近日，我校机械工程与自动化学院青年教师曹龙超博士在激光加工智能监测方面取得了重要的研究进展。相关成果以“Cross-attention-based multi-sensing signals fusion for penetration state monitoring during laser welding of aluminum alloy”为题发表在计算机科学领域一区top期刊《Knowledge-Based Systems》（ISSN：0020-0255，IF=8.139）上。该论文的第一单位为武汉纺织大学，第一作者为武汉纺织大学机械工程与自动化学院曹龙超博士。
激光焊接因热输入低、热影响区小和焊接效率高等优势，在铝合金焊接中受到广泛关注。然而，由于反射率高、热膨胀系数大以及液相粘度低等特性，铝合金激光焊接过程易产生裂纹、气孔、成形形貌差等缺陷。特别地，铝合金的高反射率降低了材料对激光能量的吸收率，易导致焊缝不完全熔透。激光焊接过程中，材料温度和表面粗糙度的动态变化对能量吸收率有重大影响，使同一焊缝的熔透状态剧烈波动，严重降低焊缝性能。焊接生产中亟需一种智能方法以识别并控制焊缝熔透状态。随着智能制造技术的不断发展，基于深度学习的在线监测技术快速兴起，为原位监测焊缝的熔透状态提供了一种新思路，成为国内外研究热点。
为此，本研究提出采用声学传感器和光电传感器采集铝合金激光焊接过程中的信号。首先基于焊缝表面和横截面形态，构建包含三种典型熔透状态的焊接数据集。其次，提出了一种基于交叉注意力融合机制的神经网络（CAFNet），在无需进行时间-频率分析和特征学习的前提下，交互捕获提取光电和声有效信息，实现有效的焊接质量分类。通过与不同深度学习方法进行比较实验，结果表明，所提出的CAFNet方法在完整数据集下实现了99.73%的平均测试精度和0.37%的标准偏差，优于其他比较模型。此外，当使用有效且不平衡数据集时，所提出的CAFNet实现了94.34%的最高平均测试精度，表明所提出方法比其他方法具有更强的鲁棒性。该研究是激光焊接监测与控制中的一种新方法，可以为激光加工质量的智能监测与实时控制提供技术支撑。
图1 光学显微镜和激光扫描共聚焦显微镜测量的焊缝形貌：(a) 过度熔透，(b) 未完全熔透，(c) 完全熔透
图2 本研究提出的CAFNet网络架构图
【论文连接】：https://doi.org/10.1016/j.knosys.2022.110212
2022年在学校的大力支持下，机械工程与自动化学院在大力引进高水平人才的同时，采用多种举措为引进人才和团队的发展提供必要条件。学院新建激光加工工艺与监测技术的学科方向，组建了一支以曹龙超博士为负责人的年轻研究队伍，为机械制造学科发展注入强劲能量。
