Quantitative evaluation of spatter in adjustable ring mode laser welding based on In-situ OCT measurement
-
摘要:
为了快速准确定量评价金属飞溅以优化工艺和保证焊接质量，采用1060铝合金可调环模(variable beam profile，VBP)激光焊为研究对象，搭建了基于光学相干层析成像(opticalc coherence tomography，OCT)的激光焊匙孔深度原位测量系统，并提出了一种1DCNN-BiLSTM复合深度学习模型，该模型利用两种网络单元的特性对匙孔深度信息进行局部和全局时序特征挖掘，实现了飞溅状态的定量评价. 结果表明，该模型的飞溅识别准确率达到99.69%，为VBP激光焊工艺优化和质量控制提供了指导依据和闭环反馈.
Abstract:In order to quickly and accurately quantitatively evaluate the metal spatter to optimize the process and ensure the welding quality. This study focuses on the variable beam profile (VBP) laser welding process of 1060 aluminum alloy and develops an in-situ keyhole depth measurement system based on optical coherence tomography (OCT). An innovative 1DCNN-BiLSTM deep learning composite model is proposed, leveraging the distinct characteristics of the two network units to perform local-global temporal feature extraction, achieving quantitative evaluation of spatter status. Results indicate that the constructed model achieves 99.69% accuracy in identifying spatter status, providing guidance and closed-loop feedback for optimizing the VBP laser welding process and quality control.
-
0. 序言
动力电池作为新能源电动汽车的核心组件，其性能和安全性依赖于制造过程中每个环节的质量控制. 激光焊因其高精度、高速度等优点，被广泛应用于方形和软包动力电池模组制造[1]，高质量的焊接连接确保电芯与模组之间的电流传输稳定，有效降低接触电阻，减少发热量，提升能量转换效率和延长电池寿命[2]. 然而，传统单模高斯激光焊易导致金属飞溅缺陷，增加电池接头的电阻和热损耗，降低整体性能和安全性[3]. 为应对这些挑战，探索新型激光焊技术，以实现飞溅的抑制成为关键方向.
近年来，可调环模VBP激光作为新型激光热源，通过合理分配激光能量，提升焊接过程的稳定性，但激光焊过程过于复杂，热−力耦合效应对成形质量的影响规律尚不明晰. 前期研究表明[4]，在内外环激光功率比为1∶2 ~ 1∶3时，焊接稳定且飞溅率最低.然而，这些研究主要停留在定性分析，缺乏准确的飞溅状态量化研究，需要开发高时空分辨的实时测量方法，为精细调控激光能量提供指导，也为焊接质量闭环控制提供关键反馈.
声发射传感方法和光电同轴传感系统在激光焊缺陷预测和熔透状态分类识别方面取得进展[5–7]，但受噪声干扰和间接传感技术的局限.而高分辨率光学相干层析成像(OCT)技术可实现焊接过程中匙孔深度的精确测量[8]，但不能直接与实际焊接质量等同，所以需要结合机器学习方法，建立匙孔深度与飞溅状态的数据驱动模型. 为此，搭建基于OCT传感技术的VBP激光焊实时监测系统，通过1DCNN-BiLSTM深度模型，实现对焊接过程飞溅状态的精准预测，最终在动力电池VBP激光焊平台试验中证实方法的有效性和可靠性.
1. 试验设计与数据采集
1.1 试验材料与设备
试验所用的材料为1060铝合金，材料尺寸为100 mm × 80 mm × 2 mm. 如图1所示，搭建了一套基于OCT传感技术的铝合金VBP激光焊实时监测平台，主要由自主设计研发的谱域光学相干层析成像(SD-OCT)模块和数据采集系统、高功率准直聚焦焊接头(KCTII BLFIW-01)和VBP激光器(EVERFOTON 长飞光坊 FFSC-2000SM/4000)等构成，其中内外环激光峰值功率分别为2 kW和4 kW，内外环芯径为14/100 μm，试验工艺参数设计见表1.
![]()
图 1 基于光学相干断层扫描技术可调环模激光焊监测平台Figure 1. Laser welding monitoring platform based on optical coherence tomography technology表 1 试验工艺参数Table 1. Experiment parameters design内环功率
P1/W外环功率
P2/W离焦量
f/mm焊接速度
v/(mm·s−1)保护气体流量
q/(L·min−1)0 ~ 1 500 0 ~ 1 500 0 150 25 1.2 光学相干断层扫描分析
如图2所示，采用SD-OCT测量模块和数据采集系统，采样频率为250 kHz，轴向分辨率达20 μm，实现激光焊过程中的匙孔深度在线测量. 具体原理如下：利用低相干光源(SLD)通过光纤耦合器分成两个光束，一个光束经过工件平面返回，另一个光束与激光束同轴到达匙孔底部返回. 两个光束经过光纤耦合器干涉，利用光谱仪线阵相机获取光谱干涉条纹图像，对其功率谱密度进行逆傅里叶变换处理，从而获取匙孔深度信息.
1.3 “匙孔深度−飞溅状态”的数据集构建
根据前期高速摄影观察研究[4]以及图3可知，飞溅发生最小周期为12 ms左右，飞溅缺陷长度一般在2 ~ 6 mm，根据焊接速度150 mm/s换算飞溅发生的周期一般为23 ~ 40个匙孔深度数据，则取单个采集数据量为400个. 进行了30余组不同内外环激光功率试验，并对预处理后的匙孔深度数据进行分类，有飞溅标注为S(spatter)，无飞溅标注为NS(no spatter)，得到飞溅数据581个，无飞溅数据1 065个.
![]()
图 3 匙孔深度数据波动特征与飞溅关系Figure 3. Relationship between keyhole depth data fluctuations and spatter. (a) spatter; (b) no spatter2. 飞溅评估模型设计
2.1 模型单元设计
2.1.1 1DCNN单元
焊接过程采集到的匙孔深度数据是一维时间数据，其局部时序相关性反映出了焊接质量，考虑到其数据特征，使用1DCNN网络单元也就是一维卷积层对数据进行特征提取并捕捉时序关系[9]，且卷积层后通常紧跟一层池化层， 其可对特征进行二次提取，同时减少因卷积运算而产生的参数，进而降低网络的训练代价.
2.1.2 BiLSTM单元
由于匙孔深度数据包含了丰富的焊接飞溅特征信息，但其信号时序波动关系复杂，且包含许多冗余信息. 为有效过滤噪声和冗余信息，并提取有用的深度特征，在1DCNN后使用双向长短期记忆网络(BiLSTM)，可在提取局部特征的基础上进一步捕捉全局特征和序列依赖关系，增强对飞溅的评估能力[10].
BiLSTM单元由两层相反的长短时记忆网络(long short-term memory，LSTM)组成，匙孔深度特征通过输入门it进入网络，单元状态Ct中储存了之前累积的匙孔深度特征的长期记忆，遗忘门ft对长期记忆的匙孔深度特征选择性丢弃，只保留重要的信息，输出门ot将当前输入的匙孔深度特征和上阶段积累的前期记忆相结合作为此时刻网络的输出，通过这种方式，可以极大程度地保留每个时间步中的匙孔深度特征，更准确地反映焊接过程的状态和质量.
2.2 超参数优化
贝叶斯优化通过揭示神经网络黑箱函数的全局最优解，能最大化资源利用率，处理噪声数据，并有效利用非连续空间达到全局最小[11]. TPE算法在建模阶段利用评估结果构建概率模型，分别建立x属于更好结果和较差结果时的概率密度函数. 在采样阶段，EI的计算基于两个模型的比值，通过选择使EI(x)最大的x选定效果较好的超参数. 各模型的卷积核尺寸为3，Batchsize为256，Epochs为200，损失函数为交叉熵模型. 通过此法得到各种模型的最佳超参数见表2.
表 2 各模型最佳超参数Table 2. Optimal hyperparameters for each model模型名称 各卷积核个数N/个 LSTM层数n1/层 隐藏层数n2/层 Dropout值 学习率α(10−5) 总参数数量M 1DCNN 32/256/512 — — 0.40 17 444 386 LSTM — 4 128 0.20 5.7 465 970 BiLSTM — 3 256 0.30 8.1 369 464 1DCNN-LSTM 16/256 2 128 0.37 1.0 344 482 1DCNN-BiLSTM 32/128 2 128 0.14 1.4 676 242 2.3 1DCNN-BiLSTM复合模型
1DCNN-BiLSTM模型架构如图4所示. 模型首先通过一维卷积层提取匙孔深度数据的局部特征，然后通过最大池化层下采样，减少特征长度和计算复杂度. 经过两次这样的操作后，使用双向长短期记忆网络(BiLSTM)提取数据的全局特征和序列依赖关系. 引入Adam优化器，并通过Dropout层随机丢弃部分神经元，防止过拟合，提高泛化能力，最后通过全连接层将匙孔深度的飞溅特征转换为飞溅(S)状态和无飞溅(NS)状态的概率分布.
3. 试验结果与分析
应对识别飞溅使用二分类中常用的准确率A(accuracy)精确率P(precision)、召回率R(recall)和 F1值(F)4个指标对模型性能进行评估. 各指标对比结果见表3，1DCNN-BiLSTM模型的测试集准确率和损失曲线如图5所示，可以看出1DCNN模型在精准度上优于LSTM和BiLSTM模型，表明匙孔深度数据在飞溅时会导致局部数据波动，这使得对局部敏感的卷积模型表现更好. 1DCNN-BiLSTM模型随着迭代次数增加，损失值逐渐下降且稳定，这说明1DCNN-BiLSTM模型结合了1DCNN和BiLSTM的优点，在挖掘复杂时序波动关系以及飞溅特征和应对冗余信息方面表现优异，有效实现了激光焊过程的飞溅评估.
表 3 各模型指标Table 3. Metrics for each model模型名称 准确率
A(%)精确率
P(%)召回率
R(%)F1值
F(%)1DCNN 86.93 86.95 86.93 86.94 LSTM 80.24 83.21 80.24 78.87 BiLSTM 82.06 85.77 82.06 80.67 1DCNN-LSTM 97.87 97.82 97.87 97.85 1DCNN-BiLSTM 99.69 99.68 99.69 99.65 4. 结论
(1) 针对动力电池铝合金VBP激光焊过程，设计并搭建了基于SD-OCT传感技术的激光焊过程监测平台，实时获取了动态焊接过程的匙孔深度信息，并构建了“匙孔深度−飞溅状态”的样本数据集.
(2) 构建了1DCNN-BiLSTM算法的复合模型，深度挖掘了反映飞溅动力学的局部—全部时序特征.
(3) 相比1DCNN，LSTM和BiLSTM模型，提出的1DCNN-BiLSTM复合模型能够准确地判断飞溅状态，其识别准确率达到99.69%，能够满足VBP焊接飞溅定量评价要求，并在实际焊接平台得到验证.
-
![]()
图 1 基于光学相干断层扫描技术可调环模激光焊监测平台
Figure 1. Laser welding monitoring platform based on optical coherence tomography technology
![]()
图 3 匙孔深度数据波动特征与飞溅关系
Figure 3. Relationship between keyhole depth data fluctuations and spatter. (a) spatter; (b) no spatter
表 1 试验工艺参数
Table 1 Experiment parameters design
内环功率
P1/W外环功率
P2/W离焦量
f/mm焊接速度
v/(mm·s−1)保护气体流量
q/(L·min−1)0 ~ 1 500 0 ~ 1 500 0 150 25 
下载: 导出CSV
表 2 各模型最佳超参数
Table 2 Optimal hyperparameters for each model
模型名称 各卷积核个数N/个 LSTM层数n1/层 隐藏层数n2/层 Dropout值 学习率α(10−5) 总参数数量M 1DCNN 32/256/512 — — 0.40 17 444 386 LSTM — 4 128 0.20 5.7 465 970 BiLSTM — 3 256 0.30 8.1 369 464 1DCNN-LSTM 16/256 2 128 0.37 1.0 344 482 1DCNN-BiLSTM 32/128 2 128 0.14 1.4 676 242
下载: 导出CSV
表 3 各模型指标
Table 3 Metrics for each model
模型名称 准确率
A(%)精确率
P(%)召回率
R(%)F1值
F(%)1DCNN 86.93 86.95 86.93 86.94 LSTM 80.24 83.21 80.24 78.87 BiLSTM 82.06 85.77 82.06 80.67 1DCNN-LSTM 97.87 97.82 97.87 97.85 1DCNN-BiLSTM 99.69 99.68 99.69 99.65
下载: 导出CSV
-
[1] Min K E, Jang J W, Kim C. New frontiers of laser welding technology[J]. Applied Sciences, 2023, 13(3): 1840. doi: 10.3390/app13031840
[2] Lassila A A, Lonn D, Andersson T, et al. Effects of different laser welding parameters on the joint quality for dissimilar material joints for battery applications[J]. Optics & Laser Technology, 2024, 177: 111155.
[3] Din N U, Zhang L, Zhou Y, et al. Laser welding defects detection in lithium-ion battery poles[J]. Engineering Science and Technology, an International Journal, 2023, 46: 101495. doi: 10.1016/j.jestch.2023.101495
[4] 董金枋, 杨方毅, 吴頔, 等. 可调环模激光焊接飞溅抑制机理及工艺优化研究[J]. 中国激光, 2024, 51(12): 40 − 48. Dong Jinfang, Yang Fangyi, Wu Di, et al. Research on spatter suppression mechanism and process optimization of tunable ring-mode laser welding[J]. Chinese Journal of Lasers, 2024, 51(12): 40 − 48.
[5] Niu Y, Gao P P, Gao X. Recognition of DC01 mild steel laser welding penetration status based on photoelectric signal and neural network[J]. Metals, 2023, 13(5): 871. doi: 10.3390/met13050871
[6] Yusof M F M, Quazim M M, Aleem S A A, et al. Identification of weld defect through the application of denoising method to the sound signal acquired during pulse mode laser welding[J]. Welding in the World, 2023, 67(5): 1267 − 1281. doi: 10.1007/s40194-023-01472-z
[7] 张琨, 邹宗轩, 刘烨, 等. 铝合金TIG焊接熔池状态多传感器数据协同感知算法[J]. 焊接学报, 2022, 43(3): 50 − 55,116. doi: 10.12073/j.hjxb.20211025001 Zhang Kun, Zou Zongxuan, Liu Ye, et al. Multi-sensor data cooperative sensing algorithm for molten pool state of aluminum alloy TIG welding[J]. Transactions of the China Welding Institution, 2022, 43(3): 50 − 55,116. doi: 10.12073/j.hjxb.20211025001
[8] Boley M, Fetzer F, Weber R, et al. Statistical evaluation method to determine the laser welding depth by optical coherence tomography[J]. Optics and Lasers in Engineering, 2019, 119: 56 − 64. doi: 10.1016/j.optlaseng.2019.03.014
[9] Lexuan T, Buitien T, Tranngoc H. A novel approach model design for signal data using 1DCNN combing with LSTM and ResNet for damaged detection problem[J]. Structures, 2024, 59: 105784. doi: 10.1016/j.istruc.2023.105784
[10] 白子键, 李治文, 张志芬, 等. 基于电弧光谱的核电堵管TIG焊接质量在线监测[J]. 焊接学报, 2024, 45(5): 8 − 19. doi: 10.12073/j.hjxb.20230610002 Bai Zijian, Li Zhiwen, Zhang Zhifen, et al. Online monitoring of TIG welding quality of nuclear power plugging pipe based on arc spectroscopy[J]. Transactions of the China Welding Institution, 2024, 45(5): 8 − 19. doi: 10.12073/j.hjxb.20230610002
[11] Victoria A H, Maragatham G. Automatic tuning of hyperparameters using Bayesian optimization[J]. Evolving Systems, 2021, 12(1): 217 − 223. doi: 10.1007/s12530-020-09345-2
计量
- 文章访问数: 86
- HTML全文浏览量: 16
- PDF下载量: 35
