纯铜重叠关节的激光接中使用多个传感器进行界面间隙预测

科学领域:

• 材料科学 材料科学 材料科学
• 制造业 工程 制造工程
• 人工智能的人工智能

背景情况:

• 准确预测接口间隙对于确保制造业中铜重叠接头的质量和可靠性至关重要.
• 传统的差距评估方法可能耗时,可能缺乏精度.

研究的目的:

• 提出和验证一种新的深度学习方法,用于预测铜重叠关节的界面差距.
• 调查多传感器融合的有效性,结合图像,光谱仪和光学传感器断层扫描 (OCT) 数据,用于差距预测.

主要方法:

• 使用图像传感器,光谱仪和OCT传感器数据开发和验证深度学习模型.
• 分析融化池尺寸,钥匙孔行为,光谱强度变化和OCT衍生的钥匙孔深度.
• 实施传感器融合技术,将来自多个来源的数据结合起来.

主要成果:

• 深度学习模型根据融化池尺寸的变化,钥匙孔行为,光谱强度和OCT数据准确预测了接口差距.
• 一个二进制差距分类模型实现了98.8%的高精度.
• 谱仪被证明是最有效的单一传感器,图像和OCT传感器提供了补充信息. 传感器融合,特别是使用所有三种传感器,产生了最佳的预测性能.

结论:

• 多传感器融合与深度学习相结合,提供了一种强大而准确的方法,用于预测铜重叠接头的接口间隙.
• 这些发现突出了通过先进的传感和人工智能技术改善接质量评估和制造过程优化的潜力.