《Optics & Laser Technology》：Coloring heat: physics-informed RGB fusion of thermal gradients for porosity prediction in laser welding
编辑推荐：
激光焊接孔隙率预测的物理信息并行深度学习框架研究。提出基于温度梯度融合与多头自注意力机制的TGF-VT-MHSA模型，通过时序温度数据转化为图像特征，结合时空特征融合实现孔隙率预测，实验准确率达98.3%，优于传统方法，为工艺优化提供新工具。
周乃勋|曾志|庞博文|孙少波|王志民|卜显珍|周珂尔|刘志新
中国电子科技大学机械与电子工程学院，四川成都611731
摘要
孔隙率是激光焊接中的一个关键缺陷，会严重损害接头的性能。现有的方法主要集中在焊接后的检测或过程中的监控上，而缺乏在焊接前对孔隙率的预测评估和分级，从而限制了缺陷预防和过程规划中的质量保证。为了解决这个问题，提出了一种基于物理信息的并行深度学习框架——温度梯度融合（TGF-VT-MHSA），该框架结合了并行VGG和TCN以及多头自注意力（MHSA）算法用于孔隙率分级预测。首先，提出了一种创新的温度梯度融合（TGF）预处理模块，将时间温度序列转换为信息丰富的图像特征，使深度学习模型能够捕捉时间依赖性和空间梯度特性。其次，开发了一种基于多头自注意力（MHSA）的并行架构，用于融合时间和空间特征，其中多头机制并行计算多个子空间中的注意力权重，从而强调与孔隙率形成高度相关的关键特征，并实现时间和空间梯度的协同表示。随后，通过实验和仿真建立了具有不同振荡幅度和频率的数据集来评估TGF-VT-MHSA模型。最后，分析表明，所提出的方法在孔隙率分级方面表现出色，准确率达到98.3%。此外，与传统模型相比，该模型收敛更快，稳定性更高，凸显了其在激光焊接孔隙率预防方面的准确性和可靠性。预计该模型将应用于不同材料和焊接过程的缺陷预测和在线质量控制，支持智能制造中的实时决策和过程优化。
引言
由于铝（Al）合金具有低密度、高比强度和优异的耐腐蚀性，已成为汽车制造、航空航天工程及相关行业不可或缺的结构材料[1]、[2]、[3]。在各种连接技术中，激光焊接特别适用于铝合金，因为它具有集中的能量输入、有利的焊缝深度与宽度比以及最小的总体热输入[4]、[5]。然而，铝合金激光焊接中的一个持续挑战是孔隙率的频繁形成。这些缺陷减少了焊缝的有效承载截面积，并导致局部应力集中，从而显著影响接头的机械可靠性和服务性能。因此，准确预测孔隙形成至关重要。
随着焊接技术的进步，已经开发出一系列基于激光的新方法来减少孔隙率的形成，包括双光束配置[6]、真空辅助激光焊接[7]、磁场增强焊接[8]、激光功率调制[9]和振荡激光束技术[10]。在这些创新中，振荡激光焊接近年来引起了特别多的研究兴趣，因为它能够改善熔池动态并抑制孔隙形成。Wang等人[11]系统研究了激光焊接中的三种振荡轨迹（线性、圆形和无限形），并证明无限形轨迹获得了最佳结果。在优化的工艺参数下，这种轨迹有效抑制了孔隙生成，孔隙率降低到2.2%。
尽管优化的振荡轨迹可以显著减少孔隙率，但提前可靠地预测和控制孔隙形成仍然是一个挑战，这促使人们应用深度学习技术进行过程监控和缺陷预测[12]、[13]、[14]。
与其他焊接研究领域相比，专注于孔隙率定量和定性预测的研究仍然有限。在可用的方法中，基于统计实验设计（DoE）的参数分析是构建预测模型最直接的方法之一[15]、[16]。
在激光焊接中，工艺参数的强耦合降低了传统优化方法的有效性。为此，Zhang等人[17]将遗传算法与神经网络结合使用，以最小化间隙变化和错位的影响。最近，Tian等人[18]开发了一个结合了差分进化优化预测模型的深度强化学习框架。他们的方法提高了渗透深度并消除了铝合金振荡焊接中的孔隙率，突显了深度学习在过程预测和优化方面的潜力。
深度学习（DL）在激光焊接中的早期应用主要使用工艺参数作为训练输入，将操作条件与焊接质量联系起来。最近，引入了原位传感和监控数据，提供了关于焊接过程的更丰富的物理信息。与传统特征工程不同，DL模型可以从原始数据中自动提取层次化特征，并识别复杂现象，如孔隙形成。例如，基于高速熔池图像或从keyhole小波分解中得到的光谱特征训练的卷积神经网络（CNN）在检测和定位孔隙缺陷方面表现出了改进的性能[19]。这些进展表明，将物理信息与DL模型结合为激光焊接中的预测监控和智能缺陷控制提供了有效的框架。
顺应这一趋势，基于物理信息的深度学习（PIDL）作为一种有效的扩展应运而生。它将提供空间和时间物理数据的数值模型（如熔池温度、keyhole动态和凝固速率）直接集成到DL框架中[20]、[21]、[22]。例如，Gawade等人[23]将热有限元模型与卷积神经网络结合，用于预测由keyhole行为引起的孔隙率和孔隙大小。他们的模型使用熔池尺寸和峰值温度以及红外图像作为输入。同样，Ma等人[24]基于数值计算的最大keyhole温度和OCT测量的keyhole深度融合的特征训练了一个深度信念网络，以预测铝激光束焊接中的孔隙率。
通过嵌入物理信息，PIDL不仅提高了预测准确性，还提高了模型的可解释性和透明度。在这项研究中，我们采用这种方法，将热历史数据纳入深度学习模型中以预测孔隙率水平，从而实现更可靠和基于物理信息的预测。
实验设置
实验装置
如图1所示，使用5A06铝合金板进行了一系列焊接实验，其化学成分详细列在表1中。两块尺寸为8毫米×100毫米×200毫米的平板以对接焊配置连接在一起。焊接使用配备了D50摆动缝振荡头的IPG-6000光纤激光器进行。激光功率设置为4000瓦，光斑直径为0.4毫米，焊接速度为1800毫米/分钟。焊接过程中使用了99.99%的氩气
基于物理信息的深度学习
传统的焊接预测深度学习模型依赖于大量的工艺参数。它们通过从数据分布中学习来建立输入和输出之间的映射。然而，这些模型通常缺乏对潜在物理机制的表示，当数据有限时，它们的性能会下降。相比之下，基于物理信息的深度学习模型在训练过程中包括控制方程或边界条件，以描述物理过程。
实验和仿真结果
如表4所示，通过九组工艺参数实验获得了相应的X射线成像结果和孔隙率值。X射线结果提供了焊接接头的俯视图，使得可以直观比较有无激光振荡的样品。为了定量比较孔隙率的数量，参考了国际标准ISO 13919-2:2021[38]中规定的接头孔隙率含量计算方法进行了计算
结论
在这项研究中，开发了一种基于物理信息的并行深度学习框架（TGF-VT-MHSA）用于激光焊接中的孔隙率分类。通过将热循环数据转换为基于图像的表示，该方法将焊接的物理特性与数据驱动的特征提取联系起来。基于提出的TGF-VT-MHSA框架，首次识别并讨论了热循环曲线在孔隙率形成中的关键作用。主要发现总结如下
作者贡献声明
周乃勋：撰写——原始草稿、验证、软件、方法论、调查。曾志：撰写——审稿与编辑、监督、项目管理、概念化。庞博文：方法论、形式分析。孙少波：方法论、形式分析。王志民：软件、数据管理。卜显珍：验证。周珂尔：数据管理。刘志新：软件。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
本研究得到了中国工业和信息化部的高质量发展项目（项目编号：TC230A076-12）和中央高校基本科研业务费（项目编号：ZYGX2024Z014）的支持。
