用于预测激光焊接穿透深度和形态的多任务时空深度神经网络

在激光穿透焊接中，准确评估穿透状态和焊缝形态对于确定焊接质量至关重要。穿透状态指熔池是否完全穿透工件，而焊缝形态则包括熔宽、熔深等几何特征。传统的质量检测方法多依赖于焊后破坏性检验或在线监测的间接信号，难以实现高精度的实时预测。近期，一项研究提出了一种创新的多任务深度学习模型，该模型能够同时高精度预测穿透状态、穿透深度和焊缝形态，为激光焊接的原位质量控制提供了新的解决方案。

研究团队搭建了一个监测平台，利用互补金属氧化物半导体（CMOS）相机捕获焊接过程中的熔池图像。这些图像从熔池上方拍摄，包含了丰富的时间和空间信息。同时，模型还输入焊接参数，如激光功率、焊接速度等，以提供全局背景。模型的核心是一个基于卷积神经网络（CNN）和状态空间模型（SSM）的深度学习框架。其中，CNN用于提取图像中的空间特征，而SSM则擅长处理时间序列数据，捕捉熔池动态变化的规律。通过将这两种模型结合，网络能够更高效地提取和融合时空特征，从而做出准确的预测。

此外，研究人员还提出了一种可靠的数据集构建方法。该方法考虑了焊接过程中的各种工况变化，如不同材料、厚度和焊接参数，以增强模型的鲁棒性和泛化能力。通过精心设计的实验和数据标注流程，确保了训练数据的代表性和准确性。

在测试集上的验证结果表明，该模型在穿透状态预测方面达到了99.35%的准确率，穿透深度预测误差仅为1.79毫米，焊缝横截面重建准确率达到95.65%。这些指标远超传统方法，证明了深度学习在复杂工业过程中的巨大潜力。这项研究不仅为激光穿透焊接系统的原位质量控制策略提供了新的见解和方法，也为其他涉及熔池监测的制造工艺（如增材制造、电子束焊接）提供了可借鉴的思路。