基于BP神经网络补偿卡尔曼滤波的激光-熔化极惰性气体保护焊复合焊缝熔宽在线检测学习体会

文献概况与研究背景

本文发表于《中国激光》2022年第49卷第16期，由广东工业大学广东省焊接工程技术研究中心刘秀航等人完成，研究基金来自广州市科技计划（202002020068, 202002030147）。研究针对强噪声环境下的激光-MIG复合焊接过程，提出了基于反向传播（BP）神经网络补偿色噪声卡尔曼滤波算法的熔宽检测方法，有效降低了焊缝熔宽检测的误差。

焊缝熔宽是评估焊接质量和焊接稳定性的重要指标。在激光-MIG复合焊接过程中，由于激光和电弧的强光干扰、飞溅、烟雾等因素，焊接环境噪声较大，传统的熔宽检测方法往往难以获得准确的结果。本文的研究正是针对这一工程痛点展开的。

核心发现与技术要点解读

熔宽检测系统建模

文献首先建立了激光-MIG复合焊缝熔宽检测系统的状态方程和测量方程，通过视觉传感和色噪声卡尔曼滤波算法对焊缝熔宽进行估计。状态方程描述了熔宽随时间的变化规律，测量方程描述了传感器测量值与真实熔宽之间的关系。

BP神经网络补偿机制

文献的核心创新在于将卡尔曼滤波增益、新息值和预测值与卡尔曼滤波最优估计之差作为输入，利用BP神经网络对熔宽的卡尔曼滤波最优估计进行补偿。这种补偿机制可以有效处理卡尔曼滤波在处理非线性问题时存在的不足，提高熔宽检测的准确度。

与传统卡尔曼滤波相比，BP神经网络补偿卡尔曼滤波算法具有更好的非线性映射能力。在激光-MIG复合焊接过程中，熔宽受到多种因素的影响，包括焊接参数、材料特性、焊接环境等，这些因素之间往往存在复杂的非线性关系。BP神经网络可以捕捉这些非线性关系，从而提供更准确的熔宽估计。

实验验证

文献通过高精度激光扫描仪对焊缝的三维轮廓进行扫描，根据二阶差分法获得焊缝轮廓宽度，并将其作为熔宽的真实值。实验结果表明，BP神经网络补偿测量色噪声卡尔曼滤波算法能够有效降低焊缝熔宽检测的误差。与单独使用卡尔曼滤波算法相比，BP神经网络补偿卡尔曼滤波算法具有更好的非线性映射能力，可以提高卡尔曼滤波焊缝熔宽检测的准确度。

工艺应用与工程实践

在线检测系统的工程实施

基于文献的研究结论，在实际工程中可以采取以下措施来实施熔宽在线检测系统：

1. 视觉传感器选型：选择适合焊接环境的视觉传感器，需要考虑传感器的抗干扰能力、分辨率和响应速度。在激光-MIG复合焊接环境中，传感器需要能够承受强光干扰，同时具备足够的分辨率来捕捉焊缝细节。
2. 算法参数优化：卡尔曼滤波算法的参数需要根据焊接条件进行优化，包括过程噪声协方差矩阵、测量噪声协方差矩阵等。BP神经网络的训练也需要使用足够的数据集，以确保补偿效果。
3. 系统集成与调试：将视觉传感器、卡尔曼滤波算法和BP神经网络集成到焊接控制系统中，需要进行充分的调试和验证，确保检测结果的准确性和实时性。

质量监控与工艺优化

熔宽在线检测系统在焊接质量监控和工艺优化中可以发挥重要作用：

• 实时监控：通过实时监测熔宽变化，可以及时发现焊接过程中的异常，如熔宽突然增大或减小，从而采取相应的工艺调整措施。
• 工艺优化：通过分析熔宽与焊接参数之间的关系，可以建立焊接参数的优化模型，实现焊接工艺的自动化优化。
• 质量追溯：记录焊接过程中的熔宽数据，可以为产品质量追溯提供数据支持，便于事后质量分析。

学习心得与反思

本文的研究体现了智能算法在焊接质量检测中的重要作用。传统的焊接质量检测往往依赖人工检测或离线检测，效率低且实时性差。而基于智能算法的在线检测技术，可以实现焊接质量的实时监控和自动优化，这对于提高焊接生产效率和产品质量具有重要意义。

从工程实践的角度来看，熔宽在线检测技术的推广仍面临一些挑战。首先是传感器成本问题，高精度视觉传感器的成本较高，这增加了检测系统的总体成本。其次是算法复杂度问题，BP神经网络的训练需要大量数据，且算法参数需要仔细调优，这对工程实施提出了较高的要求。

另一个值得思考的问题是：文献研究的是熔宽检测，但在实际焊接中，焊缝质量不仅取决于熔宽，还取决于熔深、余高、焊缝成形等多种因素。如何建立综合的焊缝质量在线检测系统，是一个需要进一步研究的工程问题。

总体而言，本文的研究为激光-MIG复合焊接的焊缝质量在线检测提供了有价值的参考。在实际工程中，建议结合具体焊接材料和结构特点，开展熔宽在线检测工艺试验，逐步积累工程经验，推动这一技术的产业化应用。焊接质量的实时监控是智能制造的重要组成部分，随着传感器技术和智能算法的不断发展，熔宽在线检测技术将在焊接生产中发挥越来越重要的作用。