近日，我校機械工程與自動化學院青年教師曹龍超博士在激光加工智能監測方面取得了重要的研究進展。相關成果以“Cross-attention-based multi-sensing signals fusion for penetration state monitoring during laser welding of aluminum alloy”為題發表在計算機科學領域一區top期刊《Knowledge-Based Systems》（ISSN：0020-0255，IF=8.139）上。該論文的第一單位為77779193永利官网，第一作者為77779193永利官网機械工程與自動化學院曹龍超博士。
激光焊接因熱輸入低、熱影響區小和焊接效率高等優勢，在鋁合金焊接中受到廣泛關注。然而，由于反射率高、熱膨脹系數大以及液相粘度低等特性，鋁合金激光焊接過程易産生裂紋、氣孔、成形形貌差等缺陷。特别地，鋁合金的高反射率降低了材料對激光能量的吸收率，易導緻焊縫不完全熔透。激光焊接過程中，材料溫度和表面粗糙度的動态變化對能量吸收率有重大影響，使同一焊縫的熔透狀态劇烈波動，嚴重降低焊縫性能。焊接生産中亟需一種智能方法以識别并控制焊縫熔透狀态。随着智能制造技術的不斷發展，基于深度學習的在線監測技術快速興起，為原位監測焊縫的熔透狀态提供了一種新思路，成為國内外研究熱點。
為此，本研究提出采用聲學傳感器和光電傳感器采集鋁合金激光焊接過程中的信号。首先基于焊縫表面和橫截面形态，構建包含三種典型熔透狀态的焊接數據集。其次，提出了一種基于交叉注意力融合機制的神經網絡（CAFNet），在無需進行時間-頻率分析和特征學習的前提下，交互捕獲提取光電和聲有效信息，實現有效的焊接質量分類。通過與不同深度學習方法進行比較實驗，結果表明，所提出的CAFNet方法在完整數據集下實現了99.73%的平均測試精度和0.37%的标準偏差，優于其他比較模型。此外，當使用有效且不平衡數據集時，所提出的CAFNet實現了94.34%的最高平均測試精度，表明所提出方法比其他方法具有更強的魯棒性。該研究是激光焊接監測與控制中的一種新方法，可以為激光加工質量的智能監測與實時控制提供技術支撐。
圖1 光學顯微鏡和激光掃描共聚焦顯微鏡測量的焊縫形貌：(a) 過度熔透，(b) 未完全熔透，(c) 完全熔透
圖2 本研究提出的CAFNet網絡架構圖
【論文連接】：https://doi.org/10.1016/j.knosys.2022.110212
2022年在學校的大力支持下，機械工程與自動化學院在大力引進高水平人才的同時，采用多種舉措為引進人才和團隊的發展提供必要條件。學院新建激光加工工藝與監測技術的學科方向，組建了一支以曹龍超博士為負責人的年輕研究隊伍，為機械制造學科發展注入強勁能量。
