基于等离子体特征信号的激光焊接过程动态监控技术研究进展

王 腾,陈珏铨,金小莉

(华南师范大学计算机学院，广东广州 510631)

基于等离子体特征信号的激光焊接过程动态监控技术研究进展

王 腾,陈珏铨,金小莉

(华南师范大学计算机学院，广东广州 510631)

在大功率激光焊接过程中，激光辐照金属材料气化而产生等离子体，影响激光能量与工件之间的耦合，从而最终直接影响到激光焊接质量。光致等离子体的研究是大功率深熔焊领域的一个热点，也是焊接过程质量检测自动化中一个很有潜力的研究方向。近年来，基于等离子体特征信号的激光焊接过程动态监控技术研究主要集中在等离子体信号检测和激光焊接过程建模的方向。介绍了激光焊接中的光致等离子体行为，并对基于等离子体特征信号的激光焊接过程动态监控技术的国内外研究现状进行了分析，总结了目前该领域存在的问题，提出了未来的发展方向。

模式识别；光致金属蒸气特征；大功率激光焊；最小二乘支持向量回归；多核学习

大功率激光器技术使激光焊接不断应用于新的领域，并对以匙孔效应为理论基础的深熔焊的发展起到巨大的推进作用[1-2]。由于大功率激光焊接具有高质量、高精度、低变形、高效率和高速度等焊接优点，对厚钢板焊接、铜材焊接以及各种需要高功率激光的焊接工况具有特别大的优势，使其在汽车工业、航空航天、核电、高速铁路、输油气管线以及造船行业等工业领域的应用越来越广。

工业生产中激光焊接过程的自动化与智能化是今后发展的趋势，而对焊接的过程质量控制与焊缝的检测是实现生产自动化的基础[3-4]。但目前对这两方面的研究还亟待完善和深化发展。虽然已有部分研究应用计算机视觉检测焊缝表面缺陷，但离焊接过程的质量检测自动化与智能化的目标还有很长的距离。如何完善和深化基础试验研究，并把实验室成果应用于实际生产领域，是人们未来的研究方向。

图1 等离子体振动的机理图
Fig.1 Diagram of the plasma vibration mechanism

以致影响熔深、气孔的生成和焊缝的组织成分等，最终直接影响到激光焊接质量和工艺过程的可靠性。

光致等离子体具有一定的周期性，一般来说，等离子体振动的机理如图1所示。对光致等离子体的研究是大功率深熔焊领域的一个热点[2，6-8]，也是焊接过程质量检测自动化中一个很有潜力的研究方向。

1 国内外研究现状及发展动态分析

自从激光技术得以应用于加工领域以来，激光等离子体就吸引了国内外科研工作者的广泛关注。人们对激光等离子体的物理特性、测量及控制方法进行了大量研究。近年来，基于等离子体特征信号的激光焊接过程动态监控技术研究主要集中在2个方面：等离子体信号检测和激光焊接过程建模。

1.1 等离子体特征信号检测与分析的研究现状

在大功率激光深熔焊过程中，激光与材料相互作用区不同的物理效应能够发射出各种不同的可用于检测的信号[9]。这些信号主要包括：1)由等离子体生成的较大波长范围的电磁辐射；2)熔池材料的辐射；3)反射的激光辐射；4)由于材料的加热、膨胀和蒸发，环境气体的不稳定所生成的声波；5)由带电电荷的移动生成的电流。

由于所有的这些信号都取决于激光材料作用区所发生的物理现象，因此它们的特性与最终的焊接质量密切相关。目前，绝大多数激光焊接监测系统都是通过对这些信号的能量进行测量，来反映焊接过程的质量。

1.1.1 光辐射信号

在激光焊接的过程中，高能量密度激光束与工件之间的相互作用会产生明显的光致等离子体辐射。这种辐射与焊接过程及最终焊缝的质量密切相关，对焊接过程的监测有十分重要的意义。

NILSEN等[10]开发了一个基于光电二极管的视觉监控系统用于监控焊接过程中光电磁辐射信号。该系统采用了3个光电二极管,一个用于可见光谱,一个用于反射的激光束，另一个用于红外光谱。在焊接试验中,采用1 μm YAG激光器，对不同厚度的镍基合金板进行测试,从而评价被监测电磁辐射信号与影响焊接质量的参数变化之间的相关性。试验显示30 kHz带宽的监测系统足够获取有效的信号成分，并且发现红外光谱与熔深之间存在明确的相关性,反射的激光束与激光束焦点之间存在明确的相关性，并且通过可见光谱，发现高密度峰值的信号。显示有可能在匙孔形成等离子体。SIBILLANO等[11-13]通过硅-PIN光电二极管检测并分析了不同条件下CO2激光焊接不锈钢样品所发射的等离子体光辐射，并利用离散小波变换(DWT)将光信号分解成各个离散系列不同频带序列；还报道了工业上的铝-镁合金的激光焊接过程中产生的等离子羽流的光谱数据，研究了其等离子动力学行为；他们在这一系列的研究基础上，提出了基于铝合金的激光焊接过程中产生的等离子体羽流光谱的相关分析，是一种创新的实时监控技术。为了探明大功率光纤激光焊过程中激光诱导等离子羽对焊透深度的影响，ZOU等[14]采用高速摄影技术拍摄等离子羽流图像，研究了焊透深度、等离子羽流的行为、等离子羽中的粒子，激光的衰减等因素的变化；其计算和测量的结果表明，等离子羽中的粒子相互作用对于激光与等离子羽相互作用有着重要的影响，而且随着等离子羽的高度增加，焊接熔深会相应减少。文献[7]中采用高速摄影技术拍摄激光焊接过程中的等离子体动态图像，结合表面油污和侧吹气体的情况，分析了焊接稳定性的变化，为基于图像传感器监测焊接过程的技术发展做出了贡献，稍微遗憾的是他们仅仅提取等离子体面积、平均灰度值、摆角3个特征值进行分析，未能全面精确地反映等离子体的信息。GAO等[15]对CO2激光钨惰性气体(TIG)复合焊接的激光和弧之间的有效协同作用进行了研究，通过对由CCD采集的等离子体形状的图像分析，发现混合焊接的熔深是由等离子体的形状与保护气体参数，特别是等离子体高度与入射激光相互作用的变化来确定。

1.1.2 电信号

在激光焊接时，激光加工头与工件之间的等离子体空间存在着空间电荷，由于该空间电荷只有在等离子体存在时才有，因而从另一个方面反映出等离子体状态及焊接过程的状态。LI等[16]利用等离子体谱研究了复合激光焊接中钕:YAG激光束和MIG电弧的耦合作用，采用一种新的空心探针来测量不同复合条件下电弧等离子体的径向空间分布，并计算了电子温度；结果表明，激光-MIG复合焊接工艺使得等离子体能量集中于焊接电弧的中心并接近熔池。焦娇等[17]对不锈钢A3O4等材料的激光焊接过程进行研究，测量了其激光等离子体的电学信号，并分析了电信号与等离子体的密度和温度之间的关系，进而用于判断激光焊接的模式。

1.1.3 声发射信号

在大功率激光焊接过程中存在着明显的声发射信号。材料剧烈气化膨胀产生的压力将熔融材料抛出，形成匙孔。在形成匙孔的情况下，等离子体会高速地从中喷发出来，当熔池和匙孔的形态受到破坏时，等离子体从匙孔中高速喷出的现象消失，从而声信号的强度会大大下降。声发射信号与热振动、等离子体的原子密度、等离子体的电子密度等密切相关。因而可以通过对声信号的检测来获取有关熔池和匙孔的信息。LUO等[18]根据脉冲熔化极气体保护焊中检测到的声发射信号，分析了焊接热输入和脉冲对晶粒微结构和声发射信号特征的影响。实验结果表明，焊接热输入的增加会引起晶粒的长大和平均声发射的增加，焊接热输入对脉冲熔化极气体保护焊中晶粒结构的影响比脉冲的作用强。刘京雷等[19]以平板堆焊为研究对象，分析了激光焊接过程中声发射信号的特征与焊缝熔深之间的关系；研究发现，随着焊缝熔深的增加，声信号的强度增大，声信号的功率频谱由分散多族化变为相对集中；他们以激光焊接过程中生成的声发射信号特征作为输入，利用BP人工神经网络建立了声信号与焊缝熔深之间的关系模型。

1.1.4 X射线信号

X射线能够穿透可见光不能穿透的物体，可以反映出物体内部的变化，在激光焊接的分析过程中发挥了积极作用。TASHIRO等[20]利用X射线对等离子弧焊接中匙孔和熔池的三维空间对流行为进行了观测和分析。BHATTAD等[21]报道了一种通过X射线图像识别焊接接头缺陷的方法及识别系统；利用图像捕获模块来捕捉焊接接头的X射线图像，通过提高暗区和亮区对比度的方法实现X射线图像的伽马校正算法，并利用一个或多个去噪滤波器进行图像去噪处理，最终将X射线图像细化分成若干片段，以确定焊接接头处的缺陷。

1.2 激光焊接过程建模的研究现状

基于数据的机器学习是现代智能技术中的重要方面，国内外学者针对激光焊接过程建模中所存在的问题，进行了大量的研发工作，这些研究成果具有重要的借鉴和参考作用。RAO等[22]所在课题组利用统计过程控制方法对焊接结构进行建模监测。而人工神经网络早已在焊接工艺参数设计、焊接性能预测、焊接过程控制等方面得到了一系列的应用和研究[23-26]，并取得了一定成效。比如，ZHANG等[27]通过用遗传算法改进BP神经网络来预测碟形激光焊的焊缝特征，建立了一个熔池阴影面积与焊缝特征之间的关系。

支持向量机具有结构简单、全局最优和较好的泛化能力，已被广泛应用于非线性系统的建模，在激光焊接领域也得到了一些初步应用。YOU等[28]所在的课题组将支持向量机用于大功率碟型激光焊接过程中焊接缺陷的监控和诊断；通过多传感器信息融合系统获取大量焊接过程信息，从中提取出时序和频域特征，利用支持向量机对焊接缺陷进行分类。ZHOU等[29]使用声、光传感器获得不同的焊接信号，并提取了特征值，然后采用机器学习方法和支持向量机分类的手段对激光焊接中的焊缝质量监控进行了建模研究。HE等[30]所在的课题组在不同焊接工艺参数和焊接成形质量的条件下，利用局部均值分解算法结合支持向量机定量地预测电弧电流信号的时频能量分布特征。HUANG等[31]提出了一种基于支持向量机(SVM)的电弧焊接工艺模糊建模方法，包括选择输入/输出变量、获得原始数据、提取模糊规则和模糊推理等主要建模步骤，取得了一定的效果。YOU等[32]和LIM等[33]分别结合应力腐蚀测量、计算机视觉等实验手段，运用支持向量机、数据集模型和模糊神经网络等方法，进行了焊接过程的残余应力预测和焊接缺陷诊断的研究，认为这些方法均适用于焊接生产过程。

2 当前研究存在的问题

激光致金属蒸气存在于激光加工的整个过程当中，其特征的瞬态变化与焊接过程稳定性及焊接质量有密切联系。对等离子体特征信号的检测与分析是正确理解等离子体产生机理以及实现焊接过程自动控制的信息基础，文献中的相关研究成果提供了重要的借鉴和参考。然而，激光焊接过程存在激光与工件物质及等离子体的复杂相互作用，如何更好地检测和分析等离子体，这一问题始终未能得到很好解决[34]。传统的解决方案要么仅仅侧重于对经验性实验工艺参数以及实验结果的描述，要么侧重于大量的数值模拟预测，缺乏对实际环境细节的认知。因此，传统的方法逐渐演变为一类普适性的经验性实验，以及将实验参数与缺陷检测结果的一种生硬而直接的联系，这会将原本复杂多变的焊接机制流于简单化，从而无法对其进行准确透彻地了解。笔者认为，在焊接过程中辅以高速摄影手段来捕捉每个瞬态的过程信息，获取光致金属蒸气图像特征信号，是一种无损检测手段，不会对加工产生任何干扰，并且金属蒸气图像特征信号可以动态地直接反映焊接过程的稳定性，是一个极具潜力的监测对象。可以在此基础上将经验性实验分析与数学模型相结合，势必能为实时在线监控焊接过程提供一个更加翔实有效的研究途径，并为减少甚至避免焊接缺陷提供一种可能的研究机制。但是，对于其具体的应用，目前仍存在较大限制。首先，在所获取的金属蒸气图像中，实际有效的特征信息所占的比例较小，如何快速、准确地将有效特征信息从图像中分割、提取出来，直接影响到它在实时监测过程中的可应用性；其次，金属蒸气图像的特征变化具有很大的不确定性，导致很难获得描述焊接过程中输入输出关系的混合过程解析的非线性模型，极大地限制了激光焊接的自动化程度与推广进程。

在激光焊接建模方面，基于BP的人工神经网络结构不稳定，过分依赖学习样本，且容易陷入局部极小；采用支持向量回归机作为焊缝宽度的预测模型虽然具有结构简单、全局最优等优点，但在实际应用上具有比较明显的局限性：支持向量机不能很好地描述过程的连续性。如何利用现代监控手段实时获取激光等离子体特征信号，并建立一个快速有效的预测模型，是影响激光焊接过程动态监控技术发展的一个重要因素。

3 研究展望

3.1 未来研究方向

1)对基于光致金属蒸气图像的分割算法的研究

光致金属蒸气图像中有效金属蒸气区域通常仅占5%左右，如何在最短的时间内精确地分割出有效的金属蒸气区域，直接影响到预测模型运行的实时性和准确性。可以利用分层过滤的方法在不同尺度上快速过滤背景区域样本，减少样本集中包含的样本数量，以达到降低算法时间复杂度的目的；同时，针对光致金属蒸气图像边缘光滑、骨架连续、断点少的特点，引入基于最小错误概率判决准则的概率聚类算法，采用Bayers分类决策模型，将样本分配到使后验概率最大的聚类中。针对概率聚类算法，重点研究初始聚类中心的选择和像素先验概率分布，以达到提高算法分割精度的目的。

2)对光致金属蒸气图像特征与焊缝质量特征之间联系的探究

金属蒸气等离子体信号特征的变化能够对应焊缝特征的变化。可以在详细分析光致金属蒸气彩色图像特征基础上，研究如何定义出规律性好、敏感性强的分类特征，并对之进行描述与分析，以探求图像特征的时序变化规律。同时利用XRD、金相显微分析测试、显微硬度等先进的材料检测与分析技术，按照时序系统地检测分析实际焊接样品的焊缝表面微观结构、相关几何特征、相成分、颗粒尺寸及其分布、气孔尺寸及其分布，以及其表面弹性性质等。重点研究在时序模式下，如何将图像特征与样品实际特征进行对比和融合分析，定性地揭示光致金属蒸气图像特征与焊缝质量特征之间的外在规律和内在关联机制。

3)建立基于光致金属蒸气图像的焊缝宽度预测模型

由于激光焊接过程是一个非线性、时变和易受干扰的多变量强耦合复杂过程，基于机理定量地建立具体的解析模型十分困难。最小二乘支持向量机(least squares support vector machine，LS-SVM)能够反映出离散样本序列的连续性，可由各阶段在时间上的连续性，利用前一个阶段的结果预测后一个阶段的状态。并且，LS-SVM将标准的支持向量机的不等式约束改为等式约束，将误差平方和损失函数作为训练集的经验损失，可以将解二次规划问题转化为求解线性方程组问题，极大地提高SVM的训练效率。

3.2 未来研究方案

在运用高速摄影技术获取大功率碟型激光焊接过程金属蒸气等离子体的瞬态信息的基础上，首先利用基于最小错误概率判决准则的概率聚类算法在HSI颜色空间中对金属蒸气彩色图像进行分割，接着定义光致金属蒸气图像特征，包括金属蒸气的面积、高度、亮度、摆角以及飞溅颗粒的面积等特征参数，同时对实际焊接样品的焊缝表面特征、焊缝宽度、焊缝熔深、焊缝余高、内部气孔等质量特征进行检测分析，探究金属蒸气特征与激光焊接加工质量之间的关系和规律，建立基于多核最小二乘支持向量机回归的焊缝宽度预测模型。

4 结 语

高速摄影法可以无损地实时获取包含丰富激光焊接状态信息的金属蒸气图像。如何将这些瞬态的有效信息及时地提取出来，并应用于焊接过程的实时监测，是一个影响焊接自动化发展的重要研究方向。研究和探索大功率碟型激光焊接中金属蒸气等离子体特征与焊接过程质量之间的关系，对提升大功率碟型激光焊接的整体应用水平具有重要的理论指导意义和实际研究价值。

/References:

[1] KATAYAMA S, KAWAHITO Y, MIZUTANI M. Latest progress in performance and understanding of laser welding[J]. Physics Procedia,2012,39(9):8-16.

[2] SHCHEGLOV P Y,GUMENYUK A V,GOMUSHKIN I B,et al. Vapor-plasma plume investigation during high-power fiber laser welding[J]. Laser Physics,2013,23(1):177-184.

[3] 胡胜，罗雨，焦向东，等. 轨道式管道焊接机器人焊缝跟踪方法研究现状[J].河北科技大学学报，2015，36(2)：126-133. HU Sheng,LUO Yu,JIAO Xiangdong,et al. Research status of seam tracking methods for orbital pipe welding robots[J]. Journal of Hebei University of Science and Technology,2015,36(2):126-133.

[4] 贾存锋，朱加雷，焦向东，等. GMAW熔滴过渡高速摄像系统与熔滴边缘提取[J].河北科技大学学报，2013，34(4)：275-278. JIA Cunfeng,ZHU Jialei,JIAO Xiangdong,et al. High-speed camera system for GMAW droplet transfer and droplet edge extraction[J]. Journal of Hebei University of Science and Technology,2013,34(4):275-278.

[5] WANG J,WANG C M,MENG X X,et al. Interaction between laser-induced plasma/vapor and arc plasma during fiber laser-MIG hybrid welding[J]. Journal of Mechanical Science and Technology,2011,25(6):1529-1533.

[6] KATAYAMA S,YOHEI A,MIZUTANI M,et al. Development of deep penetration welding technology with high brightness laser under vacuum[J]. Physics Procedia,2011,12(12):75-80.

[7] LI G H,CAI Y,WU Y X. Stability information in plasma image of high-power CO2laser welding[J]. Optics and Lasers in Engineering,2009,47(9):990-999.

[8] KAWAHITO Y,KINOSHITA K,MATSUMOTO N,et al. Visualization of refraction and attenuation of near-infrared laser beam due to laser-induced plume[J]. Journal of Laser Applications,2009,21(2):96-101.

[9] 刘金合. 高能密度焊[M]. 西安：西北工业大学出版社,1995.

[10]NILSEN M,SIKSTRÖM F. Monitoring of laser beam welding by a non-intrusive optical sensor system using photodiodes[C]//Proceedings of JOM 18 International Conference on Joining Materials.Danmark:[s.n.],2015: 1-14.

[11]SIBILLANO T,ANCONA A,BERARDI V,et al. Optical detection of conduction/keyhole mode transition in laser welding[J]. Journal of Materials Processing Technology,2007,191(1):364-367.

[12]SIBILLANO T,ANCONA A,RIZZI D,et al. Plasma plume oscillations monitoring during laser welding of stainless steel by discrete wavelet transform application[J]. Sensors,2010,10(4): 3549-3561.

[13]SIBILLANO T,ANCONA A,BERARDI V,et al. Correlation analysis in laser welding plasma[J]. Optics Communications,2005,251(1/2/3):139-148.

[14]ZOU J,YANG W,WU S,et al. Effect of plume on weld penetration during high-power fiber laser welding[J]. Journal of Laser Applications,2016,28(2): 022003.

[15]GAO M,ZENG X Y,HU Q W. Effects of gas shielding parameters on weld penetration of CO2laser-TIG hybrid welding[J]. Journal of Materials Processing Technology,2007,184(1/2/3):177-183.

[16]LI Z Y,WANG W,WANG X Y,et al. A study of the radiation of a Nd: YAG laser-MIG hybrid plasma[J]. Optics and Laser Techno-logy,2010,42(1):132-140.

[17] 焦娇,杨立军,刘桐,等. YAG激光焊接等离子体电信号检测与焊接模式分析[J]. 中国激光,2014,41(9):96-101. JIAO Jiao,YANG Lijun,LIU Tong,et al. Electrical detection of the plasma and analysis of welding modes in YAG laser welding [J]. Chinese Journal of Lasers,2014,41(9):96-101.

[18]LUO Y,DU Y,ZHU L,et al. Study on the thermo-effect of P-GMAW characterized by structure-borne acoustic emission signals detected in welding on aluminum alloy[J]. Measurement，2016,92:200-207.

[19] 刘京雷,陈彦宾,徐庆鸿. 激光焊接声信号与熔深的相关性[J]. 焊接学报,2006,27(1):72-75. LIU Jinglei,CHEN Yanbin,XU Qinghong. Correlation of acoustic signals and weld depth in laser welding [J]. Transactions of the China Welding Institution,2006,27(1):72-75.

[20]TASHIRO S,TANAKA M,KAWAHITO Y,et al. X-ray observation of three-dimensional convection in weld pool in keyhole welding with plasma arc[J]. Preprints of the Mational Meeting of JWS,2012,91:248-249.

[21]BHATTAD N M,PATIL S S. System and method for identifying defects in welds by processing X-ray images[J]. Journal of the Brazilian Society of Mechanical Sciences & Engineering,2015:1-8.

[22]RAO P S,RATNAM Ch. Health monitoring of welded structures using statistical process control[J]. Mechanical System and Signal Processing,2012,27(1):683-695.

[23]GAO X D,ZHANG Y X. Prediction model of weld width during high-power disk laser welding of 304 austenitic stainless steel[J]. International Journal of Precision Engineering and Manufacturing,2014,15(3):399-405.

[24] 王清,那月,孙东立，等. GH99合金TIG焊接接头拉伸性能的人工神经网络预测[J]．焊接学报，2010，31(3)：77-80. WANG Qing,NA Yue,SUN Dongli,et al. Prediction of tensile property of TIG welding joints in GH99 alloy by artificial neural network[J]. Transactions of the China Welding Institution,2010,31(3):77-80.

[25]OKUYUCU H,KURT A,ARCAKLIOGLU E. Artificial neural network application to the friction stir welding of aluminum plates[J]. Materials and Design,2007,28(1):78-84.

[26]ZHONG Y G,XUE K,SHI D Y. An improved artificial neural network for laser welding parameter selection and prediction[J]. The International Journal of Advanced Manufacturing Technology,2013,68(1/2/3/4):755-762.

[27]ZHANG Y，GAO X，KATAYAMA S. Weld appearance prediction with BP neural network improved by genetic algorithm during disk laser welding[J]. Journal of Manufacturing Systems,2015,34:53-59.

[28]YOU D Y,GAO X D,KATAYAMA S. Multisensor fusion system for monitoring high-power disk laser welding using support vector machine[J]. IEEE Transactions on Industrial Informatics,2014,10(2):1285-1295.

[29]ZHOU M,LIU W Z,WAN L. Multi-information fusion and identification system for laser welding[C]//Advances in Neural Networks-ISNN 2009.Wuhan: [s.n.],2009:986-992.

[30]HE K F,LI X J. A quantitative estimation technique for welding quality using local mean decomposition and support vector machine[J]. Journal of Intelligent Manufacturing,2016,27(3):525-533.

[31]HUANG X X,CHEN S B. SVM-based fuzzy modeling for the arc welding process[J]. Materials Science and Engineering,2006,427(1/2):181-187.

[32]YOU D，GAO X，KATAYAMA S.WPD-PCA-based laser welding process monitoring and defects diagnosis by using FNN and SVM [J]. IEEE Transactions on Industrial Electronics,2015,62(1):628-636.

[33]LIM D H,BAE I H,NA M G,et al. Prediction of residual stress in the welding zone of dissimilar metals using data-based models and uncertainty analysis[J]. Nuclear Engineering and Design,2008,240(10):2555-2564.

[34] 王腾. 大功率碟型激光焊金属蒸气图像动态特征分析[D]. 广州：广东工业大学,2012. WANG Teng. Analysis of the Dynamic Characteristics of Metal Vapor Image During High-power Disk Laser Welding[D]. Guangzhou: Guangdong University of Technology,2012.

Research progress of laser welding process dynamic monitoring technology based on plasma characteristics signal

WANG Teng, CHEN Juequan, JIN Xiaoli

(School of Computer, South China Normal University, Guangzhou, Guangdong 510631, China)

During the high-power laser welding process, plasmas are induced by the evaporation of metal under laser radiation, which can affect the coupling of laser energy and the workpiece, and ultimately impact on the reliability of laser welding quality and process directly. The research of laser-induced plasma is a focus in high-power deep penetration welding field, which provides a promising research area for realizing the automation of welding process quality inspection. In recent years, the research of laser welding process dynamic monitoring technology based on plasma characteristics is mainly in two aspects, namely the research of plasma signal detection and the research of laser welding process modeling. The laser-induced plasma in the laser welding is introduced, and the related research of laser welding process dynamic monitoring technology based on plasma characteristics at home and abroad is analyzed. The current problems in the field are summarized, and the future development trend is put forward.

pattern recognition; characteristics of laser-induced metal vapor; high-power laser welding; least squares support vector regression; multiple kernel learning

1008-1542(2017)01-0001-06

10.7535/hbkd.2017yx01001

2015-10-19；

2016-01-06；责任编辑：王海云

国家自然科学基金(51505158)；广东省自然科学基金(2014A030310153)

王 腾(1976—)，女，山东青岛人，讲师，博士，主要从事机器视觉及自动控制方面的研究。

E-mail：towangteng@263.net

TP391

A

王 腾,陈珏铨,金小莉.基于等离子体特征信号的激光焊接过程动态监控技术研究进展[J].河北科技大学学报,2017,38(1):1-6. WANG Teng, CHEN Juequan, JIN Xiaoli.Research progress of laser welding process dynamic monitoring technology based on plasma characteristics signal[J].Journal of Hebei University of Science and Technology,2017,38(1):1-6.