A cross-process welding penetration status prediction algorithm based on unsupervised domain adaptation in laser and TIG welding

📄 arXiv: 2606.26078v1 📥 PDF

作者: Sen Li, Haichao Cui, Chendong Shao, Yaqi Wang, Xinhua Tang

分类: cs.CV, cs.AI

发布日期: 2026-06-24

DOI: 10.1016/j.jmapro.2025.10.101

💡 一句话要点

提出无监督领域适应算法以解决焊接渗透状态预测问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 焊接渗透预测 无监督领域适应 深度学习 渐进源领域扩展 智能监控

📋 核心要点

  1. 现有的监督深度学习方法在焊接过程的领域转移中表现不佳，尤其是在物理机制差异较大的焊接类型之间。
  2. 本文提出了一种无监督领域适应框架，结合渐进源领域扩展策略，以提高模型在不同焊接过程中的适应性和准确性。
  3. 实验结果表明，该方法在同一过程和跨过程任务中均显著提高了准确率，尤其在跨过程转移中表现出色。

📝 摘要（中文）

监督深度学习在焊接渗透状态分类中应用广泛，但在领域转移时性能显著下降，尤其是在不同物理机制的焊接过程中。为克服这一限制，本文提出了一种结合渐进源领域扩展策略的无监督领域适应框架。通过在专门的TIG和激光焊接数据集上进行评估，我们的方法在同一过程和跨过程转移任务中均实现了高准确率。具体而言，在同一过程设置下，TIGFH和LSPS的平均准确率分别为90.65%和90.72%，超越监督基线35.83%和38.87%。在跨过程场景中，从TIG到激光的准确率为80.48%，从激光到TIG为81.13%，分别提高了43.39%和43.40%。UMAP可视化验证了模型学习了领域不变特征，同时保持了判别类边界。这种方法显著降低了新焊接过程的重新标注成本，提高了智能监控在不同焊接系统中的适应性。

🔬 方法详解

问题定义：本文旨在解决焊接渗透状态预测中的领域转移问题，现有的监督学习方法在不同焊接过程（如TIG与激光焊接）间迁移时性能显著下降。

核心思路：提出的无监督领域适应框架通过渐进源领域扩展策略，逐步引入源领域数据，以学习领域不变特征，从而提高模型的迁移能力。

技术框架：该框架主要包括数据预处理、特征提取、领域适应模块和分类器。数据预处理阶段负责清洗和标准化数据，特征提取阶段通过深度学习网络提取焊接特征，领域适应模块则实现源领域与目标领域的特征对齐，最后通过分类器进行渗透状态预测。

关键创新：最重要的创新点在于结合了渐进源领域扩展策略，使得模型能够在不同焊接过程间有效迁移，显著提升了跨过程的预测准确性。

关键设计：在模型设计中，采用了特定的损失函数以优化领域对齐效果，并使用了深度卷积神经网络作为特征提取器，确保了模型在不同领域间的泛化能力。具体参数设置和网络结构在实验部分进行了详细描述。

📊 实验亮点

实验结果显示，提出的方法在同一过程设置下，TIGFH和LSPS的平均准确率分别达到90.65%和90.72%，超越监督基线35.83%和38.87%。在跨过程场景中，从TIG到激光的准确率为80.48%，从激光到TIG为81.13%，分别提高了43.39%和43.40%。

🎯 应用场景

该研究的潜在应用领域包括焊接质量监控、智能制造和工业自动化等。通过提高焊接过程的智能监测能力，可以有效降低生产成本，提升焊接质量，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Supervised deep learning has been widely used for weld penetration state classification; however, its performance often degrades significantly under domain shift, such as when transferring models between welding processes with distinct physical mechanisms:for instance, from arc-dominated tungsten inert gas (TIG) welding to keyhole-based laser welding. To overcome this limitation, we propose an unsupervised domain adaptation (UDA) framework integrated with a gradual source domain expansion (GSDE) strategy. Evaluated on dedicated TIG and laser welding datasets, our approach achieves high accuracy in both same-process and cross-process transfer tasks. Specifically, it attains average accuracies of 90.65% on TIGFH and 90.72% on LSPS in same-process settings, surpassing a supervised baseline by 35.83% and 38.87%, respectively. More notably, in cross-process scenarios, it reaches 80.48% for TIG to Laser and 81.13% for Laser to TIG, improving upon the baseline by 43.39% and 43.40%. UMAP visualizations verify that the model learns domain-invariant features while maintaining discriminative class boundaries. This method considerably lowers the relabeling cost for new welding processes and enhances the versatility of intelligent monitoring across different welding systems.