Prediction of GTAW penetration state based on enhanced knowledge of dynamic morphology molten pool
-
摘要:
为了实现对焊接熔透状态的在线监测，保障焊缝质量并推动机器人智能化技术发展，提出了一种熔池动态形变知识增强的钨极惰性气体保护焊(gas tungsten arc welding, GTAW)熔透状态预测方法. 采用高速高动态范围工业相机获取熔池图像，利用DeepLabv3 + 语义分割模型进行熔池动态分割以精准地获取熔池区域，在此基础上进行多帧熔池轮廓图像融合，以描述熔池在焊接过程中的动态形变. 将融合后熔池轮廓图像和原始熔池图像合成输入CNN，学习同一位置熔池轮廓像素变化，指导CNN预测熔透状态. 结果表明，基于熔池动态形变知识增强的CNN能够准确识别部分熔透、适度熔透和过度熔透三种典型焊缝状态，分类准确率可达到97.1%，单帧预测时间0.86 ms. 与未融合熔池动态形变专家知识的深度学习方法相比，该方法在少样本数据情况下表现出更高的鲁棒性和准确率.
Abstract:To achieve online monitoring of welding penetration status, ensure weld quality, and promote the development of robotic intelligent technology, a knowledge-enhanced prediction method for Gas Tungsten Arc Welding (GTAW) penetration status based on molten pool dynamic deformation is proposed. High-speed, high-dynamic-range industrial cameras are employed to capture molten pool images, and the DeepLabv3+ semantic segmentation model is utilized for dynamic segmentation of the molten pool to obtain precise molten pool regions. On this basis, multi-frame molten pool contour image fusion is performed to describe the dynamic deformation of the molten pool during the welding process. The fused molten pool contour images and original molten pool images are combined and input into a CNN to learn pixel-level changes in the molten pool contours at the same location, enabling the CNN to predict penetration status. Experimental results demonstrate that the CNN enhanced with molten pool dynamic deformation knowledge can accurately identify three typical weld states: partial penetration, adequate penetration, and excessive penetration, achieving a classification accuracy of 97.1% with a single-frame prediction time of 0.86 ms. Compared to deep learning methods without integration of expert knowledge on molten pool dynamic deformation features, this method exhibits higher robustness and accuracy in scenarios with limited sample data.
-
0. 序言
近年来高新技术领域对新材料的应用提出了迫切需求，然而与新材料优异的使用性能共生的还有其不同于传统钢铁或有色金属的焊接性能，加之新材料往往用于异种材料的复合结构中，开发先进材料及异种材料的连接技术成为推动新材料应用的重要因素，这对焊接技术提出了新的要求[1].
电子束焊接(electron beam welding，EBW)是利用工件被高能电子流撞击时，由其动能转化而来的热能使工件材料迅速熔化，从而实现焊接的技术，具有功率密度大、加工精度高、焊缝深宽比大、焊接变形小、工艺适应性强、重复性与再现性好、真空环境污染小等优点[2].在高温合金、难熔金属、金属间化合物等先进材料焊接与异种材料焊接中得到了高度重视与应用.
基于以上，有必要对先进材料与异种材料电子束焊接技术的国内外研究发展现状进行系统、全面地了解，以准确把握电子束焊接技术领域的发展方向，为开展进一步的相关研究工作提供参照与指导.
1. 先进材料电子束焊接
先进材料与异种材料的电子束焊接技术近年来发展迅速，其高水平论文与相关专利数量呈现出快速增长的趋势，如图1所示. 国家知识产权局在2019年的调查显示，中国近年电子束焊接相关专利每年申请量达到50件以上，电子束焊接技术正处于快速发展时期[3]. 其中，先进材料是指具有优异或特殊性能、适用于高新技术的新型工程材料.利用电子束焊接能量密度高、穿透能力强、真空污染小等优点，可解决同种先进材料焊接中的一些难题，如中厚板及厚板焊接、焊缝冷却缓慢导致的晶粒粗化与脆性相析出、杂质元素污染熔池等.文中整理了近年电子束焊接技术在高温钛合金、高温合金、难熔金属、金属间化合物等先进材料连接技术上的研究应用.
![]()
图 1 近二十年电子束焊接高水平论文及专利发表情况Figure 1. High-level papers and patents published on electron beam welding in recent 20 years1.1 高温钛合金
主流高温钛合金的服役温度在600 ℃以下，近年来随着服役温度的提高，其焊接难度越来越大.而真空电子束的高能量密度适用于高温钛合金间的熔接，其真空环境可抑制活泼金属钛和铝与大气中的氢、氮和氧等反应污染熔池.
高温钛合金以Ti-Al-Sn-Zr-Mo-Si近α型体系为主，其电子束焊接焊缝易生成硬脆不稳定的六方α'相成为裂纹扩展源，同时析出的脆性Ti3X相(即α2相)导致接头塑韧性下降. 针对此问题，国内外学者多通过焊后热处理的方式使α'相转化为稳定的α相与β相，同时释放残余应力[4]. 此外利用多束电子束对高温钛合金焊接时施加预热与后热，可有效减少α′相生成[5].
在近β型与α + β型高温钛合金中，焊缝多由β柱状晶组成，导致疲劳裂纹易产生并扩展于焊缝区与热影响区. 国内外研究表明，焊后固溶时效处理有助于促进α相片层组织、针状α'相网篮状组织形成，这些组织会成为抑制疲劳裂纹扩展的屏障[6].
在原理探索方面，国内学者研究了高温钛合金电子束焊接接头超长疲劳寿命的失效机理[7]、论述了热影响区温度梯度诱导的微观组织演化过程[8]、建立了微观组织与焊接接头腐蚀疲劳行为之间的关系[9]，国外学者也对焊接过程中稳态与非稳态对晶粒形态的影响[10]做了研究，这些研究为扩展高温钛合金电子束焊接在工程上的应用奠定了基础.
1.2 高温合金
高温合金包括铁基、镍基、钴基三类，其焊接难点在于对焊接裂纹的控制、对接头强度的维持以及均匀微观组织的实现，其中又以解决焊接裂纹问题最为重要[11].国内外研究人员已就高温合金的焊接裂纹现象展开广泛研究，对不同型号高温合金的焊接裂纹种类及其成因进行了深入讨论，部分典型研究成果如表1所示.
表 1 高温合金电子束焊接裂纹的典型研究Table 1. Typical researches on electron beam welding cracks of superalloy高温合金型号 裂纹种类 裂纹成因 文献 K465 再热裂纹、凝固裂纹、液化裂纹 $ \text{γ}^\prime $析出相应力释放；Ti，Al，Nb偏析与凝固开裂；
$ \text{γ}^\prime $相、γ-$ \text{γ}^\prime $共晶富Nb，W，Ti的MC碳化物、富Cr的硼化物液化[12] GH3625 液化裂纹 Nb偏析及其碳化物液化 [13] IC10 凝固裂纹、液化裂纹 富Ta、C共晶相凝固开裂；Nb，Al，Ti的偏析与液化 [14] GTD-111 凝固裂纹、液化裂纹 Ti，Al，Mo偏析形成的γ-$ \text{γ}^\prime $共晶、MC碳化物凝固开裂；上述产物液化 [15] Mar-M400 液化裂纹 富Nb、Hf的MC碳化物、富Cr和Mo的硼化物、层状Ni-Hf化合物液化 [16] Inconel 738 凝固裂纹、液化裂纹 富Ti和Al的γ-$ \text{γ}^\prime $共晶、Ni-Zn化合物、MC碳化物；上述产物液化 [17] 液化裂纹与凝固裂纹是影响高温合金电子束焊接质量的重要因素.高温合金的高合金化程度使得焊接过程中Ti，Al，Nb和Mo等元素偏析严重，低熔点共晶、碳化物、硼化物、金属间化合物与镍基高温合金中的
$ \text{γ}^\prime $ 相是凝固裂纹与液化裂纹产生的主要诱因.针对上述两种热裂纹，通过向焊缝中引入TiC颗粒或低钛和铝中间层，扫描焊接、焊前预热及焊后热处理均可一定程度上控制或消除裂纹[18-19]. 国内研究者在对IN738LC高温合金进行焊接时采用随焊预热与后热的热补偿电子束，有效减少了接头中的裂纹长度，如图2所示[20]. 同时发现，高角度晶界易引发热裂纹，而控制热输入有利于抑制高角度晶界产生[14].
![]()
图 2 电子束焊接热补偿对IN738LC高温合金接头裂纹长度的影响Figure 2. Effect of thermal compensation treatment on crack length of of IN738LC superalloy对高温合金电子束焊接接头的抗疲劳性能[21]、高温性能[22]、焊缝凝固行为[23]等进行研究分析也是该领域近年的热点方向.
1.3 难熔金属
难熔金属主要指铌、锆、钽、钼、铼、钨等熔点高于2 000 ℃的金属，其焊接需要高能量使之熔化、隔绝大气避免氧化、控制晶粒尺寸以减少裂纹，电子束焊接方法用于难熔金属焊接具有显著的优势.在近年的难熔金属电子束焊接研究中，以钼、铌、钨及其合金的研究较多，而钽和铼较少.
对于钼合金的电子束焊接，其主要问题在于：钼合金多为粉末冶金制备，熔化焊易出现气孔；再结晶温度远低于熔点，较大热输入易造成晶粒粗化[24].研究发现，低热输入与高焊接速度可减少气孔、抑制钼合金焊缝晶粒长大.采用热补偿电子束同样可起到减少气孔的作用，但同时促进了O的偏析，降低了晶界的强度[25].引入合理的中间层可提升晶界结合强度.Zr中间层可以晶内增强相ZrO2取代晶界脆性相MoO2及TiO2，如图3所示[26]；Re中间层以富Re相在晶界的偏析抑制了O偏析，同时减少晶界迁移、细化晶粒[27]；Hf中间层优先与O反应，生成高熔点HfO2颗粒并阻止晶粒粗化[28].
![]()
图 3 Zr中间层对TZM合金电子束焊缝的晶界强化机理Figure 3. Grain boundary strengthen mechanism of Zr interlayer on TZM electron beam weld. (a) MoO2 and TiO2 precipitations on grain boundary without interlayer; (b) precipitate of intragranular ZrO2 with interlayer铌及其合金的焊接性均较好，在真空保护下电子束焊接，通常可得到无缺陷、强度接近基体的焊接接头，但焊接束流过大也会导致焊缝晶粒过度粗化、强度下降[29].
钨熔点最高，强度也是难熔合金中最高，但其脆性大且对热冲击敏感，电子束焊接钨时由于凝固速度快而难以形成有效熔池，易得到脆性大、孔隙率高的焊接接头.在钨合金中添加Ti和Re等元素并以电子束进行扫描、低速焊接时，可得到性能较好的焊接接头[30].
1.4 金属间化合物
国内外对金属间化合物的电子束焊接研究集中于Ti-Al系的TiAl，Ti3Al和Ti2AlNb三类材料.TiAl金属间化合物电子束焊接中，由于较快的冷却速度使得焊缝主要由脆性α2相组成，导致出现贯穿母材与焊缝的大尺寸裂纹，通过焊前预热与焊后后热的方法来降低焊缝冷却速度，使焊缝形成γm + γ/α2相，并释放部分残余应力，有助于消除裂纹，如图4所示[31].但该方法会造成偏析与晶粒粗化，故而国内学者进一步提出了焊前电子束逐级扫描预热、添加隔热垫板、焊后电子束逐级扫描热处理的复合电子束焊接方法，更好地改善了焊接接头组织与力学性能[32].通过添加V，Nb和Mo中间层，有利于稳定β相，从而减少α2相生成.
Ti3Al相较于TiAl，由于Al元素含量的减少而脆性降低，但整体焊接性相差不大，使用电子束直接焊接会造成宏观裂纹，焊后热处理可以明显改善其焊缝组织与力学性能[33]. 高Nb元素含量的Ti3Al金属间化合物焊接性有所改善，但仍需焊前预热与焊后散焦电子束往复加热，以细化微观组织、消除裂纹[34].
Ti2AlNb金属间化合物电子束焊接可得到无缺陷的接头，但焊缝主要由单一有序亚稳B2相组成，与母材组织严重不连续，残余应力大且不稳定，导致力学性能较差.对Ti2AlNb电子束焊接接头进行焊后热处理可以显著改善其性能，但在残余应力较高的情况下，热处理过程中接头易产生再热裂纹[35].利用电子束扫描焊前预热结合焊后热处理，可得到性能优异的Ti2AlNb电子束焊接接头[36].
1.5 其它先进材料
除了前文提到几类先进材料外，国内外研究机构还使用电子束焊接在新型陶瓷[37]、非晶态金属[38]、高熵合金[39]、复合材料等精密连接方面展开了深入研究.在对上述材料的焊接性及接头性能进行评价的同时，焊接前后热处理、偏束焊、扫描焊、电子束钎焊、多束电子束焊等工艺也在其中得到了广泛应用，实现了多种先进材料的良好连接，扩大了电子束焊接在先进材料连接领域的应用范围.
2. 异种材料电子束焊接
利用电子束焊接的高能量密度与低热应力等特点，克服异种材料之间热物性及化学性能差异导致的焊接裂纹与冶金不相容等问题，以实现其连接，是当前异种材料焊接领域的研究热点[1]. 将电子束表面聚焦对缝中心对接焊接视为一般工艺，则异种材料电子束焊接常用工艺还包括以下两种：① 在焊缝中填充不同于母材的另一种或几种中间过渡材料实现异种材料连接的焊接冶金控制法，主要包括预置中间层、随焊填丝熔钎焊、喷涂薄层等方式；② 通过改变焊接能量输入及束斑轨迹控制接头两侧母材熔化量从而焊接异种材料的焊接能量控制法，主要实施方式包括扫描、偏束、调整占空比、高频焊接、相邻补焊等.将近年来异种金属电子束焊接典型工艺进行整理归纳，如表2所示.
表 2 异种金属电子束焊接典型工艺Table 2. Typical electron beam welding processes for dissimilar metals接头分类 焊接工艺 研究的金属种类 互相固溶 一般工艺 Ni/Fe, CuCrZr/Ni 能量控制 Ti/Nb 难以互溶 一般工艺 Al/Cu, Cu/steel, Ti/Ni 能量控制 Ti/Cu, Ti/steel, Ti/Al, Cu/steel,
Al/steel, Nb/steel, Mo/steel, Nb/Ni冶金控制 Ti/Cu, Ti/steel, Ti/Ni,
WC-Co/steel, Mg/steel2.1 互相固溶的异种金属
互相固溶的异种金属之间的电子束焊接较易实现，通常采用一般工艺即可实现连接，但需注意异种材料间由于物理性质差异造成的焊接成形缺陷.对此可采用焊后小束流散焦修饰、改变占空比、偏束焊等方法进行改善.偏束焊是实现难熔金属与其它相溶的异种金属焊接时最常用的方法[40]，适用于Nb/Ti，W/Cu，W/Ta和W-Ta/Ti等异种金属的焊接.
2.2 难以互溶的异种金属
难以互溶的异种金属具体又可划分为：①如钛/铜、钛/钢、铝/钢、镍/铌、镍/钛一类会生成脆性金属间化合物的异种金属；② 如铜/钢一类虽然无金属间化合物生成，但热物性相差过大导致难以实现结合的异种金属；③ 镁/钢一类完全不互溶的异种金属.实现难以固溶的异种金属之间的焊接是当前电子束焊接研究领域的热点方向.
2.2.1 生成脆性金属间化合物的异种金属
钛与钢焊接时易产生TiFe和TiFe2等脆性金属间化合物，目前对其焊接以冶金控制为主，国内外研究者在钛与钢之间分别加入V，Cu，Ag和Cu/Nb等中间层材料，均可有效抑制焊缝脆性化合物层的生成.国内研究者使用V/Cu-V复合中间层对钛/钢电子束焊接，获得了无缺陷焊接接头，基本消除了焊缝内金属间化合物[41].
钛/铜间存在多种金属间化合物，且这些金属间化合物普遍滑移系少、硬度高、塑性差，严重影响接头性能.向铜侧偏束可以使铜更好地润湿钛合金表面以增强接头强度，但也会获得更厚的化合物层使接头呈现脆性断裂.针对这一情况，有学者提出在钛合金侧进行补焊并复合焊根修饰的方法，如图5所示，以重塑微观结构及释放应力的方式改善接头性能[42].
![]()
图 5 钛/铜电子束Ti侧补焊工艺与微观组织Figure 5. Process and microstructure of Ti/Cu electron beam weld with secondary adjacent welding on Ti side. (a) crosssection schematic diagram of welding process; (b) microstructure of welding joint铝/钢熔焊易出现熔合不良与高残余应力，且会产生大量硬脆的Al-Fe金属间化合物，导致裂纹产生.向铝侧偏束及电子束扫描焊接可减少接头化合物，接头断裂方式转为韧性断裂[43]. 其冶金控制法包括采用Ag，Cu，Zn中间层/涂层或AlSi5填丝熔钎焊等[44-45].其中Ag中间层复合偏束焊在偏束量适中时可完全抑制Al-Fe金属间化合物生成.
镍/钛电子束焊接由于镍基高温合金的应用而在近年兴起，其主要问题为熔焊时产生TiNi和Ti2Ni等脆性化合物. 利用铜中间层可以Cu-Ni固溶体取代焊缝中的Ti-Ni金属间化合物，提高接头性能[46].提高焊接速度及引入V等中间层可抑制Ti-Cu金属间化合物，进一步改善镍/钛电子束焊接接头性能[47].
镍/铌电子束焊接主要问题是由脆性Ni6Nb7相与偏析的Laves相共同导致的焊接裂纹.偏束焊可减少Nb的熔化并减少偏析，有效降低了Nb/GH3128合金焊接接头脆性化合物层厚度，并抑制了Laves相，消除了接头宏观裂纹[48].
2.2.2 热物性相差较大的异种金属
铜与钢的电子束焊接虽然不产生脆性金属间化合物，但其熔点、热导率和线膨胀系数等较大差异会导致大的焊接应力和接头变形，且易导致合金元素偏析.由于其本身冶金相容性较好，国内外对铜/钢电子束焊接的研究均采用焊接能量控制法.
国外研究者使用扫描电子束对铜/钢进行焊接，合适的扫描幅值可改善铜钢接头成形[49]、抑制孔隙缺陷[50]、改善焊缝组织均匀程度[51]，进而改善接头性能.国内研究者发现焊接过程中适当向铜侧偏移可以得到与铜等强的焊接接头[52]、以电子束填丝焊接铜/钢可以解决元素烧损与接头下塌问题[53].
2.2.3 完全不互溶的异种金属
镁/钢是典型的的互不相溶金属材料，对其电子束焊接需要通过焊接冶金控制法来实现.研究者利用Al-Zn涂层实现了镁/钢电子束焊接，其中锌起改善接头润湿性的作用，铝则在界面处形成Al2Fe5等金属间化合物，避免了镁/钢接触影响接头成形[54].
3. 结束语
电子束焊接在先进材料与异种材料的连接中具有独特的优越性.针对由材料本身固有属性或异种材料物化性质差异所导致的裂纹与冶金不相容等问题，可采用偏束、扫描、热补偿、焊接前后热处理、添加过渡材料等方式实现接头的能量控制与冶金调控，从而获得力学性能良好的焊接接头.目前，先进材料与异种材料电子束焊接研究还主要是集中在焊接成形与缺陷控制、接头组织和性能优化等工艺层面，而对电子束焊接机理的研究尚有待深入.
今后除了需要继续在新材料，特别是新兴高温材料、传统难以焊接的硬脆材料，以及冶金极度不相容的异种材料的电子束焊接工艺与接头性能提升方面持续关注外，借助焊接过程的监测与仿真来获得电子束形态、熔池流动过程、电磁场分布及热场应力场变化等信息，深入开展电子束与材料的物理作用机制、热电磁耦合作用、电子束深穿机制与熔池流动行为、焊接传热传质过程等深层次科学问题的研究已成为电子束焊接机理研究的热点方向.另一方面电子束焊接方法对设备的依赖性强，新型电子束焊接设备及功能的开发势必带来新的电子束焊接工艺技术革命，进一步推动先进材料与异种材料电子束焊接技术的发展，进而形成更加完整的电子束焊接技术体系.
-
![]()
图 3 熔透状态示意图
Figure 3. Schematic of penetration states. (a) partial penetration; (b) full penetration; (c) excessive penetration
![]()
图 6 知识增强的CNN熔透状态预测架构
Figure 6. Knowledge-enhanced CNN penetration prediction architecture
![]()
图 7 不同语义分割模型在熔池分割任务中的效果对比
Figure 7. Comparison of the molten pool segmentation results among different semantic segmentation models
![]()
图 8 不同熔透状态下熔池轮廓融合
Figure 8. Molten pool counter fusion in different penetration states. (a) partial penetration;(b) full penetration; (c) excessive penetration
![]()
图 11 熔透状态预测结果和真实标签(0-部分熔透，1-适度熔透，2-过度熔透)
Figure 11. Penetration prediction results and truth label(0- partial penetration, 1-full penetration, 2-excessive penetration)
![]()
图 12 不同输入下t-SNE可视化
Figure 12. Visualization of t-SNE with different inputs. (a) single-frame raw molten pool image; (b) multi-frame raw molten pool image fusion; (c) knowledge enhancement for single-frame molten pool contour image; (d) knowledge enhancement for multi-frame molten pool contour image fusion
表 1 焊接试验参数
Table 1 Welding experiment paraments
焊件尺寸
(L × W × H)/mm氦气流量
q/(L·min−1)焊接电流
I/A焊接速度
v/(mm·s−1)钨极直径
d/mm300 × 150 × 5 12 155 ~ 175 270 5.0 
下载: 导出CSV
表 2 CNN架构
Table 2 Architecture of the proposed CNN
模型 输入大小 卷积核1 卷积核2 卷积核3 卷积核4 全连接层 CNN-1 360 × 360 16 32 64 128 [23 × 23 × 128,3] CNN-2 224 × 224 16 32 64 128 [14 × 14 × 128,3] CNN-3 224 × 224 32 64 128 256 [14 × 14 × 256,3] CNN-4 128 × 128 32 64 128 256 [8 × 8 × 256,3]
下载: 导出CSV
表 3 不同分割网络性能对比
Table 3 Quantifying the performance of different segmented networks
方法 平均交并比 平均像素精度 检测速度
v/(帧·s−1)FNC 0.722 0.791 22 SegNet 0.754 0.786 25 U-Net 0.783 0.824 24 DeepLabv3 + 0.812 0.836 19
下载: 导出CSV
表 4 数据集分布(个)
Table 4 Distribution of dataset
数据集 部分熔透 适度熔透 过度熔透 总计 训练集 301 623 350 1 274 测试集 129 268 150 547 总计 430 891 500 1 821
下载: 导出CSV
表 5 CNN测试结果
Table 5 CNN test results
输入图像 准确率
A(%)精度
P(%)召回率
R(%)F1值
F1(%)单帧原始熔池图像 83.5 81.4 83.3 83.8 多帧原始熔池图像融合 90.4 91.5 90.4 90.5 单帧熔池轮廓图像知识增强 93.2 93.4 93.2 93.2 多帧熔池轮廓图像融合知识增强 97.1 98.5 97.4 97.3
下载: 导出CSV
-
[1] 周政, 王国庆, 宋建岭, 等. 2219铝合金不同气氛下TIG焊焊接接头组织性能[J]. 焊接学报, 2018, 39(7): 47 − 50. doi: 10.12073/j.hjxb.2018390173 ZHOU Zheng, WANG Guoqing, SONG Jianlin, et al. Microstructure and mechanical properties of 2219aluminum alloys TIG welding welded joints in differentshielding gases[J]. Transactions of the China Welding Institution, 2018, 39(7): 47 − 50. doi: 10.12073/j.hjxb.2018390173
[2] 张志芬, 杨哲, 任文静, 等. 电弧光谱深度挖掘下的铝合金焊接过程状态检测[J]. 焊接学报, 2019, 40(1): 19 − 25. doi: 10.12073/j.hjxb.2019400005 ZHANG Zhifen, YANG Zhe, REN Wenjing, et al. Condition detection in Al alloy welding process based on deep mining of arc spectrum[J]. Transactions of the China Welding Institution, 2019, 40(1): 19 − 25. doi: 10.12073/j.hjxb.2019400005
[3] 岳建锋, 龙新宇, 黄云龙, 等. 基于电弧声信号的窄间隙脉冲熔化极气体保护焊侧壁熔合状态在线识别[J]. 中国机械工工程, 2024, 35(2): 244 − 250, 259. YUE Jianfeng, LONG Xinyu, HUANG Yunlong, et al. On-line identification of narrow gap P-GMAW sidewall fusion state based on arc acoustic signa[J]. China Mechanical Engineering, 2024, 35(2): 244 − 250, 259.
[4] PENG G, CHANG B, WANG G, et al. Vision sensing and feedback control of weld penetration in helium arc welding process[J]. Journal of Manufacturing Processes, 2021, 72: 168 − 178.
[5] 肖宏, 宋建岭, 刘宪力, 等. 基于形态学算法的2219铝合金钨极氦弧焊熔池图像特征提取[J]. 宇航材料工艺, 2019, 49(1): 78 − 81. doi: 10.12044/j.issn.1007-2330.2019.01.015 XIAO Hong, SONG Jianling, LIU Xianli, et al. Image feature extraction of helium gas tungsten arc welding pool of 2219 aluminum alloy based on morphological algorithm[J]. Aerospace Materials & Technology, 2019, 49(1): 78 − 81. doi: 10.12044/j.issn.1007-2330.2019.01.015
[6] HONG Y, YANG M, CHANG B, et al. Filter-PCA-based process monitoring and defect identification during climbing helium arc welding process using DE-SVM[J]. IEEE Transactions on Industrial Electronics, 2023, 70(7): 7353 − 7362.
[7] CHEN C, LYU N, CHEN S. Welding penetration monitoring for pulsed GTAW using visual sensor based on AAM and random forests[J]. Journal of Manufacturing Processes, 2021, 63: 152 − 162.
[8] 洪宇翔, 杨明轩, 都东, 等. 铝合金爬坡TIG焊熔池失稳状态的视觉检测[J]. 焊接学报, 2021, 42(10): 8 − 13. HONG Yuxiang, YANG Mingxuan, DU Dong, et al. Unstable state vision detection of molten pool during aluminum alloy climbing-TIG welding[J]. Transactions of the China Welding Institution, 2021, 42(10): 8 − 13.
[9] 马晓锋, 夏攀, 刘海生, 等. 全位置焊接熔池的深度学习检测方法[J]. 机械工程学报, 2023, 59(12): 272 − 283. doi: 10.3901/JME.2023.12.272 MA Xiaofeng, XIA Pan, LIU Haisheng, et al. Deep learning detection method of all-position welding pool[J]. Journal of Mechanical Engineering, 2023, 59(12): 272 − 283. doi: 10.3901/JME.2023.12.272
[10] CAI W, JIANG P, SHU L, et al. Real-time identification of molten pool and keyhole using a deep learning-based semantic segmentation approach in penetration status monitoring[J]. Journal of Manufacturing Processes, 2022, 76: 695 − 707.
[11] 李春凯, 王嘉昕, 石玗, 等. GTAW熔池激光条纹动态行为与熔透预测方法研究[J]. 机械工程学报, 2024, 60(6): 236 − 249. LI Chunkai, WANG Jiaxin, SHI Yu, et al. Study on the dynamic behavior of GTAW melt pool laser streak and penetration prediction method[J]. Journal of Mechanical Engineering, 2024, 60(6): 236 − 249.
[12] WANG Q, JIAO W, WANG P, et al. A tutorial on deep learning-based data analytics in manufacturing through a welding case study[J]. Journal of Manufacturing Processes, 2021, 63: 2 − 13.
[13] CHENG Y, WANG Q, JIAO W, et al. Detecting dynamic development of weld pool using machine learning from innovative composite images for adaptive welding[J]. Journal of Manufacturing Processes, 2020, 56: 908 − 915.
[14] 刘秀航, 叶广文, 黄宇辉, 等. 激光-MIG复合焊根部驼峰缺陷预测[J]. 焊接学报, 2022, 43(12): 47 − 52,99. doi: 10.12073/j.hjxb.20211216003 LIU Xiuhang, YE Guangwen, HUANG Yuhui, et al. Root hump defect prediction for laser-MIG hybrid welding[J]. Transactions of the China Welding Institution, 2022, 43(12): 47 − 52,99. doi: 10.12073/j.hjxb.20211216003
[15] JIAO W, WANG Q, CHENG Y, et al. Prediction of weld penetration using dynamic weld pool arc images[J]. Welduing Journal, 2020, 99(11): 295S − 302S.
[16] GAO P, WU Z, WANG Y, et al. Method for monitoring and controlling penetration of complex groove welding based on online multi-modal data[J]. Journal of Intelligent Manufacturing, 2024, 35(3): 1247 − 1265.
[17] WU D, HU M, HUANG Y, et al. In situ monitoring and penetration prediction of plasma arc welding based on welder intelligence-enhanced deep random forest fusion[J]. Journal of Manufacturing Processes, 2021, 66: 153 − 165.
[18] LIU T, BAO J, ZHENG H, et al. Learning semantic-specific visual representation for laser welding penetration status recognition[J]. Science China Technological Sciences, 2022, 65(2): 347 − 360. doi: 10.1007/s11431-021-1848-7
计量
- 文章访问数: 65
- HTML全文浏览量: 4
- PDF下载量: 17
