面向非标焊接产线的多源传感器融合与熔透状态边缘智能识别

 非标焊接产线中，工件装夹偏差、坡口不一致、散热条件变化等因素导致焊接熔透状态难以稳定控制。单一传感器（如视觉、光谱或声发射）无法同时兼顾感知维度与实时性。本文提出一种基于多源传感器融合与边缘智能的熔透状态识别方法。首先设计焊接过程多源感知阵列，同步采集熔池红外图像、电弧光谱、焊接电流电压及背部熔宽视觉信号；其次在边缘计算节点上部署轻量化时序融合网络，将异源异构数据对齐并提取时空特征；最后通过量化熔透状态类别（未熔透、适中、过熔透）输出调控建议。在某非标箱体焊接产线中的实验表明，该方法以30Hz帧率实现熔透识别准确率93.7%，端到端延迟低于50ms，比传统将数据上传云端的方案延迟降低两个数量级，为闭环自适应焊接提供了可靠的感知基础。

1. 引言

焊接是制造业中的关键连接工艺。在非标焊接产线中，工件往往为小批量、多品种，坡口形状、板材厚度、散热边界存在显著差异。以保证熔透质量——即焊缝全厚度完全熔化而不烧穿——为目标的实时监控一直是焊接自动化的核心难题。

传统的焊接质量监控方法主要依赖焊后检测（如X射线、超声），无法实时纠正缺陷。在线监控方面，单一传感器各有局限：视觉（熔池图像）易受弧光、飞溅干扰；光谱信号可反映元素激发态但缺乏空间信息；电弧电信号采样率高但易被随机噪声淹没。多源融合虽被广泛认为是解决之道，但在非标产线上面临特殊挑战：第一，传感器安装位置受限于焊枪可达性，观测角度不理想；第二，不同传感器的采样频率和延迟特性差异大，时间对齐困难；第三，产线环境恶劣，昂贵且复杂的计算设备难以部署。

边缘智能（Edge Intelligence）的兴起为上述问题提供了新思路：在焊接现场附近部署高性能嵌入式平台（如NVIDIA Jetson或TDA4），数据在本地进行处理和推理，仅将必要的诊断结果或报警上传至云端。这既保证了实时性，也避免了海量视频流对产线网络的冲击。

本文的核心贡献包括：设计面向非标焊接的多源传感器同步采集方案；提出一种轻量化时序融合网络，可在边缘设备上以实时帧率运行；通过背部熔宽图像作为“准真实标签”，训练出高精度的熔透分类模型。该模型可在不停机情况下持续预测熔透状态，并与焊接电源联动进行热输入微调。

2. 焊接过程感知特性与传感器选型

2.1 熔透状态的电弧物理表征

熔透程度本质上是熔池底部液态金属流动以及母材完全熔化的状态。从能量角度而言，当焊接热输入足够使根部间隙完全填充并形成均匀背面焊道时，即为适中熔透。从传感角度，下述信号与熔透具有强相关性：

• 熔池红外辐射：熔透良好时熔池面积增大、温度分布更均匀，红外图像中高温区域扩大。
• 光谱线强度比：特定谱线（如Fe I：538.3nm与Fe I：427.1nm）的强度比与电子温度相关，进而关联熔透。
• 背部熔宽：直接观测焊缝背面宽度的最可靠指标，但安装受限且只能用于有背部空间的工况。

2.2 多源传感器阵列设计

我们设计了一套紧凑的多源感知头，固定于焊枪后方约50mm处，包括：

• 红外相机（波段8-14μm，分辨率160×120，帧率50Hz），配备窄带滤光片抑制弧光。
• 微型光纤光谱仪（采样率1kHz，检测波段200-900nm）。
• 霍尔电流传感器与分压式电压传感器，采样率10kHz，与焊接电源输出同步。
• （可选）背部辅助相机，仅用于离线标定模型。

所有传感器通过时钟同步触发器（PPS信号）进行硬件校时，确保时间戳误差<1ms。

3. 多源数据融合与边缘识别架构

3.1 数据预处理与对齐

来自不同传感器的数据在采样率和物理维度上不匹配。我们实现以下对齐策略：

• 降采样与滑窗: 光谱数据每20ms（对应50Hz）计算一次平均谱线强度，并与50Hz的红外图像对齐。电流电压每200μs采样，提取每个熔池图像帧周期内的RMS、能量、变化率等统计特征，作为补充通道。
• 空间对齐: 红外图像中的熔池区域通过预先标定的透视变换映射到焊枪坐标系。

最终每个时间步$t$的输入特征向量$\mathbf{x}_t$包含：红外图像下采样后的16×16灰度矩阵、光谱特征（6个选定波段的强度比及归一化强度）、电特征（电流RMS、电压均值、短路频率等）。总计约(256+6+15)=277维。

3.2 轻量化时序融合网络

为了在边缘设备上达到≥30Hz的推理频率，我们设计了一个混合卷积-循环网络，命名为WeldingNet-S。结构如下：

• 空间特征提取层：对红外图像部分使用2层深度可分离卷积（Depthwise Separable Conv），大幅减少参数量。
• 特征拼接层：将卷积输出的空间特征与光谱、电特征向量拼接。
• 时序建模层：采用门控循环单元（GRU，隐藏层大小64）。GRU相比LSTM计算更轻量，足够捕获50Hz尺度下300ms内的动态过程。
• 分类输出层：Softmax输出三类概率（未熔透/适中/过熔透）。

总参数量约180k，在Jetson Orin NX上单次推理耗时4.2ms（包括前处理）。

3.3 训练策略与伪标签生成

熔透真值获取是难点。我们在生产现场利用背部相机拍摄焊缝背面图像，并由专家根据背面熔宽（理想熔宽为板厚的0.8~1.2倍）标注状态。采集约2万帧对应数据作为训练集。考虑到背部相机无法始终部署，我们采用“教师-学生”半监督方法：在部署背部相机的时段收集大量标注数据训练初始模型，然后移除背部相机，仅用前向多源传感器输入进行微调。

4. 实验与效果分析

4.1 实验平台与工况

在某非标焊接产线进行验证，焊接对象为厚度3mm和5mm的Q235钢板，搭接和对接形式。焊接方法为MIG/MAG。采用变参数工艺（送丝速度3-8m/min，电压18-26V）自然产生未熔透、适中、过熔透样本。

4.2 识别性能

• 总体准确率93.7%，三类平均召回率分别为未熔透91%、适中96%、过熔透94%。
• 对比单一传感器模型：仅用红外图像的准确率82.1%，仅用光谱的77.6%，仅用电特征的71.3%。多源融合带来的提升显著。
• 对比将原始数据上传至云端推理（假设云端延迟100ms+网络传输50ms）：边缘方案端到端延迟（从传感器采样到输出类别）为48ms，云端方案>180ms。在快速焊接过程中，过熔透的预测反馈延迟超过150ms将导致调节无效，因此边缘方案具备不可替代性。

4.3 消融实验

去掉GRU层，只使用当前帧的特征（即MLP分类器），准确率下降至85.2%，说明时序信息对区分过渡状态十分关键。去掉深度可分离卷积，使用普通卷积，参数量增加4倍，准确率仅提升0.5%，但推理时间增加11ms。因此轻量化设计是合理的。

5. 挑战与展望

传感器耐用性：焊接环境中的飞溅、烟雾会污染镜头与光谱探头。需要自动清洁或空气帘保护装置。边缘计算单元需密封散热。

泛化性：在不同母材组合（钢-铝）、不同焊接工艺（激光焊、电阻焊）下，特征分布变化大，模型需要领域自适应技术或快速迁移学习。

闭环控制集成：当前系统只输出状态识别，未直接控制焊接电源。未来可将分类置信度转化为PID调节量（例如过熔透风险高时，降低送丝速度）。但控制器设计需避免激振。

可解释性：焊工师傅希望知道系统判断“过熔透”的依据是什么。可视化热图（例如红外图像中哪些区域对分类贡献最大）能增加信任。

6. 结论

本文面向非标焊接产线中熔透状态难以稳定控制的问题，提出了一种多源传感器融合与边缘智能识别方法。通过同步采集红外、光谱、电特征信号，设计轻量化时序融合网络WeldingNet-S，在边缘设备上实现了50ms延迟、93.7%准确率的实时熔透分类。该方法的工程意义在于：无需依赖背部空间即可实现熔透感知，响应速度快，适合集成到现有焊接机器人系统中。研究为非标焊接过程的智能自适应控制提供了关键技术支撑。