CN116703807A - 用于分析焊缝质量的***和方法 - Google Patents

用于分析焊缝质量的***和方法 Download PDF

Info

Publication number
CN116703807A
CN116703807A CN202210480160.5A CN202210480160A CN116703807A CN 116703807 A CN116703807 A CN 116703807A CN 202210480160 A CN202210480160 A CN 202210480160A CN 116703807 A CN116703807 A CN 116703807A
Authority
CN
China
Prior art keywords
weld
historical
surface topology
data
topology data
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
CN202210480160.5A
Other languages
English (en)
Inventor
万什·科玛雷迪
司里卡·卡那提
什瓦帕·格拉瓦
布莱恩·C·盖里尔斯
杰弗里·R·蒂森
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN116703807A publication Critical patent/CN116703807A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • B23K31/006—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 using of neural networks
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Laser Beam Processing (AREA)
  • Image Analysis (AREA)

Abstract

本文提供的***和方法可用于分析焊缝质量。在一些实施例中，***和方法基于表面拓扑数据和/或焊接工艺参数识别或预测焊缝特性，例如表面不连续和/或表面下不连续。本文所述的***和方法利用机器学习算法来识别历史焊缝特性和历史焊接前的表面拓扑、历史焊接后的表面拓扑和/或历史焊接工艺参数之间的关系。因此，本文所述的***和方法可以基于这些关系和焊缝的焊接前的表面拓扑、焊接后的表面拓扑和/或焊接工艺参数来识别焊缝的焊缝特性。进一步，本文所述的***和方法可以基于这些关系和焊缝的焊接前的表面拓扑、焊接后的表面拓扑和/或焊接工艺参数来将焊缝识别为符合或不符合一个或多个焊缝标准。

Description

用于分析焊缝质量的***和方法
技术领域
本技术领域大体上涉及焊缝质量的分析，更具体地，涉及与焊缝相关联的特性的检测。
背景技术
通常，在焊接操作中，例如各种不连续的焊缝的特性通过检查来识别。这种不连续可能存在于焊缝本身或热影响区(HAZ)中。不连续可能包括材料典型结构的中断，例如机械、冶金或物理特性缺乏均匀性。在某些情况下，不连续可能是缺陷，其导致零件或产品无法满足或符合适用的标准或规范。焊缝中的不连续可以是存在于焊缝的外表面上的表面不连续或是焊缝内部的表面下不连续。
附图说明
本文提供了用于使用焊缝的表面拓扑和/或焊接工艺参数来分析焊缝质量的方法和***。
图1是根据一些实施例的用于分析焊缝质量的***的框图。
图2A是用于焊缝的示例性三维焊接后拓扑数据的图像。
图2B是用于焊缝的示例性焊缝区段的图像。
图2C是与焊缝相关联的示例性统计焊缝特征的图表。
图2D是与焊缝相关联的示例性焊缝特征的图表。
图2E是与焊缝相关联的示例性直方图。
图3是图1中用于分析焊缝质量的***中的模块的示意图。
图4是图1中用于分析焊缝质量的***中的模块的示意图。
图5是根据一些实施例的用于分析焊缝质量的方法的方面的流程图。
图6是根据一些实施例的用于分析焊缝质量的方法的方面的流程图。
图7是根据一些实施例的用于分析焊缝质量的方法的方面的流程图。
附图中的元件是为了简单和清楚而示出的，而不一定按比例绘制。例如，附图中的一些元件的尺寸和/或相对定位可能相对于其他元件被夸大以帮助理解各种实施例。此外，在商业上可行的实施例中有用或必需的常见但易于理解的元件通常没有被描绘以便于对这些不同实施例的视图阻碍较少。
具体实施方式
焊缝的表面不连续可以通过对焊缝的目视检查而对例如焊工或检查员的操作者可见。目视检查可以检测是否存在不连续，并且通常伴随有尺寸检查，该尺寸检查识别这种不连续的位置或方位以及这种不连续的大小或尺寸。然而，表面下不连续可能仅通过体积检查方法可见，例如超声波和/或X射线检查，这些方法通常在目视检查之后执行。目视检查方法和体积检查方法通常在焊接操作完成后进行。进一步，目视检查方法和体积检查方法通常涉及一定程度的主观性，例如，在解释检查结果是否符合焊缝质量标准或检查结果是否包括不符合的不连续(即缺陷)时。
本文提供了分析焊缝质量的***和方法。特别地，分析焊缝质量的***和方法可以识别或预测与焊缝相关联的焊缝特性。焊缝特性可以包括与焊缝相关联的任何特性，例如不连续(例如，表面和/或表面下不连续)、关于焊缝是否符合焊缝标准的指示(例如，符合与不符合)，或任何焊缝的机械、冶金或物理特性(例如，焊缝尺寸、焊缝形状、焊缝轮廓和/或焊缝加固)。在一些方法中，分析焊缝质量的***和方法可以基于焊接前基材的表面拓扑(即“焊接前的表面拓扑”)、焊接后的焊缝的表面拓扑(即“焊接后的表面拓扑”)和/或焊接工艺参数来检测特性。
本文所述的分析焊缝质量的***和方法利用机器学习算法来识别历史焊缝特性和历史焊接前的表面拓扑数据、历史焊接后的表面拓扑数据和/或与历史焊缝相关联的焊接工艺参数之间的关系。然后，分析焊缝质量的***和方法可以基于这些关系和焊接前的表面拓扑、焊接后的表面拓扑和/或用于正在分析的焊缝的焊接参数，识别焊缝的焊缝特性。此外，本文所述的***和方法还可以基于这些关系和焊接前的表面拓扑、焊接后的表面拓扑和/或用于焊缝的焊接参数，将焊缝分类符分配给焊缝，例如以将焊缝标记或以其他方式分类为符合或不符合一个或多个焊缝标准。以此方式，设想可以消除或以其他方式减少对焊缝的目视或体积检查。
还设想本文所述的***和方法可用于识别与焊缝相关联的不连续，然后根据规范或标准对不连续的严重性进行分级。以这种方式，***和方法可以将焊缝和/或不连续标记或以其他方式分类为符合或不符合规范或标准。在一些实施例中，***和方法可以将不符合的不连续分类为缺陷。
图1图示了用于分析焊缝质量的***100。设想***100可用于执行本文所述的一种或多种方法。***100包括一个或多个检查装置106、一个或多个焊接装置107、控制器108、图像处理模块122、特征工程化模块123、不连续识别模块124和一个或多个数据库128。***100可以用于分析部件102。
部件102可以是具有一个或多个焊缝104的任何零件。***100可以通过本文所述的一种或多种方法分析部件102的一个或多个焊缝104。可以通过本文所述的方法分析的部件102的示例包括但不限于含有气体或液体的管或管道、结构或非结构管或管道、圆柱体、锥体、片材、板、铸造零件、附加零件、锻造零件、凸台和销。设想一个或多个焊缝104可以包括任何类型的焊缝，例如角焊缝、坡口焊缝、表面焊缝、塞焊缝、槽焊缝、闪光焊缝、缝焊焊缝、点焊缝和电阻对焊缝(upset weld)。焊缝104可以包括面侧和/或根侧。在一个非限制性示例中，焊缝104可以是具有面侧和/或根侧两者的直坡口焊缝(square groove weld)。
在一些实施例中，部件102是具有重叠接缝的增材制造部件。传统的焊接技术可能包括单个焊道或接缝，而增材制造技术可能会产生重叠***，其中一层或多层材料相互重叠。因此，设想本文所述的***和方法可用于检测重叠接缝或增材制造部件的其他部分中的不连续或缺陷。例如，重叠接缝可以通过例如直接金属激光熔化(DMLM)或直接能量沉积(DED)的增材制造技术来生成。
检查装置106可以是被配置为生成、输出或接收关于焊缝104的表面拓扑的信息(即，表面拓扑数据)的任何装置，并且在一些方面，是能够生成点云的任何设备。例如，除了关于焊缝104本身的表面拓扑的信息之外，检查装置106还可以生成、输出或接收关于与焊缝104或部件102的其他部分相邻的基材区域的表面拓扑的信息。检查装置106可以是成像装置，例如激光扫描仪。在一些实施例中，检查装置106是蓝光扫描仪，然而，也设想可以使用红光扫描仪、绿光扫描仪或照相机。进一步，可以使用两种或更多种类型的检查装置106的组合。检查装置106可以是三维扫描仪、二维扫描仪和/或一维扫描仪。检查装置106可以生成或输出用于焊缝104的表面拓扑数据。输出数据可以是任何合适形式的三维、二维或一维表面拓扑数据。例如，这样的输出数据可以是点云数据或图像数据的形式。
在一些方法中，检查装置106直接或间接安装到焊接装置107。例如，检查装置106可以直接安装到焊枪或焊炬上，安装在附接到焊枪或焊炬的安装表面的辅助支架上，或作为机器人上的单独末端执行器。检查装置106可以安装到机器人的末端并且***纵以扫描静止的焊缝104。另外，虽然机器人将部件102操纵到检查装置106的扫描线、区域或体积中，但是检查装置106可以是硬安装的。在其他方法中，检查装置106是可用于获得焊缝104的拓扑扫描的手持式装置。应理解的是，取决于场景，检查装置106可以并行地或顺序地***件102和/或焊缝104。并行检查在焊接进行时发生，并且涉及尾随在焊接装置107后面或跟随焊接装置107以在焊接发生时检查焊缝104的尾随装置或跟随装置(follower device)。顺序检查在焊接完成后进行，并且涉及在焊接完成后检查焊缝104的扫描装置。
焊接装置107可以是在例如电弧焊、电阻焊、电子束焊、激光焊、螺柱焊、轨道焊或气焊之类的任何类型的焊接工艺中有用的任何焊接机器。在一些方法中，焊接装置107可以是自动焊接机。焊接装置107可以被配置为收集关于一个或多个焊接工艺参数的数据，例如，通过联接到焊接装置107的一个或多个探头、仪表(meter)和/或传感器。例如，如果焊接装置107是自动焊接机，焊接装置107可能能够提供工艺参数记录或报告，或者提供焊接作业记录功能。在一些方面，焊接装置107可以包括内置或从外部应用到焊接装置107的一个或多个传感器。
一个或多个焊接工艺参数可以包括与焊接操作相关联的任何参数。在一些方法中，焊接工艺参数包括焊接电流、焊接电流中的浪涌、焊接电压、焊接电流强度、焊缝质量读取率、焊丝进给速度、时间参数、金属消耗量或速率、功率消耗量或速率、焊缝104上的位置、气体流速、行进速度、电极直径、基材温度、焊接熔池形状、焊接熔池流动动态和焊丝尺寸中的一个或多个。还设想焊接工艺参数可以是时间序列数据，例如，包括一个或多个工艺参数在焊接工艺过程或其一部分上的时间历史。在某些方法中，焊接工艺参数可以与焊缝104的X-Y-Z位置相关联。
控制器108可以用作计算装置以执行本文所述的功能和方法。控制器108可以包括一个或多个处理器110、输入/输出(I/O)装置112、收发器114和存储器装置116。处理器110可以包括任何合适的处理装置，例如微处理器、微控制器、集成电路、逻辑装置，或其他合适的处理装置。处理器110可用于执行或协助执行本文所述的处理、方法、功能和技术，以及控制各种通信、决策、程序、内容、列表、服务、接口、日志记录、报告等。此外，一个或多个处理器110可以访问存储器装置116，存储器装置116可以存储由处理器110实施以实现设想功能的指令120、代码等。
存储器装置116通常包括由至少处理器110访问的一个或多个处理器可读和/或计算机可读介质并且可以包括易失性和/或非易失性介质，例如RAM、ROM、EEPROM、闪存和/或其他存储器技术。进一步，存储器装置116被示出为在控制器108的内部；然而，存储器装置116可以是内部存储器、外部存储器、或内部存储器和外部存储器的组合。类似地，一些或所有存储器装置116可以是处理器110的内部存储器、外部存储器、或内部存储器和外部存储器的组合。存储器装置116可以基本上是任何相关的存储器，例如但不限于固态存储装置或驱动器、硬盘驱动器、一个或多个通用串行总线(USB)棒或驱动器、闪存安全数字(SD)卡、其他存储卡和其他此类存储器或两个或多个此类存储器的组合，并且一些或所有存储器可以分布在计算机网络上的多个位置处。存储器装置116可以存储数据118，例如代码、软件、可执行文件、脚本、数据、内容、列表、编程、程序、日志或历史数据、引擎信息、关于部件102的信息等。虽然图1图示了通过总线耦合在一起的***100的各种元件，但是应当理解，各种元件实际上可以直接耦合到控制器108和/或一个或多个其他元件。
通常，控制器108进一步包括一个或多个通信接口、端口或收发器114等，允许控制器108通过通信总线、分布式计算机和/或通信网络(例如，局域网(LAN)、互联网、广域网(WAN)等)与其他装置和/或其他此类通信或两种或更多种此类通信方法的组合进行通信。此外，收发器114可以被配置用于有线、无线、光缆、光纤电缆、卫星或其他此类通信配置或两种或更多种此类通信的组合。
I/O装置112可以是任何相关端口或端口的组合，例如但不限于USB、以太网或其他此类端口。I/O装置112可以被配置为允许有线和/或无线通信耦合到外部装置。例如，I/O装置112可以提供有线通信和/或无线通信(例如，Wi-Fi、蓝牙、蜂窝(cellular)、RF和/或其他这样的无线通信)，并且在一些情况下可以包括任何合适的有线和/或无线接口装置、电路和/或连接装置，例如但不限于一个或多个发射器、接收器、收发器或两个或多个此类装置的组合。
***100的图像处理模块122、特征工程化模块123和不连续识别模块124可以接收、处理、分析、生成和/或传输数据。虽然图像处理模块122、特征工程化模块123和不连续识别模块124在图1中被示出为单独的模块，但是模块不需要是分开的，并且在一些实施例中，可以由控制器108实现。
图像处理模块122可以被配置为处理由检查装置106收集的表面拓扑数据。图像处理模块122可以基于表面拓扑数据生成用于焊缝104的焊缝区段，一个或多个焊缝特征可以从该表面拓扑数据中提取。焊缝区段是焊缝104的面侧(或在某些情况下，根侧)的区域，其从相邻的基材板识别焊缝区(即，焊缝104的区域)。因此，焊缝区段是可能存在焊缝特性(例如不连续)的区域。在一些实施例中，焊缝区段可以在二维或XY空间中。焊缝区段从点云数据中提取，例如由检查装置106生成的点云数据。
设想可以使用任何图像处理技术来根据焊缝104的点云数据生成焊缝区段。图像处理模块122可以获得表面拓扑数据的强度并且基于表面拓扑数据的强度提取焊缝区段。在一些方面，图像处理模块122可以将来自检查装置106的数据标准化为特定的焊缝类型和/或几何形状。当表面拓扑数据是三维空间中的点云数据时，图像处理模块122可以将点云数据转换为图像数据，该图像数据在一些方法中是二维空间中的图像数据。此外，图像处理模块122可以构造二维数据，例如，缩放二维数据和/或相对于XY坐标系对齐二维数据。还设想，图像处理模块122可以执行阈值处理以从二维数据中提取感兴趣区域，例如焊缝区段。图像处理模块122可以生成用于焊缝区段的焊缝轮廓或直方图，该直方图图示了焊缝表面的高度单元(bin)(即，X轴)和每个单元中的点云数据的点数(即，在Y轴上)。然后可以使用焊缝轮廓(即，整个焊缝区段的轮廓)来识别焊缝104的特性，例如不连续。示例性直方图在图2E中描绘。
特征工程化模块123被配置为基于表面拓扑数据和焊接工艺参数中的一个或多个来识别一个或多个焊缝特征。焊缝特征可以包括与焊缝104的拓扑或结构有关的任何特征。焊缝特征可以包括焊缝轮廓、焊缝104的形状、焊缝104的尺寸(例如，最大高度、最小高度、长度)、焊缝104的轮廓相对于相邻的基材板的形状、以及焊缝104的横截面的尺寸。焊缝特征还可以包括任何统计特征，例如，与焊缝104的拓扑或结构方面有关的任何统计特征。这样的统计特征可以包括例如焊缝104的平均高度、焊缝104的最大高度的变化以及焊缝104的最小高度的变化。示例性的焊缝特征在图2C和2D中描绘。进一步，统计特征可以包括从焊缝高度的直方图(即，显示焊缝表面的高度的单元和来自每个单元中的点云数据的点数的直方图)中提取的特征，例如直方图的歪斜度、峰度和直方图的面积。在一些方法中，特征工程化模块123从表面拓扑数据和/或从表面拓扑数据生成的焊缝区段提取焊缝特征。
在其他方法中，特征工程化模块123从焊接工艺参数中提取焊缝特征。例如，从焊接工艺参数中提取的焊缝特征可以包括焊缝104的每单位长度的功率消耗、浪涌的数量、焊接工艺参数的任何统计特征、或与焊接工艺参数的时间历史相关联的焊缝的X-Y-Z位置。在一些方法中，从焊接工艺参数中提取的焊缝特征还可以包括焊接工艺参数的时间历史日志记录中的统计特征或异常，例如浪涌或凹陷。例如，提取的焊缝特征可以包括来自电流的时序信号或电流的时间历史日志记录的特征，例如电流信号中的平均噪声、平均噪声的持续时间等。
不连续识别模块124包括一种或多种机器学习算法126。应当理解，不连续识别模块124可以使用任何合适的机器学习方法。合适的机器学习方法可以包括基于分类算法的机器学习，例如逻辑回归、K-最近邻分类器、支持向量分类器、基于树的分类器、随机森林分类器、梯度提升算法、基于神经网络的算法或其组合。在一些方法中，机器学习算法126被配置为基于焊缝特征识别一个或多个焊缝特性。焊缝特性可以包括例如焊接不连续(例如，表面不连续、表面下不连续)、关于焊缝104是否符合焊缝标准的指示，或焊缝104的任何机械、冶金或物理特性。应当理解，不连续识别模块124可以识别与焊缝104本身相关联或与热影响区相关联的特性，例如不连续。
进一步，缺陷识别模块124的机器学习算法126可以被配置或训练为预测焊缝的焊缝特性(例如表面或表面下缺陷)。特别地，机器学习算法126可以使用历史焊接后的表面拓扑数据结合历史焊接工艺参数来训练。因此，缺陷识别模块124可以识别历史焊接后的表面拓扑数据和/或历史焊接工艺参数与历史焊缝特性之间的关系。例如，缺陷识别模块可以建立历史焊接后的表面拓扑数据和/或历史焊接工艺参数与历史表面下缺陷之间的相关性。以此方式，机器学习算法126可用于基于与特定焊缝相关联的焊接后的表面拓扑数据和/或焊接工艺参数来预测何时存在表面下缺陷。利用机器学习算法可以允许预测焊缝特性，例如缺陷，而无需对焊缝进行焊接后的体积或目视检查。
在一些实施例中，训练不连续识别模块124以识别和/或分类与焊缝104相关联的不连续(例如，基于焊缝特征)并且还将焊缝104分类为符合还是不符合(例如，焊缝104是否符合一个或多个焊缝标准)。在一些非限制性示例中，不连续识别模块124可以被配置为识别不连续，例如气孔、夹渣、不完全熔合、不完全接头熔深、过度熔穿、成球、冷裂纹、热裂纹或与焊缝104中的基板失配或偏移。在一个非限制性示例中，可以训练不连续识别模块124以识别从焊缝104的面侧是否有用于焊缝104(例如直坡口焊缝)的完整或足够的焊缝接头熔深。完整焊缝熔深表示焊缝完全延伸穿过基材的厚度，而部分焊缝接头熔深表示焊缝未完全延伸穿过基材。完整或部分焊缝接头熔深是否构成足够的焊缝接头熔深可以取决于焊缝104的特定应用，并且例如可以取决于焊缝104经受的载荷。设想可以训练不连续识别模块124以基于与历史焊缝相关联的数据来识别或预测焊缝接头熔深是否足够。例如，可以训练不连续识别模块124以基于焊缝特征310(例如，历史焊缝的焊缝高度)和检查数据(例如，历史焊缝是否具有完整或部分熔深)之间的关系识别是否有足够的焊缝接头熔深。在另一个非限制性示例中，可以训练不连续识别模块124以根据焊缝104的面侧位置和尺寸(例如，焊趾到焊趾)识别是否有用于焊缝104(例如搭接坡口焊缝)的足够的接头熔深。
在又一个非限制性示例中，不连续识别模块124可以识别是否有用于焊缝104(例如束焊缝)的足够的熔合。在束焊缝中，束可以进入焊缝104的面并从根部出来，形成沙漏形状。在一些方法中，不连续识别模块124可以识别在焊缝104的中间区段或最窄部分处是否有足够的熔合。不完全熔合是在焊接材料和基材面之间或焊道之间没有发生熔合的焊缝不连续。不完全熔合是否足够可以取决于焊缝104的特定应用，并且例如可以取决于焊缝104经受的载荷。设想可以训练不连续识别模块124以基于与历史焊缝相关联的数据来识别或预测熔合是否足够。例如，可以训练不连续识别模块124以基于焊缝特征310(例如，历史焊缝的焊缝高度)和检查数据(例如，历史焊缝是否有不完全融合)之间的关系来识别是否有足够的熔合。
在一些方法中，机器学***。在一些方法中，焊缝分类符可以识别焊缝104是否符合各种焊缝标准。如本文所用，焊缝标准是指与焊缝的特性、质量控制要求或验收准则相关的任何代码、标准或规范。焊缝标准可以规定焊缝的宽度、高度或其他尺寸。焊缝标准还可以规定例如裂纹、未熔透、夹杂物或未熔合之类的不连续在焊缝104中是否是允许的。例如，如果焊缝标准指示在焊缝中可能不存在不连续并且机器学习算法126识别出不连续，则该焊缝将被标记为不符合。机器学习算法126可以接收至少一个焊缝特征或其他输入数据，例如焊接前的检查数据，作为输入，并且可以识别焊缝104的特性和/或分配焊缝分类符，作为输出。图3图示了机器学习算法126如何被训练，而图4图示了机器学习算法126如何用于分析一个或多个焊缝104。
数据库128可以存储由***100使用、接收、收集和/或生成的任何形式的数据。在一些方法中，数据库128可以存储由焊接装置107收集的焊接工艺参数和/或由检查装置106收集的表面拓扑数据。在一些方法中，数据库128还可以存储由图像处理模块122、特征工程化模块123和/或不连续识别模块124使用和/或生成的数据。在一些方法中，数据库128可以包括焊接工艺参数的时间历史数据。在数据库128中，焊接工艺参数还可以与与焊缝104相关联的位置数据相关联，例如焊接装置107(例如，焊枪)在焊接过程中的X-Y-Z位置。例如，在一些实施例中，检查装置106可以在焊接过程期间跟随焊接装置107的X-Y-Z路径，作为跟随装置，或者在已经完成焊缝104之后作为独立装置。因此，位置数据和/或时间历史数据中的一个或多个可以存储在数据库128中，并且在一些方面，可以与表面拓扑数据和/或焊接工艺参数相关联。
如图1所示，***100的各种元件可以直接或间接通信，例如通过一个或多个分布式通信网络，例如网络130。例如，网络130可以包括LAN、WAN、互联网、蜂窝、Wi-Fi和其他此类通信网络或两个或多个此类网络的组合。
在操作中，检查装置106获取与一个或多个焊缝104相关联的表面拓扑数据。设想检查装置106不需要沿其整个长度捕获焊缝104的表面拓扑数据，但也可以捕获其一部分的表面拓扑。进一步设想，检查装置106可以捕获与焊缝104相关联的焊缝金属区和/或热影响区的数据。
图像处理模块122可以直接或间接地从检查装置106接收表面拓扑数据。图像处理模块122然后处理表面拓扑数据以生成用于焊缝104的焊缝区段。从焊缝区段，特征工程化模块123提取与焊缝104相关联的一个或多个焊缝特征。图2A-2E图示了示例性表面拓扑数据、焊缝区段和各种焊缝特征。不连续识别模块124然后接收与焊缝104相关联的焊缝特征。不连续识别模块124可以分析焊缝特征以识别与焊缝104相关联的一个或多个不连续。不连续识别模块124可以进一步分析焊缝特征以将一个或多个焊缝分类符分配给焊缝104。
图2A是示例性焊缝的三维表面拓扑数据202的图像。三维表面拓扑数据202是点云数据的形式。三维表面拓扑数据202可以通过例如蓝光扫描仪的检查装置106获得。此外，三维表面拓扑数据202数据可以由参照图1描述的***100的图像处理模块122接收。
图2B是示例性焊缝的焊缝区段204的图像。可以通过图像处理模块122获得焊缝区段204。图像处理模块122可以基于例如图2A中描绘的三维表面拓扑数据202的表面拓扑数据生成焊缝区段204。例如，图像处理模块122可以从图2A所示类型的点云数据中提取焊缝区段204。焊缝区段204捕获示例性焊缝的面侧的区域，该区域从相邻的基材板中识别焊接区。焊缝区段204描绘了可能存在例如不连续之类的焊缝特性的区域。
图2C和2B提供了与示例性焊缝相关联的焊缝特征的图表。图2C是与示例性焊缝相关联的统计焊缝特征的图表206。静态焊缝特征包括最小高度207、最大高度209和平均高度211。统计焊缝特征可以来自焊缝区段，例如图2B中描绘的焊缝区段204。图2C所示的统计焊缝特征可用于将焊缝识别为符合或不符合。例如，区域208是沿着焊缝长度的最大高度的变化较大的区域。区域210是沿着焊缝长度的具有较低平均高度的区域。因此，图2C中的最大高度207和平均高度211焊缝特征可用于将示例性焊缝识别或标记为不符合。在一个示例中，不连续识别模块124可以接收图表206中所示的统计焊缝特征数据，作为输入，并且基于这种统计焊缝特征数据识别或预测示例性焊缝为不符合。在另一个示例中，来自图表206的统计焊缝特征数据可以基于示例性焊缝的体积检查来标记。如果体积检查确认示例性焊缝不符合或具有缺陷，则可以将体积焊缝特征数据如此标记并用于训练不连续识别模块124的机器学习算法。
图2D是与示例性焊缝相关联的另一个焊缝特征的图表212。特别地，图表212图示了高焊缝214和矮焊缝216的焊缝轮廓。高焊缝214的轮廓具有更大的高度，这可以指示更多的焊接材料或更好的焊缝质量。矮焊缝216的轮廓具有较小的高度，这可以表示焊缝材料较少或焊缝质量较低。因此，图2D中的焊缝特征可用于将高焊缝识别或标记为符合，并将矮焊缝识别或标记为不符合。在一个示例中，不连续识别模块124可以从图表212接收焊缝特征数据作为输入，并且基于这样的焊缝特征数据识别或预测高焊缝符合并且矮焊缝不符合。在另一个示例中，可以基于矮焊缝和高焊缝的体积检查来标记来自图表212的焊缝特征数据。如果体积检查确认矮焊缝不符合而高焊缝符合，则可以将焊缝特征数据如此标记并用于训练不连续识别模块124的机器学习算法。
图2E提供了示例性焊缝的各种直方图。直方图来自示例性焊缝的焊缝区段，并且图示了x轴上的高度单元和y轴上的每个单元中的点云数据的点数。直方图的轮廓可以对应于各种不连续。以这种方式，直方图的轮廓可用于识别或预测与焊缝相关联的不连续，并且以这种方式，可用于预测焊缝符合还是不符合。
图3提供了根据一些实施例的可用于训练***100中的不连续识别模块124的示例性***架构。图3图示了使用历史焊接前的表面拓扑数据302、历史焊接后的表面拓扑数据304和历史焊接工艺参数308来训练不连续识别模块124的机器学习算法126的一种方法。设想可以使用其他训练方法。
如图3所示，可以在训练数据库316中编译训练数据以训练机器学习算法126。训练数据库316可以包括标记的焊缝特征数据318。此外，训练数据库316可以包括其他形式的数据，例如历史焊接前的表面拓扑数据302、历史焊接后的表面拓扑数据304、历史焊接工艺参数308、历史焊缝特征310、历史表面检查数据312或可从任何合适数据源接收的历史体积检查数据。容纳在训练数据库316中的一种或多种类型的数据可用于训练不连续识别模块124的机器学习算法126。
在一些方法中，***100的图像处理模块122可以分析历史焊接后的表面拓扑数据304以生成或识别历史焊缝特征310。图像处理模块122接收多个历史焊缝的历史焊接前的表面拓扑数据302和/或历史焊接后的表面拓扑数据304。在一些方法中，***100可以将历史焊接前的表面拓扑数据302和/或历史焊接后的表面拓扑数据304存储在一个或多个数据库128中。然而，还设想历史焊接前的表面拓扑数据302和/或历史焊接后的表面拓扑数据304可以从其他来源接收。图像处理模块122接收历史焊接前的表面拓扑数据302和/或历史焊接后的表面拓扑数据304并且生成用于历史焊缝的历史焊缝区段。该***还接收用于历史焊缝的历史焊接工艺参数308。在一些方法中，***100可以将历史焊接工艺参数308存储在一个或多个数据库128中，然而，还设想可以从其他来源接收历史焊接工艺参数308。在一些方法中，特征工程化模块123可以基于历史焊缝区段和历史焊接工艺参数308提取用于历史焊缝的历史焊缝特征310。历史焊缝特征310可以由训练数据库316接收。在其他方法中，训练数据库316可以从其他输入源(例如数据库)中接收历史焊缝特征310。
可以与***100的缺陷识别模块124相关联的训练数据库316还接收用于历史焊缝的历史表面检查数据312和/或历史体积检查数据314。在一些方法中，***100从一个或多个数据库128接收历史表面检查数据312和/或历史体积检查数据314。然而，设想历史表面检查数据312和/或历史体积检查数据314可以从其他来源接收。历史表面检查数据312包括从历史焊缝的表面检查(例如目视检查)获得的数据，并且识别历史焊缝的例如表面不连续的特性。历史表面检查数据312还可以将历史焊缝识别为符合或不符合一个或多个焊缝标准。历史体积检查数据314包括从历史焊缝的例如X射线或超声波检查的体积检查获得的数据，并且识别历史焊缝的例如表面下不连续的特性。历史体积检查数据314还可以将历史焊缝识别为符合或不符合一个或多个焊缝标准。
历史焊缝特征310、历史表面检查数据312和历史体积检查数据314用于生成标记的焊缝特征数据318。标记的焊缝特征数据318可以被容纳在例如训练数据库316中，用于不连续识别模块124。标记的焊缝特征数据318识别与多个焊缝104的历史焊缝特征310相关联的焊缝特性。即，标记的焊缝特征数据318用一个或多个焊缝特性来标记历史焊缝的历史焊缝特征310。焊缝特性可以将历史焊缝识别为符合或不符合一个或多个焊缝标准，或者可以识别一个或多个不连续，例如与历史焊缝相关联的表面不连续或表面下不连续。例如，当最小高度不符合焊缝标准时，指示历史焊缝中的一个历史焊缝的最小高度的焊缝特征可以被标记为不连续或不符合。在一些方法中，标记的焊缝特征数据318存储在训练数据库316中。标记的焊缝特征数据318、历史焊接工艺参数308和/或历史体积检查数据314可以用作不连续识别模块124中的机器学习算法126的训练数据集。以这种方式，可以训练机器学习算法126以识别历史焊缝特征310和历史焊缝特性之间的关系。
在一些实施例中，历史焊接前的表面拓扑数据302、历史焊接后的表面拓扑数据304和/或历史焊接工艺参数308用于生成机器学习算法126的附加标记训练数据。历史表面检查数据312和/或历史体积检查数据314用于生成这样的标记训练数据。例如，历史表面检查数据312可用于将历史焊接前的表面拓扑数据302标记为具有特定缺陷或符合。因此，标记训练数据识别与历史焊接前的表面拓扑数据302、历史焊接后的表面拓扑数据304和/或历史焊接工艺参数308相关联的历史焊缝特性(例如缺陷、不连续、符合、不符合等)。以这种方式，可以训练机器学习算法126以识别历史焊接前的表面拓扑数据302和历史焊缝特性之间的关系。进一步，可以训练机器学习算法126以识别历史焊接后的表面拓扑数据304和历史焊缝特性之间的关系。此外，可以训练机器学习算法126以识别历史焊接工艺参数308和历史焊缝特性之间的关系。
在一些实施例中，不连续识别模块124可以生成用于对焊缝104进行分类的一个或多个焊缝签名。例如，不连续识别模块124可以生成符合焊缝签名324和不符合焊缝签名326，符合焊缝签名324识别符合一个或多个焊缝标准的焊缝104的焊缝特性，不符合焊缝签名326识别不符合一个或多个焊缝标准的焊缝104的特性。符合焊缝签名324可以包括例如与符合焊缝相关联的各种拓扑特征(例如，焊缝轮廓、焊缝形状、最大焊缝高度、最小焊缝高度、焊缝长度或焊缝的其他尺寸或焊缝的横截面)或统计特征(例如，焊缝的平均高度、焊缝的最大高度的变化、焊缝的最小高度的变化)的特性。符合焊缝签名324还可以包括符合焊缝的一个或多个模型(例如，点云、二维图像、焊缝区段或直方图)。图2A至2E提供了可以被包括在符合焊缝签名324中或与符合焊缝签名324相关联的信息的示例。符合焊缝签名324和不符合焊缝签名326可以存储在焊缝分类数据库322中。
图4提供了根据一些实施例的可用于使用不连续识别模块124分析一个或多个焊缝104的示例性***架构。
***100接收焊缝104的焊接前的表面拓扑数据402和焊接后的表面拓扑数据404。
在一些方法中，图像处理模块122接收焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据402并生成焊缝104的焊缝区段。***100还接收与焊缝104相关联的一个或多个焊接工艺参数406。特征工程化模块123基于焊缝104的焊缝区段和焊接工艺参数406提取焊缝104的一个或多个焊缝特征408。
然后，不连续识别模块124基于焊缝特征408识别与焊缝104相关联的一个或多个焊缝特性410。机器学习算法126基于焊缝特征408识别与焊缝104相关联的焊缝特性410。在一些方法中，机器学习算法126已经使用参考图3描述的***架构来训练。
在一些实施例中，不连续识别模块124可以基于焊接前的表面拓扑数据402、焊接后的表面拓扑数据404和/或焊接工艺参数406来识别与焊缝104相关联的一个或多个焊缝特性410。可以训练机器学习算法126以基于焊接前的表面拓扑数据402、焊接后的表面拓扑数据404和/或焊接工艺参数406识别与焊缝104相关联的焊缝特性410。
如上所述，焊缝特性410可以包括焊缝104是否符合焊缝标准的指示。因此，在一些实施例中，不连续识别模块124可以识别焊缝104是否符合一个或多个焊缝标准(例如，焊缝104是符合还是不符合)。在一些方法中，不连续识别模块124可以至少部分地基于焊接工艺参数406是否超出范围来确定焊缝104符合。即，机器学习算法126可以学习焊接工艺参数406何时超出范围并且创建和/或识别焊缝104的不符合特性，从而排除检查或分析焊缝104的需要。
该***可以进一步接收与焊缝104相关联的焊缝特性410的检查验证信息412。在一些方法中，检查验证信息412可以包括从通过一种或多种检查方法(例如表面检查或体积检查)检查焊缝104而获得的信息。在一些实施例中，检查验证信息412还可以包括金相数据，其可以提供焊缝104的横截面。以这种方式，检查验证信息412可以确认使用不连续识别模块124识别的焊缝特性410和/或通过不连续识别模块124分配的一个或多个焊缝分类符的准确性。例如，金相数据可用于验证或确认焊缝特性410(例如，未熔合或未熔透)的准确性。检查验证信息412也可以由不连续识别模块124接收，例如，以更新用于更新和/或训练机器学习算法126的训练数据集。
图5提供了分析焊缝质量的方法500的高级概述。方法500或其部分可以使用***100来执行，并且在一些方法中，可以使用图3的***架构和/或图4的***架构400来执行。
方法500包括502训练不连续识别模块124以基于焊缝104的焊缝特征408识别与焊缝104相关联的焊缝特性410。在一些方法中，图3中所示的***架构300可用于训练不连续识别模块124。方法500还包括504通过不连续识别模块124分析焊缝104，以识别与焊缝104相关联的焊缝特性410。在一些实施例中，方法500进一步包括506基于与焊缝104相关联的焊缝特性410的焊接后的检查验证来更新不连续识别模块124。在一些方法中，焊接后的检查验证涉及检查焊缝104以获得检查验证信息412。可以通过一种或多种检查方法(例如表面检查或体积检查方法)检查焊缝104，以确认使用不连续识别模块124识别的焊缝特性410的准确性。为了在完成焊缝104后验证焊缝特性410的准确性，可以将检查验证信息412(即，从焊缝104的目视检查或体积检查获得的)与使用不连续识别模块124识别的焊缝特性410进行比较。
转向图6，示出了分析焊缝质量的方法600。方法600或其部分可以使用***100来执行，并且在一些方法中，可以使用图3的***架构300和/或图4的***架构400来执行。在一些方法中，方法600可用于训练机器学习算法126并生成训练的机器学习算法。进一步，方法600可用于使用机器学习算法126识别与焊缝104相关联的一个或多个焊缝特性410。
方法600包括602收集具有已知历史焊缝特性(例如，已知的不连续)和历史焊缝特征310的多个历史焊缝的标记的焊缝特征数据318。标记的焊缝特征数据318识别与多个历史焊缝的历史焊缝特征310相关联的历史焊缝特性。历史焊缝特性可以包括例如焊缝不连续或关于历史焊缝是否符合焊缝标准的指示。方法600还包括604使用标记的焊缝特征数据318通过至少一种机器学习算法126识别历史焊缝特征310和历史焊缝特性之间的关系。在一些方法中，机器学习算法是不连续识别模块124的一部分。
方法600进一步包括在606从一个或多个检查装置106直接或间接地接收与焊缝104相关联的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。在606的接收可以包括接收用于焊缝104的长度的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404；然而，还设想表面拓扑数据可以仅用于焊缝104的长度的一部分。在一些方法中，在606的接收包括接收用于焊缝金属区(WMZ)和/或热影响区(HAZ)的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。也就是说，在606的接收可以包括接收用于焊缝104及其热影响区两者的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。还应当理解，在606的接收可以包括接收用于焊缝104的根侧和/或面侧的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。
方法600还包括608从一个或多个焊接装置107直接或间接地接收与焊缝104相关联的至少一个焊接工艺参数406。在一些方法中，还设想可以将焊接工艺参数406输入到方法600中使用的机器学习算法126中，或者可以通过与焊接操作相关联的照相机、高温计、定位装置(例如，伺服编码器)或气体流量监视器收集焊接工艺参数406。方法600还包括610从焊接前的表面拓扑数据402、焊接后的表面拓扑数据404和/或焊接工艺参数406中提取至少一个焊缝特征408。在一些方法中，通过参照图1描述的特征工程化模块123执行在610的提取。
方法600还包括612基于焊缝特征408以及历史焊缝特征310和历史焊缝特性之间的关系识别焊缝104的至少一个焊缝特性410。在一些方法中，在612的识别可以通过参照图1-3描述的不连续识别模块124来执行。机器学习算法126接收焊缝特征408作为输入并且识别与焊缝104相关联的焊缝特性410作为输出。
在一些实施例中，方法600还可以基于焊缝特性410来标记焊缝104。特别地，方法600可以包括基于历史焊缝特征310和历史焊缝特性之间的关系生成多个焊缝分类符。焊缝分类符可以基于其焊缝特性410来标记或以其他方式分类焊缝104。例如，焊缝分类符可以将焊缝标记为符合或不符合一个或多个焊缝标准。焊缝标准可以包括焊缝104的检查标准或规范。方法600还可以进一步包括将多个焊缝分类符中的至少一个焊缝分类符分配给焊缝104。可以基于焊缝特征408以及历史焊缝特征310和历史焊缝特性之间的关系来分配至少一个焊缝分类符。设想焊缝分类符可以在焊缝分类报告中输出或者可以通过一个或多个用户界面显示给操作员。
转向图7，图示了分析焊缝质量的方法700。方法700可用于识别与焊缝104相关联的一个或多个焊缝特性410。方法700或其部分可使用***100来执行，并且在一些方法中，可使用图3的***架构300和/或图4的***架构400来执行。
方法700包括702接收与焊缝104相关联的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404可以从一个或多个检查装置106直接或间接地接收。在702的接收可以包括接收用于焊缝104的长度的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404；然而，还设想表面拓扑数据可以仅用于焊缝104的长度的一部分。在一些方法中，在702的接收包括接收用于焊缝金属区(WMZ)和/或热影响区(HAZ)的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。即，在702的接收可以包括接收用于焊缝104及其热影响区和/或焊缝金属区的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。还应理解，在702的接收可以包括接收用于焊缝104的根侧和/或面侧的焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404。
方法700还包括704处理焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404以提取一个或多个焊缝特征408。在一些方法中，在704处理焊接前的表面拓扑数据402和/或焊接后的表面拓扑数据404以提取焊缝特征408是通过特征工程化模块123来执行的。
方法700进一步包括706接收一个或多个焊接工艺参数406。在一些方法中，焊接工艺参数406可以例如通过内置或从外部应用到焊接装置107的一个或多个传感器从一个或多个焊接装置107接收。在其他方法中，可以将焊接工艺参数406输入到方法700中使用的机器学习算法126中，或者可以通过与焊接操作相关联的例如照相机、高温计、定位装置(例如，伺服编码器)或气体流量监视器的装置收集焊接工艺参数406。方法700还包括708从焊接工艺参数406中提取一个或多个焊缝特征408。在一些方法中，通过特征工程化模块123执行708从焊接工艺参数406中提取一个或多个焊缝特征408。
方法700还包括710通过经由训练的机器学习算法分析焊缝特征408来确定与焊缝104相关联的一个或多个焊缝特性。训练的机器学习算法可以被配置为基于焊缝特征408识别焊缝特性。训练的机器学习算法接收与焊缝相关联的焊缝特征408作为输入并且识别与焊缝104相关联的焊缝特性410作为输出。在一些方法中，训练的机器学习算法是如图3中所述的那样生成的。
在一些实施例中，方法700进一步包括712基于焊缝特性410生成焊缝分类报告。焊缝分类报告可以提供关于通过方法700识别的焊缝特性410的信息。焊缝分类报告可以进一步包括与焊缝104的质量有关的任何附加信息。在一个示例中，焊缝分类报告可以提供关于不连续的信息，例如不连续的描述、焊缝104上的不连续的位置和/或与不连续相关联的焊接工艺参数406。在一些方法中，焊缝分类报告可以识别焊缝104的低、中或高分类，该分类指示符合一个或多个焊缝标准的水平。还设想焊缝分类报告可以为焊缝104提供一个或多个标记，该一个或多个标记根据其焊缝特性410标记或以其他方式分类焊缝104。
焊缝分类报告还可以包括与焊缝104有关的一个或多个建议。这些建议可以为通过方法700分析的焊缝104提供一种或多种纠正措施。在一些方面，焊缝分类报告还可以为未来的焊缝提供一种或多种纠正措施。纠正措施可以指示优化焊接工艺参数406的条件或可能导致更大的顺应性或减少的不连续数量的焊接工艺参数406。在一个示例中，该建议可以指示应该重新焊接焊缝104。
分析焊缝质量的常规方法可以依赖于在焊接完成后的体积检查，例如X射线或超声波检查，以确定焊缝中是否存在表面下缺陷。进一步，可能需要目视检查，例如使用管道镜，以评估焊缝中是否存在表面缺陷。本公开的方面可以允许消除或减少这种体积检查或目视检查，因此，可以从车间消除焊接后的检查过程。此外，消除体积和/或目视焊接后的检查过程可以消除或减少与解释检查结果以识别符合与不符合缺陷相关联的主观性。
特别地，本文所述的方法和***使用焊接后的表面拓扑信息结合焊接工艺参数来识别表面缺陷和/或通过使用机器学习和人工智能算法来预测焊缝中何时存在表面下缺陷。此类算法可用于改进焊接工艺的质量控制和质量保证。使用焊接期间收集的焊接后的表面拓扑数据和焊接工艺参数，可以利用来自定义符合和不符合焊缝或零件的焊接后检查的数据来创建并标记训练集。然后使用训练数据构建机器学习算法，该机器学习算法能够预测焊缝的表面和/或表面下缺陷的进一步结果。更进一步，机器学习算法可以使用新的注释数据不断更新，以提高其准确性。
此外，本公开中描述的方法和***可以允许优化焊接工艺并减少焊缝中的缺陷。例如，机器学习算法可用于优化焊接工艺参数，从而减少焊接缺陷并提高零件的符合性。这种缺陷的减少或符合性的提高可导致废品减少。
还设想通过使用表面拓扑数据，本文所述的方法和***可以提供稳健的缺陷识别或预测。表面拓扑数据涵盖了许多缺陷类型，例如咬边、过多的焊缝材料或较低的焊缝。因此，通过在机器学习算法中使用表面拓扑数据可以提供全面的缺陷识别或预测。
术语“联接”、“固定”、“附接到”等指的是直接联接、固定或附接，以及通过一个或多个中间部件或特征间接联接、固定或附接，除非本文另有说明。
单数形式“一”、“一个”和“该”包括复数指代，除非上下文另有明确规定。
在整个说明书和权利要求书中使用的近似语言被应用于修改可以允许变化而不导致其相关的基本功能的变化的任何定量表示。因此，由例如“大约”、“近似”和“基本上”之类的一个或多个术语修饰的值不限于指定的精确值。在至少一些情况下，近似语言可以对应于用于测量该值的仪器的精度，或用于构造或制造部件和/或***的方法或机器的精度。例如，近似语言可能指的是在10％的余量内。
本发明的进一步方面由以下条项的主题提供：
一种用于分析焊缝质量的***，所述***包括：具有至少一个处理器和至少一个存储器装置的控制器，所述至少一个存储器装置存储至少一种机器学习算法，所述至少一种机器学习算法被配置为接收表面拓扑数据和焊接工艺参数，并且处理所述表面拓扑数据和焊接工艺参数以从多个预定义的焊缝特性中识别焊缝特性，并且所述至少一个存储器装置存储指令，当所述指令由所述至少一个处理器执行时，使所述至少一个处理器执行操作，所述至少一个处理器被配置为：接收用于具有多个历史焊缝特征的第一多个历史焊缝的标记焊缝特征数据，所述标记焊缝特征数据识别与所述多个历史焊缝特征相关联的历史焊缝特性；通过至少一种机器学习算法，确定所述多个历史焊缝特征和所述历史焊缝特性之间的关系；从一个或多个检查装置接收与焊缝相关联的焊接后的表面拓扑数据；接收与所述焊缝相关联的至少一个焊接工艺参数；从所述焊接后的表面拓扑数据或所述至少一个焊接工艺参数中的至少一个中提取至少一个焊缝特征；以及基于所述多个历史焊缝特征和所述历史焊缝特性之间的关系和所述至少一个焊接特征，通过所述控制器从所述多个预定义的焊缝特性中识别所述焊缝的至少一个焊缝特性。
根据前述条项中任一项所述的***，其中，所述至少一个焊缝特性包括表面不连续或表面下不连续中的至少一个。
根据前述条项中任一项所述的***，其中，所述至少一个处理器进一步被配置为：生成多个焊缝分类符；和基于所述至少一个焊缝特征以及所述多个历史焊缝特征和所述历史焊缝特性之间的关系，通过所述控制器将所述多个焊缝分类符中的至少一个焊缝分类符分配给所述焊缝。
根据前述条项中任一项所述的***，其中，所述至少一个处理器进一步被配置为基于所述至少一个焊缝特性生成焊缝分类报告。
根据前述条项中任一项所述的***，其中，所述至少一个处理器进一步被配置为处理所述焊接后的表面拓扑数据，以提取所述至少一个焊缝特征。
根据前述条项中任一项所述的***，其中，所述至少一个焊缝特征包括形状、尺寸、焊缝轮廓的形状、所述焊缝轮廓的尺寸或所述焊缝的统计特征中的至少一个。
根据前述条项中任一项所述的***，进一步包括激光扫描仪，并且其中所述激光扫描仪形成所述一个或多个检查装置。
根据前述条项中任一项所述的***，其中，所述至少一个处理器进一步被配置为根据所述焊接后的表面拓扑数据生成焊缝区段。
根据前述条项中任一项所述的***，其中，所述处理器进一步被配置为：接收用于第二多个历史焊缝的标记焊接前的表面拓扑数据，用于所述第二多个历史焊缝的所述标记焊接前的表面拓扑数据识别与历史焊接前的表面拓扑数据相关联的历史焊缝特性；通过至少一种机器学习算法，确定所述历史焊接前的表面拓扑数据和所述历史焊缝特性之间的关系；接收与所述焊缝相关联的焊接前的表面拓扑数据；和基于所述历史焊接前的表面拓扑数据和所述历史焊缝特性与所述焊接前的表面拓扑数据之间的关系，通过所述控制器识别所述焊缝的至少一个焊缝特性。
根据前述条项中任一项所述的***，其中，所述焊接前的表面拓扑数据和所述焊接后的表面拓扑数据是点云数据。
根据前述条项中任一项所述的***，其中，所述至少一个处理器进一步被配置为：将所述点云数据转换为图像数据；获取所述图像数据的强度；基于所述图像数据的所述强度，生成所述焊缝的焊缝区段；和基于所述焊缝区段，提取所述至少一个焊缝特征。
一种分析焊缝质量的方法，所述方法包括：收集用于具有多个历史焊缝特征的多个历史焊缝的标记焊缝特征数据，所述标记焊缝特征数据识别与多个历史焊缝特征相关联的历史焊缝特性；通过至少一种机器学习算法识别多个历史焊缝特征和历史焊缝特性之间的关系，以生成多个焊缝分类符；从一个或多个检查装置接收与焊缝相关联的焊接前的表面拓扑数据和焊接后的表面拓扑数据；从一个或多个焊接装置接收与焊缝相关联的至少一个焊接工艺参数；从焊接前的表面拓扑数据、焊接后的表面拓扑数据和至少一个焊接工艺参数中提取至少一个焊缝特征；和基于至少一个焊缝特征以及多个历史焊缝特征和历史焊缝特性之间的关系，通过控制器将多个焊缝分类符中的至少一个焊缝分类符分配给焊缝。
根据前述条项中任一项所述的方法，其中，所述焊缝分类符将所述焊缝识别为符合或不符合。
根据前述条项中任一项所述的方法，其中，所述方法进一步包括：接收检查验证信息，所述检查验证信息包括用于所述焊缝的目视检查结果或体积检查结果中的至少一个；以及将所述检查验证信息与所述至少一个焊缝分类符进行比较。
根据前述条项中任一项所述的方法，其中，所述方法进一步包括：基于所述检查验证信息与所述至少一个焊缝分类符的比较，更新所述至少一种机器学习算法。
根据前述条项中任一项所述的方法，其中，更新所述至少一种机器学习算法包括将所述检查验证信息添加到用于所述至少一种机器学习算法的训练数据集。
一种分析焊缝质量的方法，所述方法包括：从一个或多个检查装置接收与焊缝相关联的焊接前的表面拓扑数据和焊接后的表面拓扑数据；从一个或多个焊接装置接收与所述焊缝相关联的至少一个焊接工艺参数；从所述焊接前的表面拓扑数据、所述焊接后的表面拓扑数据和所述至少一个焊接工艺参数中提取至少一个焊缝特征；和通过训练的机器学习算法分析所述至少一个焊缝特征，确定与所述焊缝相关联的至少一个焊缝特性，所述训练的机器学习算法被配置为基于焊缝特征识别焊缝特性，所述训练的机器学习算法接收所述至少一个焊缝特征作为输入并识别与所述焊缝相关联的所述至少一个焊缝特性作为输出。
根据前述条项中任一项所述的方法，进一步包括：基于所述至少一个焊缝特性，将至少一个焊缝分类符分配给所述焊缝。
根据前述条项中任一项所述的方法，其中，所述至少一个焊缝分类符识别所述焊缝是否符合至少一个预定焊缝标准。
根据前述条项中任一项所述的方法，进一步包括：接收检查验证信息，所述检查验证信息包括用于所述焊缝的目视检查结果或体积检查结果中的至少一个；将所述检查验证信息与所述至少一个焊缝分类符进行比较；和基于所述检查验证信息与所述至少一个焊缝分类符的比较，更新所述训练的机器学习算法。
根据前述条项中任一项所述的方法，其中，更新所述训练的机器学习算法包括将所述检查验证信息添加到用于所述训练的机器学习算法的训练数据集。
根据前述条项中任一项所述的方法，其中，用于训练所述训练的机器学习算法的训练数据集包括具有已知特性的焊缝的历史焊缝特征。
根据前述条项中任一项所述的方法，其中，所述历史焊缝特征是基于历史焊接前的表面拓扑数据和历史焊接后的表面拓扑数据来确定的，其中所述历史焊接前的表面拓扑数据和所述历史焊接后的表面拓扑数据与具有已知特性的所述焊缝相关联。
一种用于分析焊缝质量的方法，包括：接收与多个历史焊缝相关的信息，包括历史标记焊缝特征数据和历史焊缝特性；从一个或多个检查装置接收焊接后的表面拓扑数据，定义接收到的表面拓扑信息；接收与部件的焊缝相关联的至少一个焊接工艺参数；通过至少一种机器学习算法，确定所述历史标记焊缝特征数据和历史焊缝特性之间的相关性；基于所确定的相关性、至少一个焊接工艺参数和接收到的表面拓扑信息，通过控制器预测所述部件的至少一个表面下缺陷。
根据前述条项中任一项所述的方法，进一步包括：基于所述至少一个表面下缺陷，通过所述控制器将至少一个焊缝分类符分配给所述焊缝，并且其中所述至少一个焊缝分类符将所述焊缝识别为符合或不符合。
根据前述条项中任一项所述的方法，其中，所述部件是增材制造的部件，并且其中，所述焊缝是重叠接缝。
将理解的是，在所附权利要求的原则和范围内，本领域技术人员可以对本文所述和图示的用以解释移动部件和静止部件之间的动态密封的性质的零件和部件的细节、材料和布置进行各种改变。此外，虽然已经针对特定实施例描述了各种特征，但是将理解的是，针对一个实施例描述的特征也可以与其他描述的实施例结合。

Claims (10)

1.一种用于分析焊缝质量的***，其特征在于，所述***包括：
具有至少一个处理器和至少一个存储器装置的控制器，所述至少一个存储器装置存储至少一种机器学习算法，所述至少一种机器学习算法被配置为接收表面拓扑数据和焊接工艺参数，并且处理所述表面拓扑数据和焊接工艺参数以从多个预定义的焊缝特性中识别焊缝特性，并且所述至少一个存储器装置存储指令，当所述指令由所述至少一个处理器执行时，使所述至少一个处理器执行操作，所述至少一个处理器被配置为：
接收用于具有多个历史焊缝特征的第一多个历史焊缝的标记焊缝特征数据，所述标记焊缝特征数据识别与所述多个历史焊缝特征相关联的历史焊缝特性；
通过所述至少一种机器学习算法，确定所述多个历史焊缝特征和所述历史焊缝特性之间的关系；
从一个或多个检查装置接收与焊缝相关联的焊接后的表面拓扑数据；
接收与所述焊缝相关联的至少一个焊接工艺参数；
从所述焊接后的表面拓扑数据或所述至少一个焊接工艺参数中的至少一个中提取至少一个焊缝特征；
基于所述多个历史焊缝特征和所述历史焊缝特性之间的关系，通过所述控制器从所述多个预定义的焊缝特性中识别所述焊缝的至少一个焊缝特性。
2.根据权利要求1所述的***，其特征在于，其中，所述至少一个焊缝特性包括表面不连续或表面下不连续中的至少一个。
3.根据权利要求1所述的***，其特征在于，其中，所述至少一个处理器进一步被配置为：
生成多个焊缝分类符；和
基于所述至少一个焊缝特征以及所述多个历史焊缝特征和所述历史焊缝特性之间的关系，通过所述控制器将所述多个焊缝分类符中的至少一个焊缝分类符分配给所述焊缝。
4.根据权利要求1所述的***，其特征在于，其中，所述至少一个处理器进一步被配置为基于所述至少一个焊缝特性生成焊缝分类报告。
5.根据权利要求1所述的***，其特征在于，其中，所述至少一个处理器进一步被配置为处理所述焊接后的表面拓扑数据，以提取所述至少一个焊缝特征。
6.根据权利要求1所述的***，其特征在于，其中，所述至少一个焊缝特征包括形状、尺寸、焊缝轮廓的形状、所述焊缝轮廓的尺寸或所述焊缝的统计特征中的至少一个。
7.根据权利要求1所述的***，其特征在于，进一步包括激光扫描仪，并且其中所述激光扫描仪形成所述一个或多个检查装置。
8.根据权利要求1所述的***，其特征在于，其中，所述至少一个处理器进一步被配置为：
接收用于第二多个历史焊缝的标记焊接前的表面拓扑数据，用于所述第二多个历史焊缝的所述标记焊接前的表面拓扑数据识别与历史焊接前的表面拓扑数据相关联的历史焊缝特性；
通过至少一种机器学习算法，确定所述历史焊接前的表面拓扑数据和所述历史焊缝特性之间的关系；
接收与所述焊缝相关联的焊接前的表面拓扑数据；和
基于所述历史焊接前的表面拓扑数据和所述历史焊缝特性与所述焊接前的表面拓扑数据之间的关系，通过所述控制器识别所述焊缝的至少一个焊缝特性。
9.根据权利要求8所述的***，其特征在于，其中，所述焊接前的表面拓扑数据和所述焊接后的表面拓扑数据是点云数据。
10.根据权利要求9所述的***，其特征在于，其中，所述至少一个处理器进一步被配置为：
将所述点云数据转换为图像数据；
获取所述图像数据的强度；
基于所述图像数据的所述强度，生成所述焊缝的焊缝区段；和
基于所述焊缝区段，提取所述至少一个焊缝特征。
CN202210480160.5A 2022-02-25 2022-05-05 用于分析焊缝质量的***和方法 Pending CN116703807A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN202211010223 2022-02-25
IN202211010223 2022-02-25

Publications (1)

Publication Number Publication Date
CN116703807A true CN116703807A (zh) 2023-09-05

Family

ID=81454726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210480160.5A Pending CN116703807A (zh) 2022-02-25 2022-05-05 用于分析焊缝质量的***和方法

Country Status (5)

Country Link
US (1) US20230274407A1 (zh)
EP (1) EP4234158A1 (zh)
JP (1) JP7403907B2 (zh)
CN (1) CN116703807A (zh)
CA (1) CA3158524A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113195154A (zh) * 2018-12-19 2021-07-30 松下知识产权经营株式会社 焊接***及使用该焊接***的工件的焊接方法
CN117557553B (zh) * 2023-12-28 2024-05-24 中核武汉核电运行技术股份有限公司 一种核电站管道焊缝检测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6815764B2 (ja) * 2016-06-28 2021-01-20 株式会社日立製作所 溶接監視システム
DE102018129425B4 (de) * 2018-11-22 2020-07-30 Precitec Gmbh & Co. Kg System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks
WO2020129617A1 (ja) * 2018-12-19 2020-06-25 パナソニックＩｐマネジメント株式会社 外観検査装置及びそれを用いた溶接箇所の形状不良の有無及び種類の判定精度の向上方法、溶接システム及びそれを用いたワークの溶接方法
JP7329754B2 (ja) * 2019-06-14 2023-08-21 パナソニックＩｐマネジメント株式会社 リペア溶接システムおよびリペア溶接方法
WO2020262050A1 (ja) * 2019-06-28 2020-12-30 パナソニックＩｐマネジメント株式会社 リペア溶接検査装置およびリペア溶接検査方法
JP7303163B2 (ja) * 2020-07-20 2023-07-04 株式会社神戸製鋼所 欠陥発生予測方法、及び欠陥発生予測装置

Also Published As

Publication number Publication date
JP7403907B2 (ja) 2023-12-25
US20230274407A1 (en) 2023-08-31
EP4234158A1 (en) 2023-08-30
JP2023124755A (ja) 2023-09-06
CA3158524A1 (en) 2023-08-25

Similar Documents

Publication Publication Date Title
US20210318673A1 (en) In-Situ Inspection Method Based on Digital Data Model of Weld
Dai et al. Deep learning assisted vision inspection of resistance spot welds
Yang et al. Investigation of deep learning for real-time melt pool classification in additive manufacturing
CN113207286B (zh) 外观检查装置及使用该外观检查装置判定焊接部位有无形状不良及形状不良的种类的判定精度的提高方法、焊接***及工件的焊接方法
US20230274407A1 (en) Systems and methods for analyzing weld quality
Miao et al. Real-time defect identification of narrow overlap welds and application based on convolutional neural networks
CN111815572B (zh) 一种基于卷积神经网络对锂电池焊接质量的检测方法
US20210232126A1 (en) Quality monitoring of industrial processes
CN113588692B (zh) 基于计算机视觉的焊缝缺陷无损检测方法
KR102306269B1 (ko) 실시간 아크 용접 결함 탐지/분류 방법 및 장치
CN113780900B (zh) 基于边缘计算的焊接检测***及方法
CN115803619A (zh) 信息处理装置、判定方法、以及信息处理程序
KR102621156B1 (ko) 인공지능을 이용하여 위험도를 평가하는 용접 검사 시스템 및 그 방법
Enriquez et al. Prediction of Weld Current Using Deep Transfer Image Networks Based on Weld Signatures for Quality Control
CN114119595A (zh) 一种基于集成深度学习的gmaw焊接质量在线监测及评价方法
Rodriguez-Cobo et al. Feasibility study of Hierarchical Temporal Memories applied to welding diagnostics
CN116618878A (zh) 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质
Cardellicchio et al. Automatic quality control of aluminium parts welds based on 3D data and artificial intelligence
US20230038435A1 (en) Method and apparatus for determining the size of defects during a surface modification process
EP3447480B1 (en) In-process monitoring; automated decision-making; and process control for composite manufacturing using part-referenced ply-by-ply infrared thermography and other non-contact non-destructive inspection
CN114118198A (zh) 在表面改性方法中确定缺陷的方法和装置
Sonwane et al. Developing a DSS for Enhancing Weldment Defect Detection, Classification, and Remediation Using HDR Images and Adaptive MDCBNet Neural Network
WO2024095756A1 (ja) 溶接状態の判定方法及び判定システム
Singhatham et al. Designing of welding defect samples for data mining in defect detection and classification using 3D geometric scanners
Al-Ghamdi et al. Automatic Recognition of Truck Chassis Welding Defects Using Texture Features and Artificial Neural Networks

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