基于机器学习的铝合金脉冲激光焊接工艺及质量预测研究

铝合金脉冲激光焊接能够精准调节激光能量输入,广泛应用于动力电池与新能源汽车等精密加工领域。然而,铝合金自身高导热率和高反射率等固有属性,以及与高能量激光剧烈的相互耦合作用,对工艺参数优化和焊接质量控制带来挑战。以2 mm厚1060铝合金作为研究对象,主要分析了不同脉冲激光工艺参数（峰值功率、脉冲频率和焊接速度）对焊缝成形的影响规律;以工艺参数为多维输入变量,进一步构建了基于BP神经网络的熔池尺寸预测模型。结果表明：不同工艺参数均对焊缝熔深和熔宽有直接影响,需要确定一个合适的工艺窗口;同时构建模型的平均预测误差在10%以内,具有较高的预测精度。为铝合金脉冲激光焊接质量预测及工艺优化提供了可靠的实验和指导依据。     

基于声波时频特性和深度学习的铝合金脉冲激光焊接熔透定量评估

焊缝熔透状态是定量评价激光焊接质量最重要的指标之一，实时准确识别焊缝的熔透状态是动态激光焊接过程监测和控制的关键。针对铝合金薄壁件的脉冲激光焊接，本文提出了基于声波时频特性和深度学习的焊缝熔透定量评估新方法。首先，搭建视觉-声发射多信息实时同步传感系统平台，获取反映匙孔动态行为的视觉图像和声波信号，并对声波信号进行分帧和小波包阈值去噪预处理；然后，使用平滑伪魏格纳维利分布（SPWVD）提取各帧声波信号的时频域图像，同时引入灰度共生矩阵（GLCM）提取时频域纹理特征，并将提取的纹理特征送入反向传播神经网络（BPNN）进行预测；最终，以SPWVD声波时频图为原始输入，构建基于卷积神经网络（CNN）的焊缝熔透分类模型。结果表明：声波时频图与匙孔动态行为、焊缝熔透状态具有高度相关性；相比于准确率为85%的传统BPNN分类模型，基于SPWVD时频图的CNN分类模型有着更高的准确率（98.8%）。所提定量评估新方法为铝合金薄壁件脉冲激光焊接熔透的在线智能诊断与自适应控制提供了参考。