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 (Levenberg-Marquardt 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 8 mm, 最大实际误差均值为0.225 6 mm。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。

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。