激光焊接时光感检测信号具有混合信息数量多、 时域及频域变化复杂、 信号随机波动剧烈等明显的混沌信号特征, 常规检测手段对激光焊接熔透特征信息难以有效分离。 在激光焊接熔透特征信号同轴增效提取技术基础上, 针对光谱透视成像中提取出的复杂混合信号的分布特征, 提出一种大功率固体激光焊熔透特征混沌信号解析方法。 具体通过统计方法提取混沌检测信号的各瞬态概率密度函数, 然后动态形成一系列具有趋势性特征的简化图形模式, 并根据图形的多项形貌特征与熔透行为建立复合关联识别。 文中重点介绍了基值、 离散度和畸变率3种特征参数的定义及数学模型, 这些特征参数不但可以对特征模型的重心位置、 离散情况和单向畸变情况进行准确描述, 而且通过实验方法还充分验证了不同特征参数与激光焊接熔透状态的关联特性。 如基值特征参数在焊缝熔透程度较大时具有明显的识别效果, 但是熔透程度较小时其波动幅值较大; 而离散度特征参数只对较小熔透状态测试敏感, 可以对基值进行有效补充, 但是对较大熔透状态的识别存在不足; 畸变率特征参数虽然在适度熔透附近时数值波动剧烈, 但是对于焊缝熔透程度较小或较大时都能通过畸变率数值关系对熔透程度进行较好关联识别, 有效弥补了基值和离散度的检测盲区。 因此, 基值、 离散度及畸变率特征参数间具有相互补充、 相互验证关系, 通过它们的特征曲线进行复合识别可以对激光焊接熔透状态实现较好的定性及定量检测。 实验结果表明, 混沌信号解析方法结合激光焊接熔透特征信号同轴增效提取技术后, 可实现光谱学、 光学、 统计学、 抽象化解析等的多维复合识别效果, 可有效增强大功率固体激光焊的熔透检测能力, 实现可靠熔透在线识别。

熔透检测是实现高功率激光焊接质量在线控制的重要环节, 但由于介观尺度下的低辐值熔透特征信号产生于激光匙孔底部被匙孔喷射物质和周围干扰信号完全掩盖, 熔透状态难以被直接获取, 常规检测多以间接测量为主。 将光谱透视技术、 红外显微成像技术、 光电传感技术及空间定位提取技术相结合, 提出一种激光焊接熔透特征信号同轴增效提取方法。 以高功率激光在匙孔内壁激发的荧光辐射源作为直接检测信号, 利用不同发光体的谱段特性在红外谱段有效分离并抑制激光焊接匙孔上方的等离子体、 金属蒸汽焰、 粒子团簇等强干扰信号, 使红外荧光信号得到有效增强, 实现光谱透视显像效果。 同时采用自行研制的激光焊接同轴显微光路系统, 利用红外显微成像原理提取到匙孔内壁受激辐射荧光的红外显微实像。 并以此为基础对高功率激光焊接熔透状态与匙孔内部影像特征进行关联研究, 发现与熔透状态直接相关的低辐射值特征现象及特征区域的存在。 通过视觉辅助定位调节和熔透特征位置试验矫正等寻位方式, 依次提高定位精度, 直至将传感器光电感应芯片高精度定位至荧光辐射实像中的熔透特征区域。 由此通过光谱透视—显微成像—介观寻位萃取的逐层光学分离方式, 实现了对匙孔熔透特征数据的精准提取和最大化增强。 试验结果表明, 基于多种光谱及光学处理技术复合应用的大功率固体激光焊熔透特征同轴增效提取方法对激光熔透特征信号增强效果显著, 可作为一种新型的高功率激光焊接熔透在线检测手段。

考虑显微光学涉及的聚焦精度对机器视觉精密测量效果的影响, 开展了显微视觉环境下对图像聚焦技术综合定量评价的研究。建立了偏移率等系列性能指标, 对13组清晰度函数在显微视觉条件下的无偏性、单峰性、分辨力等进行了综合评价, 优选出方差函数和Brenner函数分别用于粗聚焦和精聚焦阶段的清晰度计算。建立了分步爬山搜索法, 实现了显微自动聚焦。与传统爬山法相比, 提出的方法聚焦时间显著缩短, 重复精度提高约24%。将建立的自动聚焦与图像测量方法应用于某电液伺服阀衔铁气隙测量中, 得到的测量均值与工具显微镜结果相近, 而测量标准差可达1.9 μm, 测量效率也显著提高。最后对伺服阀加电条件下的气隙动力学特性进行了测试, 获得了驱动电流-衔铁气隙之间的关系, 为在线装配/装调提供了重要依据。

提出一种偏最小二乘法（PLS）和人工神经网络（ANN）结合用于近红外光谱（NIRS）的分析方法， 以提高奶粉蛋白质模型的预测精度。 首先采用基于遗传算法的波长选择法（RS-GA）优化光谱数据， 建立GA-PLS模型预测奶粉蛋白线性部分； 然后在RS-GA法选择的波段上进行主成分分析（PCA）， 以主成分的得分矩阵作为ANN模型输入层， 以GA-PLS预测值与真实值之差作为输出层， 建立PC-ANN模型预测其非线性部分。 最终预测结果为两个模型预测值之和， 以模型的预测标准偏差（RMSEP）作为评价指标， 以便考察新方法的有效性。 同时建立线性的全谱模型（Fr-PLS）， 其Fr-PLS、 GA-PLS和GA-PLS+PC-ANN模型的RMSEP分别为0.511， 0.440和0.235。 结果表明： 考虑奶粉蛋白含量近红外模型的非线性部分， 可以显著提高模型的预测精度， 该方法也可为其它复杂体系模型精度的提高提供借鉴。

稳定性好， 实用性强的NIRS模型， 需要收集代表性强的样品并进行大量的化学值检测工作， 为了减少建模的工作量， 本文尝试用酒精水溶液的NIRS模型预测葡萄酒发酵液中酒精度的含量。 通过遗传算法选择相关性高而且受其他干扰因素影响少的波段（2　245～2　320　nm）建立模型， 并根据斜率/截距校正法原理， 在预测集中选择能够代表样品酒精度变化范围的样品， 对其进行校正， 得到新模型的Slope=0.9808和Bias=0.5233。 最后， 对葡萄酒发酵液剩余样品的酒精度进行预测， 预测的相关系数r达到0.99以上， 预测相对分析误差（RPD）为11.71， 相对标准差（RSD）为3.11%。 由此表明， 用酒精水溶液的NIRS模型， 通过波段选择以及模型校正， 预测葡萄酒发酵液的酒精度具有良好的可行性。 此方法大大减小了NIRS技术建模的工作量。

遗传算法不受搜索空间限制性假设的约束, 利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。 文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化, 得到丰水、 圆黄、 黄金三种梨的R-SGA最佳因子数分别为10, 12和16, 并分别建立了单一品种GA-PLS模型； 丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型, 其模型的RMSEP分别为0.608/0.632和0.524/0.540； 圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。 经波段优化分析表明, 使用552个数据点建立多品种砂梨混合模型, 具有较高稳健性和预测性(RMSEC=0.627, RMSEP=0.641)。 结果表明： 基于遗传算法进行波段优化可以提高砂梨糖度模型精度, 提高建模效率, 同时说明建立多品种砂梨糖度通用模型是可行的。

基于遗传算法的波段选择法在组合优化问题上具有很大的搜索优势,适应性很广。文章将该方法应用于西洋梨糖度近红外光谱分析中,探讨数据优化筛选的可行性。光谱经多元散射校正或标准归一化处理后进行波段选择,选择结果与样品中被测成分有关,4个品种洋梨的最佳个体染色体编码有一定共性。分别建立了四种洋梨的GA-PLS模型和全谱模型,早红考密斯、五九香、凯斯凯德和康佛伦斯的GA-PLS建模数据点分别从1557减少到了434,496,310和496。GA-PLS/Fr-PLS模型的预测标准偏差分别为0.428/0.518,0.696/0.694,0.425/0.421和0.567/0.633,其中早红考密斯和康佛伦斯GA-PLS模型的预测精度明显优于全谱模型,而五九香和凯斯凯德的GA-PLS模型与全谱模型相近。结果表明,遗传算法用于PLS建立西洋梨糖度校正模型前的数据优化筛选是可行的,有效提高测量精度,减少建模变量。