《Journal of Manufacturing Processes》:Data-driven artificial intelligence methods for real-time welding defect diagnosis: A critical review and future outlook
编辑推荐:
本综述详细分析了实时焊接缺陷检测系统,重点关注先进传感技术与人工智能(artificial intelligence, AI)的集成,以增强焊接质量保证。传统的后处理检验方法耗时、昂贵,且与现代自动化制造对实时质量控制的要求根本不相容。这促使研究转向过程内监测
本综述详细分析了实时焊接缺陷检测系统,重点关注先进传感技术与人工智能(artificial intelligence, AI)的集成,以增强焊接质量保证。传统的后处理检验方法耗时、昂贵,且与现代自动化制造对实时质量控制的要求根本不相容。这促使研究转向过程内监测系统,该系统在焊接操作期间检测缺陷,从而实现即时纠正措施。本研究评估了各种传感器技术(包括光学、电学、声学、热学和射线照相传感器)在识别多种焊接缺陷方面的有效性。随后,研究人员审视了先进的AI技术在焊接缺陷诊断中的应用,涵盖专用模型,如卷积神经网络(Convolutional Neural Networks, CNN)和循环神经网络(Recurrent Neural Networks, RNN)、Transformer模型、生成模型(generative models)、迁移学习(transfer learning)、多模态数据融合(multimodal data fusion)和混合方法(hybrid approaches)。本综述还讨论了关键挑战,如数据质量、采集稀缺性、计算资源限制和系统集成复杂性。最后,综述指出了有前景的未来研究方向,包括轻量级AI模型、先进的多传感器融合策略和数字孪生(digital twin)技术。这些进步有望提高诊断准确性,并真正实现在焊接操作过程中的实时缺陷检测,最终提高制造效率、减少浪费,并确保在关键工业领域生产更安全、更可靠的焊接结构。
**研究背景与问题**
焊接是现代工业制造中的关键工艺,焊缝的完整性和安全性直接关系到构件性能。常见缺陷如气孔、裂纹、未熔合等不仅降低构件质量,还可能导致昂贵的失效、生产延误和停机。传统的焊接检验方法经历了从人工目视检查到无损检测再到自动化系统的演变。人工目视检查依赖操作者经验,主观性强且无法检测亚表面缺陷;X射线和超声等无损检测虽能发现内部缺陷,但X射线存在辐射风险、成本高且难以用于在线高频检测。随着工业4.0的发展,现代自动化制造要求对焊接质量进行实时控制,而传统后处理检验方式耗时且与这一需求根本不相容。因此,亟需发展能够在焊接过程中实时检测缺陷并立即纠正的在线监测系统。然而,现有智能焊接缺陷诊断系统仍面临数据质量、数据稀缺、计算资源限制、系统集成复杂等一系列挑战。为此,研究人员对实时焊接缺陷检测领域进行了系统综述,聚焦传感技术与人工智能的集成,旨在梳理当前技术现状、关键问题及未来发展方向。该论文发表在《Journal of Manufacturing Processes》。
**研究内容与意义**
研究人员围绕实时焊接缺陷检测系统,评估了多种传感器技术(光学、电学、声学、热学、射线照相及混合传感)在识别不同焊接缺陷中的有效性,并系统分析了先进AI技术(包括CNN、RNN、Transformer、生成模型、迁移学习、多模态融合及混合方法)在缺陷诊断中的应用。研究还总结了数据质量、计算约束、系统集成和数据稀缺等关键挑战,并提出了轻量级AI模型、多传感器融合和数字孪生等未来研究方向。该综述的意义在于为焊接质量保证提供了一种结构化的技术框架,有助于提高诊断准确率,真正实现焊接过程实时缺陷检测,最终提升制造效率、减少浪费,确保关键工业领域中焊接结构的安全性和可靠性。
**主要关键技术方法**
研究人员采用系统文献综述方法,对实时焊接缺陷检测领域的现有研究进行收集、分类与比较。他们首先梳理了焊接缺陷类型及影响因素,然后按传感模态(光学、电学、声学、热学、射线照相及混合)分类分析了各传感器的优势和局限,并按AI模型类别(CNN、RNN、LSTM、Transformer、GAN、自编码器、传统机器学习、迁移学习等)总结了不同数据驱动方法的适用场景。最后,研究人员构建了传感模态–AI模型–缺陷类型的映射关系图,并归纳了关键挑战与未来研究方向。该综述未涉及具体实验样本队列,而是基于文献证据进行定性综合。
**研究结果**
**3. 焊接中的传感器技术**
研究人员评估了各类传感器的检测能力。**3.1 光学传感**:高速相机和结构光等光学传感器可高精度检测表面缺陷、焊缝偏差及熔池动态,但易受弧光和环境噪声影响,需要较高计算资源。**3.2 射线照相传感**:X射线成像可检测深部内部缺陷,如气孔、未熔合等,但存在辐射安全风险、成本高,目前主要用于离线或特殊场合。**3.3 电学传感**:通过监测电流、电压和电阻等参数间接识别缺陷,如CNN-LSTM模型在电阻点焊中检测过烧和冷焊准确率达98.5%;但电信号无法提供空间分辨率,更适合过程监测而非精确缺陷识别。**3.4 声学传感**:声发射(AE)系统对亚表面缺陷如裂纹和空隙敏感,结合深度学习可实时监测,但需处理噪声干扰和传感器布置问题。**3.5 热学传感**:红外热成像和高温计监测温度分布,用于检测熔透不足、未熔合和烧穿等缺陷,但受材料发射率变化、电弧辐射和烟雾遮挡影响。**3.6 混合传感**:融合多模态数据显著提高检测鲁棒性,例如张和Chen融合电弧声、电压和光谱信号,对未熔透和烧穿缺陷的分类准确率达96.59%。
**4. 数据驱动的人工智能方法**
**4.1 数据类型**:图像数据通常使用CNN和Transformer模型,信号数据使用RNN/LSTM模型,多模态融合方法结合图像与信号数据可提供更全面的过程理解。**4.2 卷积神经网络**:CNN能自动提取分层空间特征,YOLO算法实现单次快速检测,Grad-MobileNet在仅用正常样本训练时即可达到99%的激光焊接缺陷分类准确率。**4.3 循环神经网络**:LSTM通过记忆单元捕捉时序依赖,用于声发射信号预测激光焊接熔透状态,测试准确率达99.8%。**4.4 基于Transformer的模型**:自注意力机制可建模焊缝长距离依赖,DCP-MobileViT结合卷积和Transformer在熔池和射线图像数据集上均表现出强泛化性;ResNet-Transformer融合图像、电流和速度多模态特征,对铝合金TIG焊接质量分类准确率达98.94%。**4.5 混合方法**:CNN-LSTM结合空间与时间特征,在电阻点焊质量检测中加入注意力机制后准确率达98.5%;CNN特征结合随机森林用于等离子弧焊熔透检测也取得优异效果。**4.6 生成模型**:GAN生成合成缺陷样本解决类别不平衡问题,LABIMP1模型结合注意力增强GAN和迁移学习,识别准确率达96.23%。**4.7 自编码器模型**:自编码器学习正常焊缝重建,高重建误差指示异常,堆叠自编码器用于高速铁路制造中焊缝表面缺陷实时检测。**4.8 传统机器学习**:随机森林等算法在中小数据集上有效,对GMAW镀锌钢表面缺陷识别准确率达96%,单幅图像处理仅需5.3 ms。**4.9 迁移学习**:利用预训练模型应对标注数据不足,DenseNet迁移学习在燃油喷射器生产缺陷检测中准确率达97.22%。**4.10 传感模态、AI方法与缺陷检测的集成**:图像传感器(光学、射线)主要与CNN结合检测表面和深部缺陷;热成像与CNN-LSTM结合检测熔透相关问题;电学和声学信号主要用RNN/LSTM分析内部缺陷;多模态融合是当前最先进的方法,可实现全面质量诊断。
**总结讨论与结论**
讨论部分指出,焊接缺陷检测面临数据获取困难、类不平衡、数据噪声、多传感器同步、模型泛化、计算负载高、可解释性差等严峻挑战。未来需要开发轻量级高效AI模型以支持边缘部署,建立标准化基准数据集和评估协议,并探索数字孪生技术实现从传感器到仿真再到控制的闭环,从而真正实现预测性缺陷检测和动态工艺优化。研究结论可翻译为:展望未来,焊接缺陷诊断系统的演进具有彻底革新工业流程的巨大潜力。通过采用轻量级AI模型和先进的传感器融合,制造商能够实现无缺陷焊接工艺,这与可持续性和工业4.0目标相一致。这一发展不仅确保了更安全、更高效的制造,还为面向未来、生态友好的生产系统奠定了基础。