北京
图 1 用于熔透状态分类的多模态机器学习框架(Fusion-XGBNet)
近日，中科院上海光机所高端光电装备部激光智能制造技术研发中心杨上陆研究员团队，在激光焊接过程监测方面取得进展，相关成果以“An explainable multi-modality fusion framework for laser weld penetration classification of Al–Si coated PHS 22MnB5”为题，发表于Optics & Laser Technology。
随着高端制造业对焊接质量与可靠性的要求不断提升，激光焊接过程中的熔深状态监测已成为保障结构安全与服役性能的关键环节。然而，传统依赖单一传感信号和人工特征工程的方法，难以全面刻画焊接过程的复杂物理行为，限制了在线精准识别能力的提升。
针对上述挑战，研究团队构建了一套多传感融合监测平台，同步采集焊接过程中的声信号、等离子体光谱信号及熔池图像信号，建立了涵盖四类熔深状态的多模态数据集。在此基础上，创新性提出一种神经网络(NN)与极端梯度提升(XGBoost)相结合的混合模型框架(Fusion-XGBNet)。该模型利用神经网络实现原始多源数据的自动特征提取与深度融合，并引入XGBoost对融合特征进行高效判别，最终通过自适应策略实现双模型输出协同决策，突破了传统方法对人工特征工程的依赖。
图 2 不同模型在训练集和测试集上的分类性能
实验结果表明，该融合模型在测试集上取得了95.29%的平均识别准确率。同时，借助Grad-CAM++可视化分析，明确识别出熔池轮廓区域及367 nm、437 nm、580 nm、622 nm附近特征光谱对模型决策具有关键贡献，显著增强了模型的可解释性与工程应用可信度。
相关工作得到了长安大学中央高校基本科研业务费专项的支持。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
