素的值与参考阈值进行比较，选择具有高于阈值的值的像素，并且将所选像素所在的区域近似为矩形或梯形区域。
代替地，在当前的优选实施例中，矩形（或梯形区域）的大小是固定的。例如，已知焊接区带SA的大小，处理电路可以根据热感相机3的参数，例如焦距和到工件M1的距离，来计算矩形的大小。可替代地，矩形（或梯形区域）的大小可以由操作者设定。接下来，一旦执行了焊接操作，处理电路30就将前述矩形（或梯形区域）定位在热图像IMG中的多个定位处，并且对于每个定位，计算所有帧的落入矩形（或梯形区域）内的像素的值的总和。最后，处理电路30选取具有最高总和的定位/区域。因此，在这种情况下，处理电路选取包括具有最大值总和的像素的（固定大小的）区域作为区域SA ’，从而获得针对每个焊接操作的焊接路径SP的微小位移的补偿。
如先前所解释的，在各种实施例中，控制电路20被配置用于经由一个或多个致动器2使由焊接头1发射的射束沿着方向x的直线移位。在这种情况下，所述一个或多个热感相机3优选地以使得图像IMG的方向x’或（如图5所示）方向y’对应于方向x的这种方式对准。例如，以这种方式，矩形区域SA’也与图像IMG的像素阵列对准。
可替代地或附加地，处理电路30可以处理热图像IMG，用于校正由热感相机3捕获的图像，以例如旋转图像IMG，以这样的方式将方向x与图像IMG的轴x’或y’之一对准，以补偿由于热感相机3相对于构件M1的表面的倾斜和/或由于热感相机3的镜头导致的图像IMG的变形而造成的图像IMG的失真。类似的操作在传统摄像机的背景中是众所周知的，并且也可以应用于从热感相机获得的图像。例如，如文献No.US 2018/0082133 A1中所述，已知如何安装摄像机，可以基于关于相机倾斜的信息进行失真补偿。
在所考虑的实施例中，处理电路30然后处理区域SA’中像素的值。
具体地，如图6所示，在各种实施例中，处理电路30将区域SA’划分成多个子区域A1，...，An。例如，考虑到区域SA’例如在图5中的方向x’上具有给定数量的像素N1的宽度，每个子区域A1，...，An可以具有N1个像素的宽度和N2个像素的高度。例如，为了提高分析的精度，N2的像素数量可以在2和20个像素之间选取。相反，为了减少计算时间，例如基于焊道/焊接区带SA的长度，子区域A1，...，An可以在10和50之间选取，并且对应的像素数量N2可以根据子区域A1，...，An来计算。因此，在各种实施例中，可以选取数量N2，例如，在
Figure DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE004
之间，优选地在
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE008
之间选取。
接下来，处理电路30处理每个子区域A1，...，An中像素的值以将每个子区域A1，...，An与单个瞬时温度值Ti相关联。例如，处理电路30可以使用例如相应子区域Ai中像素的值的平均值或最大值来计算给定子区域Ai的温度值Ti。例如，在各种实施例中，处理电路30被配置用于经由加权平均值来计算给定子区域Ai的温度值Ti，该加权平均值将在区域SA’的宽度方向（例如，图5中的x’）上变化的权重与每个像素相关联，例如对相应子区域Ai的横向边缘处的像素使用较低的权重，并且对相应子区域Ai的中心像素使用较高的权重。
因此，对于每个图像IMG，每个子区域Ai将与相应的温度值Ti相关联。此外，如图6中示意性示出的，通过分析在时间t处的多个热图像IMG的序列，即胶片，处理电路30可以监测每个子区域Ai的温度Ti（t）的演变。
如图7所示，还考虑到借助于焊接头1发射的射束跟随焊接路径SP所必须的时间，处理电路30因此应当分析彼此交错的多个温度曲线/演变T1，...，Tn。
如图8中更详细图示的，每个温度演变Ti（t）包括：
-在加热阶段期间（在图8中的时刻t0和t1之间），温度Ti（t）从环境温度Tamb增加到最大温度Tmax，因为相应区域Ai受到由焊接头1发射的射束的作用以执行焊接；和
-在紧接其后的冷却阶段期间（从图8中的时刻t1开始），温度Ti（t）从最大温度Tmax朝向环境温度Tamb降低。
例如，在各种实施例中，当控制电路10提供发信号通知焊接操作开始的触发信号时，处理电路30可以开始记录温度Ti（t）。代替地，记录温度Ti（t）的持续时间可以是恒定的。
通常，指示焊接质量的数据是所达到的最大温度Tmax，因为该数据指示材料M1和M2的熔化。
然而，发明人已经注意到，即使在获得相同的最大温度Tmax时，冷却曲线的轮廓也也会由于各种焊接缺陷而变化，例如在焊接区带的污染之后，例如由于水滴或灰尘的存在。
因此，在各种实施例中，处理电路30被配置用于分析冷却曲线，并且根据冷却曲线确定焊道S的状态信号，冷却曲线即针对所有子区域A1，...，An的数据Ti（t），其中
Figure DEST_PATH_IMAGE010
。
例如，在第一实施例中，处理电路30被配置用于在其中焊道被分类为正确（例如，S= 1/OK）的测试步骤期间针对每个子区域A1，...，An记录相应的参考冷却曲线，并且然后处理电路30在针对每个焊道执行的正常操作期间记录相应冷却曲线，并且通过将记录的相应冷却曲线与参考冷却曲线进行比较来分类每个焊道的状态（例如，S = 1/OK或S = 0/NOK）。例如，在意大利专利申请No.102017000048962中描述了一种用于确定两个数据序列之间的相似性以及相似性的相应分类的可能解决方案，该意大利专申请的内容作为参考并入本文。
代替地，图9示出了第二实施例。特别地，在所考虑的实施例中，如前面所解释的那样，处理电路30在预处理步骤/块300中处理由热感相机3提供的图像序列IMG，以确定相应子区域A1，...，An的多个温度曲线Ti（t）。
上述温度曲线Ti（t）被提供给步骤/块302，其中处理电路30处理温度曲线Ti（t）。特别地，如前所述，处理电路30被配置用于提取冷却曲线的数据，例如标识在曲线Ti（t）达到最大值Tmax时的时刻t1，并且选择曲线Ti（t）（其中
Figure DEST_PATH_IMAGE012
）的数据。接下来，处理电路30处理冷却曲线并确定冷却曲线的一个或多个特征F。因此，步骤/块302执行所谓的特征提取。
例如，在各种实施例中，第一特征对应于最大温度Tmax。其他特征F可以标识冷却曲线的下降部分，例如指示温度Ti下落到最大温度Tmax的给定百分比所需的时间的一个或多个值，例如：
-温度Ti下降到温度Tmax的75%的第一时间
Figure DEST_PATH_IMAGE014
；
-温度Ti下降到温度Tmax的50%的第二时间
Figure DEST_PATH_IMAGE016
；和
-温度Ti下降到温度Tmax的25%的第三时间
Figure DEST_PATH_IMAGE018
。
代替地，在当前优选实施例中，处理电路30执行插值操作，以便利用参数化函数来近似冷却曲线Ti（t）（其中
Figure DEST_PATH_IMAGE020
）的形状。一般而言，该参数化函数由一个或多个基函数组成，其中每个基函数与相应的参数组相关联。因此，通过改变基函数的参数，可以选取使代价函数最小化的参数组合
Figure DEST_PATH_IMAGE022
。例如，代价函数可以对应于在冷却曲线的形状和使用所选参数的参数化函数之间计算的绝对差之和（SAD）或均方误差（MSE）。
例如，在各种实施例中，使用多项式插值，其中基函数由不同次数的多项式表示，并且参数是多项式的系数；例如，
Figure DEST_PATH_IMAGE024
。
代替地，在当前优选实施例中，使用指数插值，其中基函数是指数函数，例如：
Figure DEST_PATH_IMAGE026
。
因此，在插值结束时，处理电路30选取在插值期间选择的参数
Figure DEST_PATH_IMAGE028
作为特征F（可能除了最大温度Tmax之外）。
在各种实施例中，电路30还可以确定其他特征F。例如，为此目的，步骤/块302可以从源/焊接头1的控制电路10接收第一数据集D1和/或从一个或多个致动器2的控制电路20接收第二数据集D2（也参见图3）。例如，数据D1可以包括由焊接头1的源和/或聚焦发射的功率。代替地，数据D2可以包括由焊接头1发射的射束沿着焊接路径SP前进的速度。然而，也可以使用其他传感器和/或处理电路30可以根据由热感相机3提供的热图像IMG来确定另外的特征。
例如，在各种实施例中，根据对热图像IMG的分析，处理电路30还可以在步骤300中确定焊道的小孔的尺寸参数，例如在文献No. US 2010/0086003 A1中所描述的那样，该文献的内容并入本文作为参考。
例如，在各种实施例中，对于加热步骤期间、即在t0和t1之间的每个图像IMG，上述特征可以包括小孔在x’和/或y’方向上的尺寸和/或标识小孔中热量分布的参数。
附加地或可替代地，处理电路30可以例如借助于快速傅立叶变换（FFT）来确定每个图像IMG的频谱特征，并且选取具有最大值的给定数量的频率。
附加地或可替代地，处理电路30可以处理捕获的最后图像IMG。特别地，发明人已经注意到，在这种情况下，所有的像素应当具有基本上相同的值，因为构件M1和M2已经冷却。然而，当使用由不同材料制成的构件M1和M2时，有可能注意到具有与像素平均值显著不同的值（即，更高或更低）的像素。特别地，这些像素对应于沉积在构件M1表面上的底部构件M2的材料的飞溅。特别地，上述飞溅可以是可见的，因为不同的材料也有不同的发射率。因此，在各种实施例中，处理电路30可以例如通过将每个像素的值与阈值进行比较来确定看起来“较热”或“较冷”的前述像素，该阈值例如根据图像IMG的所有像素或者仅根据围绕相应像素的给定数量的像素来计算。因此，另外的特征可以是“较热”或“较冷”像素的数量。
因此，通常，块/步骤302提供多个特征F，其中至少部分特征F标识子区域A1，…，An的冷却曲线Ti（t）（其中
Figure DEST_PATH_IMAGE030
）的形状。
在各种实施例中，上述特征F然后被提供给步骤/块304，所述步骤/块304被配置用于根据特征F对焊接的状态S进行分类。具体地，在各种实施例中，步骤/块304的分类器利用机器学习方法来实现。
特别地，如图12所示，在开始步骤1000之后，处理电路30在学习步骤1002中监测多个焊接操作。特别地，为此目的，在不同的焊接条件下执行多个焊接操作。例如，为此目的：
-由焊接头1的源和/或聚焦发射的功率可以借助于控制电路10来改变；和/或
-由焊接头1发射的射束沿着焊接路径SP的前进速度可以通过控制电路20来改变；和/或
-焊接区带SA可能被污染，例如被水和/或灰尘的飞溅物污染；和/或
-将构件M1和M2夹紧/锁定在一起可以改变，例如通过改变夹紧力。
接下来，操作者可以验证焊接质量。例如，操作者可以执行机械测试（例如，对构件M1和M2之间的连接强度的测试）和/或电气测试（例如，测量两个构件M1和M2之间的电阻），并且操作者可以将焊接质量分类为足够（例如，S = 1）或不足够（例如，S = 0）。一般来说，该步骤中使用的一个或多个测试甚至可能是破坏性的；例如，机械测试可以包括拉伸测试，其中施加的拉伸力增加，直到构件M1和M2之间的连接失效。
因此，在步骤1002中获取的数据表示训练数据集，其包括其中对于焊道具有足够质量的条件和其中对于焊道具有不足质量的条件这两者的实验数据。
因此，在训练步骤1004期间，处理电路30可以至少从子区域A1，...，An的冷却曲线中提取特征F（也参见图9的描述），并且使用作为分类器304的输入数据的特征F和作为分类器304的输出的焊接状态S来训练分类器304。通常，可以使用有监督机器学习类别的不同分类器，诸如人工神经网络或支持向量机。
例如，在各种实施例中，使用人工神经网络，诸如前馈型网络。例如，在各种实施例中，这样的网络包括输入层，该输入层包括的输入节点的数量等于特征F的数量。此外，该网络包括给定数量的隐藏层。例如，在各种实施例中，隐藏层的数量在2和5之间，优选地为3，并且每个隐藏层的节点/神经元的数量在特征F数量的1.5和3倍之间选取。
因此，在步骤1004结束时，分类器304能够根据至少从针对子区域A1，...，An的冷却曲线的形状提取的特征F的集合来估计焊接的质量。
然后，一旦步骤1004完成，焊接站就可以在正常操作步骤1006期间使用，在正常操作步骤1006中，焊接质量将被估计，而无需对操作者部分的任何进一步检查。
因此，在步骤1006中，处理电路30再次监测冷却曲线的形状（也参见步骤/块300的描述），确定特征F（也参见步骤/块302的描述），并且根据特征F使用经训练的分类器来估计焊接状态/质量S（也参见步骤/块304的描述）。
通常，操作者可以在任何情况下执行进一步的测试来验证焊接质量，如参考步骤1002所述的那样。例如，这在开发新的焊接工艺的初始步骤期间可以是有用的，以这样的方式来验证由分类器304做出的估计和/或执行对估计的定期监测，例如以获得先前未被考虑的附加数据。
因此，如图12中示意性表示的，在其中操作者在验证步骤1008中确定分类器的结果是正确（从验证步骤1008输出“Y”）的情况下，过程可以继续到步骤1006。
代替地，在其中操作者在验证步骤1008中确定分类器的结果是错误（从验证步骤1008输出“N”）的情况下，操作者可以将所进行的焊接的数据和相应的校正质量存储在训练数据集中，并且可以启动步骤1004以用于再次训练分类器。
因此，在各种实施例中，在正常操作1006期间获取的数据本身可以用作训练数据集。例如，为此目的，处理电路30可以例如借助于适当的计算机程序被配置用于将训练数据集直接存储在处理电路30中，并且还直接管理训练步骤1004，从而在训练数据集改变时使得能够实现对分类器的新的训练。
在各种实施例中，分类器304可以被配置用于不仅提供二元结果S，即指示足够质量或不足质量的结果，而且还可以提供关于缺陷类型的指示C。例如，为此目的，操作者还可以在训练数据集中存储（在步骤1002中）关于检测到的缺陷类型的信息。例如，这样的缺陷可以对应于步骤1002中使用的不同焊接条件，例如不足的夹持、构件M1/M2的杂质/污染、源的功率损失等。
例如，这在图10中示意性地图示。特别地，在所考虑的实施例中，分类器304包括第一分类器306，其被配置用于估计焊道的状态S，因此其可以是正确的或有缺陷的。分类器306的输出可以在任何情况下对应于连续值，例如在0和1之间的范围内，其指示估计的置信度。分类器306然后可以根据所提供的值来确定状态S，例如在其中输出值高于第一阈值（例如，0.8）的情况下分配第一值（例如，S = 1/OK），或者在其中输出值低于第二阈值（例如，0.2）的情况下分配第二值（例如，S = 1/OK）。
除此之外或作为替代，分类器304包括第二分类器308，第二分类器308被配置用于估计缺陷焊接类别C，其因此可以呈现多个值。例如，这在图11中示意性地图示，图11中两个特征F1和F2的值被映射在四个类别C1，...，C4上。一般来说，要考虑的维数对应于所考虑的特征F的数目。
例如，在各种实施例中，对于每个类别C，分类器308包括相应的输出，所述输出提供指示由来自每个类别C（即每个聚类）的特征F的当前值的组合所表示的点的距离的连续值，例如在0和1之间的范围内。例如，在这种情况下，分类器308可以选取具有与其相关联的最高值的类别C，从而可能将选择仅限于由此相应距离小于最大值的聚类。
因此，在步骤1002期间，操作者不仅可以确定焊道的状态S，而且还可以确定缺陷C的类型。通常，由于本方法是机器学习方法，因此分类器308能够适应操作者希望考虑的缺陷C的类别数量，还使得能够添加仅在焊接站的正常操作1006期间出现的新类型的缺陷（也参见图12的描述）。例如，在步骤1006期间，可能出现焊接质量因为焊接头1的透镜变脏而变得不足的情况，而在步骤1002期间没有考虑该问题。
当然，在不损害本发明的基本原理的情况下，构造的细节和实施例可以相对于在本文中纯粹以示例的方式描述和图示的内容有很大的变化，而不会由此偏离由所附权利要求限定的本发明的范围。

Claims (11)

1.一种分析焊接区带（SA）中的焊道质量的方法，所述焊道借助于连续焊接操作而生成，其中由具有对应焊接头（1）的源发射的能量射束跟随焊接路径（SP），从而熔化至少两个或更多个金属构件（M1，M2）的材料，所述方法包括以下步骤：
-经由热感相机（3）监测所述焊接区带（SA），其中所述热感相机（3）提供热图像（IMG）的序列，并且其中所述热图像（IMG）中的给定区域（SA’）对应于所述焊接区带（SA）；
-将所述区域（SA’）划分（300）成多个子区域（A1，...，An）并且根据相应子区域（Ai）内的像素的值针对每个子区域（Ai）确定相应温度（Ti）；
-在学习步骤（1002）期间，其中以足够的质量和不足的质量这两者执行多个焊接操作，在每个焊接操作期间经由所述热感相机（3）监测每个子区域（Ai）的温度演变（Ti（t））；
-在训练步骤（1004）期间，处理在用于训练分类器（304）的所述学习步骤期间监测的温度变化（Ti（t）），所述分类器被配置用于根据相应的温度演变（Ti（t））来估计焊接质量，其中所述处理温度演变（Ti（t））包括：
-从每个温度演变（Ti（t））中提取（302）相应的冷却曲线，并且为每个冷却曲线确定标识冷却曲线的形状的多个参数（F）；和
-使用所述参数（F）作为所述分类器（304）的输入特征；和
-在正常焊接操作步骤（1006）期间，经由所述热感相机（3）监测（300）焊接操作期间每个子区域（Ai）的温度演变（Ti（t）），并且经由所述分类器（304）估计相应的焊接质量（S，C）。
2.根据权利要求1所述的方法，其中所述为每个冷却曲线确定标识冷却曲线形状的多个参数（F）包括利用由多个基函数组成的函数经由插值来近似冷却曲线的形状，从而选择插值参数集，并且使用所述插值参数集作为所述分类器的输入特征（304）。
3.根据权利要求2的方法，其中所述插值是指数插值。
4.根据前述权利要求中任一项所述的方法，其中所述为每个子区域（Ai）确定相应的温度（Ti）包括经由相应子区域（Ai）内像素的值的平均值或加权平均值来确定温度（Ti）。
5.根据前述权利要求中任一项所述的方法，包括经由以下步骤确定所述热图像（IMG）中的所述区域（SA’）：
-执行焊接操作；
-在所述热图像（IMG）中定义矩形或梯形感兴趣区域；和
-将所述感兴趣区域定位在多个定位处，以这样的方式使多个帧的所述热图像（IMG）中像素的值的总和最大化。
6.根据前述权利要求中任一项所述的方法，其中所述分类器（304）包括至少一个人工神经网络（306，308）。
7.根据前述权利要求中任一项所述的方法，除了所述参数（F）之外，还使用（304）用于所述分类器（304）的一个或多个另外的输入特征，其中所述一个或多个另外的特征从如下各项中选取：
-每个温度演变（Ti（t））的最高温度（Tmax）；
-由所述源发射的功率；
-所述能量射束跟随所述焊接路径的前进速度（SP）；
-在焊接期间产生的小孔的一个或多个尺寸数据；和/或
-在焊接操作结束时，所述热图像（IMG）中具有与所述热图像（IMG）中的像素平均值显著不同的值的像素的数量。
8.根据前述权利要求中任一项所述的方法，在正常焊接操作步骤（1006）之后，包括：
-验证焊接质量；
-将由所述分类器（304）估计的焊接质量与所验证的焊接质量进行比较（1008）；和
-在其中由所述分类器（304）估计的焊接质量不对应于所验证的焊接质量的情况下，使用在所述学习步骤（1002）期间和在所述正常焊接操作步骤（1006）期间监测的每个子区域（Ai）的温度演变（Ti（t））来再次训练（1004）所述分类器（304）。
9.根据前述权利要求中任一项所述的方法，包括：
-在所述学习步骤（1002）期间，将具有不足质量的每个焊道分类到多个类别中的缺陷焊道类别（C）中；和
-在所述训练步骤（1004）期间，训练分类器（308），所述分类器被配置用于根据所述温度演变（Ti（t））来估计缺陷焊接类别。
10.一种焊接***，包括：
-具有对应焊接头（1）的源，被配置用于提供能量射束；
-一个或多个致动器（2），被配置用于沿着焊接路径（SP）移动由所述焊接头（1）产生的所述能量射束，以这样的方式熔化至少两个金属构件（M1，M2）的材料，
-热感相机（3）；和
-处理电路（30），可操作地连接到所述热感相机（3），并且被配置用于实现根据前述权利要求中任一项的方法。
11.一种计算机程序产品，其可以被加载到至少一个处理器的存储器中，并且包括用于实现根据权利要求1至9中任一项所述的方法的步骤的软件代码部分。
CN202080094793.1A 2020-01-27 2020-01-27 监测焊道质量的方法、相关焊接站和计算机程序产品 Pending CN115003451A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IB2020/050602 WO2021152344A1 (en) 2020-01-27 2020-01-27 Method of monitoring the quality of a weld bead, related welding station and computer-program product

Publications (1)

Publication Number Publication Date
CN115003451A true CN115003451A (zh) 2022-09-02

Family

ID=69846515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080094793.1A Pending CN115003451A (zh) 2020-01-27 2020-01-27 监测焊道质量的方法、相关焊接站和计算机程序产品

Country Status (7)

Country Link
US (1) US20230040619A1 (zh)
EP (1) EP4096861B1 (zh)
JP (1) JP7460241B2 (zh)
KR (1) KR20220127265A (zh)
CN (1) CN115003451A (zh)
CA (1) CA3165866A1 (zh)
WO (1) WO2021152344A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471674A (zh) * 2022-09-20 2022-12-13 浙江科达利实业有限公司 基于图像处理的新能源车二氧化碳管的性能监测***

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11839935B2 (en) * 2021-11-30 2023-12-12 GM Global Technology Operations LLC Method and system for weld defect detection
US20230321763A1 (en) * 2022-03-28 2023-10-12 Raytheon Technologies Corporation Predictive optimization and control for fusion welding of metals
CN116805186B (zh) * 2023-08-21 2023-11-10 北京柏瑞安电子技术有限公司 一种pcba板智能加工数据管理***
CN117274262B (zh) * 2023-11-22 2024-03-26 东莞市天逸电子有限公司 一种音响喇叭线路板导线焊接方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN85101767A (zh) * 1985-04-01 1987-01-31 M·A·N奥格斯堡纽伦堡机械公司 堆焊成形制备构件的方法及利用此法制备的构件
US20050169346A1 (en) * 2004-01-29 2005-08-04 Trw Automotive U.S. Llc Method for monitoring quality of a transmissive laser weld
DE102008058422A1 (de) * 2008-11-21 2010-05-27 Precitec Itm Gmbh Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
CN101733568A (zh) * 2009-12-09 2010-06-16 西安交通大学 基于动态测量减小大厚壁管道焊接轴向变形连续焊接方法
CN102756209A (zh) * 2011-04-28 2012-10-31 铃木株式会社 图像处理装置以及图像处理方法
CN103370162A (zh) * 2011-03-10 2013-10-23 弗罗纽斯国际有限公司 用于监测电弧过程的装置和方法
DE102013112244A1 (de) * 2013-08-06 2015-02-12 Scansonic Mi Gmbh Vorrichtung und Verfahren zum Strahlfügen
CN104520060A (zh) * 2012-06-05 2015-04-15 阿尔斯通再生能源技术公司 将一个或多个钢部件的两个边缘彼此焊接起来的、在焊接步骤之后包括热处理步骤的方法:利用这种方法获得的压力管道
CN108332658A (zh) * 2018-01-25 2018-07-27 清华大学 一种用于复杂曲面焊接的焊道位姿实时检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4981433B2 (ja) 2006-12-18 2012-07-18 三菱重工業株式会社 検査装置、検査方法、検査プログラムおよび検査システム
JP4780334B2 (ja) 2007-05-14 2011-09-28 トヨタ自動車株式会社 溶接割れ検出方法
EP2283961A4 (en) 2008-04-14 2017-02-01 Kabushiki Kaisha Toshiba Laser welding device and laser welding method
JP5224061B2 (ja) 2009-05-11 2013-07-03 トヨタ自動車株式会社 レーザ溶接品質評価方法及び装置
JP2015064311A (ja) 2013-09-26 2015-04-09 株式会社日立ハイテクノロジーズ 赤外線検査装置および赤外線検査方法
JP2016198805A (ja) 2015-04-13 2016-12-01 株式会社日立製作所 溶接良否判定方法および溶接良否判定機構を備える溶接装置
US10875125B2 (en) 2017-06-20 2020-12-29 Lincoln Global, Inc. Machine learning for weldment classification and correlation
JP7149552B2 (ja) 2017-09-08 2022-10-07 公立大学法人大阪 残留応力予測方法及びプログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN85101767A (zh) * 1985-04-01 1987-01-31 M·A·N奥格斯堡纽伦堡机械公司 堆焊成形制备构件的方法及利用此法制备的构件
US20050169346A1 (en) * 2004-01-29 2005-08-04 Trw Automotive U.S. Llc Method for monitoring quality of a transmissive laser weld
DE102008058422A1 (de) * 2008-11-21 2010-05-27 Precitec Itm Gmbh Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
CN101733568A (zh) * 2009-12-09 2010-06-16 西安交通大学 基于动态测量减小大厚壁管道焊接轴向变形连续焊接方法
CN103370162A (zh) * 2011-03-10 2013-10-23 弗罗纽斯国际有限公司 用于监测电弧过程的装置和方法
CN102756209A (zh) * 2011-04-28 2012-10-31 铃木株式会社 图像处理装置以及图像处理方法
CN104520060A (zh) * 2012-06-05 2015-04-15 阿尔斯通再生能源技术公司 将一个或多个钢部件的两个边缘彼此焊接起来的、在焊接步骤之后包括热处理步骤的方法:利用这种方法获得的压力管道
DE102013112244A1 (de) * 2013-08-06 2015-02-12 Scansonic Mi Gmbh Vorrichtung und Verfahren zum Strahlfügen
CN108332658A (zh) * 2018-01-25 2018-07-27 清华大学 一种用于复杂曲面焊接的焊道位姿实时检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471674A (zh) * 2022-09-20 2022-12-13 浙江科达利实业有限公司 基于图像处理的新能源车二氧化碳管的性能监测***
CN115471674B (zh) * 2022-09-20 2023-06-27 浙江科达利实业有限公司 基于图像处理的新能源车二氧化碳管的性能监测***

Also Published As

Publication number Publication date
US20230040619A1 (en) 2023-02-09
JP2023517434A (ja) 2023-04-26
EP4096861B1 (en) 2024-03-20
WO2021152344A1 (en) 2021-08-05
KR20220127265A (ko) 2022-09-19
JP7460241B2 (ja) 2024-04-02
EP4096861A1 (en) 2022-12-07
CA3165866A1 (en) 2021-08-05

Similar Documents

Publication Publication Date Title
EP4096861B1 (en) Method of monitoring the quality of a weld bead, related welding station and computer-program product
US20210318673A1 (en) In-Situ Inspection Method Based on Digital Data Model of Weld
EP3176537B1 (en) System for automated in-process inspection of welds
US20160098825A1 (en) Feature extraction method and system for additive manufacturing
US20210197275A1 (en) Three dimensional printing system and method capable of controlling size of molten pool formed during printing process
EP3756859A1 (en) System for manufacturing additive manufactured object and method for manufacturing additive manufactured object
Heber et al. Weld seam tracking and panorama image generation for on-line quality assurance
US20210197282A1 (en) Method and apparatus for estimating height of 3d printing object formed during 3d printing process, and 3d printing system having the same
JP2018020356A (ja) 電縫鋼管の溶接工程の溶接監視方法及び溶接監視装置
US20230249276A1 (en) Method and apparatus for generating arc image-based welding quality inspection model using deep learning and arc image-based welding quality inspecting apparatus using the same
Soares et al. Computer vision system for weld bead geometric analysis
Piecuch et al. Diagnostics of welding process based on thermovision images using convolutional neural network
Kulkarni et al. Machine learning based classification of welded components
IT201800021022A1 (it) "Procedimento per monitorare la qualità di una saldatura, relativa stazione di saldatura e prodotto informatico"
CN111179267B (zh) 一种零件表面激光熔覆制造过程的质量监测方法
KR102221526B1 (ko) 용융풀 영상처리를 통한 용융풀 폭 및 처짐 측정방법
Arejita et al. Applying edge artificial intelligence to closed-loop real time control and monitoring of laser based battery pack welding
Melakhsou et al. Computer Vision based welding defect detection using YOLOv3
JP7184211B2 (ja) 溶接異常診断装置
CN117817211B (zh) 基于机器视觉的焊接自动化控制方法及***
Couto et al. Weld Bead Width Measurement in a GMAW WAAM System by using Passive Vision
JPH05261557A (ja) 缶胴溶接適否判定装置
JP2003080394A (ja) 溶接の品質評価装置および品質評価方法
Bzymek et al. Diagnostic vision system for welded joint and welding process assessment
Fecker et al. On-line Detection of Imperfections in Laser-brazed Joints.

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