利用神经网络模型对不同金属接头进行智能焊接质量分类

《Materials Today Communications》:Intelligent welding quality classification of dissimilar metal joints using neural network models

【字体: 大 中 小 】 时间:2026年04月17日 来源:Materials Today Communications? 3.7

编辑推荐:

  集流林明职业学院,中国福建省泉州市362000 摘要 不同材料的连接越来越多地用于实现汽车、航空航天和能源系统中的轻量化、高性能结构,但由于热物理性质的不匹配,焊接完整性仍然难以保证,因为这种不匹配会导致熔池不稳定、缺陷形成以及脆性金属间化合物(IMCs)的生长。本文提出了一种

  集流林明职业学院,中国福建省泉州市362000

摘要
不同材料的连接越来越多地用于实现汽车、航空航天和能源系统中的轻量化、高性能结构,但由于热物理性质的不匹配,焊接完整性仍然难以保证,因为这种不匹配会导致熔池不稳定、缺陷形成以及脆性金属间化合物(IMCs)的生长。本文提出了一种集成人工智能的多传感器框架,用于快速焊接质量分类和工艺窗口指导,直接针对提高工艺效率和延长生命周期的目标。通过对主要工艺控制参数(热输入P、行进速度v和偏移量Δx)进行结构化实验设计,并同时获取高频率电信号I(t)、V(t)、红外热成像T(x,y,t)和可见光ROI成像Img(t)的实时数据。使用基于焊接形态和缺陷指标、界面IMC表征(SEM/EDS)、硬度映射以及机械性能(拉伸/搭接剪切)的客观标准来分配真实的等级(A/B/C)。通过分批(按样本)训练的多模态神经网络融合模型,在保留的测试集上获得了强大的平衡多类性能,Macro-F1分数为0.91,平衡准确率为0.89。错误主要集中在相邻等级之间(A?B,B?C),表明有序一致性和可靠的边界学习能力。使用Grad-CAM和SHAP等可解释性工具将模型决策与物理意义上的稳定性和热历史线索联系起来,包括熔池边界中断、热点/飞溅特征以及功率/温度波动描述符。除了分类之外,还预测了不合格概率P(Grade C),并将其映射到工艺参数空间中,以定义优选的操作窗口,从而更清楚地识别低风险操作条件,并在优化的工艺设置下提高可接受产量的一致性。虽然人工智能引导的采样策略减少了达到目标可接受产量所需的实验次数,但总体而言,这项工作为不同材料的连接提供了一种实用的计算工具,与传统DOE策略相比,所需的实验次数降低了约30%。

1. 引言
不同金属(例如Al-steel、Al-Cu、steel-Ti)的连接对于汽车、航空航天和能源系统中的轻量化和多功能结构越来越重要,因为设计师寻求更高的强度重量比以及单位质量的改进性能[1]、[2]、[3]、[5]、[7]。尽管有这些优势,但由于熔化温度、热导率和化学亲和力的巨大差异,在焊接过程中容易引起界面反应和缺陷形成,因此不同材料的连接在技术上仍然具有挑战性[4]、[5]。一个核心的可靠性问题是界面处脆性金属间化合物(IMCs)的形成。当热输入过大或材料混合不稳定时,IMC层会迅速生长(例如在Al-Fe系统中的Fe-Al相),这会显著降低接头的延展性和承载能力,并可能加速服役载荷下的过早失效[6]、[7]。来自实验和计算研究的一致证据表明,限制IMC的生长与不同系统(如Al-Cu)中接头强度的提高密切相关,而厚反应层和不均匀相通常伴随着裂纹的起始和不稳定扩展[8]、[9]。因此,通过焊接参数(例如功率P、行进速度v和空间偏移量Δx)控制热机械循环并监测界面演变对于生产具有增强耐用性和更长服务寿命的高质量不同材料接头至关重要[10]。
传统上,不同材料的焊接质量鉴定和保证依赖于焊接后的检查和破坏性测试,包括宏观/微观结构检查、SEM-EDS分析、硬度映射以及拉伸性能测试[11]。虽然这些方法提供了高保真的真实数据,但它们耗时且成本高昂,特别是不需要进行广泛参数探索以建立稳健的工艺窗口时,不适合快速工艺开发[11]、[13]。这一限制直接促使人们重视能够减少不必要的实验、加速优化并通过更一致的接头完整性提高生命周期性能的计算工具。计算建模和仿真的最新进展使得能够详细分析焊接过程中的热、机械和冶金行为。热机械建模方法已被广泛应用于预测不同金属连接系统的温度分布、残余应力演变和界面反应。例如,热建模和接头强度分析已被用于理解不同焊接过程中的热流和焊接完整性[13],而关于槽几何形状和工艺配置的研究展示了焊接参数对接头形成和质量的影响[14]。关于金属间化合物形成和界面行为的进一步研究进一步强调了工艺依赖的冶金演变在决定焊接性能中的重要性[10]、[16]。尽管有这些进展,基于仿真的方法通常需要准确的材料属性、复杂的模型校准和大量的计算资源,这可能限制了它们在快速工艺优化和实时工业监控中的应用。

机器学习和深度学习的最新进展使得能够使用工艺信号和现场监测数据驱动焊接结果的预测,越来越重视焊接系统中的多模态传感和实时缺陷检测[2]、[5]、[6]、[7]。结合电信号、热特征、声学发射和可视化焊接池成像的多模态传感方法已被越来越多地采用,以捕获工艺稳定性和缺陷形成的互补指标,与单一模态方法相比提高了鲁棒性[6]、[7]、[22]、[23]。多模态深度学习框架通过集成异构传感器数据展示了改进的焊接缺陷检测性能,而基于机器学习的方法已越来越多地应用于焊接过程监控、预测和优化[31]、[32]。然而,许多报告的模型依赖于有限的传感通道、简化的几何形状或评估协议,如果训练数据和测试数据之间发生信息泄漏,可能会高估性能。最近的研究特别强调多模态传感、基于深度学习的缺陷分类和现场监测策略的集成,突显了数据驱动方法在改进先进制造系统中的焊接质量和工艺可靠性方面日益重要的作用[2]、[5]、[6]、[7]。
在这项工作中,我们提出了一个智能的多传感器框架,用于分类不同材料的焊接质量并将模型输出转化为可操作的工艺指导(图1)。高频率电信号I(t)、V(t)与焊接池的同步热成像和可见光成像同时捕获。通过神经网络集成来融合特定于模态的特征,以预测基于严格真实数据表征(缺陷评估、界面IMC指标和机械测试)得出的接头质量等级(A/B/C)。为了确保性能估计的真实性,模型采用分批训练和考虑类别不平衡的学习方法进行训练,并使用平衡指标(例如宏观F1分数和平衡准确率)进行评估。此外,还使用可解释性AI工具(例如Grad-CAM和SHAP)将预测线索与物理意义上的特征联系起来。最后,将预测的质量概率映射到工艺参数空间中,以识别优选的操作区域并支持参数优化,减少实验负担并实现实时的车间质量保证。总体而言,这种方法通过提高工艺效率、减少鉴定过程中的时间和成本,并加强从制造质量到不同组件生命周期提升的路径,实现了这些目标[15]。尽管基于机器学习的焊接监测最近取得了进展,但现有技术研究往往受到单一模态传感、简化的数据集或评估策略的限制,这些限制可能无法充分防止信息泄漏,从而可能高估泛化性能。此外,大多数先前的工作仍然专注于分类准确性,而没有将模型输出扩展为工业部署的可操作工艺指导。本研究的创新之处在于开发了一个基于物理原理且实际可部署的框架,它将同步的多模态传感与可解释的人工智能和基于决策的工艺映射相结合。通过结合电信号、热信号和视觉信号,所提出的方法捕获了焊接稳定性和缺陷形成的互补物理特征,实现了对焊接动态的更全面表示。采用严格的分批数据划分策略以确保对未见焊接的合理泛化,解决了先前研究中的一个关键限制。通过结合可解释性技术(Grad-CAM和SHAP),进一步将模型预测与物理意义上的工艺特征联系起来,增强了透明度和工程可解释性。除了预测之外,该框架还将概率输出转换为可解释的工艺窗口,从而直接支持参数优化并提高实验效率。这种多模态传感、无泄漏评估、可解释建模和面向工艺的决策支持的统一集成,确立了本工作的独特原创性和实际意义。

下载:下载高分辨率图像(656KB)
下载:下载全尺寸图像

图1. 智能多传感器焊接质量分类和AI支持的工艺效率概述,(A) 不同接头完整性受缺陷形成和界面IMC演变的影响,(B) 同步电信号I(t)、V(t)、红外热成像T(x,y,t)和可见光ROI成像Img(t)提供了焊接稳定性、热流和缺陷起始的互补指标,(C) 多模态神经网络融合特定于模态的嵌入以预测等级概率P(A)、P(B)和P(C),P(A)+P(B)+P(C)=1,使用分批和加权损失,(D) 预测等级映射到可操作的接受状态(可接受/条件性/不合格),与缺陷-IMC完整性相关联,(E) 模型输出通过识别优选操作区域来指导参数选择,减少不必要的实验和返工,(F) 该框架将预测质量与生命周期性能联系起来,并通过实时决策逻辑和QA可追溯性(数字线程+日志记录)实现车间部署。

2. 材料和方法
2.1. 不同材料的接头制造和工艺参数
使用CO2激光/弧光焊接源制作了材料A和材料B(两种不同的合金)之间的不同材料对接接头。所有实验都在标准实验室环境条件下进行,焊接和测试过程中没有应用额外的环境控制。图2A提供了接头配置、工艺参数和传感区域的示意图,说明了焊接设置的空间布置和用于数据采集的兴趣区域。图2A显示了接头配置和主要可控工艺变量。研究的因素包括:热输入功率P、行进速度v、横向偏移量Δx(向一侧移动以偏置界面加热)和保护气体流量Qg。选择这些参数是因为热输入的大小和空间分布控制熔池稳定性、混合以及界面反应动力学,进而控制不同材料接头中的缺陷形成和脆性金属间化合物(IMCs)的发展[16]、[17]、[18]。

下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像

图2. 实验设置、多传感器采集和真实等级分配,(A) 不同材料对接接头配置和工艺变量:热输入P、行进速度v、横向偏移量Δx、保护气体流量Qg和ROI,(B) P|v的DOE覆盖范围及等级标签(A/B/C)和数据划分(训练/验证/测试),(C) 使用硬件触发/公共时钟同步采集电信号I(t)、V(t)、红外热成像T(x,y,t)和可见光成像Img(t),(D) 用于特征生成的时间对齐流和相应的IR/可见光ROI帧,(E) 样品切割和表征工作流程(宏观观察、SEM/EDS检测IMCs、硬度映射、机械测试),(F) 将缺陷、IMC和机械标准转换为等级A-C(通过/边缘/不合格)的客观标准。

采用结构化的实验设计(DOE)来采样P|v操作空间,同时保持Δx和Qg的受控设置,从而实现从低热输入到高热输入以及从慢速到快速行进制度的系统覆盖(图2B)。每次DOE运行产生一个焊接样品(一个接头),随后对其进行全面的焊接后表征(第2.3节)。最终根据量化的缺陷、IMC和机械标准分配一个目标质量等级(A/B/C),该等级用作模型训练和评估的真实数据。该工作流程遵循了已建立的不同材料焊接过程-结构-性能推理,其中需要控制参数探索以最小化IMC相关的脆化,同时保持熔合和可接受的熔痕几何形状[16]、[17]、[18]。

2.2. 多传感器采集和同步
在焊接过程中,同时记录电信号和光学/热信号,以捕获工艺稳定性和缺陷起始的互补指标。红外测量用于捕获相对热行为和工艺变化;然而,本研究中没有明确提取峰值温度和冷却速率。图2C-D展示了多传感器采集配置和同步策略,说明了在统一时间框架下电信号测量与红外热成像和可见光成像的集成。DAQ系统以高时间分辨率捕获焊接电流I(t)和电压V(t),从而能够从电信号中计算出稳定性和能量传递的描述符。与此同时,红外(IR)相机在焊接池ROI上记录热帧T(x,y,t),而同步的可见光相机在同一ROI内捕获高速池动态,包括强度波动、电弧/熔渣行为和飞溅特征(图2C)。
所有传感器使用硬件触发和公共时钟的时间戳进行了同步,以确保跨模态的帧准确对齐(图2C-D)。这种多模态设计与现代制造监测策略一致,其中结合电信号和基于成像的测量可以提高对不稳定性和缺陷形成的敏感性,与单一模态方法相比[19]、[20]。

2.3. 真实等级分配和表征
焊接完成后,每个接头都被切割并分析以确定其真实质量等级。本研究使用的数据集包括在不同工艺条件和质量等级下的多个焊接样品。样本在各级别和获取方式上的分布情况,包括焊接数量、提取的帧数和类别代表性,都进行了总结,以确保透明性并支持统计可靠性。分级方案是基于缺陷特征、金属间化合物(IMC)厚度、硬度分布和机械性能的结合来定义的。A级对应于缺陷最少的接头,IMC层相对较薄,机械完整性较高。C级代表有明显缺陷的接头,IMC区域显著增厚,机械性能降低,而B级则介于这两个极端之间。这些标准在整个样本中一致应用,以确保分类过程的可重复性并减少主观性。焊接后的整体表征工作流程,包括试样准备、微观结构分析和机械测试,在图2E-F中进行了总结,提供了评估程序和分级过程的视觉表示。从焊接的多个位置(起始/中间/结束)提取了宏观截面,以量化熔池几何形状(例如,熔池宽度w, penetration p)并识别宏观缺陷,如气孔、未熔合(LOF)和裂纹。使用SEM结合EDS评估了界面微观结构,以识别IMC相并量化反应区特征(在可测量的情况下包括厚度和连续性)。在熔合区、热影响区和界面进行了硬度映射,以捕捉与脆性界面产物相关的局部硬化。使用拉伸和搭接剪切测试评估了机械性能,提供了基于属性的完整性分类确认。所有机械测试都在一致的加载条件下使用通用测试机进行,确保了所有样本之间的可比性。然后应用了基于评分标准的分级方案(图2F)。A级对应于完全熔合,缺陷内容最少,界面反应区薄且连续,没有脆性裂纹的迹象;C级对应于严重的LOF/气孔/裂纹和/或与机械性能下降相关的厚脆性反应区;B级代表介于这两个极端之间的中间状态。这种分级逻辑与广泛使用的不同焊接完整性概念一致,这些概念将缺陷严重程度和IMC形态与机械性能和预期耐久性联系起来[16],[17],[18]。2.4. 数据集构建和按受试者划分对于每个焊接试样,同步的传感器数据流被转换为神经网络学习的标准化输入。电信号I(t),V(t)被分割成固定长度的时间窗口(和/或转换为派生表示,如瞬时功率趋势和稳定性描述符)。热和可见光数据流被转换为在同一时间窗口内的时间对齐的ROI图像序列。输入被调整大小并标准化,以确保样本之间的张量维度一致。为了避免信息泄露和性能夸大,数据集使用按受试者划分的方法进行分割,这意味着来自同一焊接试样的所有样本都被专门分配到训练集、验证集或测试集[21]。这种协议强制执行了现实的泛化测试,即模型是在完全未见的焊接过程中进行评估的,而不是在来自同一接头的相关帧上评估的。分割被安排得尽可能保持整体的等级分布。2.5. 多模态模型架构所提出的多模态CNN(图6A)由三个并行编码器组成:(i)一个1D-CNN分支用于编码电信号时间序列I(t),V(t)并捕捉瞬态稳定性模式;(ii)一个2D-CNN分支用于编码热ROI图像序列T(x,y,t)并学习与稳定和不稳定熔化/固化相关的空间-热特征;(iii)一个2D-CNN分支用于编码可见光ROI序列Img(t),捕捉与熔池形状变化、羽流不稳定性以及飞溅物相关的光学线索。模型架构和融合策略的示意图如图6A所示,说明了特定模态的编码和特征整合过程。来自三个分支的嵌入被连接起来,并通过带有dropout正则化的全连接融合层,然后是输出等级概率P(A),P(B),P(C)的softmax分类器。这种后期融合设计遵循了制造中确立的多模态缺陷检测原则,其中特定模态的表示学习相比单流模型提高了鲁棒性[19],[20]。2.6. 训练目标和评估指标模型训练使用加权交叉熵来减轻等级不平衡,通过对少数类错误进行更强的惩罚。在保留的测试集上使用宏观平均F1(Macro-F1)和平衡精度来评估性能,这些指标反映了多类别的有效性,而不会被多数等级所主导。还检查了混淆矩阵来表征误差结构,特别关注相邻等级之间的混淆(A?B和B?C),这些混淆代表了边界完整性条件,在条件接受决策中具有实际相关性。2.7. 可解释性使用互补的可解释性方法评估了模型的可解释性。将Grad-CAM应用于热和可见光CNN分支,生成了显示ROI内哪些空间区域对等级预测贡献最大的显著性图(例如,稳定的熔池区域与局部热点或飞溅物相关区域)。对于电输入和融合表示,使用SHAP来量化输入派生特征对每个类别概率的贡献,使得可以将其归因于物理上有意义的代理指标,如功率变化、热强度统计和时间不稳定性测量。结合使用Grad-CAM和SHAP提供了空间注意力和特征级别的归因,增强了学习到的决策逻辑的物理可解释性[22],[23]。2.8. 人工智能引导的优化和部署除了分类之外,模型输出还被用于支持过程窗口识别和以效率为导向的决策制定。通过评估预测的拒收概率P(Grade C)在DOE操作空间中的变化,构建了一个拒收风险表面(图8A),并使用概率轮廓来划定风险边界和识别首选的操作区域。后续的DOE验证运行用于验证识别的区域(图8B)。通过关联行进速度v和线性能量EL=P/v与可接受的产量P(A)+P(B)来评估生产率-质量权衡(图8C-D),这与过度热输入会增加不同接头中反应层生长和缺陷易感性的原则一致[16],[17],[18]。为了估计实验节省,采用主动学习风格的选择模拟,通过跟踪相对于试验次数的最佳可接受产量来比较传统的DOE采样和人工智能引导的选择(图8E)。最后,提供了一个部署概念(图8F):同步的传感器数据流输入到一个边沿推理单元,该单元运行训练好的CNN,输出通过/条件/拒收决策,并记录过程、传感器和QA元数据,以支持可追溯性和生产监控的持续改进[19],[20]。3. 结果3.1. 焊接形态和几何形状图3A显示了表示等级依赖性的焊接形态的代表性宏观截面。A级接头表现出完全熔合和平滑的融合,熔池宽度w和穿透深度p定义清晰。相比之下,B级和C级显示出越来越严重的不连续性,包括气孔、未熔合(LOF)和内部裂纹,这与预期的完整性排名一致。图3B量化了整个DOE中的几何趋势,该图将穿透p(左轴)和熔池宽度w(右轴)作为热输入控制P的函数绘制出来,点按等级着色。p和w通常随着P的增加而增加,表明更高的能量传递增强了熔池的流动性并促进了更深入的热穿透到基材中。这种行为受热积累增加和冷却速率降低的控制,这有助于稳定的融合和在接头界面的更好润湿。重要的是,A级条件优先占据在给定P下具有相对较高穿透率的稳定融合区域,而较低等级的条件则聚集在穿透不足和/或缺陷形成明显的地方。下载:下载高分辨率图像(558KB)下载:下载全尺寸图像图3. 按等级划分的焊接形态、几何形状和缺陷量化,(A)A-C级的代表性宏观截面,显示熔池宽度w和穿透p;示例突出显示了气孔、LOF和裂纹(刻度条:2毫米),(B)穿透p和熔池宽度w与热输入P的关系,按等级着色并带有趋势线,(C)按等级划分的缺陷指标:气孔分数?p、未熔合分数ALOF和裂纹长度密度Lc,(D)在P|v范围内预测的拒收概率P(GradeC);轮廓标记P(GradeC)=0.2(边界)和P(GradeC)≤0.1(首选窗口)。图3C使用气孔面积分数?p、未熔合面积分数ALOF和裂纹长度密度Lc总结了按等级划分的缺陷严重程度指标。这三个指标从A级到C级单调增加,证实了基于评分的标准在定量上与缺陷负担一致,且缺陷严重程度与观察到的形态一致。这种趋势受熔池动态不稳定性和热输入变化的控制,其中能量不足导致未熔合,而过度或波动的热输入促进气孔形成、Keyhole不稳定性以及裂纹起始,共同导致焊接质量的逐渐降低。最后,图3D显示了在P|v平面上模型信息的拒收风险景观,其中预测的拒收概率P(Grade C)在参数空间上进行了映射。在中间条件下出现了一个低风险区域,反映了足够的热输入以实现完全熔合和受控的热暴露之间的平衡,这限制了缺陷形成和过度的界面反应。这种平衡对于实现稳定的过程条件和一致的焊接质量至关重要。概率轮廓为区分低风险操作区域和可能产生拒收质量接头的条件提供了实际边界,P(Grade C)≤0.1的区域定义了优先的操作窗口。3.2. 界面冶金和IMC分析图4A-B显示了不同质量等级之间的界面微观结构演变。代表性的A级界面(图4A)展示了一个薄而连续的金属间化合物(IMC)反应层,不规则性有限,与稳定的接头和抑制的脆性反应生长一致。相比之下,C级界面(图4B)显示了一个增厚且不规则的IMC层,伴有界面裂纹和不连续性,表明界面完整性下降。图4E总结了IMC厚度的按等级分布,其中平均值和最大厚度指标都从A级到C级有明显的上升。这种定量分离证实了IMC增厚是区分可接受接头和拒收接头的主要结构特征。IMC厚度的增加是由界面处的增强扩散和长时间的高温暴露驱动的,这加速了脆性金属间相的形成并削弱了界面凝聚力。下载:下载高分辨率图像(779KB)下载:下载全尺寸图像图4. 不同等级之间的界面冶金和IMC演变,(A)A级界面显示了一个薄而连续的IMC层,带有局部厚度测量(刻度条:50微米;插图10微米),(B)C级界面显示了厚而不规则的IMC,伴有界面损伤和局部厚度测量(刻度条:50微米;插图10微米),(C)EDS元素图(Al/Fe/Si)比较了狭窄(A级)与扩散(C级)的反应区,(D)EDS线扫描显示了界面上的锐利(A级)与宽广(C级)的成分转变。(E)按等级划分的平均和最大IMC厚度分布,(F)示意图将工艺条件→热历史→IMC生长/缺陷→等级结果联系起来。化学分区和反应区特征进一步得到了EDS映射(图4C)和线扫描剖面(图4D)的支持。在A级,界面上的元素转变是锐利的且空间上受限的,与狭窄的反应区一致。在C级,转变变得宽广且扩散,表明扩散的增强和反应区域的扩大与厚IMC的形成一致。图4D中的线扫描剖面直接测量了这种扩大转变的尺度,加强了图4E中量化的厚度趋势。图4F简要总结了从工艺到结构的解释,将工艺条件(通过热历史代理如停留时间和冷却速率行为由P和v控制)与反应动力学、IMC增厚以及相关缺陷(LOF/气孔/裂纹)的出现联系起来。总体而言,图4A-F表明从A级到C级的转变对应于从薄/连续的反应层向厚而脆的IMC生长以及界面损伤的系统性转变。3.3. 机械完整性和失效机械响应趋势与形态和界面特征一致。图5A显示了一个不同接头的代表性显微硬度图,突出了从材料A到熔合区(FZ)和热影响区(HAZ)到材料B的空间梯度,硬度峰值在界面/IMC区域附近明显。图5B中的等级分离硬度剖面显示所有接头在界面附近都表现出硬度增加,但峰值的幅度和宽度取决于等级:拒收质量的接头表现出最高的峰值和最宽的硬化区域,这与厚IMC的形成和较宽的受影响区域一致。图5C显示了代表性的机械响应曲线。A级接头承受最高的载荷和最大的变形能力,这归因于存在一个薄而连续的界面反应层,该层保持了延展性并实现了有效的载荷传递。相比之下,低等级接头中较厚的IMC层充当脆性区域,促进早期失效并降低机械性能,B级接头显示出中等响应,而C级接头在显著较低的载荷下失效,延展性有限。人口级别的强度-韧性(或峰值载荷-位移)趋势在图5D中进行了总结,该图显示了按等级划分的聚集情况:A级位于高性能区域,C级位于低性能区域,B级则介于两者之间。断口观察结果支持了这些趋势。图5E展示了一个以韧性或混合模式特征为主的A级断口,这与通过更韧性强的基体区域发生的失效相一致。相比之下,图5F显示了C级断口特征,这与脆性、以界面为主的失效相一致,这与存在厚反应层和界面裂纹的情况相符。结合起来,图5A-F表明,随着缺陷严重程度的增加和IMC厚度的增加,机械完整性会系统性地下降,这与图3和图4中识别出的转变一致。

下载:下载高分辨率图片(592KB)
下载:下载全尺寸图片

图5. 按等级划分的机械完整性和失效机制:(A) 代表接头上的微硬度图,显示了界面硬度峰值;(B) 垂直于界面的硬度剖面,突出显示了不同等级的峰值幅度/宽度;(C) 代表不同等级的拉伸(或搭接剪切)响应,并标注了屈服强度/失效点;(D) 强度-韧性(或峰值载荷-位移)图,显示了按等级划分的聚集情况;(E) A级断口金相图,显示了韧性/混合模式特征(主图+插图);(F) C级断口金相图,显示了脆性界面失效特征(主图+插图)。

3.4. 神经网络性能和可解释性
多模态CNN架构如图6A所示,它说明了电信号、热信号和可见光信号的三分支编码,随后是特征融合和等级分类。测试集的分类行为在图6B中的混淆矩阵中进行了总结。大多数样本被正确分类,剩余的错误主要发生在相邻等级之间(A?B和B?C),而不是极端的A?C交换,这与焊接完整性等级划分的连续性是一致的。

下载:下载高分辨率图片(496KB)
下载:下载全尺寸图片

图6. 多模态CNN的性能、鲁棒性和可解释性:(A) 架构:1D-CNN用于电信号I-V处理,2D-CNN用于红外和可见光ROI序列的处理,晚期融合和softmax分类(A/B/C);(B) 测试集混淆矩阵(按行标准化);(C) 单一模态与融合方式的宏观F1分数和平衡准确率;(D) 在未见过的(未处理的)工艺条件下的鲁棒性与已处理条件下的鲁棒性对比;(E) 代表性A级和C级案例的Grad-CAM叠加图(红外/可见光分支);(F) 电信号/热信号/可见光输入的SHAP特征重要性。

图6C展示了各个感测模态和多模态融合的定量性能比较。所采用的晚期融合策略允许在集成之前提取特定模态的特征,保留了每个感测源的互补信息。与早期融合方法相比,后者结合了原始输入,可能会稀释特定模态的特征,而采用的方法提供了更好的鲁棒性和可解释性,这一点从多模态模型的优越性能中得到了体现。多模态模型在未见过的测试集上获得了0.91的宏观F1分数和0.89的平衡准确率,证实了其在所有质量等级上的强大且均衡的分类性能。融合始终优于任何单一模态,因为电信号、热信号和视觉信号的整合捕捉了焊接行为的互补方面,包括能量传递稳定性、热分布和熔池动态。这种多模态表示增强了特征区分度,并减少了与单一传感器输入相比的歧义。图6D使用保留的参数区域协议评估了泛化鲁棒性,比较了在按主题分割策略下已处理和未处理操作区域之间的性能。有限的性能下降表明,模型在训练参数覆盖范围之外仍保持预测能力,且没有出现运行级泄漏的迹象。

图6E-F展示了可解释性分析。图6E中的Grad-CAM叠加图定位了可见光和热ROI中的区分区域:A级案例强调了具有均匀特征的稳定熔池区域,而C级案例则突出了不稳定性相关的线索,如局部热点、熔池边界中断和飞溅相关结构。图6F中的互补SHAP基础特征归因排名了来自电信号、热信号和可见光信号的最具影响力的贡献因素。主要特征对应于物理上可解释的稳定性和热历史代理(例如,功率波动行为、热峰值强度和冷却相关描述符),支持融合模型利用了具有机制意义的线索进行焊接质量分级。识别的区域和特征可以直接与已知的焊接现象相对应。局部热热点和不稳定区域对应于关键孔波动和Marangoni驱动的熔池流动,而不规则的光学和信号模式则表明了飞溅产生和过程的不稳定性。这通过将数据驱动的预测与已建立的焊接动态联系起来,增强了模型的物理可解释性。

3.5. 额外模型验证和鲁棒性分析
为了进一步验证模型的可靠性和一致性,图7报告了图6中主要结果之外的补充性能和鲁棒性分析。图7A总结了网络架构和融合路径供参考。图7B中的混淆矩阵独立确认了按类别的预测行为,再次表明残余错误主要发生在相邻等级之间(A?B和B?C),这与有序的完整性连续体是一致的。

图7. 模型行为和可解释性的额外验证:(A) 网络架构概述;(B) 测试混淆矩阵,包括计数和行百分比;(C) 单一模态与融合方式的性能(宏观F1分数和平衡准确率;总体准确率/宏观F1分数标注);(D) 在按接头分割的条件下,已处理和未处理参数区域之间的泛化比较;(E) Grad-CAM示例,用于定位A级(稳定)和C级(不稳定)案例的关注区域;(F) 按传感器来源分组的SHAP排名特征贡献。

图7C报告了各个感测模态和融合方式的比较性能,再次证实了多模态融合相比仅使用电信号、热信号或仅使用可见光信号的输入具有更强的宏观F1分数和平衡准确率。图7D评估了在对未见过的工艺条件下的鲁棒性,比较了在相同主题分割协议下已处理参数区域和未处理参数区域之间的性能,证明了模型在训练覆盖范围之外的预测能力。图7E显示了可解释性的一致性,其中Grad-CAM的关注点始终集中在与稳定性/不稳定性线索相关的物理合理区域。最后,图7F总结了按模态分组的SHAP基础特征重要性,确认了排名最高的贡献因素具有物理上的合理性和一致性。

3.6. AI引导的优化和车间部署
模型输出被用于推导出可操作的工艺指导和实时质量保证的实施路径(图8)。图8A显示了预测的拒收概率P(GradeC)在v|P空间上的分布,其中概率轮廓定义了风险边界,P(GradeC)≤0.1的区域标识了优选的操作窗口。图中叠加的DOE采样点表明,易拒收的条件聚集在低风险区域之外,支持了风险轮廓在参数选择中的实际价值。图8B展示了该窗口的真实性验证,其中用真实等级标记的DOE点绘制在同一参数空间上。可接受的结果(A/B级)主要位于优选区域内,而拒收结果(C级)集中在外部,证实了由概率定义的窗口对应于质量等级的有意义划分。

图8. AI引导的工艺优化、验证和车间部署:(A) 预测的拒收概率P(GradeC)在v|P空间上;优选窗口P(GradeC)≤0.1和边界P(GradeC)=0.2;叠加的DOE点;(B) DOE确认:在预测图上标记了等级(A/B/C)的点,并突出显示了错误分类;插图总结了窗口内/外的结果;(C) 生产力-质量权衡:v与可接受概率P(A)+P(B)的关系;目标区域指示;(D) 能效权衡:线性能量EL=P/v与P(A)+P(B);高效操作带突出显示;(E) 实验节省:迄今为止最佳的可接受产量与试验次数对比;(F) 部署方案:同步感测→边缘预处理→P(A/B/C)的推断→通过/条件/拒收决策→数字线程记录和重新训练循环。

图8C量化了生产力-质量权衡,将行驶速度与可接受产量概率P(A)+P(B)相关联。这一分析确定了保持目标可接受产量的最大速度,将模型输出转化为以吞吐量为导向的操作限制。图8D显示了能效权衡,其中线性能量EL=P/vis与可接受产量概率相关;由此产生的高效操作带突出了在不引入不必要能量输入的情况下实现高产量的条件。图8E通过绘制迄今为止最佳的可接受产量与试验次数对比,展示了AI引导选择相比传统DOE方法的实验节省。早期达到目标可接受产量量化了达到稳定操作条件所需的实验减少量,与传统DOE采样相比大约减少了30%。尽管预测的操作窗口与观察到的质量趋势高度一致,但本研究在边界条件附近的实验验证仍然有限。在这些过渡区域进行额外的针对性实验将进一步加强对优化框架鲁棒性的信心。图8F展示了车间接受的部署概念,工作流程包括同步在线采集电信号和图像流、边缘的低延迟预处理、实时推断P(A/B/C),并通过数字线程进行可追溯的记录,实现了可扩展的、一致的质量保证决策。

4. 讨论
这项工作通过紧密结合多传感器监测、焊接冶金和面向决策的建模,推进了AI驱动的质量保证,以减少实验并提高不同材料连接的可靠性。重点在于高性能连接、工艺效率和生命周期提升。核心发现是电信号、热信号和可见光信号的多模态融合能够基于观察到的形态/缺陷负担、界面IMC演变和机械响应,稳健地区分焊接质量等级。这与焊接和智能制造的更广泛趋势一致,即强调多传感器集成,因为当不稳定性或缺陷形成在不同信号类型上的表现不同时,单一模态可能不够完备,而融合在实际工艺变化下提高了鲁棒性[24],[25]。实验结果展示了一条一致的过程-结构-属性路径。可接受的接头对应于具有低缺陷含量和控制界面反应层的稳定融合,而拒收质量的接头则与严重的孔隙率/LoF/裂纹以及增厚、不规则的IMC区域相对应,这些都会促进脆化和界面断裂。这些转变与已建立的异种焊接科学一致,其中热历史和界面反应动力学控制着IMC生长、局部硬度峰值和裂纹敏感性,最终控制着强度和失效模式。重要的是,用于学习的等级标签并非任意选择;它们来源于客观表征,捕捉了对不同接头早期失效负责的相同物理机制,增强了AI目标的冶金学有效性[26]。在实际应用深度学习进行焊接时,一个实际问题是模型学习的是因果过程特征还是虚假的相关性。可解释性分析提供了机制合理性的证据:Grad-CAM突出了与熔池稳定性/不稳定性及局部热/光学中断相关的ROI区域,而SHAP将稳定性和热历史代理(例如,波动和峰值/冷却描述符)排列为最具影响力的贡献因素。使用互补的可解释性方法符合安全和质量关键领域的推荐做法,其中可解释性用于审核模型行为、识别失效模式,并在车间使用前支持工程信任[27]。

除了预测之外,本研究的关键贡献是将模型输出转化为可操作的工艺指导。在((P,v))空间上映射预测的拒收概率,产生了一个可解释的风险表面和一个优选的操作窗口,可用于减少试错参数搜索,将实验集中在高价值区域,并最小化不合格焊接。这直接支持了通过加速资格认证和减少返工/报废来节省时间和成本的策略,同时保持了接头完整性。主动学习的评估进一步支持了这一方向,展示了如何通过AI引导的采样以更少的试验次数达到目标产量,特别是在破坏性表征(IMC测量、硬度映射、机械测试)成本高且缓慢的情况下[28]。对于工业应用,推荐的流程自然适用于边缘部署的监控循环:同步感测、低延迟预处理、实时推断以及可追溯地记录到数字线程。然而,生产的准备情况取决于管理校准漂移、设备间的变化以及由于材料变化、装配、表面条件和屏蔽引起的分布变化。使用按主题分割和保留条件测试是向现实评估迈出的坚实一步,但车间部署还应包括对信心/不确定性的持续监控、定期针对真实试样的重新验证,以及当工艺分布发生变化时进行受控的重新训练。这些实践与新兴的制造MLOps指南一致,强调部署的AI系统的生命周期管理,而不仅仅是一次性模型拟合[29]。几个局限性也表明了在高性能和生命周期结果方面的清晰性。首先,当前的三级评分方案将连续的完整性特征压缩为离散的类别;如果扩展到缺陷模式分类和连续的质量评分,将有助于实现更细粒度的过程控制。其次,尽管结果将预测等级与界面金属间化合物(IMC)的厚度和机械性能联系起来,但未来的工作应结合明确的多目标优化方法,在限制IMC生长和缺陷风险的同时平衡质量、生产率和能源效率。最后,将数据驱动的模型与基于物理特性的特征或约束条件结合起来,并在更广泛的操作变异性下进行测试,将进一步增强模型的泛化能力,支持在不同材料组合和连接工艺中的广泛应用[30]。尽管该模型是在单一的不同材料系统上验证的,但所学到的特征表示是基于通用过程特征(如热分布、熔池稳定性和信号变化性),这些特征在焊接系统中是普遍存在的。对于不同的材料组合,通过迁移学习或使用特定系统数据进行有限的重新训练,可以在保持底层特征提取框架的同时实现适应,从而支持更广泛的工业应用。5. 结论 本文开发了一个多模态AI框架,用于不同金属接头中焊接质量的分类,该框架利用了同步的电、热和视觉传感技术。所提出的模型在客观评估中取得了强劲且平衡的性能,宏观F1分数为0.91,准确率为0.89,证明了其对未见焊接条件的可靠泛化能力。研究结果明确了过程-结构-性能之间的关系:焊接质量从A级下降到C级是由缺陷严重程度的增加、界面金属间化合物(IMC)厚度的增加以及相应机械性能的降低所驱动的。多模态信号的整合通过捕捉与熔池稳定性、热行为和过程波动相关的互补信息,提高了分类的鲁棒性。通过在整个过程参数空间中绘制预测的废品概率图,可以确定一个最佳的操作窗口,从而支持工艺稳定性和可接受的产量一致性。与传统的设计实验(DOE)方法相比,基于AI的采样策略在趋近于最佳焊接条件方面表现出更高的效率。这些发现表明,集成多模态传感、可解释的AI和过程导向的决策映射提供了一种实用且可扩展的方法,可用于提高焊接质量、减少实验工作量,并实现不同金属连接中的实时质量保证。

未引用的参考文献[12]CRediT作者贡献声明:Ji Lyu负责撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件开发、资源管理、项目管理工作、方法论研究、资金获取、形式化分析、数据整理、概念化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号