Monitoring laser welding via coaxial imaging
4.91 MB
avoin
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Lataukset17
Pysyvä osoite
Verkkojulkaisu
DOI
Tiivistelmä
The keyhole stability is a significant challenge in keyhole laser welding. An unstable keyhole is the main contributor to welding defects, such as pores and spatter. The welding defects compromise the weld integrity, leading to unreliable joints. Traditional non-destructive testing (NDT) methods can be used to detect welding defects, but require extra work. Welding process monitoring could possibly eliminate the need for NDT by directly monitoring the keyhole. This thesis proposes a novel method of monitoring keyhole stability: the keyhole contours are extracted from coaxial footage, and the standard deviation is calculated from the data to represent the magnitude of change in the shape of the keyhole. A convolutional neural network (CNN) with the U-net architecture was trained to semantically segment the keyhole from the welding process images. The effect of power on the standard deviation was studied; using this method, it was found that the keyhole is more stable when welding near the optimal parameters.
Avaimenreiän vakaus on merkittävin haaste avaimenreikälaserhitsauksessa. Epävakaa avaimenreikä on keskeinen syy hitsausvirheisiin, kuten huokosiin ja roiskeisiin. Nämä virheet heikentävät hitsin eheyttä ja johtavat epäluotettaviin liitoksiin. Perinteisiä rikkomattomia aineenkoetusmenetelmiä (NDT) voidaan käyttää virheiden havaitsemiseen, mutta ne vaativat lisätyötä. Hitsausprosessin valvonta voisi mahdollisesti poistaa NDT:n tarpeen; avaimenreikää voitaisiin valvoa suoraan. Tässä opinnäytetyössä esitetään uusi menetelmä avaimenreiän vakauden valvontaan: avaimenreiän ääriviivat erotetaan koaksiaalisesta kuvamateriaalista, ja aineistosta lasketaan keskihajonta kuvaamaan avaimenreiän muodon muutosten suuruutta. Konvoluutioneuroverkko (CNN), joka perustuu U-net-arkkitehtuuriin, koulutettiin segmentoimaan avaimenreikä semanttisesti hitsausprosessin kuvista. Tehon vaikutusta keskihajontaan tutkittiin, ja tämän menetelmän avulla havaittiin, että avaimenreikä on vakaampi, kun hitsataan lähellä optimaalisia parametreja.