Video Experimental Relacionado
Updated: May 6, 2026

11:34
Subsurface Defect Localization by Structured Heating Using Laser Projected Photothermal Thermography
Published on: May 15, 2017
11.2K
Detección de defectos de soldadura en la soldadura por rayos láser utilizando características de sensores de emisión
Amena Darwish1, Manfred Persson1, Stefan Ericson1
1Virtual Manufacturing Processes, School of Engineering Sciences, University of Skövde, Kaplansgatan 11, SE-541 34 Skövde, Sweden.
Sensors (Basel, Switzerland)
|August 28, 2025
Resumen
Este estudio introduce un marco basado en datos para interpretar las emisiones electromagnéticas durante la soldadura con haz de láser (LBW) para detectar defectos como los poros. El enfoque utiliza el aprendizaje automático para mejorar la evaluación de la calidad de las soldaduras.
Área de la Ciencia:
- Ciencias de los materiales e ingeniería
- Procesos de fabricación
- Ciencia de datos y aprendizaje automático
Sus antecedentes:
- La soldadura por haz láser (LBW) es propensa a defectos como la formación de poros debido a interacciones complejas entre el material y el láser.
- La interpretación de las emisiones electromagnéticas durante el LBW es un desafío para la detección directa de defectos.
- Los métodos existentes carecen de una evaluación eficiente de la calidad de la soldadura en tiempo real.
Objetivo del estudio:
- Desarrollar un marco basado en datos para la interpretación de las emisiones electromagnéticas en LBW para la detección de defectos.
- Implementar enfoques de aprendizaje tanto supervisados como no supervisados para el monitoreo cuantitativo de las soldaduras.
- Mejorar la interpretabilidad de los datos fotónicos para la evaluación de la calidad de las soldaduras industriales.
Principales métodos:
- Realizó 81 experimentos de soldadura, registrando datos de emisión en tiempo real a través de 42 canales espectrales.
- Extrajo características estadísticas, temporales y basadas en la forma, reduciendo la dimensionalidad con el Análisis de Componentes Principales (PCA).
- Memoria de corto plazo aplicada (LSTM) para el aprendizaje supervisado y Bosque de aislamiento para la detección de anomalías sin supervisión.
Principales resultados:
- El modelo LSTM logró bajas tasas de error (MSE: 0.0029, MAE: 0.0288) en el conjunto de ensayos.
- Isolation Forest demostró un alto rendimiento en la detección de soldaduras anómalas (precisión del 80%, precisión del 85,7%).
- El marco mejora con éxito la interpretabilidad de los datos fotónicos 4D de los procesos LBW.
Conclusiones:
- El marco basado en datos propuesto interpreta efectivamente las emisiones electromagnéticas para la detección de defectos de soldadura en LBW.
- El marco permite tanto el análisis posterior al proceso como el posible seguimiento en tiempo real de la calidad de las soldaduras.
- Este enfoque ofrece una solución escalable para aplicaciones industriales que requieren una evaluación sólida de la calidad de las soldaduras.

