CN119426794A 一种基于oct匙孔深度测量的激光焊飞溅实时识别方法 （泰尔智慧(上海)激光科技有限公司）

一种基于OCT匙孔深度测量的激光焊飞溅实本发明公开了一种基于OCT匙孔深度测量的测量的匙孔深度数据采集及数据集构建和步骤本发明通过将SD_OCT测量技术与基于1DCNN_BiLSTM飞溅缺陷识别的复合深度学习模型相结合，采用Dropout技术与自适应矩估计防止模型练好的1DCNN_BiLSTM飞溅缺陷识别模型能够对干预，实现对激光焊接飞溅缺陷的快速准确识21.一种基于OCT匙孔深度测量的激光焊飞溅实时识别方法，其特征在于，包括如下步S1.1、获取一系列不同激光功率下激光焊接工艺试验中能够反映匙孔深度变化的OCT测量数据，其中，所述OCT测量数据通过谱域OCT技术将OCT测量光束与激光束同轴测量得S2.1、将构建的所述匙孔深度_飞溅状态数据集按照设定比例随机分为训练样本和测数组合，同时得到所述复合深度学习模型的四个指标：准确率(Accuracy)、精确率2.根据权利要求1所述的方法，其特征在于，所述过搭建基于谱域OCT的激光焊接匙孔深度在线3试验为一系列不同激光功率下铝合金激光焊接工4[0001]本发明涉及激光焊接技术领域，具体涉及基于一种基于OCT匙孔深度测量的激光[0002]激光在焊接技术上因其高能量密度、精确控制和快速加工能力而受到广泛应[0003]近年来兴起的一种高分辨率光学相干层析成像(OCT)技术，可在焊接过程中让测[0004]针对背景技术中存在的技术问题，本发明提供了一种基于OCT匙孔深度测量的激[0005]根据本申请的一个方面，提供了一种基于OCT匙孔深度测量的激光焊飞溅实时识5TPE算法对模型进行超参数优化，在采样阶段新的超参数通过最大化EI(Expected[0015]S2.6、将已经训练好的1DCNN_BiLSTM飞溅缺陷识别模型对测试样本数据进行预[0020]进一步地，所述匙孔深度_飞溅状态数据集按照7：3随机分为训练样本和测试样[0024]相对于现有技术，本发明提供的一种基于OCT匙孔深度测量的激光焊飞溅实时识6[0025](1)本发明搭建基于谱域OCT的激光焊接匙孔深度在线测量系统，利用谱域OCT[0026](2)本发明通过结合匙孔深度特征和深度学习模型，提出了一种面向激光焊接过程的1DCNN_BiLSTM飞溅定量评价模型实现对焊接飞溅缺陷的在线预测，相比于传统方法，[0027](3)本发明构建的1DCNN_BiLSTM飞溅缺陷识别的复合深度学习模型，与SD_OCT测[0030]图3是本发明中匙孔深度数据波动特征与飞溅关系以及不同飞溅状态的焊缝表面[0034]如附图所示，本发明提供了一种基于OCT匙孔深度测量的激光焊飞溅实时识别方[0036]获取一系列不同激光功率下激光焊接工艺试验中能够反映匙孔深度变化的OCT测[0038]利用低相干光源SLD发出宽谱光源经过光纤耦合器分成两个光束，光束1(参考光7[0042]图3为匙孔深度数据波动特征与飞溅关系以及不同飞溅状态的焊缝表面示意图，焊缝采集数据量为400个，将OCT测量数据以是否存在飞溅缺陷为评价指标构建匙孔深度_[0044]建立1DCNN_BiLSTM复合深度学习模型，通过匙孔深度_飞溅状态数据集中的训练[0048]图4示出了1DCNN_BiLSTM飞溅缺陷识别模型架构，模型先经过一维卷积层对匙孔8[0051]图5示出了基于TPE算法优化模型的激光焊接飞溅缺陷识别方法，TPE算法是将贝[0058]TPE算法通过对已有数据点进行平滑处理来实现在建模阶段通过已有的评估结果来构建概率模型，分别建立了当x属于更好结果的超参数时的概率密度函数ita),以及当x属于较差结果的超参数时的概率密度函数在采样阶段新的超参数通过最大化EI9