基于深度学习的TIG焊背部熔池检测与熔宽提取技术
一、技术定义与核心原理
基于深度学习的TIG焊（Tungsten Inert Gas welding，钨极氩弧焊）背部熔池检测与熔宽提取技术，是一种将计算机视觉（Computer Vision）与深度学习（Deep Learning）算法融合应用于焊接过程在线监测的智能制造技术。该技术通过在TIG焊工件背面（即焊接穿透侧）设置高分辨率红外热成像相机或可见光工业相机，实时采集熔池区域的热辐射特征图像，利用卷积神经网络（CNN）、YOLO系列目标检测模型或语义分割网络，实现对背部熔池边界、熔宽（Weld Width）、熔深（Weld Penetration）等关键几何参数的实时识别与量化提取。
其核心原理基于以下三个层面：
- 热成像感知层：熔池在焊接过程中产生高温（通常1500°C~2500°C），背部区域因热传导呈现明显的温度梯度分布。红外热像仪可捕捉该温度场分布，形成熔池边界的可视化特征。
- 深度学习特征提取层：通过预训练神经网络（如ResNet、U-Net、YOLOv5/v7/v8等架构），从热成像图像中提取熔池轮廓、边界特征及熔宽尺寸信息，完成像素级分割或边界框检测。
- 工艺参数反馈控制层：将提取的熔宽数据实时反馈至焊接电源控制系统或机器人运动控制系统，构成闭环控制回路，实现焊接电流、电压、送丝速度、焊接速度等参数的动态自适应调整。
二、所属大类与业务定位
该技术归属于智能焊接与焊接过程在线监测（Welding Process Monitoring）领域，是科雷丁技术在双金属复合材料与堆焊制造领域推进"智能制造+数字孪生"战略的核心技术支撑。在公司的技术架构体系中，该技术处于"焊接过程感知—工艺参数优化—质量在线判定"技术链的感知与决策层，与公司的三大核心技术路线（TIG/MIG堆焊、水压复合、爆炸焊复合）形成深度耦合。
| 技术层级 | 定位说明 | 关联技术 |
|---|---|---|
| 感知层 | 熔池图像采集与预处理 | 红外热成像、工业相机标定、图像降噪 |
| 算法层 | 熔池检测、熔宽提取、熔深预测 | YOLO目标检测、U-Net语义分割、迁移学习 |
| 决策层 | 焊接参数自适应调整 | 模糊PID控制、强化学习优化 |
| 应用层 | 堆焊质量在线判定与过程记录 | WPS/PQR数字化管理、质量追溯系统 |
三、技术目的与核心价值
3.1 技术目的
- 实时熔宽控制：将堆焊层熔宽偏差控制在±0.5mm以内，确保堆焊层与基体金属的熔合比（Dilution Ratio）处于工艺设计窗口内。
- 缺陷早期预警：通过熔池形态异常（如熔池过宽、过窄、偏移）实时识别潜在的未熔合（Incomplete Fusion）、咬边（Undercut）、烧穿（Burn-through）等焊接缺陷。
- 工艺数据积累：构建焊接工艺数据库，为后续焊接工艺评定（Welding Procedure Qualification, WPQ）和工艺参数优化提供数据基础。
- 减少人工依赖：降低对高级焊工经验的依赖，提升堆焊过程的重复性与一致性。
3.2 核心价值
- 质量提升：堆焊层一次合格率从传统工艺的85%~90%提升至97%以上，显著降低返修率。
- 效率提升：减少焊后无损检测（NDT）返修循环，单件产品制造周期缩短15%~25%。
- 成本降低：减少材料浪费与返修工时，堆焊工序综合成本降低10%~20%。
- 标准化建设：为焊接工艺规程（WPS）的数字化与智能化奠定数据基础，支撑ASME、AWS等体系下的工艺认证。
四、关键工艺与实施要点
4.1 系统硬件配置
| 组件 | 技术参数要求 | 推荐型号/规格 |
|---|---|---|
| 红外热成像相机 | 分辨率≥640×480；测温范围800°C~3000°C；帧率≥30fps；光谱范围7~14μm | FLIR A655sc / Optris PI190 |
| 可见光工业相机 | 分辨率≥200万像素；帧率≥120fps；全局快门 | Basler ace 2 / Hikrobot MV-CA016 |
| 光源系统 | 窄带LED光源（波长匹配熔池辐射峰值）；功率可调 | 定制环形光源，中心波长940nm/1550nm |
| 数据采集卡 | 千兆以太网；低延迟（<1ms）；支持多通道同步 | National Instruments PCIe-8361 |
| GPU计算平台 | NVIDIA RTX 3090/4090或A100；显存≥24GB | 用于模型推理与训练 |
4.2 深度学习模型选型与训练策略
| 模型架构 | 适用任务 | 训练数据集规模 | 推理延迟要求 |
|---|---|---|---|
| YOLOv8n/s | 熔池边界框检测与熔宽初判 | ≥5000张标注图像 | ≤30ms/帧 |
| U-Net / DeepLabV3+ | 熔池像素级语义分割 | ≥3000张像素标注图像 | ≤50ms/帧 |
| ResNet-50 + 回归头 | 熔宽数值预测（回归任务） | ≥10000组图像-尺寸对 | ≤20ms/帧 |
| LSTM / Transformer | 熔池形态时序分析（缺陷趋势预测） | ≥500段连续焊接时序数据 | ≤100ms/帧 |
4.3 数据采集与标注规范
- 多工况覆盖：数据采集需覆盖不同焊接电流（80A~300A）、焊接速度（200mm/min~800mm/min）、保护气体流量（5L/min~20L/min）等工艺参数组合，确保模型泛化能力。
- 多材料覆盖：针对公司主要堆焊材料体系（如309L/310过渡层、625/811耐磨层、D211/D272耐蚀层等）分别采集，建立材料-工艺-熔池形态的映射关系。
- 标注规范：采用COCO格式或自定义JSON格式，标注熔池边界多边形、熔宽像素坐标、缺陷类型标签等；标注一致性（Inter-Annotator Agreement）需达到κ≥0.85。
- 数据增强：采用旋转、翻转、亮度/对比度调整、高斯噪声注入、弹性变形等增强手段，扩充有效训练样本量3~5倍。
4.4 熔宽提取算法流程
- 图像预处理：红外图像热辐射值归一化、背景温度补偿、运动模糊校正。
- 熔池区域检测：基于YOLO模型定位熔池感兴趣区域（ROI）。
- 边界精确定位：基于U-Net语义分割或亚像素边缘检测算法，精确定位熔池左右边界。
- 尺寸换算：通过相机标定（Camera Calibration）获取像素-实际尺寸映射关系，将像素宽度转换为实际熔宽值（mm）。
- 时序滤波：对连续帧熔宽数据进行卡尔曼滤波或移动平均滤波，消除单帧噪声干扰。
- 反馈控制：将滤波后熔宽值与目标值比较，通过PID或模糊控制器调整焊接参数。
4.5 关键工艺参数窗口（以309L过渡层TIG堆焊为例）
| 工艺参数 | 典型范围 | 熔宽目标值 | 熔宽偏差容许范围 |
|---|---|---|---|
| 焊接电流 | 120A~200A | — | — |
| 焊接电压 | 18V~24V | — | — |
| 焊接速度 | 300mm/min~600mm/min | — | — |
| 钨极直径 | φ2.4mm~φ3.2mm | — | — |
| 保护气体流量 | 10L/min~15L/min | — | — |
| 熔宽控制目标 | |||
| 目标熔宽 | 8mm~12mm | 10mm±0.5mm | ±0.5mm（在线控制） |
五、执行标准与验收依据
5.1 相关标准体系
| 标准编号 | 标准名称 | 与本技术的关联 |
|---|---|---|
| GB/T 12467-2006 | 钨极氩弧焊方法、设备与工艺 | TIG焊工艺基础要求 |
| GB/T 3375-2018 | 焊接术语 | 熔宽、熔深等术语定义 |
| GB/T 985.1-2008 | 焊接符号表示法 | 堆焊焊缝标注规范 |
| ASME BPV Section IX | 锅炉及压力容器焊接规程 | 焊接工艺评定（PQR）与焊接工艺规程（WPS） |
| AWS D10.0/D10.9 | 堆焊金属的标准（Standard for Surfacing Metals） | 堆焊层化学成分、力学性能与熔合比要求 |
| ASTM A397 | 奥氏体不锈钢堆焊焊条标准 | 堆焊材料选型依据 |
| ISO 14555 | 焊接——电弧焊——焊接参数测量 | 焊接过程参数测量方法 |
| ISO 13919 | 焊接——焊接过程控制 | 焊接过程闭环控制原则 |
| ISO 15614-1 | 焊接工艺评定——金属焊接工艺评定通用规则 | 焊接工艺评定框架 |
| GB/T 19866 | 焊接材料试验方法 | 堆焊层性能验证方法 |
| NB/T 47014 | 承压设备焊接工艺评定 | 国内压力容器行业工艺评定要求 |
5.2 验收判定准则
- 熔宽检测精度：系统提取的熔宽值与X射线或金相测量值偏差≤±0.3mm（相对误差≤3%）。
- 检测响应速度：从图像采集到熔宽输出延迟≤100ms，满足在线闭环控制需求。
- 缺陷识别率：对未熔合、咬边、气孔等典型缺陷的识别准确率≥95%，误报率≤5%。
- 连续运行稳定性：系统连续运行≥8小时（一个完整班次）无故障，模型推理性能衰减≤2%。
- 工艺覆盖度：模型在覆盖的焊接参数范围内（电流±20%、速度±20%）均保持有效检测能力。
六、常见风险与控制措施
| 风险类别 | 风险描述 | 影响程度 | 控制措施 |
|---|---|---|---|
| 数据偏差风险 | 训练数据集未充分覆盖实际生产工况，导致模型泛化能力不足 | 高 | 建立多工况、多材料数据采集矩阵；采用迁移学习与小样本学习策略；定期增量训练更新模型 |
| 环境干扰风险 | 焊接弧光、飞溅、保护气体扰动等对图像采集造成干扰 | 高 | 采用窄带滤光片；优化相机安装角度与距离；引入抗干扰预处理算法（中值滤波、形态学处理） |
| 标定漂移风险 | 相机与工件相对位置变化导致尺寸换算精度下降 | 中 | 采用实时标定技术；引入机械手末端视觉伺服；设置定期自动标定程序 |
| 模型过拟合风险 | 模型在训练集上表现优异但实际生产环境精度下降 | 中 | 采用交叉验证与早停策略；数据增强；正则化（Dropout、L2正则）；保留10%~20%验证集 |
| 计算资源瓶颈 | 模型推理延迟过高，无法满足在线闭环控制实时性要求 | 中 | 模型轻量化（剪枝、量化、蒸馏）；采用边缘计算部署；硬件加速（TensorRT、CUDA） |
| 安全与合规风险 | 系统故障导致焊接参数失控，产生质量事故 | 高 | 设置安全联锁机制（系统故障时自动停止焊接或切换至手动模式）；设置参数硬限位；定期系统安全评估 |
| 人才与知识风险 | 深度学习算法人才短缺，技术维护困难 | 中 | 建立内部技术培训体系；与高校/科研院所合作；建立模型版本管理与知识文档化机制 |
七、在公司三大技术路线中的应用场景
7.1 TIG/MIG堆焊路线中的应用
在科雷丁技术的TIG/MIG堆焊业务中，该技术是最直接、最核心的应用场景。具体应用包括：
- 过渡层堆焊熔宽在线控制：在碳钢基体上堆焊309L/310过渡层时，通过背部熔宽实时监测控制熔合比（Dilution Ratio）在15%~30%范围内，防止过渡层出现裂纹或性能劣化。
- 耐磨/耐蚀层多层堆焊一致性控制：在625、811、D211等多层堆焊过程中，逐层监测熔宽与熔池形态，确保各层堆焊层厚度均匀、层间熔合良好。
- 大厚度堆焊件熔深预测：通过背部熔池形态特征反演熔深（Penetration Depth），预测堆焊层与基体的熔合状态，替代部分破坏性检测。
- 管道环焊缝堆焊：在管道内壁堆焊场景中，利用背部（管道外壁）熔池监测实现内壁堆焊质量的非接触式在线评估。
7.2 水压复合路线中的应用
在水压复合（Hydrostatic Expansion）工艺中，该技术主要应用于复合前堆焊预处理的辅助环节：
- 复合前堆焊层质量预检：部分复合管/复合板在爆炸焊或水压复合前需进行局部堆焊修补，通过熔池在线监测确保修补区域质量满足复合接口要求。
- 复合管端部堆焊密封：水压复合过程中，管端堆焊密封焊缝的熔宽一致性直接影响密封可靠性，该技术可实时监测端部堆焊质量。
- 复合后局部补焊：水压复合后若存在局部缺陷需补焊修复，该技术确保补焊熔池形态可控，避免引入新的复合界面缺陷。
7.3 爆炸焊复合路线中的应用
在爆炸焊复合（Explosive Welding / Explosive Cladding）业务中，该技术的应用虽不直接参与爆炸焊过程本身，但在前后工序中发挥重要作用：
- 爆炸焊前基体预处理堆焊：爆炸焊前对基体表面进行TIG焊平整化处理（如去除铸造缺陷、修正几何偏差），通过熔池在线监测确保预处理质量。
- 爆炸焊后边缘密封焊：爆炸焊复合板/管边缘通常需进行TIG密封焊，熔宽在线控制确保密封焊质量，防止介质渗透。
- 爆炸焊复合板后续加工焊：爆炸焊复合板在切割、加工后产生的切割面需进行堆焊修复，该技术确保修复堆焊层质量与原始复合层性能匹配。
八、对资质建设、产品交付与客户价值的作用
8.1 资质建设支撑
- ASME认证支撑：该技术产生的焊接过程数据可作为ASME BPV Section IX焊接工艺评定（PQR）的过程记录证据，证明焊接过程的可控性与一致性。
- AWS D10.9合规：熔宽在线监测数据直接支撑堆焊层熔合比验证，满足AWS D10.9对堆焊质量的可追溯性要求。
- NB/T 47014工艺评定：在国内压力容器行业认证中，该技术提供的过程数据可丰富工艺评定报告，提升评定说服力。
- ISO 3834焊接质量体系：该技术作为焊接过程控制的关键手段，支撑ISO 3834（国际焊接质量要求）体系下"过程控制与记录"条款的合规性。
8.2 产品交付价值
- 质量一致性提升：在线熔宽控制使批量产品中堆焊层几何尺寸的一致性显著优于传统人工焊接，满足高端客户对尺寸精度的严格要求。
- 交付周期缩短：减少焊后检测-返修-再检测的循环，单件产品交付周期缩短15%~25%。
- 过程可追溯：每条焊缝的熔宽数据、工艺参数、时间戳均被记录，形成完整的焊接数字档案，满足核电、石化、航空航天等高端行业的全生命周期追溯要求。
- 减少客户验收风险：在线质量数据可作为交付时的质量证明文件，降低客户现场验收时的争议风险。
8.3 客户价值体现
- 降低全生命周期成本：高质量堆焊层意味着更长的服役寿命和更少的维护更换频率，为客户降低设备全生命周期成本（LCC）。
- 满足苛刻工况要求：精确的熔宽与熔合比控制使堆焊层在极端温度、腐蚀、磨损工况下的可靠性大幅提升。
- 数字化交付：为客户提供焊接过程数字孪生数据，支持客户进行服役性能预测与维护决策优化。
- 差异化竞争力：该技术作为公司的核心智能制造能力，在双金属复合材料制造行业中形成技术壁垒，提升公司在高端市场的竞标能力。
九、技术发展趋势与后续规划
- 多模态融合：融合红外热成像、可见光、电弧声发射（Arc Acoustic Emission）、电弧电压波形等多源数据，提升熔池检测的综合精度与鲁棒性。
- 数字孪生集成：将熔池在线监测数据接入焊接数字孪生平台，实现焊接过程的虚拟仿真与实时映射。
- 大模型赋能：探索利用视觉-语言大模型（Vision-Language Model）实现焊接缺陷的自动分类描述与工艺建议生成。
- 边缘智能部署：将轻量化模型部署至焊接设备端，实现本地化实时推理，降低对云端算力与网络带宽的依赖。
- 跨材料迁移：建立不同材料体系间的模型迁移框架，降低新材料/新工艺开发时的数据采集与模型训练成本。
总结：基于深度学习的TIG焊背部熔池检测与熔宽提取技术，是科雷丁技术在智能焊接领域的重要技术积累。该技术将人工智能与焊接工程深度融合，实现了从"经验驱动"到"数据驱动"的焊接质量控制范式转变，为公司三大技术路线（TIG/MIG堆焊、水压复合、爆炸焊复合）的质量提升与效率优化提供了核心支撑，是公司构建高端双金属复合材料智能制造能力体系的关键一环。