在雷射穿透焊接中，準確評估穿透狀態和焊縫形態對於確定焊接質量至關重要。穿透狀態指熔池是否完全穿透工件，而焊縫形態則包括熔寬、熔深等幾何特徵。傳統的質量檢測方法多依賴於焊後破壞性檢驗或線上監測的間接訊號，難以實現高精度的即時預測。近期，一項研究提出了一種創新的多工深度學習模型，該模型能夠同時高精度預測穿透狀態、穿透深度和焊縫形態，為雷射焊接的原位質量控制提供了新的解決方案。
研究團隊搭建了一個監測平臺，利用互補金氧半導體（CMOS）相機捕獲焊接過程中的熔池影像。這些影像從熔池上方拍攝，包含了豐富的時間和空間資訊。同時，模型還輸入焊接引數，如雷射功率、焊接速度等，以提供全域性背景。模型的核心是一個基於卷積神經網路（CNN）和狀態空間模型（SSM）的深度學習框架。其中，CNN用於提取影像中的空間特徵，而SSM則擅長處理時間序列資料，捕捉熔池動態變化的規律。透過將這兩種模型結合，網路能夠更高效地提取和融合時空特徵，從而做出準確的預測。
此外，研究人員還提出了一種可靠的資料集構建方法。該方法考慮了焊接過程中的各種工況變化，如不同材料、厚度和焊接引數，以增強模型的魯棒性和泛化能力。透過精心設計的實驗和資料標註流程，確保了訓練資料的代表性和準確性。
在測試集上的驗證結果表明，該模型在穿透狀態預測方面達到了99.35%的準確率，穿透深度預測誤差僅為1.79毫米，焊縫橫截面重建準確率達到95.65%。這些指標遠超傳統方法，證明了深度學習在複雜工業過程中的巨大潛力。這項研究不僅為雷射穿透焊接系統的原位質量控制策略提供了新的見解和方法，也為其他涉及熔池監測的製造工藝（如增材製造、電子束焊接）提供了可借鑑的思路。