Лазерный мир

Соколов М.С., Краснов Д.И., Хуссейн А., Университет ИТМО, Институт Лазерных Технологий, Санкт-Петербург, Россия // в сборнике: Невская фотоника-2025. Сборник научных трудов Всероссийской научной конференции с международным участием. Санкт-Петербург, 2025. С. 71.

В условиях активного расширения применения лазерной сварки в промышленности возрастает необходимость разработки новых методов обеспечения стабильного качества сварных соединений при производстве крупногабаритных сборочных единиц. В данной работе предлагается интегрированный подход к контролю качества лазерной сварки, основанный на использовании методов искусственного интеллекта и машинного обучения для анализа пространственно-временных данных, регистрируемых в процессе сварки.

Эксперименты проведены на образцах из низколегированной стали 09Г2С с применением волоконного лазера мощностью 3 кВт. Методология исследования включает два ключевых этапа. На первом этапе реализуется анализ макрошлифов с помощью сверточной нейронной сети U-net, позволяющий сегментировать сварной шов и выделять области потенциальных дефектов. На втором этапе рассматривается обработка временных и пространственно-временных сигналов, полученных в ходе сварки.

Для установления взаимосвязи между данными, полученными с помощью датчиков, и возникновением дефектов был использован широкий спектр методов машинного обучения [1]. Классические методы, такие как линейная регрессия, дерево решений (DT), случайный лес (RF), логистическая регрессия (LR) и градиентный бустинг (GB) по-прежнему широко используются в промышленных приложениях.

В рамках исследования были проверены методы, продемонстрировавшие эффективность методов RF в мониторинге глубины провара [2]. Помимо классических подходов, современные методы глубокого обучения (DL) предлагают превосходные возможности для обработки сложных высокоразмерных данных [3]. Путем анализа поведения брызг с помощью инфракрасной термографии (метод проиллюстрирован на рисунке) были извлечены пространственно-временные характеристики, такие как скорость, температура и скорость охлаждения, которые были использованы для обучения нескольких моделей. Наилучшие результаты были достигнуты с помощью GB, со средней точностью 0,78. Предполагается, что дальнейшее развитие предложенного подхода обеспечит более точное управление параметрами процесса лазерной сварки и откроет возможности для  создания втоматизированных  систем адаптивного контроля качества на основе обратной связи.