文/白天翔，德擎光學(xué)

激光焊接具有熱輸入小、精度高、速度快等特性，是精密制造的關(guān)鍵工藝。也正是由于激光焊接具備高精密特性，因此微小的過程異常也可能造成質(zhì)量缺陷。

德擎光學(xué)研發(fā)團(tuán)隊2024年發(fā)布 AI 技術(shù)與光電檢測深度融合的專利檢測技術(shù)，并且在真實產(chǎn)線上測試、驗證，嘗試突破傳統(tǒng)檢測瓶頸，現(xiàn)已實現(xiàn)更高效、更精準(zhǔn)的質(zhì)量控制。

傳統(tǒng)焊接檢測痛點

激光焊接涉及復(fù)雜的物理冶金過程，如熔池動態(tài)、熱積累、晶粒生長等，焊接過程中易產(chǎn)生氣孔、裂紋、翹曲變形等缺陷。

由于激光焊接過程呈現(xiàn)明顯的多光譜輻射特性，可見光波段表征金屬蒸汽噴發(fā)量和飛濺程度，反射激光表征工件對激光的吸收情況，近紅外波段則反映熔池的溫度波動情況。所以激光焊接在線檢測的主流方案是光電探測：通過實時監(jiān)測焊接過程中產(chǎn)生的光輻射，并將光輻射轉(zhuǎn)化為電信號，再對電信號進(jìn)行實時分析與異常識別，及時發(fā)出告警，從而輔助實現(xiàn)過程干預(yù)與質(zhì)量控制，降低缺陷發(fā)生率。

圖1：激光焊接在線檢測主流方案的光電探測原理。

傳統(tǒng)的光電探測對焊接過程的檢測算法，一般是通過比對當(dāng)前焊接信號與正常信號生成的基準(zhǔn)，提取差異并計算如信號的波動極限、平均偏移量、方差等信號特征，然后依據(jù)是否超出設(shè)定閾值范圍進(jìn)行缺陷檢出。實際應(yīng)用中，由于檢測系統(tǒng)的準(zhǔn)確性依賴于特征選取、以及每個特征的閾值設(shè)定范圍，因此在激光加工檢測應(yīng)用場景中，需要不斷根據(jù)NG工件的信號特點來新增提取的特征。

為了保證所有的NG工件都能被檢出，人為劃定的特征閾值范圍會相對較窄。該檢測方式的優(yōu)勢是初期僅需少量數(shù)據(jù)便可建立基準(zhǔn)設(shè)定閾值，便于快速部署。但劣勢也很明顯——檢測精度和效率都高度依賴人工經(jīng)驗，無法如計算機一樣遍歷所有特征閾值范圍組合，導(dǎo)致一定比例的OK工件被誤判為NG工件（即“過殺”）。

德擎光學(xué)的解題思路：自動調(diào)參+AI融合檢測

為了克服因依賴人工經(jīng)驗而產(chǎn)生的不穩(wěn)定性，有效降低“過殺率”，德擎光學(xué)團(tuán)隊通過AI技術(shù)將現(xiàn)有檢測流程進(jìn)一步優(yōu)化，實現(xiàn)了基于AI的自動參數(shù)調(diào)節(jié)。只需要導(dǎo)入與人工調(diào)參相同的少量OK和NG信號樣本，AI自動調(diào)參即可通過數(shù)據(jù)驅(qū)動的算法，分析各個信號特征的重要性以及對判定結(jié)果的貢獻(xiàn)度，結(jié)合預(yù)先訓(xùn)練的工藝庫模型，得出最優(yōu)的閾值范圍組合。該組合能在確保零“漏殺”的前提下，實現(xiàn)最小化“過殺”的結(jié)果。

而針對自動調(diào)參下已最小化的“過殺率”，德擎光學(xué)研發(fā)團(tuán)隊為了進(jìn)一步提升檢測準(zhǔn)確率，采用了基于深度學(xué)習(xí)的AI檢測模型，實現(xiàn)傳統(tǒng)算法與AI算法融合檢測。

采用深度學(xué)習(xí)進(jìn)一步將“過殺率”降低50%

雖然傳統(tǒng)檢測算法采用人工設(shè)計的特征，可以區(qū)分絕大部分OK和NG信號，但對于波形相近的樣品卻無能為力。德擎光學(xué)研發(fā)團(tuán)隊采用了基于深度學(xué)習(xí)的端到端模型，進(jìn)一步提升檢測的準(zhǔn)確率。

根據(jù)真實產(chǎn)線的數(shù)據(jù)統(tǒng)計，AI 融合檢測有效降低了 50% 的“過殺”，大幅提升了精密制造產(chǎn)線的檢測精準(zhǔn)度，減少工件浪費，提升生產(chǎn)效率。

圖2：德擎光學(xué)AI融合檢測有效降低了 50%的“過殺”。

（1）鉆研真實產(chǎn)線的缺陷數(shù)據(jù)

德擎光學(xué)研發(fā)團(tuán)隊基于自研的焊接缺陷檢測系統(tǒng) WDD（Welding Defect Detection）在真實產(chǎn)線在線采集的加工結(jié)果，構(gòu)建了高覆蓋、高標(biāo)簽質(zhì)量的產(chǎn)線數(shù)據(jù)集，并以此訓(xùn)練出一個“取于產(chǎn)線，用于產(chǎn)線”的智能檢測系統(tǒng)。在實際應(yīng)用中，NG數(shù)據(jù)樣本往往難以獲得，而德擎光學(xué)團(tuán)隊得益于多年來對激光焊接機理的深入研究，以及對產(chǎn)線NG信號關(guān)聯(lián)的故障模式分析，利用函數(shù)擬合方式構(gòu)造模擬缺陷信號，實現(xiàn)僅需要至少50個NG樣本，生成超過50,000個模擬NG樣本的數(shù)據(jù)增強算法，解決了AI模型訓(xùn)練的數(shù)據(jù)不平衡問題。

（2）訓(xùn)練機器學(xué)習(xí)模型

依據(jù)以上產(chǎn)線數(shù)據(jù)與深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)設(shè)計思路，德擎光學(xué)團(tuán)隊構(gòu)建了一個面向焊接缺陷檢測的預(yù)訓(xùn)練AI模型。其模型框架靈活，可拓展包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、隨機森林（RF）、支持向量機（SVM）等多種算法結(jié)構(gòu)。

得到預(yù)訓(xùn)練模型后，德擎團(tuán)隊?wèi)?yīng)用真實產(chǎn)線NG數(shù)據(jù)對模型進(jìn)行多輪微調(diào)，使其學(xué)習(xí)得到的缺陷分布貼近實際工況下的缺陷分布，最終得到一個微調(diào)子模型；重復(fù)這一步，則得到多個微調(diào)子模型，隨后采用集成模型方法，將多個微調(diào)子模型集成為統(tǒng)一的機器學(xué)習(xí)模型。該模型經(jīng)多輪驗證，已具備穩(wěn)定判定數(shù)據(jù)符合性的能力，可直接應(yīng)用于產(chǎn)線部署。

經(jīng)過訓(xùn)練后，AI選取WDD在線監(jiān)測的NG結(jié)果，進(jìn)行智能再判，更新判定結(jié)果提升判定準(zhǔn)確性。至此，AI模型成功應(yīng)用于激光加工過程的缺陷檢測，輸出缺陷判定結(jié)果（OK/NG）、缺陷類型及工藝改進(jìn)措施。

圖3：德擎光學(xué)AI降“過殺”機制。

（3）傳統(tǒng)算法與AI算法融合

通過將現(xiàn)有多光譜光學(xué)檢測算法與AI 檢測算法之間進(jìn)行融合，德擎光學(xué)實現(xiàn)了在“零漏殺”條件下降低“過殺”數(shù)，大幅節(jié)省生產(chǎn)成本。

對于每一個工件而言，先使用傳統(tǒng)算法對其進(jìn)行初步判定，當(dāng)傳統(tǒng)算法對其判定為OK，則不進(jìn)行下一步判斷，使用傳統(tǒng)算法的結(jié)果作為最終結(jié)果；當(dāng)傳統(tǒng)算法對其判定為NG，則進(jìn)入AI 檢測流程進(jìn)行復(fù)判，使用AI 檢測結(jié)果作為最終結(jié)果。傳統(tǒng)算法具有快速部署的優(yōu)勢，其初步判定結(jié)果可有效提高AI檢測模型訓(xùn)練數(shù)據(jù)的收集效率；隨著AI檢測模型訓(xùn)練完成，則可運用其精準(zhǔn)的判別能力進(jìn)一步降低“過殺率”。

圖4：德擎光學(xué)AI降“過殺”效果圖。

在WDD+AI融合檢測以外，德擎光學(xué)還在探索基于AI的多傳感器檢測技術(shù)，將焊前控制、焊中監(jiān)測、焊后測量等環(huán)節(jié)的傳感器數(shù)據(jù)均接入AI服務(wù)器，通過模型訓(xùn)練實現(xiàn)自動故障診斷。德擎光學(xué)激光焦點測量儀 LFS（Laser Focus Sensor）、激光功率監(jiān)測儀 LPM（Laser Power Monitor）、激光焊接過程熔深測量儀 WDM（Welding Depth Measurement）、光學(xué)斷層掃描測量儀 OTS（Optical Tomography Scanner）等產(chǎn)品，都將在AI融合檢測的賦能下，為客戶提供更加高效且精準(zhǔn)的質(zhì)量檢測數(shù)據(jù)。

未來，德擎光學(xué)將與更多客戶開展聯(lián)合研發(fā)，進(jìn)一步提升AI自動故障診斷的功能表現(xiàn)，并通過數(shù)字孿生技術(shù)實現(xiàn)工藝參數(shù)的實時閉環(huán)優(yōu)化。隨著這套系統(tǒng)在3C電子、動力電池等領(lǐng)域的快速滲透，中國智造正在激光焊接領(lǐng)域樹立起新的質(zhì)量檢測標(biāo)桿。