長三角G60激光聯盟導讀
希臘帕特雷大學的科研人員綜述了激光焊接的質素評估的研究。相關綜述以「Quality assessment in laser welding: a critical review」為題發表在【The International Journal of Advanced Manufacturing Technology】上。
激光焊接的質素評估方法和技術已在工藝和工藝過程中都得到了開發。本文總結並介紹了根據質素檢測所采用的技術（視覺、攝像、聲發射、超聲波檢測 (UT)、渦流檢測技術 (ECT)）進行分類的相關研究。此外，本綜述還旨在介紹現有的建模方法，這些方法用於將測量到的焊接特征和缺陷與工藝參數相關聯。文章還介紹了激光焊接質素評估方面的研究空白和影響，並對這一特定領域的未來研究進行了展望。
關鍵詞： 激光焊接；質素評估；焊接缺陷；監測技術；建模
圖 1 激光焊接中可能出現的缺陷。
圖 2 監測階段在完成時間上的分類。
圖 3 鎖孔參數的定義。
圖 4 a 密封狀態監測系統示意圖。b 左：良好焊縫（5秒後），右：不良焊縫（5秒後）。
圖 5 多傳感器監測系統的實驗裝置。
圖 6 傳感訊號與焊接狀態的相關性。
圖 7 利用馬蘭戈尼效應（1000 W，5 m/min）計算的不同部份的溫度場。
圖 8 氣孔率與焊接速度的關系（左）。異種材料接頭的橫截面（右）。
江蘇科技大學和東南大學研究人員研究了船舶構件焊接質素預測與最佳化方法，焊接工藝作為船舶建造的關鍵工業技術之一，工作量約占70%，成本約占總成本的40%。現有的焊接質素預測方法存在假設前提和主觀因素，無法滿足智能焊接對加工質素的動態控制要求。針對船舶裝配焊接過程中質素預測效率低、時效性差、質素控制不可預測性等問題，提出了一種數據和模型驅動的焊接質素預測方法。首先，分析了焊接質素的影響因素，確定了工藝參數與質素的相關機理。根據分析結果，建立了穩定可靠的數據采集架構。同時，基於特征降維方法確定了焊接過程監控的要素。為了提高焊接質素預測的準確性，融合了自適應模擬退火、粒子群最佳化和反向傳播神經網絡演算法，構建了預測模型。最後，透過 74組板材焊接實驗驗證了預測方法的有效性，預測精度達到 90% 以上。
圖9焊接質素預測方法的框架。
圖10焊接過程數據采集和處理框架。
圖11船舶部件結構的焊接數據采集系統。
本文對以往為改進和研究激光焊接質素評估的新方法、新技術和新建模方法進行了回顧綜述。本文根據激光焊接檢測和評估時間分為兩個主要部份。此外，工藝參數和質素指標的相關性也是考慮的另一個方面。因此，在研究中對分析方法（也包括數值解法）和實證方法進行了調查研究。
此外，綜述還指出，為了將激光焊接過程中的測量值和工藝參數與質素指標相關聯，文獻中對模型的開發進行了研究。重點是針對特定工藝參數下的熔池和鎖孔演變進行估算的模型開發。另一方面，建模是必須進一步整合到即時控制和質素評估系統中的關鍵工具，這主要是由於機器學習和分類技術可以為系統提供質素預測和再訓練功能，並由以前的標記數據提供支持。
綜上所述，開發具有認知特征的質素評估系統顯然是未來激光制造領域（而不僅僅是激光焊接領域）最具挑戰性的研究領域。機器學習技術的實施可以幹擾控制系統，基於實驗建模方法，它們可以預測缺陷並確保產品質素。這些系統的實施和整合將帶來可持續、模組化和靈活的制造。
相關論文連結：
https://link.springer.com/article/10.1007/s00170-017-0461-4?fromPaywallRec=false Quality assessment in laser welding: a critical review
Liu, J., Cheng, Y., Jing, X. et al. Prediction and optimization method for welding quality of components in ship construction. Sci Rep 14, 9353 (2024). https://doi.org/10.1038/s41598-024-59490-w
