面向焊接过程的基于深度学习的在线质量预测系统

制造过程的数字化为机器学习辅助质量保证带来了前景广阔的应用。可大幅受益于数据驱动解决方案的广泛使用的制造工艺是气体保护金属极电弧焊（GMAW）。该焊接过程的特征在于材料属性、工艺条件与焊缝质量之间复杂的因果关系。在工艺参数频繁变化的非实验室环境中，通过破坏性测试准确判定焊缝质量在经济上不可行。深度学习具备从可用工艺数据中识别关系并依据工艺观测预测焊缝质量的潜力。本文中，我们提出一种基于深度学习的 GMAW 预测质量系统概念。该概念核心包含由四个主要阶段组成的流水线：多传感器数据（如电流和电压）的采集与管理、通过自编码器对时间序列数据进行实时处理与特征工程、训练并部署适用于质量预测的循环深度学习模型，以及利用持续学习在变化的工艺条件下实现模型演化。该概念为未来研究活动奠定基础，我们将在其中实现面向运行生产的在线预测质量系统。