圖 1 用于熔透狀態分類的多模態機器學習框架(Fusion-XGBNet)

近日，中科院上海光機所高端光電裝備部激光智能制造技術研發中心楊上陸研究員團隊，在激光焊接過程監測方面取得進展，相關成果以“An explainable multi-modality fusion framework for laser weld penetration classification of Al–Si coated PHS 22MnB5”為題，發表于Optics & Laser Technology。

隨著高端制造業對焊接質量與可靠性的要求不斷提升，激光焊接過程中的熔深狀態監測已成為保障結構安全與服役性能的關鍵環節。然而，傳統依賴單一傳感信號和人工特征工程的方法，難以全面刻畫焊接過程的復雜物理行為，限制了在線精準識別能力的提升。

針對上述挑戰，研究團隊構建了一套多傳感融合監測平臺，同步采集焊接過程中的聲信號、等離子體光譜信號及熔池圖像信號，建立了涵蓋四類熔深狀態的多模態數據集。在此基礎上，創新性提出一種神經網絡(NN)與極端梯度提升(XGBoost)相結合的混合模型框架(Fusion-XGBNet)。該模型利用神經網絡實現原始多源數據的自動特征提取與深度融合，并引入XGBoost對融合特征進行高效判別，最終通過自適應策略實現雙模型輸出協同決策，突破了傳統方法對人工特征工程的依賴。

圖 2 不同模型在訓練集和測試集上的分類性能

實驗結果表明，該融合模型在測試集上取得了95.29%的平均識別準確率。同時，借助Grad-CAM++可視化分析，明確識別出熔池輪廓區域及367 nm、437 nm、580 nm、622 nm附近特征光譜對模型決策具有關鍵貢獻，顯著增強了模型的可解釋性與工程應用可信度。

相關工作得到了長安大學中央高校基本科研業務費專項的支持。

審核編輯 黃宇