[发明专利]一种基于互补双通道卷积神经网络的焊缝成形预测方法

权利要求书

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；

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；

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：

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⁽¹⁾_n|n＝1,…,N}下的熔池图像X₂＝{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L如公式(1)所示：

式中，λ₁为回归平衡系数，用于调整熔深和结合面宽度的影响比重；w为权重参数，λ₂为权重衰减系数，用于平衡权重惩罚项和模型预测误差。

3.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，所述的步骤一中，焊接母材表面处理过程如下：

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。

4.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，所述的步骤二中，焊接工艺参数包括：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。