Image processing technology for ship plate melt pool based on MS-FCM algorithm
-
摘要:
熔池的图像处理与特征提取技术是船舶熔化极气体保护焊(gas metal arc welding, GMAW)智能化焊接质量监控的重要内容,针对船体板GMAW焊接过程中的烟雾大、飞溅多等不稳定特性导致熔池图像采集模糊、边缘提取困难等问题,提出一种基于均值漂移(mean shift, MS)优化模糊C均值聚类(fuzzy c-means, FCM)的图像处理算法. 在优化设计焊接动态视觉传感系统中,以最大化保证图像信息采集清晰度的基础上,利用MS算法获取超像素图像以解决FCM算法对噪声的敏感性,同时在FCM算法上引入加权邻域窗口,以增强MS-FCM算法的鲁棒性,来克服烟雾、飞溅、弧光等噪声影响,进而完成图像分割与边缘提取. 最后,设计出关于FCM、空间约束模糊C均值聚类 (fuzzy c-means with spatial constraints, FCM_S)、加强型模糊聚类(enhanced fuzzy c-means, ENFCM)和模糊局部信息C均值聚类(fuzzy local information c-means clustering, FLICM)算法的4种不同图像处理方法,并与MS-FCM优化模型进行边缘分割效果对比,获取几种方法所提取的熔宽,验证熔池几何特征的提取精度. 结果表明,MS-FCM算法在船舶焊接熔池图像处理方面能有效抑制噪声干扰,平滑信息,达到较高的提取精度.
Abstract:The image processing and feature extraction technology of molten pool is an important part of intelligent welding quality monitoring for gas metal arc welding (GMAW) on ships. To address the unstable characteristics of large smoke and spatter during GMAW welding of ship hull plates, such as blurred image acquisition and difficult edge extraction, a fuzzy c-means clustering (FCM) based on mean shift (MS) optimization is proposed The image processing algorithm for In the optimization design of the welding dynamic visual sensing system, on the basis of maximizing the clarity of image information acquisition, the MS algorithm is used to obtain superpixel images to solve the sensitivity of the FCM algorithm to noise. At the same time, a weighted neighborhood window is introduced on the FCM algorithm to enhance the robustness of the MS-FCM algorithm, overcome the effects of smoke, spatter, arc light, noise, etc., and complete image segmentation and edge extraction Finally, four different image processing methods were designed for FCM, fuzzy c-means with spatial constraints (FCM-S), enhanced fuzzy c-means (ENFCM), and fuzzy local information c-means clustering (FLICM) algorithms. The edge segmentation effects were compared with the MS-FCM optimization model to obtain the extracted fusion widths from these methods, Verify the accuracy of extracting geometric features of the molten pool The results show that the MS-FCM algorithm can effectively suppress noise interference, smooth information, and achieve high extraction accuracy in ship welding pool image processing.
-
0. 序言
柴油发动机的涡轮增压器大多采用K418或GH2132涡轮与42CrMo结构钢转轴结构[1],这种结构涡轮材料比重和整体质量大,从而导致转子系统的转动惯量大,使发动机的瞬态响应性变差,功率损失加大. 为了解决上述问题,减小转子系统,特别是涡轮的转动惯量是最根本的解决途径.
TiAl合金因其密度远小于高温合金,而室温和高温比强度却好很多,室温韧性也比陶瓷材料好,其优异的高温力学性、抗氧化性和较好的环境抗力,被认为是高推比航空发动机和火箭推进系统极具潜力的新型材料,同时也适宜于发动机高温隔热、高温运动部件,如废气涡轮增压器中涡轮的制造.
关于TiAl合金的连接,国内外已开展了包括电子束焊接、摩擦焊接、钎焊、自蔓延高温合金焊接等工艺的大量研究,并取得了一定成果[2-5]. 但是对于TiAl合金与结构钢转轴的连接研究较少. 姜明智等人[6]采用过盈连接的方式对TiAl合金轴与K418合金套的连接进行了研究,发现要实现连接强度的稳定性,需控制加热时间、径向轴跳和TiAl合金轴表面粗糙度3个参数. Takuya[7]对TiAl合金进行了摩擦焊接试验,研究发现,焊接接头包含3个区域,接头抗拉强度达到560 MPa. Ventzke等人[8]研究了TiAl合金和Ti6Al4V摩擦焊接,指出焊接前后热处理是必须的,接头拉伸强度主要取决于TiAl合金母材而不是连接界面. 赵全忠[9]研究了TiAl合金与结构钢的摩擦焊接技术,发现由于界面脆性相的形成,TiAl合金与结构钢直接摩擦焊很难获得性能较好的接头. 王忠平等人[10-11]采用Inconel 718作为中间层对TiAl合金和42CrMo进行了三体摩擦焊. 研究发现,当中间层厚度介于0.9 ~ 1.1 mm时,焊后接头抗拉强度可达到360 MPa左右. Zhu等人[12]研究了钎料结晶条件对TiAl合金和42CrMo真空钎焊的影响. Lee等人[13]将Cu作为中间层对TiAl合金和AISI4140钢进行了摩擦焊接试验,发现引入Cu可以改善二者的摩擦焊接性,焊接强度可达到375 MPa. Park等人[14-15]研究了TiAl/Cu/SCM440和TiAl/Ni/SCM440摩擦焊接接头的微观结构和力学性能,发现焊接界面的结构取决于嵌入层金属的类型,并且IMC层的厚度随摩擦时间而变化. Kumar等人[16]引入OFC作为夹层研究了Ti-6Al-4V和SS304L之间的摩擦焊接特性,获得最高拉伸强度. Dong等人[17-18]讨论了热处理对TiAl合金与40Cr及40CrMo调质钢摩擦焊接头显微组织及力学性能的影响,经过580 ℃和630 ℃保温2 h焊后热处理,接头的抗拉强度大幅提高. 李玉龙等人[19]对TiAl合金与42CrMo钢的钎焊连接方式进行了研究,结果表明在钎焊温度1 123 ~ 1 273 K,保温时间120 ~ 1 500 s范围内获得的Al-Cu-Ti系反应层在受外力作用下容易发生脆性断裂,为接头的薄弱环节.
前期研究发现TiAl与42CrMo转轴的摩擦焊接性较差,二者直接摩擦焊接很难获得优质的摩擦焊接接头,加入中间层会改善它们的摩擦焊接性. 过渡层必须能兼顾两端母材性能,比较后发现镍基变形高温合金GH3039中的镍能固溶大量Co,Fe,Cr,Mo,W,V,Ti和Al等元素,高温性能(弹性模量,热膨胀率)随温度的变化规律与TiAl合金较为匹配,且与结构钢具有较好的摩擦焊接性. 故对TiAl与GH3039的摩擦焊接工艺进行研究,对TiAl在涡轮增压器领域的实际应用有重要意义.
1. 试验材料及方法
1.1 试验材料
试验所用TiAl合金棒材是由北京钢铁研究总院研究开发的铸造合金,该合金通过真空感应悬浮炼制,试棒采用金属模具浇注,其化学成分见表1. 铸态合金由长程有序面心立方L10 (晶格常数c/a = 1.01 ~ 1.02)结构的TiAl相和约占20%体积分数的长程有序密排六方DO19结构的Ti3Al相组成. 铸态合金组织为两相平行排列的层片状组织,铸态宏观组织基本上由沿散热方向(如柱状铸锭中是垂直外圆面方向)长大的柱状晶构成.
表 1 TiAl化学成分(原子分数,%)Table 1. Chemical composition of TiAl alloyAl Cr V Ti 47 1.0 2.5 余量 GH3039为单相奥氏体固溶强化合金,在800 ℃以下具有中等的热强性和良好的热疲劳性能,冷成形和焊接性能良好,热处理方式为:固溶处理(1 080 ℃,空冷). 其化学成分见表2.
表 2 GH3039化学成分(原子分数,%)Table 2. Chemical composition of GH3039C Cr Al Ti Fe Mo Nb ≤ 0.08 20.5 0.55 0.55 ≤ 3.0 2.1 1.1 焊接所用TiAl合金和GH3039高温合金试样均为ϕ25 mm圆棒,焊前将试样端面车削平整,并用丙酮清洗端面.
1.2 试验设备及工艺参数
试验采用由西北工业大学开发的C500型连续驱动数控摩擦焊机进行焊接,该焊机配备有工业控制计算机闭环控制系统,能实现焊接过程参数(焊接压力、转速、扭矩与轴向缩短量)的实时检测、显示和控制,主轴转速无级调节. 试验所采用的优化后焊接工艺参数见表3. 焊后进行后续热处理,热处理温度为560 ℃,时间为45 min.
表 3 主要焊接工艺参数Table 3. Main welding process parameters始焊转速
n/(r·min−1)摩擦压力
P1/MPa顶锻压力
P2/MPa摩擦时间
t/s1 000 8 11.5 8 1.3 接头组织分析方法及设备
沿焊接接头纵向横截面取样,采用不同的腐蚀剂对异种材料进行腐蚀.TiAl一侧采用5%HF + 10% H2O + 85% H2O;GH3039一侧采用HNO3:HCl = 1:3. 采用FM-800型显微维氏硬度计对接头区域的宏观硬度分布进行测试,试验载荷为100 g,加载时间为10 s. 采用Quanta FEG400场发射扫描电子显微镜对典型断口进行分析,以确定裂纹起源区、裂纹扩展的方向和断裂方式,揭示断裂机理.
1.4 接头性能测试方法
采用DDL300电子万能试验机对焊接件接头的抗拉强度进行测试,加载速度为0.5 mm/min.
2. 试验结果及讨论
2.1 焊接接头宏观形貌
摩擦焊接头宏观形貌如图1所示.由图1可以看出左侧TiAl合金端几乎看不到宏观塑性变形,而右侧GH3039端相对于TiAl合金发生了较大的塑性变形,故焊接接头只在GH3039一侧形成了单侧飞边. 这是由于TiAl合金的高温强度远高于GH3039,当摩擦加热到GH3039的热塑性阶段,TiAl合金依然保持了较高的高温强度,并且TiAl合金为铸态组织,不易发生塑性变形,在摩擦压力的作用下,GH3039侧的摩擦塑性变形不断发展,顶锻后最终形成单侧飞边.
2.2 焊接参数优化
基于焊接接头的拉伸强度,对主要焊接工艺参数,如焊接转速、顶锻压力和焊后热处理时间等因素进行了单因素及正交优化试验. 其中焊接接头拉伸强度随转速级别的变化规律如图2所示.
由图2可以看出,不同焊接转速级别下焊接接头的抗拉强度差异较大,转速过低的同时焊接界面的温度也低,导致两侧母材之间的相互扩散程度低,不能形成有效的冶金结合,故接头拉伸强度低;转速过高的同时焊接界面温度也高,导致两侧母材之间的相互扩散程度高,形成了较厚的脆性中间合金相,故接头拉伸强度也低. 只有当焊接转速级别为2时,焊接件的抗拉强度较高. 说明焊接转速是影响TiAl与GH3039摩擦焊接头性能的一个关键因素,且其适用范围很窄. 对其它焊接工艺参数也进行了类似的单因素试验和正交试验,详细试验过程及数据文中不再赘述. 最终优化所得到的焊接工艺参数为:焊接转速级别2,摩擦压力8 MPa,顶锻压力11.5 MPa,焊后热处理温度560 ℃,热处理时间45 min.
2.3 焊接接头硬度分布
对TiAl与GH3039试棒焊接接头横截面心部的硬度进行了测量,结果如图3所示.
由图3可以看出,焊接界面处硬度显著高于母材,表明此处形成了高硬度的第二相.GH3039侧硬度均匀,靠近焊缝处热力影响区(HMAZ)硬度略有上升,应该与HMAZ组织变形与细化有关,但其范围很窄;TiAl侧硬度跳动幅度较大,主要与压痕处片层取向有关.
2.4 焊接接头金相组织分析
TiAl试棒与GH3039摩擦焊接接头的背散扫描组织如图4所示.
由图4可以看出焊接界线,右侧为TiAl合金,左侧为GH3039,焊合区域形成了明显的四层不同成分的层状组织结构. TiAl母材组织为α2 + γ相层片组织,近焊缝区的层片组织明显沿着焊缝方向发生了弯曲,说明摩擦焊接过程中,TiAl近焊缝区也发生了一定程度的塑性变形,只是变形程度比GH3039低.
为了确定焊接区域组织成分,对焊合区及附近区域做SEM/EDS线扫描,结果如图5所示.
从左侧GH3039高温合金开始,沿试样轴向扫描到右侧的TiAl合金,扫描长度大约为56 μm,主要合金元素Al,Ti,Ni,Cr,V的含量变化如图5b ~ 5f中曲线所示. 由图5a可以看出焊后形成一个宽度约为12 μm的焊合区,在焊合区左侧界线即扫描线长度约24 μm处,合金元素开始发生显著变化,说明元素已发生了扩散. GH3039侧主要元素Ni逐步降低,而Cr元素成分略有波动,说明在焊合区域内形成了富Cr的第二相;TiAl合金侧的主要元素Ti,Al在焊合区左侧存在一段平台区域,说明在该位置有新相生成. 在焊合区域靠近右侧边界的位置Ni,Cr元素含量显著下降,Ti,Al元素突增,直至过渡到TiAl母材. 从整体来说,在焊缝附近,两侧合金元素发生扩散,主要合金元素Ti,Al,Ni,Cr的浓度变化范围大,原子半径、价电子浓度不同,从而易于形成金属间化合物,构成了复杂的焊合区域组织.
2.5 焊接接头拉伸断口扫描分析
焊后采用电子万能试验机对焊件进行拉伸性能测试. 结果显示,TiAl合金与GH3039棒材焊件的最高抗拉强度可以达到400 MPa左右,焊接强度高时大部分焊接接头从TiAl合金母材一侧断裂,说明焊接接头的抗拉强度已经大于TiAl合金母材强度.
断于TiAl母材的焊接接头断口宏观形貌如图6所示. 由图可以看出,断口参差不齐,高低起伏,没有塑性变形痕迹,可清楚地观察到裂纹起源区,并呈放射状花样向外围扩展,有少量的河流花纹,层片团中还夹杂少量白亮的γ晶粒解理面,断面垂直于最大拉应力方向.
上述断口的扫描分析结果如图7所示,由试样断口的微观形貌可以看出,断裂为脆性断裂,断裂方式主要为穿层片断裂,少量沿片层断裂,以及部分沿γ晶粒解理断裂.
图7a为沿层片断裂;图7b可以看到较多的沿层片断裂的解理面和穿层片断裂形貌,断口裂纹源区有沿层片断裂的解理面;γ晶粒解理断裂放大后如图7c. 图7d为典型的穿层片断裂的断口形貌. TiAl合金母材断口上看不到金属材料断口上常见的韧窝形貌. 上述断口形貌表明,TiAl合金属于典型的脆性材料,断裂时几乎没有塑性变形.
3. 结论
(1) TiAl合金与GH3039高温合金的异种材料摩擦焊接具有可行性.
(2) 在摩擦焊接过程中热力耦合作用下,GH3039侧热力影响区塑性变形较大,TiAl合金侧热力影响区变形较小.
(3) TiAl合金与GH3039高温合金摩擦焊接连接界面两侧合金元素发生了扩散,形成了复杂的层状金属间化合物组织结构.
(4) 断于TiAl合金母材的焊接接头断口属于典型的脆性断口.
-
表 1 CCD相机的主要性能参数
Table 1 Main performance parameters of CCD
像素尺寸
/μm机械尺寸
/mm帧率
F/(帧·s−1)分辨率 相机重量
G1/g镜头外形尺寸
/mm镜头重量
G2/g滤镜螺纹 光感范围 螺纹直径d1/mm 螺路L1/mm 5.86×5.86 38.3×29×29 41 1920×1200 42 Φ33.5 × 28.2 62.6 30.5 0.5 F1.4 ~ F16 表 2 焊接工艺参数
Table 2 Parameters of the welding experiment
焊接电源 试件尺寸/mm 焊丝材料 气体流量Q/(L·min−1) 焊接速度v/(cm·min−1) 电弧电压
U/V焊接电流
I/A焊丝伸出长度L2/mm 焊丝直径d2/mm 起弧距离D/mm Pulse MIG-RP 300×150×8 H08Mn2SiA 15 23 21 170 15 1.2 1.0 表 3 实际像素宽度与各算法像素宽度
Table 3 Actual pixel width and algorithm pixel width
图像编码 误差率A(%) FCM FCM-S ENFCM FLIFCM MS-FCM 烟雾1 34.5 33.8 3.5 14.8 2.8 烟雾2 24.2 24.2 2.3 11.5 1.5 烟雾3
飞溅1
飞溅2
飞溅342.3
9.0
16.9
3.943.8
2.3
4.4
10.327.7
3.8
8.1
1.64.6
57.6
23.5
9.93.8
0.7
2.2
1.5表 4 不同算法的宽度误差
Table 4 Width error of different algorithms
图像编码 误差率A(%) FCM FCM-S ENFCM FLIFCM MS-FCM 烟雾1 34.5 33.8 3.5 14.8 2.8 烟雾2 24.2 24.2 2.3 11.5 1.5 烟雾3
飞溅1
飞溅2
飞溅342.3
9.0
16.9
3.943.8
2.3
4.4
10.327.7
3.8
8.1
1.64.6
57.6
23.5
9.93.8
0.7
2.2
1.5 -
[1] 方乃文, 郭二军, 徐锴, 等. 钛合金激光填丝焊缝晶粒生长及相变原位观察[J]. 中国有色金属学报, 2022, 32(6): 1655 − 1672. Fang Naiwen, Guo Erjun, Xu Kai, et al. In-situ observation of grain growth and phase transformation in laser welding of titanium alloy with filler wire[J]. The Chinese Journal of Nonferrous Metals, 2022, 32(6): 1655 − 1672.
[2] 蒋宝, 徐冬至, 黄瑞生, 等. 基于视觉传感的焊接机器人焊缝识别跟踪技术研究现状[J]. 金属加工 (热加工), 2022(1): 10-17. Jiang Bao, Xu Dongzhi, Huang Ruisheng, et al. Research status of welding robot seam recognition and tracking technology based on visual sensing [J] MW Metal Forming, 2022(1): 10-17.
[3] 林少铎. 激光视觉传感的焊缝跟踪方法研究[D]. 广州: 广东工业大学, 2019. Lin Shaoduo. Research on seam tracking based on laser vision sensing[D]. Guangzhou: Guangdong University of Technology, 2019.
[4] 李翼, 吕建军, 周陶然, 等. 船舶智能制造关键共性技术体系探究[J]. 船舶工程, 2021, 43(6): 24 − 30. Li Yi, Lü Jianjun, Zhou Taoran, et al. Research on key common technology system of ship intelligent manufacturing[J]. Ship Engineering, 2021, 43(6): 24 − 30.
[5] 王树强, 周游, 陈昊雷, 等. 基于激光视觉的钢结构焊缝图像处理系统[J]. 焊接学报, 2022, 43(2): 101 − 105. doi: 10.12073/j.hjxb.20210603001 Wang Shuqiang, Zhou You, Chen Haolei, et al. A steel structure weld image processing system based on laser vision[J]. Transaction of the China Welding Institution, 2022, 43(2): 101 − 105. doi: 10.12073/j.hjxb.20210603001
[6] 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]. Transaction of the China Welding Institution, 2021, 42(10): 8 − 13.
[7] Nomura K, Fukushima K, Matsumura T, et al. Burn-through prediction and weld depth estimation by deep learning model monitoring the molten pool in gas metal arc welding with gap fluctuation[J]. Journal of Manufacturing Processes, 2021, 61: 590 − 600. doi: 10.1016/j.jmapro.2020.10.019
[8] 杨嘉佳, 王克鸿, 吴统立, 等. 铝合金双丝脉冲 MIG 焊双向熔池同步视觉传感及图像处理[J]. 机械工程学报, 2014, 50(12): 44 − 50. doi: 10.3901/JME.2014.12.044 Yang Jiajia, Wang Kehong, Wu Tongli, et al. Two-directional synchronous visual sensing and image processing of weld pool in aluminum alloy twin arc pulsed MIG welding[J]. Journal of Mechanical Engineering, 2014, 50(12): 44 − 50. doi: 10.3901/JME.2014.12.044
[9] 王煜, 高向东, 陈子琴, 等. 激光-MAG 复合焊接过程金属蒸气和背部熔池图像分析[J]. 机械工程学报, 2020, 55(19): 167 − 173. Wang Yu, Gao Xiangdong, Chen Ziqin, et al. Analysis of the images of metal vapor and bottom-molten pool in laser-MAG hybrid welding process[J]. Journal of Mechanical Engineering, 2020, 55(19): 167 − 173.
[10] 杨家林, 高进强, 秦国梁, 等. 基于视觉的激光深熔焊熔池检测及图像处理[J]. 焊接学报, 2011, 32(11): 21 − 24. Yang Jialin, Gao Jinqiang, Qin Guoliang, et al. Vision-based checking and image processing for melt pool of laser deep penetration welding[J]. Transaction of the China Welding Institution, 2011, 32(11): 21 − 24.
[11] 崔勇, 马国红, 马少龙. 双弧焊熔池图像处理[J]. 热加工工艺, 2013, 42(23): 160 − 162. Cui Yong, Ma Guohong, Ma Shaolong. Weld pool image processing in double arc welding[J]. Hot Working Technology, 2013, 42(23): 160 − 162.
[12] 薛家祥, 贾林, 李海宝. CO2 焊熔池图像的 Bubble 小波零交叉边缘检测[J]. 焊接学报, 2004, 25(1): 87-89. Xue Jiaxing, Jia Lin, Li Haibao. Edge detection of CO2 arc welding pool image based Bubble wavelet and zero crossing[J] Transaction of the China Welding Institution, 2004, 25(1): 87-89.
[13] Chen C, Lü 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. doi: 10.1016/j.jmapro.2020.04.005
[14] 刘坚, 向超前, 王方华, 等. 基于相位一致性的激光熔覆熔池边缘提取方法[J]. 机械工程学报, 2018, 54(5): 166-172. Liu Jian, Xiang Chaoqian, Wang Fanghua, et al. New method based on phase congruency for weld pool edge extraction in laser cladding[J] Journal of Manufacturing Processes, 2018, 54(5): 166-172.
[15] Qiao N, Zou B. A segmentation method for noisy photoelectric image[J]. Optik, 2013, 124(20): 4092 − 4094.
[16] Zhang Y, Bai X, Fan R, et al. Deviation-sparse fuzzy c-means with neighbor information constraint[J]. IEEE Transactions on Fuzzy Systems. A Pubilcation of the IEEE Neural Networks Council, 2018, 27(1): 185 − 199.
[17] Fan J, Wang J. A two-phase fuzzy clustering algorithm based on neurodynamic optimization with its application for PolSAR image segmentation[J]. IEEE Transactions on Fuzzy Systems:A Pubilcation of the IEEE Neural Networks Council, 2016, 26(1): 72 − 83.
[18] Shang R, Tian P, Jiao L, et al. A spatial fuzzy clustering algorithm with kernel metric based on immune clone for SAR image segmentation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(4): 1640 − 1652. doi: 10.1109/JSTARS.2016.2516014
[19] Fang J, Wang K. Weld pool image segmentation of hump formation based on Fuzzy C-means and Chan-Vese model[J]. Journal of Materials Engineering and Performance, 2019, 28: 4467 − 4476. doi: 10.1007/s11665-019-04168-y
[20] 兰蓉, 林洋. 抑制式非局部空间直觉模糊 C-均值图像分割算法[J]. 电子与信息学报, 2019, 41(6): 1472 − 1479. Lan Rong, Lin Yang. Suppressed non-local spatial intuitionistic fuzzy c-means image segmentation algorithm[J]. Journal of Electronics & Information Technology, 2019, 41(6): 1472 − 1479.
[21] Gao Y, Wang Z, Xie J, et al. A new robust fuzzy c-means clustering method based on adaptive elastic distance[J]. Knowledge-Based Systems, 2022, 237: 107769. doi: 10.1016/j.knosys.2021.107769