基于多传感器异构信号的 SiCp/Al 复合材料激光焊接熔透识别

《Journal of Manufacturing Processes》：Identification of penetration in laser welding of SiCp/Al composites based on multi-sensor heterogeneous signals

　　

• •
  使用多源信息验证了穿透状态分类。
• •
  等离子羽流和熔池演化与穿透状态相关联。
• •
  构建了一个轻量级网络以实现多速率信号的融合。
• •
  AMF-Net 实现了高精度（97.52 ± 1.31%）和低延迟（2.40 ± 0.03 毫秒）。

引言

碳化硅颗粒增强铝基复合材料 (SiCp/Al 复合材料) 具有高比刚度、高耐磨性、低热膨胀系数以及优异的热物理性能，在航空航天、电子封装、汽车制造和精密仪器等领域具有广阔的应用前景 [1], [2]。然而，其连接技术一直是限制其工程应用的关键瓶颈。激光焊接具有高能量密度、热影响区小、焊接速度快以及良好的柔性控制能力，被认为是实现 SiCp/Al 复合材料高质量连接的有效技术 [3], [4]。然而，在对该材料进行激光焊接时，熔池表现出高粘度，且颗粒分布和流动行为极其复杂。未熔合、颗粒偏析、界面反应和气孔等缺陷极有可能发生。这些缺陷直接决定了接头的机械性能和使用可靠性。

值得注意的是，小孔行为与穿透状态密切相关 [5], [6]。穿透状态的稳定控制是确保接头成形质量和机械性能的关键因素 [7]。在 SiCp/Al 复合材料的激光焊接过程中，不同的穿透状态在熔池/颗粒流动行为、热传导机制和接头截面几何形状方面表现出显著差异 [8]。特别是，增强相 SiCp 与铝合金基体之间热物理性能（熔点、热导率和热膨胀系数）的显著差异，导致熔池流动行为复杂和小孔稳定性差。穿透状态的波动容易导致未熔合和未焊透等缺陷 [9], [10]。现有研究发现，保持全熔透可能通过促进更对称的熔池流动和更均匀的热输入分布来提供更有利的焊接条件。因此，这种穿透状态被认为有利于促进 SiCp/Al 复合材料中高粘度熔池和增强颗粒的流动，减轻颗粒团聚，并降低气孔形成的风险 [11]。因此，准确识别穿透状态的能力对于维持接头质量和工艺稳定性至关重要。在实际焊接过程中，穿透状态之间的转换是瞬态和非线性的。实现穿透状态的在线实时识别是闭环工艺控制的前提。检测熔透的传统方法通常依赖于单一传感器信号，如光学辐射信号、声信号或熔池图像 [12], [13], [14], [15]。例如，Yusof 等人 [12] 探讨了通过同步挤压小波分析获得的声学特征与穿透深度之间的关系，并使用支持向量机模型对焊接穿透状态进行二元分类。Lee 等人 [13] 开发了一种深度学习识别框架，使用光电二极管信号和一维卷积神经网络 (1D-CNN) 来预测激光搭接焊接中的三种穿透状态。Cai 等人 [14] 使用融合的熔池图像训练 CNN 模型，实现了良好的模型尺寸和监控精度。Li 等人 [15] 建立了一个基于反向传播神经网络的模型，以建立 Al/Cu 激光搭接焊接穿透状态与 Al/Cu 光谱强度比之间的关系。该方法可以准确预测 Al/Cu 激光搭接焊接中的穿透深度。

然而，单一信号通常受限于信息不完整和抗干扰能力差。近年来，多传感器异构信号融合已成为智能焊接过程监控的研究前沿。采用多传感器和数据融合方案的焊接监控系统可以获得改进的识别结果 [16], [17], [18]。特别是，由于具有优越的空间测量能力和更丰富的信息内容，多维视觉监控技术被认为是最直观的方法。光学辐射传感技术和声信号仅提供对工艺动态的间接测量，且视野非常有限。相比之下，使用相机直接观察激光束与金属材料的相互作用不受这些缺点的影响 [19]。Zhang 等人 [20] 使用由高速相机、光电二极管和光谱仪组成的多传感器系统获取焊接过程信息，并采用堆叠稀疏自动编码器和深度信念网络等模型进行缺陷分类，达到了 93.6% 的平均精度。Jiang 等人 [21] 利用红外热成像和熔池 CCD 图像构建了基于区域的卷积神经网络模型，在识别三种穿透状态时达到了超过 95% 的精度。Kang 等人 [22] 提出了一种利用 CCD 图像和光谱仪信号的多传感器模型，成功预测了 Al/Cu 激光焊接过程中的穿透深度。Jiao 等人 [23] 开发了一个配备两个相机的被动视觉传感系统，同时监控顶部和底部信息，并建立了一个端到端的深度学习卷积神经网络模型来预测穿透状态，达到了 96.35% 的预测精度。上述研究表明，多种传感器的集成更有利于提高测量精度和抗干扰能力。然而，焊接过程中的多传感器信号往往是异构和异步的。例如，高速相机、光电传感器和红外相机通常在 不同的采样频率下运行。这些异构数据携带着关于穿透状态的互补但异步的信息，实现它们的有效时间对齐和深度融合仍然是提高穿透识别精度和鲁棒性的关键技术瓶颈。为了解决上述问题，提出了各种多速率数据融合方法。一种常见的策略是重采样低速率信号以匹配高速率传感器，从而使两路信号在时间上对齐 [24], [25]。例如，Cao 等人 [25] 使用重采样和插值将声信号（低采样率）上采样至光电二极管信号（高采样率）的速率，然后将两者结合起来监控铝合金激光焊接过程中的穿透状态。其他方法依赖于手工预处理或时频分析，从以不同速率运行的传感器中分别提取特征，然后将这些特征融合在一起 [17], [26], [27]。Shevchik 等人 [27] 融合了激光背反射和声发射特征，并构建了一个时间 2D-CNN 模型来分类五种不同状态，达到了 94.6% 的平均精度。然而，重采样和插值有扭曲信号原始时间动态和高频内容的风险。同时，传统的手工特征提取并不能真正利用两个传感器的联合信息，这可能导致高级特征的丢失，而这些特征对于评估瞬时焊接条件至关重要。

为了解解决这些挑战，本工作重点关注 SiCp/2024Al 复合材料，并提出了一种基于多源异构信号的穿透状态识别方法，针对激光焊接过程中遇到的四种不同状态。工件底部的飞溅特征和激光穿透强度与焊接表面和截面轮廓同步获取，并整合到穿透状态标签的定量指标系统中。该系统为后续的监督学习提供了可靠的标签基础。此外，系统分析了包括等离子羽流和熔池特征在内的前方多源信号的演化模式。更重要的是，设计了一个轻量级的 AMF-Net，以高效准确地解决羽流图像序列和熔池图像之间显著帧率差异的问题。该网络采用固定窗口异步时间对齐策略，直接对齐原始异构时间序列信号而无需重采样，从而保留完整的时间动态和高频信息。设计了一种轻量级双分支架构，以并行提取时空动态特征和静态特征，在保留必要高级表示的同时有效压缩模型大小。此外，引入了一种自适应跨模态注意力融合机制，以抑制模态间冗余和时间不对齐，实现异构数据的高效融合和四种穿透状态的高精度识别。结果表明，所提出的 AMF-Net 在参数数量、浮点运算次数 (FLOPs)、模型推理延迟和穿透状态分类精度等多个维度上均显示出优于现有多模态融合方法的显著优势。本研究不仅为激光焊接中穿透状态的准确在线识别提供了一种有效的解决方案，也为更广泛的异步多模态工业传感场景中的时间建模和质量诊断提供了新的见解。

章节摘要

实验平台

实验系统由焊接激光器、激光扫描振镜系统、焊接机器人和伺服移动平台组成，如图 1 所示。高功率光纤激光器由锐科 (RFL-4000/2000) 制造，波长为 1080 ± 5 nm。中心激光器和环形激光器的最大输出功率分别为 4000 W 和 2000 W。它们的光束直径分别为 50 μm 和 150 μm。为避免激光器和激光光学系统受到来自

焊接穿透状态识别

根据现有研究，激光焊接中的穿透状态通常分为两类 [33], [34] 或三类 [35]。为了更准确地捕捉激光焊接过程中的连续动态行为，并确定熔池是否已达到全熔透，本研究进一步将穿透状态细分为四类。它们被定义为部分穿透 (PP)、临界穿透 (CP)、中等穿透 (MP) 和全熔透

结论

在本工作中，提出了一种结合多传感器方法和 AMF-Net 深度学习模型的方法，用于预测 SiCp/Al 复合材料激光焊接过程中的原位穿透状态。使用包括焊接表面和截面形态、激光穿透强度以及底部飞溅在内的多维信息验证了穿透状态分类的可靠性。分析了熔池和等离子羽流特征的演化模式。一个数据集

CRediT 作者贡献声明

梁琦: 写作 - 审查与编辑，写作 - 原稿起草，可视化，方法论，形式分析，数据整理，概念化。 张斌: 可视化，监督，概念化。 邹双阳: 调查，数据整理。 李武成: 调查，数据整理。 万志成: 调查，数据整理。 蔡燕: 可视化，方法论，资金获取，数据整理，概念化。

利益冲突声明

作者声明，他们没有已知的可能影响本论文报告工作的竞争财务利益或个人关系。

致谢

这项工作得到了 国家重点研发计划 的资金支持 (编号：2023YFB4606200)。

梁琦 | 张斌 | 邹双阳 | 李武成 | 万志成 | 蔡燕