高强钢焊接缺陷磁光成像分形特征检测

研究一种基于磁光成像原理的焊接缺陷无损检测新方法.以高强钢表面微小焊接缺陷为例,采用分形维数对焊缝磁光图像进行特征识别并估计最优尺度,根据Adabost分类算法对提取的焊接缺陷特征进行分析和训练,构建焊接缺陷特征量并对高强钢表面缺陷磁光图像进行自动识别.结果表明,运用磁光成像方法可以获取高强钢焊接缺陷特征,并通过图像分形维数分析可识别焊缝缺陷的位置、形状和类别.     

焊接缺陷磁光成像动态检测与识别

为了实现焊接缺陷的自动检测,研究一种交变磁场激励下焊缝表面及亚表面缺陷的磁光成像动态无损检测方法。分析了基于法拉第磁致旋光效应的焊接缺陷磁光成像机理,并结合交变磁场原理推导出励磁变化与动态磁光成像的关系。探索低碳钢板的亚表面焊缝磁光成像特征试验,验证了所提方法可用于检测焊缝亚表面的未熔合缺陷。最后对高强钢焊缝特征的动态磁光图像进行分析,采用主成分分析法和支持向量机(PCA-SVM)模式识别方法建立了焊接缺陷分类模型。试验结果表明,所提方法可以识别高强钢焊件中的焊缝特征(未熔透、裂纹、凹坑和无缺陷),缺陷分类模型的整体识别率达到92.6%,能够实现焊缝表面及亚表面缺陷的自动检测。     

大功率盘形激光焊焊缝背面宽度预测

提出了通过视觉传感获取焊接过程中的焊接特征信息并利用神经网络模型预测焊缝背面宽度的方法。利用大功率盘形激光器焊接了低碳钢SS400焊件,在焊接过程中改变焊接功率、焊接速度和焊接路径,并利用两台高速摄像机同步获取焊件正面和侧面出现的焊接特征信息。对获取的图像进行色彩空间转换、分层、滤波去噪和空域图像处理,提取飞溅、熔池和金属蒸气等焊接特征信息,观察焊接路径对各个特征的影响。最后,建立了一个三层的LMBP(LevenbergMarquardt Back Propagation)神经网络模型,将提取的特征信息作为输入量,预测焊缝的背面宽度。结果显示:当熔透不稳定或出现未熔透状态时,LMBP神经网络拟合度大于0.83,最大训练误差均值为0.002 8mm,最大实际误差均值为0.225 6mm。试验结果表明所建立的预测模型具有良好的准确性和稳定性。     

大功率激光焊背面焊缝宽度神经网络预测

针对焊接过程中熔透及焊缝背面成形难以直接检测的问题,通过焊件正面和侧面的传感特征信息,对焊件背面的焊缝宽度进行预测. 用视觉传感器获取激光焊接过程中包含焊接特征信息的图像,对图像进行分割分层、模式识别和空域图像处理,准确提取焊接特征信息,发现焊接特征信息随着焊接路径的变化有着相应的变化趋势. 建立包含两个隐含层的贝叶斯神经网络,用提取到的9组特征信息作为输入,对焊件背面焊缝宽度进行预测. 通过10组焊件背面焊缝宽度的预测值与实际值的比较,验证了贝叶斯神经网络具有良好的预测能力,在焊缝不理想的状态下,也具有较好的预测能力.     

激光-MAG复合焊接过程金属蒸气和背部熔池图像分析

在激光-MAG复合焊中,金属蒸气和背部熔池包含着大量的焊接状态信息。以316不锈钢和400低碳钢为试验对象,作异种材料复合焊接,并应用高速摄像机获取焊接过程中正面金属蒸气和背部熔池的实时图像。提取金属蒸气面积形态特征,结合背部熔池图像同步分析金属蒸气周期性变化规律并研究金属蒸气和焊接状态、焊缝成形之间的关系。以灰度共生矩阵(GLCM)方法分析图像纹理特征,并用能量、对比度和熵三个特征分析背部熔池与焊缝成形之间的关系。结果表明,所分析方法能有效反映金属蒸气的变化机理,金属蒸气和背部熔池与焊接状态之间的关联,为在线检测复合焊接质量提供依据。