焊接熔池监控在构架自动化焊接的应用研究

焊接熔池监控在构架自动化焊接的应用研究

成传林  周磊

 中车株洲电力机车有限公司  湖南 株洲 412001

摘  要：本文主要阐述了自动焊焊接熔池监控的原理和优缺点，对自动焊焊接熔池监控的应用现状及可行性进行了分析，最终展望了焊接熔池监控在轨道行业的应用前景。

关键词：焊接熔池监控，自动焊，轨道行业

中图分类号：TG391        文献标志码：A

0 前言

随着我国《中国制造2025》战略实施，焊接制造领域经过“两化”融合的推动，正朝着数字化、信息化、智能化制造转型，进而使焊接制造过程中的信息需求量显著增加[1-2]。焊接智能制造是指在焊接过程中对相应的机器设备进行智能化的升级改造，使之能够对焊接过程中各种信息进行采集和分析，进而对焊接过程进行控制，以期获得高质量、高品质的焊接产品[3]。现阶段焊接智能化的应用主要体现在以下几个方面：焊接制造过程的图像视觉检测，焊接熔池成型质量的智能控制，焊缝跟踪监控，焊接质量在线检测，焊接远程控制和管理以及智能焊接机器人等。

自2015年中车株机启动智能制造以来，车轮加工智能化、车轴加工智能化、构架自动拼装、自动焊接及转向架智能化总装等均得到了长足的进步，智能制造技术的应用也带动公司获得了诸如“首批成熟度4级”、“中国质量协会一等奖”、“中车科技成果特等奖”等殊荣，尽管如此，在智能制造逐步深入推进的阶段，仍有一些瓶颈技术急需攻关，其中在轨道行业焊接领域的焊接过程监测技术亟待进一步开发与扩展。

基于以上情况，研究轨道行业焊接过程监测技术就显得尤为重要，可以有效发现焊接过程中的缺陷和异常，及时进行处理，有利于提升构架整体焊接质量。

1焊接熔池监控研究现状

随着智能焊接制造技术的快速发展，焊接区域的清晰图像获取已经成为智能机器人焊接的关键技术[4]。然而，在焊接领域，焊接工件复杂，焊接过程弧光和飞溅等干扰强烈,常常导致视觉传感器亮度饱和，难以获取同时包含焊枪、焊缝、熔池、激光条纹等信息的清晰图像，其主要原因有：

（1）视觉传感器的动态范围有限；

（2）焊接区域附近强烈的弧光、飞溅等干扰；

（3）焊接动态过程造成的运动目标模糊。

在焊接过程中，传统的工业相机在熔池、焊枪、弧光等亮度极高区域由于过曝光而呈现一片白色，淹没熔池、焊枪等特征信息，在焊接工件表面和焊缝处由于欠曝光而呈现一片黑暗，丢失了焊缝区域的轮廓和纹理信息，导致目前许多焊缝特征提取方法可靠性低。为了解决由于曝光饱和带来的焊接区域信息损失问题，常规的解决办法要么增大曝光时间，要么降低曝光时间，但是依旧不能获取包含丰富焊接区域信息的图像。近年来，许多学者已经尝试利用各种方法进行焊接区域信息特征提取，包括焊缝特征、熔池特征、特征融合等，然后用于指导焊缝跟踪或质量监控等实际焊接应用中，从而推动了智能焊接制造技术的快速发展。熔池视觉传感一般分为主动光源视觉传感和被动光源视觉传感。主动光源视觉传感是指利用外加强光源或是瞬间强光源来抑制电弧光干扰，将熔池的反射光作为信号源的一种视觉传感方式；被动光源视觉传感是指利用熔池自身的辐射光或熔池对电弧的反射光或两者兼而有之作为接收器件信号源的一种视觉传感方式[5]

Nayak等[6]详细的阐述了焊接自动化领域中的焊缝跟踪理论，并设计了一种基于激光视觉系统来实现电弧焊接自动化。然而，所提出的方法受到曝光时间、帧率和焊接环境变化的影响。Dinham等[7]提出了一种使用计算机视觉自动识别和定位工业机器人焊接中焊缝的方法，并克服了实际中对比度差、无纹理、强反射和表面缺陷等因素。Lahdenoja等[8]通过开发使用紧凑型智能相机系统，利用动态图像强度压缩，图像分割、霍夫变换等方法，采用自适应图像捕捉技术进行焊缝跟踪，实现了高功率激光焊接工艺的实时微调。Chen等[9]提出熔池宽度特征是监测焊接状态的重要手段，首先采用高速红外摄像机在激光焊接过程中捕获熔池及其周围环境的红外图像，并基于傅立叶变换的改进同态滤波算法提取熔池宽度，以分析熔池的红外图像特征，准确反映了大功率光纤激光焊接过程的状态。Liu等[10]也指出熔池视觉感测是自动化电弧焊接工艺的中心任务之一，并提出一种熔池边界先验的主动轮廓方法，通过应用Adaboost算法获取相关特征信息，克服了高强度弧光和飞溅物的强烈干扰，并很好的实现了熔池跟踪。Wang[11]提出了一种熔化极气体保护焊（GMAW）熔池监控系统，通过准确分割和识别反射激光线，并精确计算世界坐标系中成像激光线的方程来估计熔池形状，实现了基于视觉特性的高动态焊区图像清晰化与信息融合研究熔池几何形状的实时监控；Gao[12]提出了一种基于熔池图像质心算法，通过设计一个非线性神经网络来分析质心特征，克服了由于强烈的电弧扰动导致的难以准确地检测与熔池相邻的焊接位置，与直接检测焊接位置相比，提高了实时跟踪焊缝的准确性，确保了良好的焊接质量。

Wang[13]提出了一种新颖的成像和测量系统，利用激光的强穿透性，避免了电弧光的干扰，并通过一次结构化的光投影重建出三维熔池表面，稳健测量出强弧光和镜面反射的熔池表面信息，有助于了解复杂的焊接工艺，并为智能机器人焊接提供信息反馈。

以上的文献仅能获得单一特征的数据信息，如何获取清晰的焊接图形以及实现高动态焊区信息融合未能取得有效的进展。为了能够表示更大的亮度范围和更丰富的细节信息，高动态范围成像(HDR imaging)技术应运而生，并广泛应用于模式识别、智能交通系统、遥感遥测等众多领域。

图1 两种主要的HDR图像合成方法

Liu等[14]提出了一种高动态范围红外图像细节增强和降噪的方法，主要是应用引导图像滤波器首先平滑输入图像，并将图像分离为基本组件和细节组件，由于引导图像滤波器使用局部线性模型，因此呈现出较好的HDR图像效果；Liu 等[15]又提出一种新的高动态范围图像增强算法，该算法使用引导图像过滤器分离图像，单独进行处理细节层以及基础层，实现 HDR 图像增强；Kou 等[16]提出了一种基于梯度域的引导图像滤波(GGIF)，主要是建立一个边缘保持金字塔，控制多尺度图像中 GGIF 系数，实现多尺度多曝光图像融合，其融合细节保持较好。

2 焊接熔池监控在构架焊接应用可行性

    近几年轨道车辆企业构架焊接已经基本实现自动化焊接，即采用焊接机器人进行自动焊焊接，但是在实际焊接作业过程中由于地坑、围栏等障碍物操作者不能近距离的观察熔池，因此焊接熔池监控技术的引入尤为重要。熔池监控对构架焊接有以下优势和缺点：

2.1 优势

1）使用焊接熔池监控意味着不需要操作者在焊接电弧旁边，这具有很好的职业健康和安全优势。有害的环境，例如触电、焊接烟尘吸入、红眼病（焊工眼睛直接观察电弧）、接触到焊接飞溅、以及被移动或者掉落的物体伤害。上述这些是现场工作岗位上常见的危险，如果将操作者（焊工）从焊接电弧附近挪开，则可以避免这些伤害。

2）操作者能够清晰地观察到焊丝的端部，以及周边的环境。包括焊丝端部相对于焊缝的位置，填充焊丝的位置，焊丝高度，电弧的尺寸范围，焊丝的高度，电弧的热输入以及其它参数，都可以通过使用熔池监控系统观察焊接区域来监视。

图2 熔池监控系统熔池截图

3）在控制台旁边就能远距离的观察焊接区域，监视整个装配过程，可以有效的降低工件的夹具装配时间。

4）使用焊接熔池监控系统，在焊接过程中燃弧时间增加，操作者不需要频繁停止焊接过程来调整焊接状态，例如重新设定焊丝干伸长和焊枪的位置。可以降低废品率，在线实时监视焊接过程，能够在缺陷即将发生时就及时发现，操作者可以立即做出调整，从而降低工件返修报废的风险。

5）实时验证：焊接熔池监控系统能够让操作者很快地确认在焊接过程中的故障原因。例如是否是焊缝掺入杂质，工件不对齐，气体流量不合适，或者熔池尺寸形状不合适。

6）记录焊接视频素材。通过相机获取焊接操作的实时图像，焊接过程被记录、存储、离线回放，可以积累视频素材用于新员工培训、校对每个操作者的焊接错误所在。对于验证和改进焊接过程而言，视频记录也是必须的。这使得离线分析焊接过程成为可能，并找到焊接过程不正常的原因。也可以用于培训新来的操作者。

7）多台相机可以组网，通过网络或者光纤远程实现中控室集中监控。

2.2 缺点

1）在现有自动化产线自动化设备基础上进行改造集成有一定难度；

2）现有焊缝熔池观测系统对狭小空间焊缝仍存在一定的局限性，焊缝检测覆盖率会有一定的影响；

3）对于结构复杂的工件，熔池观测系统的相机等设备部件可能与工件存在干涉，针对平直焊缝适用性较高，但是针对构架梁体内部焊缝等存在一定的局限性。

目前构架侧梁主焊缝自动焊焊接和构架框架焊缝自动焊焊接适用于焊接熔池监控技术，主要由于以上两类部件的焊缝大多属于平直类焊缝，此外焊枪与工件之间的空间位置足够，可以满足熔池监控技术应用的要求。

3展望

焊接熔池监控技术的应用日趋成熟，再加上各种计算机算法和信息集成技术的发展，使用焊接熔池监控及自动焊数据收集分析等必定将成为一种趋势，尤其现在智能机器人焊接技术的应用也将带动熔池监控技术的发展，虽然现在焊接熔池监控在构架焊接上进行了初步的应用，但仍存在一定的局限性，希望后续在焊接数据统计、分析以及实时监控上进行深度挖掘和发展。

参考文献

[1] Xu Y, Wang Z. Visual sensing technologies in robotic welding: Recent research developments and future interests[J].Sensors and Actuators A: Physical,2021,320: 112551.

[2] Dung C V, Sekiya H, Hirano S, et al. A vision-based method for crack detection in gusset plate welded joints of steel bridges using deep convolutional neural networks[J].Automation in Construction,2019,102: 217-229.

[3]  陈健,  苏金花,  张毅梅.  《中国制造 2025》与先进焊接工艺及装备发展[J].  焊接, 2016(3): 1-5.

[4] Kah P, Shrestha M, Hiltunen E, et al. Robotic arc welding sensors and programming in industrial applications[J]. International Journal of Mechanical & Materials Engineering, 2015, 10(1): 13.

[5] 汤新臣, 郭国林, 虞剑, 等. 光学传感技术在熔池信息检测中的应用[J]. 机械制造与自动化, 2003(6):62-65.

[6] Nayak N R, Asok R. Intelligent seam tracking for robotic welding[M]. Springer  Science & Business Media, 2013.

[7] Dinham M, Fang G. Autonomous weld seam identification and localisation  using eye-in-handstereovisionfor robotic arc welding[J].Roboticsand Computer-Integrated Manufacturing, 2013, 29(5): 288–301.

[8] Lahdenoja O, Säntti T, Laiho M, et al. Seam tracking with adaptive image capture for fine-tuning of a high power laser welding process[C]. Seventh International Conference on Machine Vision, 2015, 9445: 94451V.

[9] Chen Z, Gao X. Detection of weld pool width using infrared imaging during  high-power fiber laser welding of type 304 austenitic stainless steel[J]. The  International Journal of Advanced Manufacturing Technology, 2014, 74(9-12): 1247-1254.

[10] Liu J, Fan Z, Olsen S I, et al. Boosting Active Contours for Weld Pool Visual  Tracking in Automatic Arc Welding[J]. IEEE Transactions on Automation Science  and Engineering, 2017, 14(2): 1096-1108.

[11] Wang  Z  Z.  Monitoring  of  GMAW  weld  pool  from  the  reflected  laser  lines  for  real-Time control[J]. IEEE Transactions on industrial informatics, 2014, 10(4): 2073-2083.

[12] Gao X, Ding D, Bai T, et al. Weld-pool image centroid algorithm for seam-tracking vision model in arc-welding process[J]. Iet Image Processing, 2009, 5(5): 410-419.

[13] Wang Z. An Imaging and Measurement System for Robust Reconstruction of Weld Pool During Arc Welding[J]. IEEE Transactions on Industrial Electronics, 2015, 62(8): 5109-5118.

[14] Liu N, Zhao D. Detail enhancement for high-dynamic-range infrared images  based on guided image filter[J]. Infrared Physics & Technology, 2014, 67: 138-147.

[15] Liu N, Zhang Y, Xie J, et al. A novel high dynamic range image enhancement algorithm based on guided image filter[J]. Optik-International Journal for Light and Electron Optics, 2015, 126(23): 4581-4585.

[16] Kou F, Li Z, Wen C, et al. Multi-scale exposure fusion via gradient domain  guided image filtering[C]. IEEE International Conference on Multimedia and Expo, 2017: 1105-1110.