GTAW熔池激光条纹动态行为与熔透预测方法研究

doi:10.3901/JME.2024.06.236

机械工程学报 ›› 2024, Vol. 60 ›› Issue (6): 236-244.doi: 10.3901/JME.2024.06.236

扫码分享

GTAW熔池激光条纹动态行为与熔透预测方法研究

李春凯^1,2, 王嘉昕^1,2, 石玗¹, 代悦^1,2

1. 兰州理工大学省部共建有色金属先进材料加工与再利用国家重点实验室兰州 730050;
2. 兰州理工大学温州泵阀工程研究院温州 325100

收稿日期:2023-05-31 修回日期:2023-11-10 出版日期:2024-03-20 发布日期:2024-06-07
通讯作者: 李春凯，男，1990年出生，副研究员。主要研究方向为智能焊接及焊接过程自动化。E-mail：15339316249@163.com
作者简介:王嘉昕，男，1998年出生。主要研究方向为焊接过程自动化。E-mail：294354967@qq.com
基金资助:
国家自然科学基金(52365048)、浙江省自然科学基金(LQ21E050023)、甘肃省科技重大专项(22ZD6GA008)和甘肃省高校科研创新平台重大培育(2024CXPT-06)资助项目。

Study on the Dynamic Behavior of GTAW Melt Pool Laser Streak and Penetration Prediction Method

LI Chunkai^1,2, WANG Jiaxin^1,2, SHI Yu¹, DAI Yue^1,2

1. State Key Laboratory of Advanced Processing and Recycling of Nonferrous Metals, Lanzhou University of Technology, Lanzhou 730050;
2. Wenzhou Engineering Institute of Pump & Valve, Lanzhou University of Technology, Wenzhou 325100

Received:2023-05-31 Revised:2023-11-10 Online:2024-03-20 Published:2024-06-07

摘要/Abstract

摘要： 熔透状态是影响焊缝质量的关键因素之一，可靠传感并实时预测焊缝熔透状态对于提升焊接质量以及焊接智能化水平具有非常重要的意义。利用激光视觉法对低频脉冲钨极氩弧焊(Pulsed gas tungsten arc welding, P-GTAW)不同熔透状态下的反射激光条纹进行了检测，通过建立熔池表面标准模型分析了激光条纹图像动态行为与三种熔透状态熔池自由表面之间(未熔透、临界熔透、全熔透)的相关性，并基于深度学习卷积神经网络建立了GTAW熔透预测模型。研究表明：P-GTAW激光条纹的动态行为与熔池背面熔透状态、熔池表面振荡模式之间存在明确的光学对应关系，所建立从激光条纹图像到GTAW背面熔透状态的端到端卷积神经网络模型能够准确分类未熔透、临界熔透和全熔透三种状态，且分类准确率可达到98.1%，能够实现焊缝熔透状态实时传感及预测。

关键词: 熔透检测, 激光视觉法, 深度学习, 熔池振荡, 端到端神经网络, GTAW

Abstract: Weld penetration state is one of the key factors affecting the quality of the weld seam. Reliable sensing and real-time prediction of the weld penetration state is important to improve the quality of the weld and the level of welding intelligence. Laser vision was used to detect the reflected laser streaks in different penetration states of low-frequency pulsed gas tungsten arc welding (P-GTAW). The correlation between the dynamic behavior of laser streak images and the free surface of the melt pool in three penetration states was analyzed by establishing a standard model of the melt pool surface. Developed a GTAW fusion penetration prediction model based on deep learning convolutional neural networks. Experimental results show that：The dynamic behavior of the P-GTAW laser streak has a clear optical correspondence with the melt penetration state on the back side of the melt pool and the surface oscillation mode of the melt pool. The developed end-to-end convolutional neural network model from laser streak image to GTAW backside melt-through state can accurately classify three states with an accuracy of 98.1%, enabling real-time sensing and prediction of weld melt-through state.

Key words: penetration inspection, laser vision method, deep learning, melt pool oscillation, end-to-end neural network, GTAW

中图分类号:

TG409

李春凯, 王嘉昕, 石玗, 代悦. GTAW熔池激光条纹动态行为与熔透预测方法研究[J]. 机械工程学报, 2024, 60(6): 236-244.

LI Chunkai, WANG Jiaxin, SHI Yu, DAI Yue. Study on the Dynamic Behavior of GTAW Melt Pool Laser Streak and Penetration Prediction Method[J]. Journal of Mechanical Engineering, 2024, 60(6): 236-244.

参考文献

[1] 武威，薛家祥，金礼，等. 脉冲个数调频对铝合金双脉冲焊性能的影响[J]. 焊接学报，2019，40(5)：126-130，166-167. WU Wei，XUE Jiaxiang，JIN Li，et al. Effect of modulating frequency in changing pulse numbers on aluminum alloy double pulsed welding [J]. Transactions of the China Welding Institution，2019，40(5)：126-130，166-167.
[2] 王万东，王志江，胡绳荪，等. 基于Hammerstein模型的GMAW-P焊接熔深自适应预测控制[J]. 机械工程学报，2019，55(19)：138-145. WANG Wandong，WANG Zhijiang，HU Shengsun，et al. Adaptive predictive control of weld penetration depth based on Hammerstein model in pulsed gas metal arc welding[J]. Journal of Mechanical Engineering，2019，55(19)：138-145.
[3] 符平坡，朱志明，程世佳. 极性变换过程的电弧图像同步错时拍摄及其动态行为观测[J]. 清华大学学报(自然科学版)，2019，59(10)：815-822. FU Pingpo，ZHU Zhiming，CHENG Shijia. Synchronous staggered shooting of eletric arc images and arc dynamics during polarity commutation [J]. Journal of Tsinghua University (Science and Technology)，2019，59(10)：815-822.
[4] 陈涛，薛松柏，翟培卓，等. 基于图像处理的短路过渡焊熔池振荡特性分析[J]. 材料导报，2019，33(16)：2734-2739. CHEN Tao，XUE Songbai，ZHAI Peizhuo，et al. Analysis of weld pool oscillation characteristics during S-GMAW based on image[J]. Materials Reports，2019，33(16)：2734-2739.
[5] 顾玉芬，边春红，李春凯，等. 不同组元活性剂对不锈钢脉冲TIG焊熔池表面张力的影响[J]. 焊接学报，2020，41(6)：48-53，99-100. GU Yufen，BIAN Chunhong，LI Chunkai，et al. Effect of different component active fluxes on surface tension of weld pool in stainless steel[J]. Transactions of the China Welding Institution，2020，41(6)：48-53，99-100.
[6] 李春凯，石玗，杜雷明，等. 连续焊接P-GTAW熔池振荡频率激光光电转换实时检测系统[J]. 焊接学报，2018，39(1)：75-78，88，132. LI Chunkai，SHI Yu，DU Leiming，et al. Real-time measurement system based on laser photoelectric conversion for detecting weld pool oscillation frequency in continuous P-GTAW [J]. Transactions of the China Welding Institution，2018，39(1)：75-78，88，132.
[7] 程永超，肖珺，陈树君，等. 基于弧压反馈的薄板GTAW智能熔透控制[J]. 焊接学报，2018，39(12)：1-4，43，129. CHEN Yongchao，XIAO Jun，CHEN Shujun，et al. Intelligent penetration welding of thin-plate gtaw process based on arc voltage feedback[J]. Transactions of the China Welding Institution，2018，39(12)：1-4，43，129.
[8] LI C K，SHI Y，GU Y F，et al. Monitoring weld pool oscillation using reflected laser pattern in gas tungsten arc welding[J]. Journal of Materials Processing Technology，2018，255：876-885.
[9] LI C，SHI Y，GU Y F，et al. Effect of oxide on surface tension of molten metal[J]. RSC Advances，2017(7)：53941-53950.
[10] LI C，SHI Y，DU L，et al. Real-time measurement of weld pool oscillation frequency in GTAW-P process[J]. Journal of Manufacturing Processes，2017，29：419-426.
[11] 顾玉芬，杜雷明，李春凯，等. 弧光法与激光视觉法检测熔池振荡特征的对比分析[J]. 焊接学报，2016，37(09)：18-22，129-130. GU Yufen，DU Leiming，LI Chunkai，et al. Comparison analysis of arc light and laser vision sensing weld pool oscillation characteristic signals[J]. Transactions of the China Welding Institution，2016，37(9)：18-22，129-130.
[12] 李春凯，石玗，顾玉芬，等. GTAW熔池三维表面激光点阵反射特征的仿真与优化[J]. 焊接学报，2017，38(9)：42-46，131. LI Chunkai，SHI Yu，GU Yufen，et al. Simulation and optimization of reflection characteristics of 3D weld pool surface laser dots for GTAW[J]. Transactions of the China Welding Institution，2017，38(9)：42-46，131.
[13] KIM M S，SEUNG M S，DONG H K，et al. A study on the algorithm for determining back bead generation in GMA welding using deep learning[J]. Journal of Welding and Joining，2018，36(2)：74-81.
[14] CHENG Y C，WANG Q Y，JIAO W H，et al. Automated recognition of weld pool characteristics from active vision sensing[J]. Welding Journal，2021，100(5)：183S-192S.
[15] LI L D，CHENG F J，WU S J. An LSTM-based measurement method of 3D weld pool surface in GTAW[J]. Measurement，2021，171：108809.
[16] CHENG Y C，WANG Q Y，JIAO W H，et al. Detecting dynamic development of weld pool using machine learning from innovative composite images for adaptive welding[J]. Journal of Manufacturing Processes，2020，56 A：908-915.
[17] JIAO W H，WANG Q Y，CHENG Y C，et al. End-to-end prediction of weld penetration：A deep learning and transfer learning-based method[J]. Journal of Manufacturing Processes，2021，63：191-197.
[18] 李海超，刘景风，谢吉兵，等. 基于卷积神经网络的GTAW熔透预测[J]. 机械工程学报，2019，55(17)：22-28. LI Haichao，LIU Jingfeng，XIE Jibing，et al. GTAW penetration prediction model based on convolution neural network algorithm[J]. Journal of Mechanical Engineering，2019，55(17)：22-28.
[19] HUANG J K，PAN W，CHEN J S，et al. The transient behaviours of free surface in a fully penetrated weld pool in gas tungsten arc welding [J]. Journal of Manufacturing Processes，2018，36：405-416.
[20] WU S J，GAO H M，ZHANG W，et al. Analytic weld pool model calibrated by measurements：part 1 principles [J]. Welding Journal，2017，96(6)：193-202.

GTAW熔池激光条纹动态行为与熔透预测方法研究

Study on the Dynamic Behavior of GTAW Melt Pool Laser Streak and Penetration Prediction Method

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李春凯, 代悦, 王嘉昕, 顾玉芬, 石玗. 脉冲熔化极气体保护焊熔池振荡行为检测及特征分析[J]. 机械工程学报, 2024, 60(16): 141-150.
[2]	赵德望, 姜超, 赵延广, 杨文平, 樊俊铃. 铝锂合金疲劳性能及预测研究-基于试验和“浅层”+“深度”混合神经网络方法[J]. 机械工程学报, 2024, 60(16): 190-199.
[3]	付玲, 佘玲娟, 颜镀镭, 张鹏, 龙湘云. 基于内嵌物理信息与注意力机制BiLSTM神经网络的臂架系统疲劳损伤预测模型[J]. 机械工程学报, 2024, 60(13): 205-215.
[4]	陈钱, 陈康康, 董兴建, 皇甫一樊, 彭志科, 孟光. 一种面向机械设备故障诊断的可解释卷积神经网络[J]. 机械工程学报, 2024, 60(12): 65-76.
[5]	刘岳开, 王天杨, 褚福磊. 基于低延迟可解释性深度学习的复杂旋转机械关键部件知识嵌入与诊断方法研究[J]. 机械工程学报, 2024, 60(12): 107-115.
[6]	赖旭伟, 丁昆, 张楷, 黄锋飞, 郑庆, 李致萱, 丁国富. 基于可解释物理引导空间注意力改进的跨工艺参数立铣刀磨损辨识[J]. 机械工程学报, 2024, 60(12): 147-157.
[7]	林昕, 毛杨坤, 傅盈西, 朱锟鹏. 基于图像语义分割与图卷积的选区激光熔融成形过程羽流运动特征分析[J]. 机械工程学报, 2024, 60(12): 168-182.
[8]	邵海东, 肖一鸣, 邓乾旺, 任颖莹, 韩特. 基于不确定性感知网络的可信机械故障诊断[J]. 机械工程学报, 2024, 60(12): 194-206.
[9]	李玖法, 邹博文, 任玥. 考虑车-路交互作用的车辆轨迹预测算法研究[J]. 机械工程学报, 2024, 60(10): 76-85.
[10]	许思远, 张卫东, 毛玉明, 牛斌. 数据驱动的指定变形非均质多胞结构优化设计[J]. 机械工程学报, 2024, 60(1): 85-95.
[11]	何赟泽, 李响, 王洪金, 侯岳骏, 张帆, 牟欣颖, 刘浩, 程豪, 李时华, 李杰. 基于可见光和热成像的风机叶片全周期无损检测综述[J]. 机械工程学报, 2023, 59(6): 32-45.
[12]	康杰, 王寅, 罗杰, 孙嘉宝, 曾舒洪. 自主工作模态分析方法研究综述[J]. 机械工程学报, 2023, 59(13): 89-109.
[13]	吴强威, 文龙. 基于联合对抗训练的深度学习表面缺陷检测方法[J]. 机械工程学报, 2023, 59(12): 173-182.
[14]	李雄, 苏建宁, 张志鹏. 基于深度学习的产品概念草图生成设计研究[J]. 机械工程学报, 2023, 59(11): 16-30.
[15]	段暕, 周宏娣, 刘智勇, 詹小斌, 梁健强, 史铁林. 基于改进PCANet模型的铣刀磨损预测方法研究[J]. 机械工程学报, 2023, 59(1): 278-285.