CN117428291A - 基于声谱图特性分析的焊缝熔宽定量方法 - Google Patents
基于声谱图特性分析的焊缝熔宽定量方法 Download PDFInfo
- Publication number
- CN117428291A CN117428291A CN202311736148.7A CN202311736148A CN117428291A CN 117428291 A CN117428291 A CN 117428291A CN 202311736148 A CN202311736148 A CN 202311736148A CN 117428291 A CN117428291 A CN 117428291A
- Authority
- CN
- China
- Prior art keywords
- welding
- layer
- spectrogram
- time
- width
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000004927 fusion Effects 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000011002 quantification Methods 0.000 title claims abstract description 13
- 239000011324 bead Substances 0.000 title claims abstract description 11
- 238000003466 welding Methods 0.000 claims abstract description 119
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 230000033764 rhythmic process Effects 0.000 claims abstract description 5
- 238000007711 solidification Methods 0.000 claims abstract description 5
- 230000008023 solidification Effects 0.000 claims abstract description 5
- 230000005236 sound signal Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 2
- 230000035515 penetration Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000006057 Non-nutritive feed additive Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
-
- 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
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
- B23K9/0953—Monitoring or automatic control of welding parameters using computing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声谱图特性分析的焊缝熔宽定量方法，包括如下步骤：根据焊接节律参数确定短时傅里叶变换的窗长与步长，通过短时傅里叶变换方法生成声谱图，并且通过焊接速度与熔池凝固速度等参数确定时间序列间隔，将所述声谱图转换为频谱图序列。而后构建焊接状态实时预测卷积神经网络模型，利用所述卷积神经网络与所述频谱图，对焊缝背面宽度进行实时定量预测。本发明使用短时傅里叶变换将一维数据转换为二维从而引入深度卷积网络架构，利用时间序列以捕获长程时变信息，从而使用声音数据实现了焊接状态实时定量预测的任务，同时具备了良好的精度与推广能力。
Description
技术领域
本发明涉及一种基于声谱图特性分析的焊缝熔宽定量方法，属于焊缝熔宽预测技术领域。
背景技术
在现代制造业中，焊接作为一项关键工艺扮演着至关重要的角色。然而，随着时间的推移，焊工的雇佣成本不断攀升，这给传统手工焊接带来了巨大的挑战。在这一背景下，焊接自动化变得至关紧迫和必要。自动化焊接不仅有助于降低人力成本，还能够提高生产效率和产品质量的一致性。通过引入自动化焊接***，可以消除人为因素引起的不稳定性，从而减少焊接缺陷的风险。此外，自动化焊接还可以在高温、高风险等环境中提高工作安全性，减少了人员暴露在危险环境中的风险。工业4.0对生产全程自动化提出了要求，从而推动了对焊机自动控制熔透状态这一需求的出现。然而，目前的离线检测方法明显难以满足实时控制的要求，因此在焊缝凝固前对于焊接熔透状态的在线预测需求也随之而产生。
在焊接过程中，涉及多个物理量之间的相互作用，这种耦合效应给对焊接***的物理解释带来了相当的困难。焊接作为一个高度动态和复杂的过程，其涉及的温度、电流、电压等参数之间存在相互依赖关系，这使得理解焊接现象变得复杂而棘手。同时，焊接现场的熔池环境极为恶劣，高温、强光、金属飞溅等因素都会影响传感器的性能甚至对传感器造成不可修复的破坏，从而使得传统的直接传感手段在这样的环境下失去作用。因此，为了深入理解焊接过程并实现有效监控，我们必须探索更先进的非接触传感技术，以适应焊接的复杂性和恶劣环境，从而实现对焊接过程的准确控制和优化。
神经网络是一种新兴的特征提取技术，在计算机视觉领域引起了广泛关注。随着高效架构的推出，利用熔池图像作为神经网络输入已成为预测熔透量的常见方法。然而，许多关键信息仅通过图像难以探测到，这在一定程度上制约了熔透量预测***的性能。在强烈的弧光、飞溅、金属蒸汽等干扰下，以及恶劣的照明条件下，焊件和熔池表面状况难以清晰显示。获取熔池振荡和电弧形态也需要特殊的拍摄方法，而熔池内部的信息更是难以捕捉。
在自动焊接过程中，焊接熔透性的在线预测具有至关重要的意义。声音信号作为一种传感手段，在这一任务中具备显著优势。与图像方法相比，声音信号不受遮挡影响，因此能够克服图像方法可能遭遇的多种干扰因素。声音信号同时具有采集产生的数据少、样本采集周期短等特点，因此在焊接检测中发挥着重要作用。相较于广泛应用的基于图像的解决方案，将声音信号作为输入方式有助于排除众多干扰因素，并对即时和潜在的特征变化具有高度敏感性。然而，目前已有的研究在利用声音信号进行焊接熔透性定量预测方面尚存在空白。
因此，需要一种新的基于声谱图特性分析的焊缝熔宽定量方法以解决上述问题。
发明内容
本发明的目的在于提供一种基于声谱图特性分析的焊缝熔宽定量方法，以解决上述背景技术中提出的问题。
一种基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，包括如下步骤：
一、利用声音采集***对焊接过程中产生的声信号进行采集，所述声音采集***包括麦克风和数据采集卡，所述麦克风与焊枪固定连接，随焊枪同步运动；
二、根据焊接节律参数确定短时傅里叶变换的窗长与步长，通过短时傅里叶变换方法生成声音信号的频谱图；
三、通过焊接速度与熔池凝固速度确定时间序列间隔，将所述频谱图转换为频谱图序列；
四：构建熔焊状态实时预测卷积神经网络模型，利用所述熔焊状态实时预测卷积神经网络模型和频谱图序列对焊缝背面熔宽进行预测，所述熔焊状态实时预测卷积神经网络模型由依次连接的输入降采样层、密集连接模块、传输模块、时域信息提取层和全连接输出模块组成。
更进一步的，步骤四中所述输入降采样层由批归一化层、空洞卷积层、激活函数层和及最大池化层组成，用于提取低层次纹理信息，输出为低层次纹理图。
更进一步的，步骤四中所述密集连接模块由多个卷积模块串联而成，所述卷积模块包括由依次连接的第一批归一化层、第一非线性激活层、卷积核长宽均为1的卷积层、第二批归一化层、第二非线性激活层和卷积核长宽均为3的卷积层组成。
更进一步的，每个所述卷积模块的输入由所述密集连接模块的总体输入和上一个所述卷积模块的输出通过通道叠加操作得到的结果组成，输出是k个特征图，所述总体输入为输入降采样层的输出。
更进一步的，k为32。
更进一步的，步骤四中所述传输模块由卷积核长宽均为1的卷积层和平均池化层组成，所述平均池化层的长宽尺寸与步长均为2。
更进一步的，步骤四中每个所述密集连接模块之后都连接一个传输模块。
更进一步的，步骤四所述时域信息提取层在所述全连接输出模块之前，用于保存时间序列信息的维度，输入为时间序列长度，输出为1的全连接层来提取在时序维度上的特征。
更进一步的，步骤四中所述全连接输出模块包括多个全连接层，经过多个全连接层进行特征维度上的收缩，最终令输出头数量为1。
更进一步的，所述声音采集***中所述麦克风的动态范围超过20kHz，所述数据采集卡的采集频率高于40kHz。
有益效果：本发明的基于声谱图特性分析的焊缝熔宽定量方法可实现焊接熔宽的自动定量预测，同时结合了短时傅里叶变换和卷积神经网络，捕捉焊接过程中声音信号的动态变化和时序信息，从而提高了熔宽预测的准确性。本发明实时进行声音信号的采集和处理，可以实现在线监测焊接质量，无需等待焊后才进行检测，在生产过程中进行实时控制，减少焊接缺陷的产生。
附图说明
图1为声音采集***的图片；
图2为坡口渐变基材上焊缝的背面图；
图3为激光线扫***的图片；
图4为基于声谱图特性分析的焊缝熔宽定量方法的熔宽曲线平滑结果；
图5为本发明提出的声谱图处理网络结构；
图6为基于声谱图特性分析的焊缝熔宽定量方法的预测结果图。
实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
请参阅图5所示，本发明的基于声谱图特性分析的焊缝熔宽定量方法，包括如下步骤：
一、利用声音采集***对焊接过程中产生的声信号进行采集，声音采集***包括麦克风和数据采集卡，麦克风与焊枪固定连接，随焊枪同步运动；声信号包含了焊接过程中产生的复杂声波模式，其中蕴含着焊接过程的信息。其中，麦克风的动态范围应当超过20kHz，数据采集卡的采集频率应当高于40kHz。
二、根据焊接节律参数确定短时傅里叶变换的窗长与步长，通过短时傅里叶变换方法生成声音信号的频谱图；这一步骤使用短时傅里叶变换（STFT）技术，将声音信号在时间和频率上进行分解，从而得到其在不同时间和频率上的分量。频谱图的生成使得声音信号的时域特征能够转化为频域特征，为后续深度学习处理提供了基础。本发明中窗长为128点，步长为32点。
三、通过焊接速度与熔池凝固速度确定时间序列间隔，将声谱图转换为频谱图序列；生成的频谱图进一步被处理，将其转化为频谱图序列。这样的处理方式有助于捕捉焊接过程中的节律性信息，因为焊接通常伴随着特定的声音节奏。频谱图序列的构建使得在后续的分析中，焊接过程中的这些节奏性变化能够被有效地捕获。
四、构建熔焊状态实时预测卷积神经网络模型，利用熔焊状态实时预测卷积神经网络模型和频谱图序列对焊缝背面熔宽进行预测，熔焊状态实时预测卷积神经网络模型由依次连接的输入降采样层、密集连接模块、传输模块、时域信息提取层和全连接输出层组成。其中，熔焊状态实时预测卷积神经网络模型为基于DenseNet提出的卷积神经网络架构。
本发明的采用的熔焊状态实时预测卷积神经网络模型，基于DenseNet的结构提出，并在其基础上融合了时序信息，这个网络结构被设计用来处理频谱图序列。它通过密集连接模块中多个卷积层的多次特征提取和重用，使得每一层都与之前所有层的输出连接。通过多个模块之间的串行处理，逐渐从频谱图序列中提取出与焊接熔宽相关的特征。在全连接层中，网络结合了较长时间跨度的时序信息，确保了焊接过程中动态变化的信息能够被充分地利用。从经过网络处理的特征中，全连接层最后的输出头进行最终的熔宽预测。
优选的，输入降采样层由批归一化层、空洞卷积层、激活函数层和及最大池化层组成，用于提取低层次纹理信息。密集连接模块由多个卷积模块串联而成，卷积模块包括由依次连接的第一批归一化层、第一非线性激活层、卷积核长宽均为1的卷积层、第二批归一化层、第二非线性激活层和卷积核长宽均为3的卷积层组成。每个卷积模块的输入由密集连接模块的总体输入和频谱图通过通道叠加操作得到的结果组成，输出是k个特征图。本发明中k为32。本发明中密集连接模块由4个卷积模块组成。传输模块由卷积核长宽均为1的卷积层和平均池化层组成，平均池化层的长宽尺寸与步长均为2。每个密集连接模块之后都连接一个传输模块。时域信息提取层在全连接层之前，用以保存时间序列信息的维度，输入为时间序列长度，输出为1的全连接层来提取在时序维度上的特征。全连接输出层包括多个全连接层，经过多个全连接层进行特征维度上的收缩，最终令输出头数量为1。
为了训练深度学习神经网络，需要大量的已知熔宽值的数据集。通过与实际熔宽值的对比，网络不断地调整其参数，使得预测结果更加准确。
综上所述，本发明的焊接质量检测方法及***利用了声音信号分析和深度学习技术相结合的方式，实现了对焊接熔宽的准确预测。这个方法在自动化、实时性和准确性方面相较传统方法具备明显优势，有着广泛的应用前景，可应用于各种焊接质量控制场景。
请参阅图1所示，实验***由机械臂、保护气瓶、焊机焊丝、焊接基材等部件构成的采用冷金属过渡焊工艺的示教-回放型自动化焊接***、BSWATECH生产的MPA201麦克风、ADLink-USB2405采集卡和上位机组成。其中，麦克风通过夹具与焊枪刚性连接，采集卡以51200Hz的频率采集声音信号，回传给上位机进行记录。焊接过程使用2%氧气，98%氩气的保护气、不锈钢焊丝，焊接电流160A，焊速保持5mm/s的恒定数值。
请参阅图2所示，实验中使用变坡口的基材（坡口由30°渐变至60°）来确保熔透量的变化足够细致。在焊缝长度上取中间12cm进行对接焊，并舍弃首尾各1cm由于起弧和熄弧焊速与中间段一致导致的异常数据，使用中间10cm的焊接熔宽作为最终采集的数据。
为了获得背面焊接宽度的精确数据，建立了一个如图3所示的激光扫描***。激光线垂直于焊缝投射到被测表面。由侧面的相机拍摄后，可以相应分析得到激光线上的每个点的高度。通过沿着焊缝的扫描，重建了焊缝的虚拟模型。根据每条激光线的快速变化，提取出背面的焊缝宽度。为了平滑激光测量中的随机误差，使用长度为5的平均滤波器对测量数据进行平滑。误差特别大的异常样本会被删除，并由20个相邻样本的平均值取代。图4显示了在所述平滑操作前后，激光测量背面焊接宽度的结果。平滑化后的数据随后被送入预测***。
由于直接采样得到的声音信号数据冗余程度很高，特征不明显，很难根据直接采样的声音信号对背面焊接宽度进行端到端的预测。声音信号往往在经过预处理，提取出特征后才会继续后续任务。
声音的频率分析常见于各种任务，频域信号含有丰富的特征信息，而时频域功率谱图可以表达更加丰富的频域信号的时变特性。时频域功率谱通过短时傅里叶变换得到，根据所使用冷金属过渡焊的焊机的焊接节律确定短时傅里叶变换窗长为128点，每个短时傅里叶变换窗间的步长为32点。使得在时域上焊接周期结束的时刻，都有对应采集的64×64的声谱图。
进行五道焊缝的焊接。取其中3道焊缝的声音数据作为训练集、1道作为验证集，最后一道用作推广实验。根据焊接过程中焊枪位置与采样时间之间的关系，将声音样本分帧，并和扫描背面焊接宽度的样本进行配对。配对原则是保证焊枪位于样本正上方的时刻与声音帧结束的时刻相同。
由于熔池的流动、温度的传导等因素，某个位置的熔透状态不仅受焊枪正好位于上方时的焊接参数的影响，而且还受前后状态的影响。为此，将实验目的确定为基于时间序列的后向信息，对焊接熔透状态进行实时监控，从而为之后焊接参数的控制提供依据。因此，所提出的神经网络的输入被设计为从结束于0、10、20、30个功率周期的声音帧所产生的频谱，在焊枪被定位在某一位置之上的时刻被作为一个序列送入网络。
本发明涉及的卷积神经网络主要包括：以DenseNet-121为原型的密集连接模块和传输模块串联形成的特征提取部分，和整合时间序列中各帧并进一步编码以及形成输出结果的全连接部分。
密集连接模块由多个卷积模块以特定顺序串联而成，每个卷积模块包括以下层次：批归一化层，激活函数层，卷积核长宽均为1的卷积层，批归一化层激活函数，卷积核长宽均为3的卷积层。这些层次依次连接，形成一个卷积模块。而这些卷积模块又按顺序排列，共同形成一个密集连接模块。图6中标示为深灰色圆圈的部分即为这些卷积模块的组合。
每个卷积模块的输入由该密集连接模块的总体输入和此前生成的所有特征图通过通道叠加操作得到的结果组成。通过将这些特征图进行拼接，使得每个卷积模块可以同时利用之前层次提取的特征信息，实现特征重用。本发明所述实验中每个所述卷积模块的输出都是32个特征图。
在每个密集连接模块生成的所有特征图经过一定的处理后，会进入传输模块，然后输入到下一个密集连接模块中。传输模块由卷积层和平均池化层组合而成，用于调整特征图的维度和尺寸，为下一个密集连接模块的输入做准备。其中所述卷积层的卷积核长宽均为1，所述池化层的长宽尺寸与步长均为2。这样的密集连接模块和传输模块的结构设计，使得网络在处理焊接声音信号时，能够更好地提取和利用特征信息，有助于提高焊接背面宽度预测的精确性和稳定性。
时间序列以张量中新建一个维度的形式保存，并在密集连接模块4的全局平均池化之后，使用时序方向上的全连接来允许网络提取每个节点在时序维度上表现出的特征。为了适应回归任务，线性层上也进行了结构上的改动，各模块输出数据的详细尺寸信息如表1所示。
表1 用于回归熔宽的卷积神经网络。全连接(n)代表全连接层有n个输出节点，卷积代表由批归一化层，对应参数描述的卷积层，激活函数层构成的序列。
验证和评价
使用采集的3道训练、1道验证、1道测试的数据集输入所述架构的卷积神经网络，训练焊接背面宽度回归模型。训练集和测试集的背面宽度预测结果如图6所示，平滑结果由长度为20的平均滤波器得到。可见预测效果弥散在实际数值周围，平滑后的曲线大致能描述背面宽度随坡口增大而变宽的趋势。预测数据的绝对误差平均为0.3003mm，均方误差平均为0.1420mm2。平滑后数据的平均绝对误差为0.2380mm，均方误差为0.0997mm2。
与现有以声音信号为输入的方法不同，所述方法引入了DenseNet先进框架，以解决熔透状态预测精度较低的问题。DenseNet在常规视觉任务中已经展现出了强大的拟合能力，它为我们的方法带来了新的思路。通过采用CNN方法，我们还为将来与其他使用不同模态信号的先进技术进行整合创造了有利条件。
此外，焊接过程受到累积热量的强烈影响，这使得仅仅通过声音信号来进行直接检测变得困难重重。然而，本发明利用电弧的时间变化特征，为这一问题提供了解决方案。经过曲线平滑的后处理，我们在预测焊缝背面宽度的任务中，取得了同行领先的成果，均方误差达到了0.1420mm²，而在经过曲线平滑后进一步降低至0.0997mm²。这一成果为焊接领域的性能提升带来了新的可能性。
通过以上步骤，本发明结合短时傅里叶变换和卷积神经网络，捕捉焊接过程中声音信号的动态变化和时序信息，从而提高了背面焊接宽度预测的准确性。通过实时采集和处理声音信号，无需人工干预，能够实时监测焊接过程中的背面焊接宽度情况，在凝固前实现了对焊接质量的实时预测。
Claims (10)
1.一种基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，包括如下步骤：
一、利用声音采集***对焊接过程中产生的声信号进行采集，所述声音采集***包括麦克风和数据采集卡，所述麦克风与焊枪固定连接，随焊枪同步运动；
二、根据焊接节律参数确定短时傅里叶变换的窗长与步长，通过短时傅里叶变换方法生成声音信号的频谱图；
三、通过焊接速度与熔池凝固速度确定时间序列间隔，将所述频谱图转换为频谱图序列；
四：构建熔焊状态实时预测卷积神经网络模型，利用所述熔焊状态实时预测卷积神经网络模型和频谱图序列对焊缝背面熔宽进行预测，所述熔焊状态实时预测卷积神经网络模型由依次连接的输入降采样层、密集连接模块、传输模块、时域信息提取层和全连接输出模块组成。
2.如权利要求1所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，步骤四中所述输入降采样层由批归一化层、空洞卷积层、激活函数层和及最大池化层组成，用于提取低层次纹理信息，输出为低层次纹理图。
3.如权利要求1所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，步骤四中所述密集连接模块由多个卷积模块串联而成，所述卷积模块包括由依次连接的第一批归一化层、第一非线性激活层、卷积核长宽均为1的卷积层、第二批归一化层、第二非线性激活层和卷积核长宽均为3的卷积层组成。
4.如权利要求3所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，每个所述卷积模块的输入由所述密集连接模块的总体输入和上一个所述卷积模块的输出通过通道叠加操作得到的结果组成，输出是k个特征图，所述总体输入为输入降采样层的输出。
5.如权利要求4所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，k为32。
6.如权利要求1所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，步骤四中所述传输模块由卷积核长宽均为1的卷积层和平均池化层组成，所述平均池化层的长宽尺寸与步长均为2。
7.如权利要求1所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，步骤四中每个所述密集连接模块之后都连接一个传输模块。
8.如权利要求1所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，步骤四所述时域信息提取层在所述全连接输出模块之前，用于保存时间序列信息的维度，输入为时间序列长度，输出为1的全连接层来提取在时序维度上的特征。
9.如权利要求1所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，步骤四中所述全连接输出模块包括多个全连接层，经过多个全连接层进行特征维度上的收缩，最终令输出头数量为1。
10.如权利要求1所述的基于声谱图特性分析的焊缝熔宽定量方法，其特征在于，所述声音采集***中所述麦克风的动态范围超过20kHz，所述数据采集卡的采集频率高于40kHz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311736148.7A CN117428291A (zh) | 2023-12-18 | 2023-12-18 | 基于声谱图特性分析的焊缝熔宽定量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311736148.7A CN117428291A (zh) | 2023-12-18 | 2023-12-18 | 基于声谱图特性分析的焊缝熔宽定量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117428291A true CN117428291A (zh) | 2024-01-23 |
Family
ID=89546425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311736148.7A Pending CN117428291A (zh) | 2023-12-18 | 2023-12-18 | 基于声谱图特性分析的焊缝熔宽定量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117428291A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118002888A (zh) * | 2024-04-10 | 2024-05-10 | 南京理工大学 | 一种基于时序信息融合的鲁棒实时焊缝跟踪方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379740A (zh) * | 2021-08-02 | 2021-09-10 | 上海工程技术大学 | 基于穿孔熔池图像和深度学习的vppaw熔透原位实时监测*** |
| CN113838050A (zh) * | 2021-11-23 | 2021-12-24 | 昆山宝锦激光拼焊有限公司 | 一种基于互补双通道卷积神经网络的焊缝成形预测方法 |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学***板陶瓷膜超声缺陷检测方法 |
| CN114309895A (zh) * | 2021-12-17 | 2022-04-12 | 山东大学 | 一种焊接熔池图像预测焊缝形貌的深度学习方法 |
| CN114905116A (zh) * | 2022-06-02 | 2022-08-16 | 南京理工大学 | 一种基于特征学习的坡口焊缝熔透监控方法 |
| CN115685881A (zh) * | 2022-11-07 | 2023-02-03 | 北京科技大学 | 基于计算智能的低应力高精度电弧增材工艺控制方法 |
| CN115889975A (zh) * | 2023-01-31 | 2023-04-04 | 广东工业大学 | 一种激光焊接过程监测***及方法 |
| CN116604151A (zh) * | 2023-05-19 | 2023-08-18 | 上海交通大学宁波人工智能研究院 | 一种基于视听双模态的mig焊焊缝状态监测***与方法 |
-
2023
- 2023-12-18 CN CN202311736148.7A patent/CN117428291A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379740A (zh) * | 2021-08-02 | 2021-09-10 | 上海工程技术大学 | 基于穿孔熔池图像和深度学习的vppaw熔透原位实时监测*** |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学***板陶瓷膜超声缺陷检测方法 |
| CN113838050A (zh) * | 2021-11-23 | 2021-12-24 | 昆山宝锦激光拼焊有限公司 | 一种基于互补双通道卷积神经网络的焊缝成形预测方法 |
| CN114309895A (zh) * | 2021-12-17 | 2022-04-12 | 山东大学 | 一种焊接熔池图像预测焊缝形貌的深度学习方法 |
| CN114905116A (zh) * | 2022-06-02 | 2022-08-16 | 南京理工大学 | 一种基于特征学习的坡口焊缝熔透监控方法 |
| CN115685881A (zh) * | 2022-11-07 | 2023-02-03 | 北京科技大学 | 基于计算智能的低应力高精度电弧增材工艺控制方法 |
| CN115889975A (zh) * | 2023-01-31 | 2023-04-04 | 广东工业大学 | 一种激光焊接过程监测***及方法 |
| CN116604151A (zh) * | 2023-05-19 | 2023-08-18 | 上海交通大学宁波人工智能研究院 | 一种基于视听双模态的mig焊焊缝状态监测***与方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118002888A (zh) * | 2024-04-10 | 2024-05-10 | 南京理工大学 | 一种基于时序信息融合的鲁棒实时焊缝跟踪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210318673A1 (en) | In-Situ Inspection Method Based on Digital Data Model of Weld | |
| CN106984813B (zh) | 一种激光选区熔化加工过程同轴监测方法及装置 | |
| CN117428291A (zh) | 基于声谱图特性分析的焊缝熔宽定量方法 | |
| CN108340088A (zh) | 激光精密加工视觉在线监测方法及*** | |
| CN108067714B (zh) | 一种薄壁环缝端接质量在线监测与缺陷定位***及方法 | |
| CN108931535A (zh) | 一种激光增材制造气孔缺陷在线监测方法 | |
| CN207205270U (zh) | 一种3d打印逐层检测反求零件模型及定位缺陷装置 | |
| CN111203639B (zh) | 一种基于高速摄像下的双激光束双侧同步焊接填丝熔滴过渡监控***及方法 | |
| 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 | |
| CN206567687U (zh) | 一种脉冲激光激振tig熔池检测振荡频率的熔透控制装置 | |
| CN111761819B (zh) | 一种激光粉末床熔融成形件缺陷在线监测方法 | |
| CN112157368A (zh) | 一种激光非熔透焊接焊缝熔深无损检测方法 | |
| TWI632968B (zh) | Prediction method of electrical discharge machining accuracy | |
| Liu et al. | Real-time defect detection of laser additive manufacturing based on support vector machine | |
| Gao et al. | Feature extraction of laser welding pool image and application in welding quality identification | |
| CN113554587A (zh) | 一种基于深度学习的熔池图像几何特征提取方法及*** | |
| Tang et al. | A new method to assess fiber laser welding quality of stainless steel 304 based on machine vision and hidden Markov models | |
| CN115266951A (zh) | 对选择性激光熔化过程内部缺陷实时在线监测方法及*** | |
| Otieno et al. | Imaging and wear analysis of micro-tools using machine vision | |
| CN103543157B (zh) | 离线带材表面图像模拟动态采集方法及装置 | |
| Omlor et al. | Inline process monitoring of hairpin welding using optical and acoustic quality metrics | |
| Hong et al. | AF-FTTSnet: An end-to-end two-stream convolutional neural network for online quality monitoring of robotic welding | |
| Ding et al. | Machine-vision-based defect detection using circular Hough transform in laser welding | |
| Wang et al. | On-line defect recognition of MIG lap welding for stainless steel sheet based on weld image and CMT voltage: Feature fusion and attention weights visualization | |
| CN110147818B (zh) | 一种基于稀疏表示的激光焊接成型缺陷预测分类的方法 |
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 |