劉秀航 葉廣文 黃宇輝 張艷喜 馮桑 高向東

摘要：激光-熔化極惰性氣體（Melt inert gas，MIG）復(fù)合焊過(guò)程中容易出現(xiàn)根部駝峰缺陷，為了實(shí)現(xiàn)焊接過(guò)程根部駝峰缺陷的同步預(yù)測(cè)，研究根部駝峰缺陷預(yù)測(cè)的算法并對(duì)其預(yù)測(cè)結(jié)果進(jìn)行分析。采用高速攝像機(jī)進(jìn)行復(fù)合焊接過(guò)程的實(shí)時(shí)視覺(jué)傳感采集，提取焊接過(guò)程的正面熔池和匙孔的時(shí)序特征信息，并對(duì)這些特征信號(hào)進(jìn)行小波包分解（Wavelet packet decomposition，WPD）與重構(gòu)。應(yīng)用激光掃描儀獲得背部焊縫余高，以此作為駝峰狀態(tài)標(biāo)記的依據(jù)。再通過(guò)長(zhǎng)短期記憶（Long short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)焊接過(guò)程中根部駝峰狀態(tài)進(jìn)行預(yù)測(cè)。結(jié)果表明，WPD-LSTM算法對(duì)根部駝峰預(yù)測(cè)的準(zhǔn)確率達(dá)到97.85%。相比其它算法，基于焊接過(guò)程正面視覺(jué)傳感時(shí)序特征信息的WPD-LSTM算法預(yù)測(cè)準(zhǔn)確率更高，且預(yù)測(cè)結(jié)果具有較高的連續(xù)性，有利于實(shí)現(xiàn)對(duì)焊接過(guò)程根部駝峰缺陷的同步檢測(cè)與控制。

關(guān)鍵詞：根部駝峰；視覺(jué)檢測(cè)；長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)；小波包分解

中圖分類(lèi)號(hào)： TG 409

Root hump defect prediction for laser-MIG hybrid welding

Liu Xiuhang， Ye Guangwen， Huang Yuhui， Zhang Yanxi， Feng Sang， Gao Xiangdong

（Guangdong Provincial Welding Engineering Technology Research Center， Guangdong University of Technology， Guangzhou 510006， Guangdong， China）

Abstract： The root hump defect is easy to appear in the laser-MIG composite welding process. In order to realize the simultaneous prediction of the root hump defect in the welding process， this paper studies the algorithm of root hump defect prediction and analyzes the prediction results of different algorithm. The real-time visual sensing information of composite welding process is carried out by a high-speed camera， the time series characteristic information of the front weld pool and the keyhole in the welding process is extracted， and the characteristics signals are decomposed and reconstructed by wavelet packet decomposition （WPD）. Then， the residual height of the back weld is obtained by a laser scanner， which is used as the basis for marking the hump status. Long short-term memory （LSTM） neural network was used to predict the status of root hump in the welding process. Experimental results show that the accuracy of WPD-LSTM algorithm for root hump prediction is 97.85%. Compared with other algorithms， the prediction accuracy of WPD-LSTM algorithm based on the temporal feature information of the front visual sensing in the welding process is higher， and the prediction results have higher continuity， which is conducive to realize the synchronous detection and control of root hump defects in welding process.

Key words： root hump; visual inspection; long short-term memory neural networks; wavelet packet decomposition

0前言

激光焊和激光-電弧復(fù)合焊兩種焊接方式易出現(xiàn)根部駝峰缺陷，國(guó)內(nèi)外學(xué)者對(duì)激光焊接根部駝峰及熔池和匙孔的狀態(tài)進(jìn)行了大量研究。激光-電弧復(fù)合焊過(guò)程中，電弧熱源的加入有可能是導(dǎo)致根部駝峰出現(xiàn)概率提高的原因［1］。Jan［2］通過(guò)焊接過(guò)程高速攝像機(jī)實(shí)時(shí)檢測(cè)來(lái)闡述了駝峰的形成是匙孔內(nèi)部壓力、熔池流動(dòng)和熔體表面張力綜合作用的結(jié)果，研究了應(yīng)對(duì)駝峰缺陷的工藝解決方案。駝峰是由于受力不穩(wěn)定所導(dǎo)致的熔融金屬?gòu)纳系较罗D(zhuǎn)移和溢出，駝峰的出現(xiàn)會(huì)改變焊縫正面熔池和匙孔的狀態(tài)。經(jīng)過(guò)多次試驗(yàn)得出，當(dāng)激光功率不足以完全熔透焊縫時(shí)，熔池內(nèi)部流動(dòng)熔融金屬?gòu)暮父恳绯?，此時(shí)出現(xiàn)根部駝峰缺陷，因此駝峰的形成與焊接熱輸入不足時(shí)出現(xiàn)的臨界熔透狀態(tài)有關(guān)。

在焊接熔透狀態(tài)檢測(cè)方面，國(guó)內(nèi)外學(xué)者進(jìn)行了許多深入的研究。焊接的熔透狀態(tài)可以通過(guò)背部焊縫的熔寬來(lái)表征，提取焊接過(guò)程的正面視覺(jué)特征，通過(guò)模式識(shí)別和神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)焊接熔透狀態(tài)進(jìn)行分類(lèi)的研究已有許多成果。高向東等人［3］提出了用于熔透狀態(tài)預(yù)測(cè)的模糊聚類(lèi)方法。采用可視范圍為960～ 990 nm 的近紅外濾光片進(jìn)行焊接過(guò)程的圖像采集，并提取焊接過(guò)程匙孔和熔池的相關(guān)特征對(duì)熔透與未熔透兩種狀態(tài)進(jìn)行分類(lèi)。楊嘉佳等人［4］利用近紅外視覺(jué)傳感方法獲取雙絲焊過(guò)程熔池圖像，提取熔池幾何特征參數(shù)輸入到反向傳播（Back propagation，BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行熔透識(shí)別。馮寶等人［5］利用L1/L2極限學(xué)習(xí)機(jī)（L1/L2-Extreme Learning Machine，L1/L2-ELM）算法來(lái)訓(xùn)練電弧焊熔透識(shí)別模型，與傳統(tǒng)ELM 算法相比，具有更強(qiáng)的泛化能力和更高的準(zhǔn)確率。劉天元等人［6］針對(duì)激光焊接過(guò)程的熔池匙孔圖像，采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)熔池和匙孔圖像特征進(jìn)行提取，再將特征輸入LSTM 神經(jīng)網(wǎng)絡(luò)，對(duì)激光焊接過(guò)程的熔透狀態(tài)進(jìn)行識(shí)別。陳子琴等人［7］通過(guò)高速攝像機(jī)分別拍攝激光焊接正面和側(cè)面的焊接過(guò)程，提取金屬蒸氣、飛濺和熔池等特征信息，再利用神經(jīng)網(wǎng)絡(luò)對(duì)背部熔寬預(yù)測(cè)。

利用焊接過(guò)程狀態(tài)的傳感監(jiān)測(cè)可以識(shí)別焊接缺陷，對(duì)焊接過(guò)程穩(wěn)定性進(jìn)行評(píng)價(jià)。高速焊接過(guò)程圖像中的飛濺、金屬蒸氣、電弧光和底面熔池流動(dòng)信息能有效反映焊接成形和焊接過(guò)程狀態(tài)穩(wěn)定性［8-9］。通過(guò)多傳感監(jiān)測(cè)平臺(tái)對(duì)激光焊接過(guò)程的特征信息進(jìn)行提取，利用相關(guān)分類(lèi)算法和模型，對(duì)焊接無(wú)缺陷情況和不同的焊接缺陷的情況進(jìn)行準(zhǔn)確分類(lèi)［10-11］。

在焊接領(lǐng)域中有學(xué)者采集焊件正面及背面圖像，并將經(jīng)驗(yàn)?zāi)B(tài)分解處理后的特征作為預(yù)測(cè)模型輸入實(shí)現(xiàn)焊縫根部駝峰缺陷檢測(cè)［12］。但該方法需要采集焊件背部信息，不適用無(wú)法觀察焊件背部的場(chǎng)合。而所提出的方法僅需要采集焊接表面圖像特征，通過(guò)WPD 對(duì)圖像的時(shí)序特征分解和重構(gòu)，使輸入維度得以擴(kuò)增，從而防止模型欠擬合。以焊接過(guò)程熔池和匙孔的時(shí)序特征信息作為L(zhǎng)STM 神經(jīng)網(wǎng)絡(luò)模型輸入輸出，可準(zhǔn)確預(yù)測(cè)激光-MIG 復(fù)合焊根部駝峰缺陷。

1激光-MIG 復(fù)合焊特征信息采集

1.1試驗(yàn)系統(tǒng)

激光-MIG復(fù)合焊過(guò)程中的檢測(cè)系統(tǒng)，如圖1所示。光纖激光器的激光波長(zhǎng)為1.07μm， 最大輸出功率為4 kW。高速攝像機(jī)采集圖像的像索為640×480 pixel，采樣幀率為2000幀/s，采用950 nm窄帶近紅外濾光片濾除焊接過(guò)程中的干擾，提取熔池和匙孔的特征信息。高速攝像機(jī)距離焊件表面300 mm，與焊接工作臺(tái)成30的夾角。保護(hù)氣成分為98%Ar+2%CO2，進(jìn)行焊后熔池保護(hù)。選用的焊件材質(zhì)為SUS304不銹鋼，尺寸為200 mm×100 mm×3 mm，焊絲為φ1 mm ER308不銹鋼焊絲。采用電弧輔助激光焊接的形式，激光在前， MIG焊槍在后，具體焊接工藝參數(shù)如表1所示。此外，采用裝配有激光掃描儀的關(guān)節(jié)臂測(cè)量?jī)x對(duì)焊縫進(jìn)行掃描，采集焊縫的成形輪廓，并對(duì)焊縫輪廓曲線進(jìn)行相應(yīng)的結(jié)構(gòu)光圖像處理以獲得背部焊縫的余高。

1.2圖像分割與特征提取

由于復(fù)合焊過(guò)程熱輸入較大，產(chǎn)生大量金屬蒸氣，加之MIG焊槍同軸吹出的混合保護(hù)氣體導(dǎo)致焊接過(guò)程熔融金屬被蒸發(fā)產(chǎn)生的大量金屬蒸氣覆蓋在熔池和匙孔區(qū)域的正上方，對(duì)熔池和匙孔區(qū)域形成遮擋，因此同步高速攝像機(jī)難以直接集成或置于焊件上方對(duì)焊接過(guò)程中的熔池和匙孔進(jìn)行拍攝，而是采用側(cè)拍的方式。

對(duì)復(fù)合焊過(guò)程圖像進(jìn)行處理以及特征提取，如圖2所示。其中熔池區(qū)域主要采用了自動(dòng)標(biāo)定的分水嶺算法來(lái)進(jìn)行分割并特征提取，而匙孔部分則主要采用閾值分割的方法來(lái)進(jìn)行圖像分割并提取特征。最終得到熔池和匙孔的區(qū)域圖像，取熔池區(qū)域橫向最大長(zhǎng)度為熔池長(zhǎng)度WL，縱向最大寬度為熔池寬度WW，熔池長(zhǎng)度和寬度之比為熔池長(zhǎng)寬比WR，熔池和匙孔區(qū)域像素點(diǎn)之和分別為熔池面積WA和匙孔面積KA，所提取的時(shí)序特征曲線如圖3所示。

圖4為帶有根部駝峰缺陷的焊縫成形。對(duì)于出現(xiàn)根部駝峰的位置，對(duì)應(yīng)的正面焊縫成形呈現(xiàn)寬度收縮和表面下凹的形態(tài)，這與焊接過(guò)程熔融金屬的向下轉(zhuǎn)移有關(guān)。焊縫的正面成形狀態(tài)出現(xiàn)周期性的變化，根部駝峰缺陷也相應(yīng)周期性出現(xiàn)，焊接過(guò)程中熔池和匙孔在穩(wěn)定與失穩(wěn)兩種狀態(tài)下周期性地切換。

2小波包時(shí)序特征信號(hào)處理

焊接過(guò)程中熔池和匙孔的時(shí)序特征富含焊接過(guò)程狀態(tài)信息。為擴(kuò)增預(yù)測(cè)模型的輸入維度，解決欠擬合問(wèn)題，提高預(yù)測(cè)模型的準(zhǔn)確率，通過(guò)小波包分解對(duì)焊接過(guò)程時(shí)序特征進(jìn)行分解和重構(gòu)，實(shí)現(xiàn)預(yù)測(cè)模型輸入維度的擴(kuò)增，從而解決預(yù)測(cè)模型欠擬合問(wèn)題，并提高預(yù)測(cè)模型的準(zhǔn)確率。小波包分解通過(guò)使代價(jià)函數(shù)最小化，得出對(duì)原始信號(hào)最優(yōu)的分解路徑，并以此進(jìn)行分解[13]。

小波包分解與重構(gòu)算法設(shè)gnj（t）∈Unj，

小波包分解是可以通過(guò){dj+1，nl（t）}求{dj，2nl（t）}和{dj，2n+1l（t）}獲得。

式中：j為尺度系數(shù)；l為位置系數(shù)；n為采樣幀率；dj，2nl（t）和{dj，2n+1l（t）}為下一層小波分解的結(jié)果；{dj+1，nl（t）}為上層分解結(jié)果；a和b為正交共軛低通和高通濾波器。

小波包的重構(gòu)過(guò)程是通過(guò){dj，2nl（t）}求解{dj+1，nl（t）}和{dj，2n+1l（t）}。

式中：h和g為小波包重構(gòu)濾波器組。由式（1）～式（4）可知，小波包變換將原始信號(hào)分解成高頻部分和低頻部分。以熔池寬度的時(shí)序特征為例，選取Daubechies1（db1）作為小波基函數(shù)，采用香農(nóng)熵進(jìn)行3層小波包分解。最終分解出P（3，0），P（3，1），P（3，2），P（3，3），P（3，4），P（3，5），P（3，6），P（3，7）共8個(gè)小波包節(jié)點(diǎn)，對(duì)這些小波包節(jié)點(diǎn)的進(jìn)行重構(gòu)，如圖5所示。這些重構(gòu)節(jié)點(diǎn)的信號(hào)包含了熔池寬度特征的眾多有效信息。小波包節(jié)點(diǎn)經(jīng)過(guò)重構(gòu)后的數(shù)據(jù)為熔池寬度特征的低頻主體部分，其與熔池寬度變化的大致趨勢(shì)一致。將分解后的信號(hào)輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行相應(yīng)的預(yù)測(cè)和分類(lèi)。

3根部駝峰缺陷預(yù)測(cè)

3.1長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)能夠聯(lián)系和儲(chǔ)存上下時(shí)刻輸入的特征信息，對(duì)具有時(shí)序聯(lián)系的數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測(cè)[14]。 LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種，同樣具有時(shí)序結(jié)構(gòu)，LSTM神經(jīng)網(wǎng)絡(luò)解決了經(jīng)典RNN反向傳播過(guò)程中容易出現(xiàn)梯度消失和梯度爆炸的問(wèn)題，其神經(jīng)元結(jié)構(gòu)如圖6所示。LSTM神經(jīng)網(wǎng)絡(luò)是在RNN的基礎(chǔ)上在神經(jīng)元結(jié)構(gòu)中加入記憶單元和調(diào)節(jié)門(mén)構(gòu)成，包括輸入門(mén)、輸出門(mén)和遺忘門(mén)[15-16]。

xt為當(dāng)前狀態(tài)下數(shù)據(jù)的輸入，Ct-1，ht-1分別表示上一狀態(tài)的長(zhǎng)時(shí)記憶和短時(shí)記憶特征。

遺忘門(mén)可對(duì)當(dāng)前時(shí)刻的輸入進(jìn)行有選擇地遺忘，可以清除無(wú)效信息對(duì)神經(jīng)元狀態(tài)的影響，其計(jì)算公式[17]為

式中：σ為激活函數(shù)Sigmoid；Wf和bf為輸入門(mén)的加權(quán)和偏置，輸入門(mén)的作用是對(duì)當(dāng)前時(shí)刻的輸入數(shù)據(jù)進(jìn)行有選擇的輸入，它決定了神經(jīng)元細(xì)胞狀態(tài)中需要更新的信息，具體計(jì)算式為

式中：Wi，Wc和bi，bc為遺忘門(mén)的加權(quán)和偏置。神經(jīng)元細(xì)胞狀態(tài)的更新是通過(guò)結(jié)合之前細(xì)胞狀態(tài)經(jīng)過(guò)、遺忘門(mén)的選擇結(jié)果和通過(guò)輸入門(mén)的所需要更新的新的信息來(lái)實(shí)現(xiàn)，即

輸出門(mén)是用來(lái)控制神經(jīng)元的輸出，并將輸出數(shù)據(jù)分別傳輸?shù)较乱粚拥纳窠?jīng)元和同層的下一神經(jīng)元中，即

式中：Wo和bo為輸出門(mén)的加權(quán)和偏置。上述公式中的輸入門(mén)、輸出門(mén)和遺忘門(mén)中的參數(shù)Wi，Wo，Wf和Bi，Bo，Bf可以通過(guò)學(xué)習(xí)來(lái)不斷更新。

通過(guò)圖像分割算法提取的熔池和匙孔時(shí)序特征信息存在一定的噪聲，會(huì)影響實(shí)際的預(yù)測(cè)效果。通過(guò)門(mén)結(jié)構(gòu)，LSTM 神經(jīng)網(wǎng)絡(luò)的神經(jīng)元可對(duì)焊接過(guò)程熔池和匙孔的時(shí)序特征信息有選擇地判斷是進(jìn)行傳遞或是將其清除，把這些焊接過(guò)程的特征數(shù)據(jù)儲(chǔ)存在記憶單元中以保留到焊接過(guò)程的下一時(shí)序，有利于降低噪聲對(duì)根部駝峰缺陷預(yù)測(cè)的干擾。

3.2預(yù)測(cè)試驗(yàn)設(shè)計(jì)及結(jié)果分析

通過(guò)提取熔池和匙孔時(shí)序特征預(yù)測(cè)背面焊縫的高度，進(jìn)而識(shí)別焊縫根部駝峰缺陷。首先，對(duì)背部焊縫成形進(jìn)行標(biāo)定，將背部焊縫余高于1 mm 部分視為根部駝峰缺陷區(qū)域，標(biāo)記為狀態(tài)2，若背部焊縫余高低于或等于1 mm 則表明未出現(xiàn)根部駝峰缺陷，標(biāo)記為狀態(tài)1。然后，采用LSTM 神經(jīng)網(wǎng)絡(luò)以焊縫正面的視覺(jué)傳感采集的時(shí)序特征對(duì)焊縫根部的駝峰狀態(tài)進(jìn)行實(shí)時(shí)預(yù)測(cè)。其中，神經(jīng)網(wǎng)絡(luò)模型的5個(gè)輸入特征分別為熔池長(zhǎng)度WL、熔池寬度WW、熔池長(zhǎng)寬比WR、熔池面積WA 和匙孔面積KA。LSTM神經(jīng)網(wǎng)絡(luò)模型中隱藏層神經(jīng)元個(gè)數(shù)為200個(gè)，全連接層設(shè)置為50個(gè)神經(jīng)元，學(xué)習(xí)率設(shè)置為0.005，隨機(jī)失活（dropout）值是0.7。訓(xùn)練的周期設(shè)置為3000。采用Adam算法來(lái)進(jìn)行梯度下降優(yōu)化。提取出連續(xù)14000幀圖像，其中連續(xù)的12000幀作為預(yù)測(cè)的訓(xùn)練集，剩余的連續(xù)的2000幀作為測(cè)試集，采用訓(xùn)練集數(shù)據(jù)按時(shí)序依次輸入模型進(jìn)行訓(xùn)練，訓(xùn)練完成后將測(cè)試集時(shí)序特征也按時(shí)序輸入到訓(xùn)練好模型中，得到根部駝峰狀態(tài)的預(yù)測(cè)結(jié)果，將其與標(biāo)記的結(jié)果進(jìn)行對(duì)比，如圖7所示。表2為采用不同預(yù)測(cè)算法進(jìn)行根部駝峰狀態(tài)預(yù)測(cè)的準(zhǔn)確率對(duì)比。

從表2可知，經(jīng)過(guò)小波包對(duì)正面視覺(jué)提取的特征進(jìn)行分解與重構(gòu)后，再輸入到LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的準(zhǔn)確率最高，達(dá)到97.85%，而直接將提取的時(shí)序特征用于LSTM 神經(jīng)網(wǎng)絡(luò)的方式準(zhǔn)確率為86.25%，相較WPD-LSTM 算法稍低。通過(guò)對(duì)比預(yù)測(cè)結(jié)果和準(zhǔn)確率發(fā)現(xiàn)，得益于LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)序特征信息的記憶和遺忘上面存在的優(yōu)勢(shì)，LSTM 與WPD-LSTM預(yù)測(cè)算法的預(yù)測(cè)結(jié)果如圖7c和圖7d所示，相對(duì)BP神經(jīng)網(wǎng)絡(luò)算法和SVM 支持向量機(jī)不僅在預(yù)測(cè)準(zhǔn)確性上存在優(yōu)勢(shì)，在預(yù)測(cè)的連續(xù)性方面相對(duì)后兩者也存在明顯優(yōu)勢(shì)[18-19]。經(jīng)過(guò)以上分析得出，對(duì)激光-MIG復(fù)合焊進(jìn)行正面的視覺(jué)采集，并將提取到的特征進(jìn)行小波包分解并重構(gòu)，然后將重構(gòu)后的特征向量作為長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行根部駝峰缺陷的預(yù)測(cè)。此方法的預(yù)測(cè)準(zhǔn)確率較高，能夠滿足駝峰缺陷預(yù)測(cè)的要求。

4結(jié)論

（1）提出了一種利用焊接過(guò)程正面視覺(jué)圖像中的熔池和匙孔時(shí)序特征信息來(lái)預(yù)測(cè)根部駝峰缺陷的方法，建立了基于焊接過(guò)程時(shí)序特征信息的根部駝峰缺陷預(yù)測(cè)模型。首先采集焊接過(guò)程圖像，通過(guò)圖像分割提取出焊接過(guò)程熔池和匙孔的時(shí)序特征，對(duì)提取的時(shí)序特征進(jìn)行小波包分解與重構(gòu)后再輸入LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)根部駝峰缺陷狀態(tài)進(jìn)行預(yù)測(cè)識(shí)別。

（2）WPD-LSTM算法對(duì)背部駝峰缺陷的預(yù)測(cè)效果較好，準(zhǔn)確率達(dá)到97.85%。相比未利用時(shí)序信息的支持向量機(jī)和BP 神經(jīng)網(wǎng)絡(luò)分類(lèi)算法，其預(yù)測(cè)的準(zhǔn)確率和連續(xù)性都更具有優(yōu)勢(shì)。

參考文獻(xiàn)

［1］ Blecher J J， Palmer T A， Debroy T. Mitigation of root defect in laser and hybrid laser-arc welding[J]. Welding Journal， 2015， 94：73-82.

[2] Jan F. Factors affecting weld root morphology in laser keyhole welding[J]. Optics and Lasers in Engineering， 2018， 101：89-98.

[3]高向東， 梁劍斌， 劉桂謙， 等.大功率光纖激光焊熔透狀態(tài)模糊聚類(lèi)識(shí)別方法[J].焊接學(xué)報(bào)， 2017， 38（5）：22-25.

[4]楊嘉佳， 王克鴻， 吳統(tǒng)立， 等.基于熔池視覺(jué)特征的鋁合金雙絲焊熔透識(shí)別[J].焊接學(xué)報(bào)， 2017， 38（3）：49-52.

[5]馮寶， 覃科， 蔣志勇.基于L1/L2極限學(xué)習(xí)機(jī)的熔池熔透狀態(tài)識(shí)別[J].焊接學(xué)報(bào)， 2018， 39（9）：31-35.

[6]劉天元， 鮑勁松， 汪俊亮， 等.融合時(shí)序信息的激光焊接熔透狀態(tài)識(shí)別方法[J].中國(guó)激光， 2021， 48（6）：228-238.

[7]陳子琴， 高向東， 王琳.大功率盤(pán)形激光焊焊縫背面寬度預(yù)測(cè)[J].光學(xué)精密工程， 2017， 25（9）：2524-2531.

[8] Chang Y F， Lei Z， Wang X Y， et al. Characteristic of laser-MIG hybrid welding with filling additional cold wire for aluminum alloy[J]. China Welding， 2018， 27（3）：35-41.

[9] Gao X D， Zhang Y X. Monitoring of welding status by molten pool morphology during high-power disk laser welding[J]. Optik-International Journal for Light and Electron Optics， 2015，126（19）：1797-1802.

[10] Zhang Y X， Han S W， Cheon J， et al. Effect of joint gap on bead formation in laser butt welding of stainless steel[J]. Journal of Materials Processing Technology， 2017， 249：274-284.

[11] Wang T， Gao X D， Katayama S， et al. Study of dynamic features of surface plasma in high-power disk laser welding[J]. Plasma Science and Technology， 2012， 14（3）：245-251.

[12] Fan X A， Gao X D， Zhang Y X， et al. Monitoring of 304 austenitic stainless-steel laser-MIG hybrid welding process based on EMD-SVM[J]. Journal of Manufacturing Processes， 2022， 73：736-741.

[13]王藝蒙， 李蔚， 韓紀(jì)龍， 等.基于小波包變換碼的新型無(wú)源光網(wǎng)絡(luò)上行信號(hào)復(fù)用和傳輸方法[J].中國(guó)激光， 2014， 41（6）：0605001.

[14]周旭峰， 王醒策， 武仲科， 等.基于組合RNN 網(wǎng)絡(luò)的EMG 信號(hào)手勢(shì)識(shí)別[J].光學(xué)精密工程， 2020， 28（2）：424-442.

[15]李清亮， 蔡凱旋， 耿慶田， 等.極限梯度提升和長(zhǎng)短期記憶網(wǎng)絡(luò)相融合的土壤溫度預(yù)測(cè)[J].光學(xué)精密工程， 2020， 28（10）：2337-2348.

[16]馮澤斌， 周翊， 江銳， 等.門(mén)控循環(huán)網(wǎng)絡(luò)辨識(shí)準(zhǔn)分子激光器能量模型[J].中國(guó)激光， 2021， 48（9）：34-43.

[17] Liu T Y， Bao J S， Wang J L， et al. A hybrid CNN-LSTM algorithm for online defect recognition of CO2 welding[J]. Sensors，2018， 18（12）：4369.

[18] You D Y， Gao X D， Katayama S. Multisensor fusion system for monitoring high-power disk laser welding using support vector machine[J]. IEEE Transactions on Industrial Informatics， 2014，10（2）：1285-1295.

[19] Zhang Y X， Gao X D， Katayama S. Weld appearance prediction with BP neural network improved by genetic algorithm during disk laser welding[J]. Journal of Manufacturing Systems， 2015，34：53-59

劉秀航簡(jiǎn)介： 碩士；主要從事焊接自動(dòng)化研究；liuxiuhang17@163.com。

高向東簡(jiǎn)介：通信作者，博士，教授，博士研究生導(dǎo)師；gaoxd@gdut.edu.cn。