工业4.0的兴起加速了智能制造的采用,其中机器人焊接发挥了关键作用。机器人焊接是智能制造的重要组成部分,已成为提高生产效率和焊接质量的关键因素[1]。由于冷金属转移(CMT)焊接技术的优势,如低热输入和异常稳定的电弧特性,它已被应用于汽车工业、航空航天工业和造船工业等多个领域[[2], [3], [4], [5]]。
CMT焊接是在电信号周期控制下的间歇性送丝和液滴形成过程。除了简单的焊接外,这一过程也是电弧增材制造(WAAM)多层沉积的基石。在多道次焊接和WAAM中,一个关键问题出现了:实际沉积路径与预编程轨迹发生偏差。这种偏差主要是由于连续沉积过程中的累积热变形引起的,导致工件严重变形[6]。在WAAM中,这个问题尤为严重,因为涉及大量层次,即使每层的微小误差也会累积,导致最终组件的几何精度严重失真。因此,使机器人系统能够自主感知并实时纠正这种偏差是智能焊接和增材制造中的关键研究挑战[7]。在本研究中,焊接偏移被定义为实际沉积焊缝中心线与预定义编程轨迹之间的横向偏差,该偏差垂直于焊接行进方向测量。它以毫米为单位的欧几里得距离表示,即焊缝中心线与理想路径上对应点之间的距离。
实时焊接过程监测主要通过视觉、声学和电压传感技术实现,其中视觉传感成为焊接质量评估的主要方式。这是由于其非接触操作、高精度、丰富的信息容量和强大的抗干扰能力[[8], [9], [10]]。视觉传感器根据是否需要辅助照明分为主动式和被动式系统。被动式视觉系统利用环境和电弧光,由于成本效益高、操作简单以及实时成像性能好而受到重视[[11], [12], [13]]。例如,结合850纳米高通滤光片和660纳米带通滤光片的多光谱被动成像系统已被证明可以捕获高清晰度的熔池图像,并具有增强的信噪比[14]。双摄像头配置进一步实现了对前后焊缝的同时监测,通过深度学习增强的图像处理实现了96.35%的准确率[15]。还开发了先进的三光束视觉架构,能够在单个成像帧内获取多方向熔池数据[16]。
传统的焊接状态控制策略依赖于简化的1D或2D熔池表面特征。然而,这些方法对于多道次焊接场景来说是不够的,因为在这些场景中,累积的热应力、微观结构演变和复杂的流体动力学需要全面的三维熔池表征。熔池分析的3D重建技术大致分为结构光投影、基于阴影的形状恢复(SFS)和双目立体视觉方法[17]。结合偏振3D重建和线性激光成像的结构光系统通过激光条纹坐标分析实现了0.25毫米的定位精度[18],但其工业应用受到设备复杂性和严格校准要求的限制。基于单目SFS的方法实现了被动3D表面重建,但存在计算强度和环境敏感性的问题[19]。最近在被动立体视觉方面的进展包括带有金字塔立体匹配网络的双棱镜增强系统,实现了99.7%的穿透检测精度[20],以及优化了双目配置,减少了电弧干扰,表面重建误差小于6.0%[21]。虽然被动3D重建在成本效益和适应性方面优于主动方法,但其性能仍易受环境光变化和图像噪声的影响。
支持向量回归(SVR)由于其在高维空间处理和泛化能力方面的出色表现而被广泛用于焊接质量检测[[22], [23], [24], [25]]。比较研究表明,当与网格搜索优化结合使用时,SVR在检测背面焊缝宽度方面能够达到与多层感知器网络相当的准确率[26]。该算法在多种焊接应用中也表现出有效性,包括检测接头的抗拉强度[27]和建模不同金属焊接中的残余应力[28]。最近的扩展包括参数驱动的激光焊接质量检测模型,其性能优于人工神经网络和高斯过程回归器[29]。尽管取得了这些进展,但SVR在多道次焊接中的动态焊接偏移检测应用仍较少探索,特别是在需要融合时空熔池特征的场景中。
因此,为了检测CMT多道次焊接中的焊接偏移,本文提出了一种基于被动双目视觉的多特征LLE-SVR焊接偏移检测方法。主要贡献包括:(1)用于稳健边缘检测的混合Canny-Sobel算法;(2)来自被动双目视觉的深度和流动特征的新颖融合;(3)用于多道次焊接偏移检测的优化LLE-SVR模型。第2节介绍了被动双目视觉系统和实验设置。第3节描述了所提出的方法,包括特征提取、降维和LLE-SVR检测模型。第4节展示了实验结果和分析。第5节总结了本文并讨论了未来的研究方向。