一种基于互补双通道卷积神经网络的焊缝成形预测方法技术

本发明专利技术公开了一种基于互补双通道卷积神经网络的焊缝成形预测方法，与BP神经网络相比，卷积神经网络最大的特点在于不需要进行熔池特征的提取，而是通过构建的多层卷积核自动进行熔池特征量的提取；卷积神经网络以整张熔池图像作为模型的输入，省却了熔池特征量提取所耗费的时间，同时避免了熔池图像信息的丢失；相比于普通的双通道卷积神经网络的激光焊接焊缝成形预测方法，本方法采用两个卷积模块对熔池图像浅层特征进行提取，用于提取熔池的边缘线条，采用双通道策略，得到的熔池图像特征更加充分；采用全连接模块引入了激光焊接工艺参数，共同预测T型接头焊缝形貌，可以进一步提升模型预测性能。提升模型预测性能。提升模型预测性能。

【技术实现步骤摘要】
一种基于互补双通道卷积神经网络的焊缝成形预测方法


[0001]本专利技术涉及一种基于互补双通道卷积神经网络的焊缝成形预测方法，属于材料加工工程


技术介绍

[0002]轻量化、高强度结构件广泛应用于航空、航天、武器装备等领域，蒙皮网格结构是实现轻量化的有效设计形式；蒙皮网格结构件对焊接接头质量和焊接过程稳定性要求较高，破坏性的焊后试验难以满足焊接质量实时监测的需求；因此，针对蒙皮网格非可视化T型接头的焊接过程质量监测是保证接头质量一致性的关键。
[0003]激光焊接是采用泵浦源激励激光增益介质，并通过传输、扩束、聚焦等过程将高能密度的激光热源作用于焊接母材上，从而实现焊接的技术；激光焊接分为深熔焊和热导焊，当激光能量密度小于105W/cm2时为热导焊，当能量密度大于106W/cm2时为深熔焊；激光深熔焊是以匙孔和等离子体为主要特征；激光焊接伴随着复杂的声、光、电、热信号，这些信号与焊缝成形、焊缝缺陷存在着直接或间接的联系；因此，可以利用传感器采集焊接过程中的声、光、电、热、信号，通过对采集的信息进行分析可以建立起与焊缝质量之间的关系；在这些信号中，由熔池发出的辐射信号包含着丰富且直观的信息，而且熔池行为与焊缝形貌、焊缝组织、力学性能等密切相关；视觉传感的方式具有非接触、非干扰、直观、信息充分且通用性强的特点；通过熔池图像可以直接的反映熔池、匙孔、的动态行为，以此作为焊接质量监测的依据。
[0004]采用激光焊接过程质量监测可以实现焊缝质量的监测，焊接过程的信息与焊缝形貌、熔透状态、熔深波动及焊缝缺陷密切相关；但是现有的焊接监测信息尚处于信号处理的阶段，对于焊接质量的预测模型尚处于定量分析的阶段；随着统计学与神经网络技术的发展，焊接过程质量预测方法也有了新的途径；通过大量的采集焊接过程信息，采用统计学手段建立的焊接质量预测模型具有更好地适用性；卷积神经网络可以实现复杂非线性关系的映射，是处理焊接过程质量监测问题的有效方法。
[0005]专利CN112183665A公开了一种基于卷积神经网络的CO2焊接熔池图像识别方法，该方法将卷积神经网络应用于熔池图像分类过程中，该方法比依赖于主观经验的BP神经网络的模型分类准确率高；专利CN105891215B公开了一种基于卷积神经网络的焊接视觉检测方法及装置，该方法采用的卷积神经网络模型比较简单仅有两个卷积层，该模型对于包含复杂工况的数据集的分类能力有限；专利CN112215834A公开了一种基于卷积神经网络的动力电池焊接质量检测方法及系统，该方法采用卷积神经网络模型实现对动力电池焊接缺陷的自动检测，但对于焊缝成形预测则无能为力。

技术实现思路

[0006]本专利技术旨在解决激光焊接过程中焊缝质量监测存在的问题，提出一种基于互补双通道卷积神经网络的激光焊接焊缝成形预测方法。
[0007]本专利技术的技术解决方案是这样实现的：一种基于互补双通道卷积神经网络的焊缝成形预测方法，包含以下步骤：步骤一:焊前需要对焊接母材表面进行清理，首先采用10%HNO3+30%HF+水的酸液清洗焊接母材表面的氧化膜，浸泡时间为5～10分钟；接着采用10%NaOH溶液清洗母材表面残余油污，并中和剩余酸液，浸泡为5～10分钟；随后将母材在烘干机中烘干1h；试验中采用专用夹具将试样装夹紧固；为保证试样在焊接过程中装配精度，采用激光点焊将试样两端点固，而后再用连续激光实施焊接。
[0008]步骤二:采用同轴监测系统采集不同焊接工艺参数下的熔池图像，激光功率1kW～3kW、焊接速度0.5m/min～3m/min、离焦量为
‑
10～+10mm、Ar气流量为10L/min～20L/min；上述焊接工艺参数一旦确定，在单次焊接过程中均保持不变。
[0009]步骤三:采用Opencv截取包含熔池区域的128
×
128像素区域，采用显微镜对不同焊接参数下焊缝横截面特征量进行标注，构建数据集；每组数据包含熔池图像、焊接参数、焊缝形貌特征量等标签；为了方便数据的加载，将熔池图像索引路径、工艺参数和标签数据作成txt文件；模型数据集按照8:1:1的比例划分成训练集、验证集和测试集。
[0010]步骤四：确定模型损失函数，设计符合本文数据集特征的卷积神经网络结构，并对模型关键参数进行设定；并采用训练集和验证集对模型进行训练。
[0011]步骤五：采用测试集数据对模型预测精度进行验证，检验其预测精度和泛化能力。
[0012]优选的，所述卷积神经网络模型采用两个卷积模块对熔池图像浅层特征进行提取，卷积模块包括3
×3×
32卷积核、批处理标准化层BN、非线性激活层和池化层；随后采用双通道策略，其中一个通道采用ReLU激活函数和平均池化方式，另外一个通道采用Tanh激活函数和最大池化方式；两个通道分别用于提取熔池图像的背景特征和纹理特征，并得到8
×8×
32的特征图；两个通道的特征图通过元素相乘的方式
Ä
进行特征融合，将两个通道的特征图经过1
×
1的卷积、ReLU激活和最大池化操作得到维数90的特征数组；特征融合后输入两层全连接网络，配合Dropout随机失活减少过拟合；模型附加一个全连接模块，该模块引入了多个焊接工艺参数，焊接工艺参数经过通道为10的全连接层得到维数为10的特征数组；将熔池图像的特征数组和焊接工艺参数的特征数组通过
Å
连接方式按维数叠加得到100维的数组，最终即可利用熔池图像特征和焊接工艺参数共同预测焊缝形貌。
[0013]优选的，确定模型回归平衡系数与正则化优化的损失函数的过程如下：采用一组焊接工艺参数X1= {x
(5)n | n = 1,
ꢀ…
, N }下的熔池图像X
2 = {x
(2)n | n = 1,
ꢀ…
, N }作为卷积神经网络的输入，每组焊接工艺参数下实际焊缝形貌特征量y
n
作为模型预测的实际值，其中N为不同焊接工艺参数的组别序号；卷积神经网络模型的目标是找到一个映射关系F，根据给定的熔池特征量和焊接工艺参数对焊缝形貌特征量进行预测使得；熔池图像的熔深和结合面宽度复合的损失函数如公式（1）所示： （1）式中，为回归平衡系数，用于调整熔深和结合面宽度的影响比重；为权重参
数，为权重衰减系数，用于平衡权重惩罚项和模型预测误差。
[0014]由于上述技术方案的运用，本专利技术与现有技术相比具有下列优点：本专利技术的基于互补双通道卷积神经网络的焊缝成形预测方法，与BP神经网络相比，卷积神经网络最大的特点在于不需要进行熔池特征的提取，而是通过构建的多层卷积核自动进行熔池特征量的提取；卷积神经网络以整张熔池图像作为模型的输入，省却了熔池特征量提取所耗费的时间，同时避免了熔池图像信息的丢失。
[0015]在激光焊接焊缝成形预测过程中，采用基于互补双通道卷积神经网络的激光焊接焊缝成形预测方法，相比于传统BP神经网络方法预测焊缝成形具有以下几点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于互补双通道卷积神经网络的焊缝成形预测方法，其特征在于，包含以下步骤：步骤一:对焊接母材进行表面处理，然后将焊接母材固定，再用激光实施焊接；步骤二:采用同轴监测系统采集不同焊接工艺参数下的熔池图像；步骤三:截取图像中包含熔池的区域，对不同焊接工艺参数下焊缝横截面特征量进行标注，构建模型数据集，模型数据集包含训练集、验证集和测试集；步骤四：设计卷积神经网络模型，确定模型回归平衡系数与正则化优化的损失函数，并对卷积神经网络模型的参数进行设定，并采用训练集和验证集对卷积神经网络模型进行训练；步骤五：采用测试集数据对卷积神经网络模型预测精度进行验证，检验其预测精度和泛化能力。2.根据权利要求1所述的基于互补双通道卷积神经网络的焊缝成形预测方法，其特征在于：所述卷积神经网络模型采用两个卷积模块对熔池图像浅层特征进行提取，卷积模块包括3
×3×
32卷积核、批处理标准化层BN、非线性激活层和池化层；随后采用双通道策略，其中一个通道采用ReLU激活函数和平均池化方式，另外一个通道采用Tanh激活函数和最大池化方式；两个通道分别用于提取熔池图像的背景特征和纹理特征，并得到8
×8×
32的特征图；两个通道的特征图通过元素相乘的方式
Ä
进行特征融合，将两个通道的特征图经过1
×
1的卷积、ReLU激活和最大池化操作得到维数90的特征数组；特征融合后输入两层全连接网络，配合Dropout随机失活减少过拟合；模型附加一个全连接模块，该模块引入了多个焊接工艺参数，焊接工艺参数经过通道为10的全连接层得到维数为10的特征数组；将熔池图像的特征数组和焊接工艺参数的特征数组通过
Å
连接方式按维数叠加得到100维的数组，最终即可利用...

【专利技术属性】
技术研发人员：雷正龙，郭亨通，
申请(专利权)人：昆山宝锦激光拼焊有限公司，
类型：发明
国别省市：