圖 1 用于熔透狀態(tài)分類的多模態(tài)機(jī)器學(xué)習(xí)框架(Fusion-XGBNet)

近日，中科院上海光機(jī)所高端光電裝備部激光智能制造技術(shù)研發(fā)中心楊上陸研究員團(tuán)隊(duì)，在激光焊接過程監(jiān)測(cè)方面取得進(jìn)展，相關(guān)成果以“An explainable multi-modality fusion framework for laser weld penetration classification of Al–Si coated PHS 22MnB5”為題，發(fā)表于Optics & Laser Technology。

隨著高端制造業(yè)對(duì)焊接質(zhì)量與可靠性的要求不斷提升，激光焊接過程中的熔深狀態(tài)監(jiān)測(cè)已成為保障結(jié)構(gòu)安全與服役性能的關(guān)鍵環(huán)節(jié)。然而，傳統(tǒng)依賴單一傳感信號(hào)和人工特征工程的方法，難以全面刻畫焊接過程的復(fù)雜物理行為，限制了在線精準(zhǔn)識(shí)別能力的提升。

針對(duì)上述挑戰(zhàn)，研究團(tuán)隊(duì)構(gòu)建了一套多傳感融合監(jiān)測(cè)平臺(tái)，同步采集焊接過程中的聲信號(hào)、等離子體光譜信號(hào)及熔池圖像信號(hào)，建立了涵蓋四類熔深狀態(tài)的多模態(tài)數(shù)據(jù)集。在此基礎(chǔ)上，創(chuàng)新性提出一種神經(jīng)網(wǎng)絡(luò)(NN)與極端梯度提升(XGBoost)相結(jié)合的混合模型框架(Fusion-XGBNet)。該模型利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)原始多源數(shù)據(jù)的自動(dòng)特征提取與深度融合，并引入XGBoost對(duì)融合特征進(jìn)行高效判別，最終通過自適應(yīng)策略實(shí)現(xiàn)雙模型輸出協(xié)同決策，突破了傳統(tǒng)方法對(duì)人工特征工程的依賴。

圖 2 不同模型在訓(xùn)練集和測(cè)試集上的分類性能

實(shí)驗(yàn)結(jié)果表明，該融合模型在測(cè)試集上取得了95.29%的平均識(shí)別準(zhǔn)確率。同時(shí)，借助Grad-CAM++可視化分析，明確識(shí)別出熔池輪廓區(qū)域及367 nm、437 nm、580 nm、622 nm附近特征光譜對(duì)模型決策具有關(guān)鍵貢獻(xiàn)，顯著增強(qiáng)了模型的可解釋性與工程應(yīng)用可信度。

相關(guān)工作得到了長(zhǎng)安大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)的支持。

審核編輯 黃宇