[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

说明书

本发明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。

技术领域

本发明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领域。

背景技术

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。

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。

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。

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。

发明内容

本发明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。

本发明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。