大功率激光焊实时监控系统中基于光致金属蒸汽瞬态特征建模的新方法

Real-time monitoring system of laser welding process is the basis for realizing its production automation. The signal of laser-induced plasma characteristics, a high potential for application in real-time monitoring system, can directly reflect the stability of the welding process dynamically. But it includes highly transient and nonlinear features, which makes it difficult to obtain analytical nonlinear model with accurate quantification. And the information sources are often mixed with lots of noise, which affects the efficiency and accuracy of the extracting feature seriously. The modeling of real-time monitoring system facing one of the key issues is the urgent need to resolve how to process and analyze such features better, in order to make it possible to reflect the quality of welding in real time and accurately. On the basis of achieving the transient information of the metal vapor by high-speed photography, we develop a probability clustering segmentation algorithm based on minimum error probability criterion to realize metal vapor image segmentation and feature extraction. The metal vapor image characteristics are defined. The relationship between them and the quality of the laser welding process is explored. And multiple kernel least squares support vector machine is used to build statistical regression learning models for high-power laser welding process. This research provides new solutions for complex laser welding industry process modeling, which has important theoretical and practical significance for the development of real-time monitoring and the enhancement of the overall application level of high-power laser welding process.

激光焊接实时监控系统是实现激光焊接生产自动化的基础。光致金属蒸汽特征信息可以动态地反映焊接过程的稳定性，在实时监控系统中具有极高的应用潜力。但其具有极高的瞬变性和非线性，很难获得精确量化的解析非线性模型；并且信息源混杂噪声，严重影响提取有效特征信息的效率和精度。如何更好地处理和分析这类特征信号，使之能实时、准确地反映焊接质量，是实时监控系统建模所急需解决的关键问题之一。本项目针对由高速摄影法获取的光致金属蒸汽瞬态特征信息，提出一种基于最小错误概率判决准则的概率聚类算法对其进行快速、准确地图像分割和特征提取；通过定义金属蒸汽图像特征，探究其与焊缝质量特征之间的关系，采用多核最小二乘支持向量机对大功率激光焊接过程建立统计回归模型。本项目的研究为激光焊接这类复杂工业过程建模提供新的解决方法，对大功率激光焊接的实时监控系统发展以及生产过程自动化水平提升具有重要的理论指导意义和实际应用价值。

激光焊接由于其在生产和质量方面的优势而成为最重要的焊接技术之一。 然而，大功率激光焊接是一个复杂的过程，具有高度不稳定的热传导性，这使得很难对激光焊接过程质量进行监控。 因此，有效和准确的激光焊接过程监控方法在保证过程稳定性和产品质量方面有着非常重要的作用。为了促进和发展激光焊接实时监控的实际应用，本研究在构建焊接过程质量的实时监测模型方面进行了深入的研究。. 本课题通过高速视觉传感器拍摄焊接过程中产生的金属蒸汽羽辉和飞溅的图像序列，运用阈值分割、概率聚类分割等图像处理技术进行预处理，并提取了金属蒸汽羽辉的面积、周长、质心（横坐标和纵坐标）、高度、宽度、平均灰度值，以及飞溅的面积和、周长和、质心（横坐标和纵坐标）、平均灰度值、数量（全图像，左半图像，右半图像）等十五个特征。然后，利用支持向量机能够较好解决小样本、非线性、高维数和局部极小点等实际问题的优点，采用支持向量机对样本数据进行建模与分析，构建焊接过程质量的自动监测模型。同时，为进一步确定与焊接过程质量高度相关的特征子集，使用了基于序列前向浮动选择算法的特征选择方法选取特征子集。. 实验结果表明，所采用的方法能够准确分析金属蒸汽图像特征与焊接过程质量之间的内在规律，进而提供了实现焊接过程质量实时自动判别的可能性。这些工作为支持向量机方法在焊接领域的应用，以及激光焊实时监控的实现提供试验依据，具有重要的理论和实践意义。