一种基于光电信号的激光焊接质量在线监测系统和方法

1.本发明涉及激光焊接质量评估领域，更具体地，涉及一种基于光电信号的激光焊接质量在线监测系统和方法。


背景技术：

2.激光焊接作为一种先进的材料加工技术，由于其生产速度快、焊缝质量高、热影响区小，已广泛应用于汽车、航空航天等工业生产过程中。激光焊接质量在焊接过程中，受匙孔和熔池的影响较大，焊接部位的能量传导和变化是十分复杂的，加之一些其他的生产因素，会影响到激光焊接过程，从而造成焊接质量缺陷。
3.目前常用到的激光焊接质量检测方法有红外传感检测、x射线成像、超声波的焊接缺陷检测、视觉传感的焊接缺陷检测、声信号的焊接缺陷检测等，以上的检测方法都有一些局限不足之处。例如红外传感器采集的有效信号信息属于一维维度的信息，无法准确地区别出焊接过程的变化；x射线成像检测技术对采集到的图像需要较高的处理算法才能分析出缺陷情况，无法有效地识别缺陷的种类；超声波检测对检测工件表面要求较高，对操作人员操作技术要求较高，另外超声波检测技术无法有效识别缺陷类型，以及缺陷的判断易受主观因素的影响等。
4.现有技术公开一种激光焊接质量在线检测方法，激光焊接时，首先，通过滤光片和光电二极管进行在线检测，获得固定波长范围内的激光等离子体辐射强度信号，实时选取各固定区间内的局部检测信号点集合进行概率密度分析；第二，根据激光焊接过程等离子体强度信号空间点阵的概率密度分布规律与实际焊接条件存在关联性，通过数学分析方法得出相应位置的概率密度分布函数，描述出等离子体强度信号空间点阵的概率密度分布情况，并从中提取出与激光焊接质量相关的有效信息的特征值组；最后通过相关特征值分析实现对激光焊接稳定性、焊缝熔深变化及焊接缺陷位置的在线准确识别。该方法特征较少，无法准确识别缺陷。


技术实现要素：

5.本发明的首要目的是提供一种基于光电信号的激光焊接质量在线监测系统，用于激光焊接质量的实时在线检测。
6.本发明的进一步目的是提供一种基于光电信号的激光焊接质量在线监测方法。
7.为解决上述技术问题，本发明的技术方案如下：
8.一种基于光电信号的激光焊接质量在线监测系统，包括光纤激光器、激光焊接接头、保护气体、光纤、光电传感器、信号采集与分析装置和上位机，其中：
9.所述光纤激光器发出激光至激光焊接接头，利用所述激光焊接接头实现激光焊接，所述激光焊接接头在激光焊接时，使用所述保护气体进行保护，所述光纤用于实现激光的传输；
10.所述光电传感器获取激光焊接过程中的激光光强，通过所述信号采集与分析装置
实时采集光电信号，并利用小波包分析和概率密度函数分析处理光电信号，提取特征值至上位机中，所述上位机中建立有激光焊接质量状态识别模型，所述激光焊接质量状态识别模型的输入为所述特征值，所述激光焊接质量状态识别模型的输出为评估的激光焊接质量。
11.一种基于光电信号的激光焊接质量在线监测方法，所述方法应用于上述所述的基于光电信号的激光焊接质量在线监测系统，所述方法包括以下步骤：
12.s1：通过光电传感器获取激光焊接过程中的光强，得到原始光电信号；
13.s2：利用信号采集与分析装置同步实时采集原始光电信号，并利用小波包分析和概率密度函数分析处理原始信号，得到信号特征值；
14.s3：将信号特征值输入至激光焊接质量状态识别模型中，激光焊接质量状态识别模型输出激光焊接质量评估。
15.本方案在激光焊接的过程中，以光电传感器为基础元件，利用采集卡将焊接过程中的信号采集到工业计算机中，将采集到的原始信号进行小波包分析和概率密度分析，从其时域、频域、以及时频域中提取信号特征值，讨论分析特征值与激光焊接质量状态之间的映射关系，最后以提取到的信号特征值为输入参数，利用深度学习神经网络建立信号特征值与焊接质量的关系模型，用于激光焊接质量的实时在线检测。
16.优选地，所述信号采集与分析装置采用高性能数据采集卡同步实时采集原始光电信息，采样频率为100khz。
17.优选地，步骤s2中小波包分析，具体为：
18.通过小波包变换分解原始光电信号，滤波器由尺度函数φ(t)和小波函数ψ(t)确定：
[0019][0020][0021]
式中，h(n)、g(n)分别为高通滤波器系数和低通滤波器系数。
[0022]
优选地，使用小波包分解原始光电信息提取特征，将原始信号分解为m层，根据小波包分解理论原理最终获得2m个小波系数，并将原始信号拆分为2m段频带分量。
[0023]
优选地，所述m＝3。
[0024]
优选地，将原始信号按照上述小波树分解为3层，得到23个子频段信号，分别为(s3，0)、(s3，1)、(s3，2)、(s3，3)、(s3，4)、(s3，5)、(s3，6)、(s3，7)和其分别对应的小波包系数，然后对信号进行特征值的提取如下：
[0025]
提取小波系数均方根值：
[0026][0027]
式中，n(i)rms表示第i段小波包系数的均方根值，xn表示小波包系数中的第n个数据点，最后将计算得到的n0、n1、n2、n3、n4、n5、n6、n7作为特征值；
[0028]
提取能量值：
[0029][0030]
式中，e
3j
表示信号子频段(s3，j)的能量值，x
jk
表示重构后信号子频段(s3，j)数据点的振幅值，将能量占比最大的信号子频段的能量值作为特征值。
[0031]
优选地，步骤s2中概率密度函数分析处理原始信号，具体为：
[0032]
以采集到的数据点出的幅值，以出现次数的形式概率密度化，绘制出相应的概率密度图；
[0033]
从光电信号的概率密度曲线中取出概率最大时相对应的v值-vm为特征信号值，v值指概率密度曲线中的对应幅值最大的横坐标值v；
[0034]
计算概率密度曲线的面积值vs为特征值，其中v
min
为原始光电信号数据中的最小值，v
max
为原始光电信号数据中的最大值，p(v)为概率密度曲线函数，计算vs的公式如下：
[0035][0036]
优选地，所述激光焊接质量状态识别模型为以深度学习为基础的神经网络模型，所述神经网络模型包括输入层、第一隐藏层、第二隐藏层、第三隐藏侧和输出层，各层之间为全连接，将特征值输入输入层中，输出层输出激光焊接质量评估结果。
[0037]
优选地，所述激光焊接质量评估结果包括未熔透、适度熔透和过熔透。
[0038]
与现有技术相比，本发明技术方案的有益效果是：
[0039]
(1)本发明与现有技术相比，利用光电传感采集信号可以完整地同步实时检测整个焊接过程状态。
[0040]
(2)本发明所采用的信号处理方法小波包变换分析和概率密度分析，可以有效地提取到原始光电信号的特征值，反映出相对应的激光焊接质量状态，解决了非平稳性焊接光电信号难以提取有效特征值的问题。
[0041]
(3)本发明基于深度学习的神经网络模型建立，输入层为多特征值向量，多种特征值的输入使模型训练和学习更加可靠，提高了神经网络模型的准确性，以便于激光焊接质量在线检测系统可快速准确地识别出焊接质量状态。
附图说明
[0042]
图1为本发明的系统结构示意图。
[0043]
图2为本发明的方法流程示意图。
[0044]
图3为实施例提供的三层小波包分解树示意图。
[0045]
图4为实施例提供的原始光电信号图。
[0046]
图5为实施例提供的小波包分解重构光电信号图。
[0047]
图6为实施例提供的信号各子频段时频图。
[0048]
图7为实施例提供的信号各子频段能量占比示意图。
[0049]
图8为实施例提供的光电信号概率密度分布示意图。
[0050]
图9为实施例提供的神经网络结构模型示意图。
具体实施方式
[0051]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0052]
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0053]
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0054]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0055]
实施例1
[0056]
本实施例提供一种基于光电信号的激光焊接质量在线监测系统，如图1所示，包括光纤激光器、激光焊接接头、保护气体、光纤、光电传感器、信号采集与分析装置和上位机，其中：
[0057]
所述光纤激光器发出激光至激光焊接接头，利用所述激光焊接接头实现激光焊接，所述激光焊接接头在激光焊接时，使用所述保护气体进行保护，所述光纤用于实现激光的传输；
[0058]
所述光电传感器获取激光焊接过程中的激光光强，通过所述信号采集与分析装置实时采集光电信号，并利用小波包分析和概率密度函数分析处理光电信号，提取特征值至上位机中，所述上位机中建立有激光焊接质量状态识别模型，所述激光焊接质量状态识别模型的输入为所述特征值，所述激光焊接质量状态识别模型的输出为评估的激光焊接质量
[0059]
实施例2
[0060]
本实施例提供一种基于光电信号的激光焊接质量在线监测方法，如图2所示，所述方法应用于实施例1所述的基于光电信号的激光焊接质量在线监测系统，所述方法包括以下步骤：
[0061]
s1：通过光电传感器获取激光焊接过程中的光强，得到原始光电信号；
[0062]
s2：利用信号采集与分析装置同步实时采集原始光电信号，并利用小波包分析和概率密度函数分析处理原始信号，得到信号特征值；
[0063]
s3：将信号特征值输入至激光焊接质量状态识别模型中，激光焊接质量状态识别模型输出激光焊接质量评估。
[0064]
实施例3
[0065]
本实施例在实施例2的基础上，继续公开以下内容：
[0066]
所述信号采集与分析装置采用高性能数据采集卡同步实时采集原始光电信息，采样频率为100khz。
[0067]
步骤s2中小波包分析，具体为：
[0068]
由于采集到的原始光电信号具有非平稳性和非周期性等特点，采用一般的时域或傅里叶变换频域信号分析处理方法，很难得到有效的特征值，所以本发明采用小波包理论分析光电信号。小波包分解是能够对各类非平稳随机信号进行有效处理的现代时频分析和处理方法，原始光电信号在小波包变换中分解为低频近似系数和详细的高频系数，而低频近似系数和高频系数又能够进一步分解，同时分析出原始光电信号的低频部分和高频部分。小波包变换分析能够自适应地选择频带以匹配信号频谱。通过小波包变换分解原始光电信号，滤波器由尺度函数φ(t)和小波函数ψ(t)确定：
[0069][0070][0071]
式中，h(n)、g(n)分别为高通滤波器系数和低通滤波器系数。
[0072]
使用小波包分解原始光电信息提取特征，将原始信号分解为m层，根据小波包分解理论原理最终获得2m个小波系数，并将原始信号拆分为2m段频带分量。
[0073]
所述m＝3，图3显示了例为三层小波包分解树的示意图。
[0074]
m＝3仅为本实施例示例，可根据分析信号的不同选取合适的分解层数。
[0075]
如图4和图5，将原始信号按照上述小波树分解为3层，得到23个子频段信号，分别为(s3，0)、(s3，1)、(s3，2)、(s3，3)、(s3，4)、(s3，5)、(s3，6)、(s3，7)和其分别对应的小波包系数，然后对信号进行特征值的提取如下：
[0076]
提取小波系数均方根值：
[0077]
s3，0—s3，7为原始光电信号在小波包变换分析处理后各频段的光电信号，之后对8个频段的小波包系数求均方根值(rms)，rms又称为有效值，计算方法为先平方，再平均，最后再开方，如公式(3)所示，将计算得到的8个频段小波包系数的均方根值记为第一步的信号特征值[n0、n1、n2、n3、n4、n5、n6、n7]如表(1)所示
[0078][0079]
式中，n(i)
rms
表示第i段小波包系数的均方根值，xn表示小波包系数中的第n个数据点，最后将计算得到的n0、n1、n2、n3、n4、n5、n6、n7作为特征值；
[0080]
表1信号特征值表述
[0081][0082]
提取能量值：
[0083]
采用小波包对原始信号进行划分后，原始信号的特征信息也在每个子频段中，通过提取子频段中的能量值也可以分析和识别信号的特征，采用小波包能量来计算光电信号的特征，计算能量公式如下：
[0084][0085]
式中，e
3j
表示信号子频段(s3，j)的能量值，x
jk
表示重构后信号子频段(s3，j)数据点的振幅值，将能量占比最大的信号子频段的能量值作为特征值；
[0086]
计算各个子频段信号中的对应能量e
3j
在信号总能量中的占比tj,公式如下：
[0087][0088]
分析处理得到光电信号的小波包能量分析时频图和各子频段的能量占比如图6和图7所示，根据图中所示，光电信号的能量占比基本集中在s3，0频段，占比达到99.92％，因此第二步选取信号子频段s3，0的能量值e3j为信号特征值，如表2所示.
[0089]
表2信号特征值表述
[0090][0091]
在原始光电信号的时域上很难提取出有效信息，因此转换思路，将激光焊接过程中采集到的信号在时域上的幅值概率密度化。
[0092]
步骤s2中概率密度函数分析处理原始信号，具体为：
[0093]
以采集到的数据点出的幅值，以出现次数的形式概率密度化，绘制出相应的概率密度图；如采样频率为100khz时，1s内采集100000个数据点，将这100000个数据点处的幅值，以出现次数的形式概率密度化，绘制出相应的概率密度曲线。
[0094]
不同状态下的光电信号概率密度曲线具有很大的差别，找出曲线中的特征值，能反映出原始光电信号中的信息，进而对应出不同的激光焊接质量状态，如图8所示，两种不同激光焊接质量状态对应的原始光电信号转换为概率密度曲线，可以看出有明显的区别。
[0095]
从光电信号的概率密度曲线中取出概率最大时相对应的v值-vm为特征信号值，v值指概率密度曲线中的对应幅值最大的横坐标值v；
[0096]
计算概率密度曲线的面积值vs为特征值，其中v
min
为原始光电信号数据中的最小值，v
max
为原始光电信号数据中的最大值，p(v)为概率密度曲线函数，计算vs的公式如下：
[0097][0098]vm
和vs为反映信号有效信息的特征值，如表3所示。
[0099]
表3信号特征值表述
[0100][0101]
所述激光焊接质量状态识别模型为以深度学习为基础的神经网络模型，所述神经
网络模型如图9所示，包括输入层、第一隐藏层、第二隐藏层、第三隐藏侧和输出层，各层之间为全连接，将特征值输入输入层中，输出层输出激光焊接质量评估结果。
[0102]
所述激光焊接质量评估结果包括未熔透、适度熔透和过熔透。
[0103]
相同或相似的标号对应相同或相似的部件；
[0104]
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0105]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。