为了实现大功率激光焊接状态的实时检测, 采用了基于传感器信号多特征融合进行焊缝成形预测的方法,以大功率碟片激光焊接304不锈钢为试验对象, 应用分光仪获取焊接过程中的光谱分布, 并用紫外波段和可见光波段高速摄像机采集金属蒸气视觉图像, 对所提取的特征参量与焊接状态之间的关系进行了理论分析和实验验证。结果表明, 通过建立后向传播神经网络焊缝成形预测模型, 取得了熔宽和熔深的预测绝对误差平均值数据分别为0.18mm和0.72mm。该方法能够准确反映熔宽及熔深的状态变化,这一结果对大功率激光焊接状态在线监测是有帮助的。

由于多传感匙孔特征参数可以有效地反映大功率激光焊接质量状态，本文研究了匙孔特征信息的提取方法并建立了焊缝成形预测模型。以大功率盘形激光焊接304不锈钢为试验对象，应用近红外高速摄像机和X射线视觉成像系统同时提取了焊接过程中的熔池动态图像，并分割出匙孔区域。针对近红外图像，应用矩方法导出匙孔的不变矩特征，同时定义并提取匙孔面积和最前端点纵坐标两个特征; 针对X射线图像则提取匙孔深度和熵两个特征。在不同激光功率条件下得到匙孔特征并进行特征融合分析，然后建立了3个BP神经网络焊缝成形预测模型。探索了匙孔形态、焊接条件和焊接状态三者之间的联系，实现了对焊接过程的在线监测。试验结果表明，将两个传感器获取的匙孔特征信息融合并进行主成分分析变换后，熔宽和熔深的预测绝对误差平均值分别为0.18 mm和0.57 mm，比基于单个传感器获取匙孔特征建立的BP神经网络分别减小了0.03 mm和0.31 mm，显示提出的方法能够有效在线监测大功率盘形激光焊接状态。