用于焊道有限元分析的基于激光的自动几何捕获
2025年7月25日
描述了一种获取焊道近实时计量并自动准备生成的几何形状以进行有限元分析的过程。
自动焊接被广泛使用，能够创建均匀且可重复的焊缝。然而，它目前缺乏在多道焊接过程中的适应能力，这是熟练的技术人员在手动焊接过程中自然会做到的。通过使用激光扫描仪，我们的协议可以监控进度，而不会造成延迟，这与使用物理仪表手动捕获焊接几何形状不同。
它还生成沉积的数字记录，可用于将来的分析。该协议由 Meta one 启用，Meta one 是焊接单元的数字列车。它们是在曼彻斯特大学开发的。
数字列车不仅允许在数字空间中记录和回放构建几何形状，还可以记录和回放机器人指令、实际机器人运动以及焊接单元和本地熔池的摄像机镜头。需要校准激光扫描仪以纠正其与构建板之间的任何倾斜或倾斜。作为校准过程的一部分，激光扫描仪数据被引入焊接机器人的坐标系。
快速捕获焊缝几何形状可以促进走刀之间的决策，可能通过机器学习进行增强，并允许有限元模型填充真实的沉积几何形状。首先，将校准组件以相对于坐标测量机原点的相同方向放置在焊接单元内。使用激光扫描仪系统设置校准组件的扫描，并将扫描输出记录在包含 X、Y 和 Z 值的坐标文件中。
使用激光扫描仪测量每个基准球体。扫描每个球体以测量校准组件。通过排除源自基板的点、在已知位置周围的 X 和 Y 中使用圆形掩模以及在 Z 中应用阈值来截断线扫描数据。使用过滤后的点集执行最小二乘球体拟合并确定中心坐标。
现在，使用配备已知尺寸金属尖端的焊接机器人定位校准组件。使用触摸感应例程，使尖端在多个位置与每个基准球体的表面接触。让低压电路在接触时完成，并通过系统软件记录机器人的位置。
然后将将接收沉积的基板或母材放入焊接单元中。接下来，使用焊接机器人启动焊接通道，沿着基板表面沉积材料珠。对扫描机器人进行编程，使其遵循与珠子位置对齐的路径。
对于简单的线性珠子，使用与焊接机器人相同的起点和终点，并使用扫描机器人扫描整个板区域以增强覆盖范围。在将扫描仪移动到工件上时进行测量。记录扫描路径的起点和终点、机器人的移动速度和采集频率。
确认频率对应于空间间隔，不小于为有限元分析计划的最小单元大小。使用 Python 代码将扫描的珠轮廓与适当的分析函数拟合。对于单珠沉积，使用抛物线函数进行曲线拟合。
将与校准期间相同的仿射变换矩阵应用于激光扫描数据。将扫描数据裁剪到覆盖珠子并在其周围包含边距的区域。使用基于高度的滤镜消除由反射引起的任何扫描伪影。
然后通过求解板法线来展平裁剪扫描中板的局部区域，并应用旋转矩阵将板法线与垂直轴对齐。旋转珠子，使其与 Y 轴对齐，以简化进一步的处理。通过在基板水平上方应用高度滤波器来检测珠子方向，并将结果数据与一阶多项式拟合，以生成表示珠子方向的向量。
如果珠子不直，请将其分成近似直线的较小段。现在裁剪旋转部分以去除多余的板面积，同时在珠子的两侧保留大约 5 毫米的材料。选择珠子没收的中心区域，并执行与该位置的数据横截面拟合的抛物线曲线。
然后使用拟合的抛物线曲线，通过评估珠子在其最大高度处与底板相交的 X 坐标处的曲线来确定珠子的横向范围。接下来，评估 Y 坐标，该坐标使用类似的高度阈值技术指示珠子的范围。使用转置到 XY 平面中的相同抛物线形状在珠子的两端创建端接轮廓。
现在，通过评估覆盖珠子整个跨度的多个 X 和 Y 坐标处的所有抛物线来计算珠子的完整轮廓。然后通过指定其实际范围或使用预定义尺寸来添加基础基板几何形状。然后使用 FreeCAD 中的网格划分工具将抛物线横截面集转换为单个 3D 实体几何体。
该曲面应适合导入有限元分析环境。将轮廓点转换为原始焊接机器人坐标系。首先，将珠子重置为新坐标系的原点。
然后应用变换以恢复其在原始帧中的位置。使用宏将磁珠和基板导出为 STL 和步骤文件，使用先前计算的几何点。最后，将完整的几何图形导出为适合有限元分析的文件格式，例如 INP 格式。
或者，使用FreeCAD中的NETGEN网格有限元工具，使用中等细度创建网格，最大单元尺寸为0.5毫米，最小为0.1毫米。应用于基准球体位置的变换矩阵导致坐标系之间出现重叠的、明显不同的点集。与寻边和坐标测量机技术相比，使用激光扫描仪测量的基准球体的半径始终略有低估。
激光扫描仪在确定基准球体之间距离时的位置误差范围为1.30毫米至2.05毫米，而三坐标测量机和电子寻边误差均保持在0.1毫米以下。最终的网格化全焊道几何形状成功导入到有限元分析软件中。
查看完整文字稿并访问数千部科学视频
概述
本文描述了一种使用激光扫描仪获取焊缝近实时测量的协议。该方法允许在不造成延迟的情况下监控焊接过程，并为未来分析创建数字记录。
关键研究组成部分
科学领域
- 自动化焊接
- 焊接测量学
- 有限元分析
背景
- 自动化焊接因其均匀性和可重复性而被广泛使用。
- 当前的自动化系统在多道次焊接过程中缺乏适应性。
- 熟练的技术人员在手动焊接时可以自然适应。
- 手动捕获焊缝几何形状可能会造成延迟。
研究目的
- 提高自动化焊接过程的适应性。
- 实现焊缝几何形状的近实时监控。
- 为未来分析创建焊接过程的数字记录。
使用的方法
- 使用激光扫描仪监控焊接进度。
- 实施在曼彻斯特大学开发的协议。
- 与焊接单元的数字训练系统Meta one集成。
- 比较自动监控与手动测量方法。
主要结果
- 该协议允许不造成延迟的连续监控。
- 它生成了焊接沉积的全面数字记录。
- 促进了对焊接过程的未来分析。
- 增强了自动化焊接系统的适应性。
结论
- 使用激光扫描技术显著改善了焊接监控。
- 自动化系统可以达到与熟练技术人员相似的适应性水平。
- 该协议代表了自动化焊接技术的一个进步。
常见问题
Executive Industry Relevance
Accurate geometric capture of weld beads is critical for predictive modeling of component distortion and residual stress in high-value manufacturing. Integrating laser-based metrology with finite element analysis (FEA) enables rapid, data-driven decision-making and reduces reliance on idealized geometries that can undermine simulation fidelity. This workflow enhances predictive confidence at key inflection points in process development and supports robust portfolio advancement.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables precise interrogation of process-induced material changes through true-shape geometry capture.
- Supports mechanistic de-risking by providing accurate input for FEA of stress and distortion.
- Improves predictive confidence in process optimization and material selection.
Screening & Assay Development
- Facilitates standardized, reproducible digital records of weld geometry for downstream analysis.
- Enables rapid, quantitative assessment of process parameters and their impact on component quality.
- Prepares validated digital models for scalable simulation workflows and screening of process variants.
Translational & Preclinical Research
- Aligns digital process records with translational requirements for component qualification.
- Ensures continuity from process development through preclinical validation of manufacturing protocols.
- Supports risk-adjusted advancement by reducing uncertainty in process-induced material effects.
Pipeline & Workflow Integration
This protocol bridges real-world process monitoring with digital simulation, positioning laser-based geometry capture as a critical enabler from early process development through preclinical qualification.
- Discovery Biology: Provides high-fidelity input for hypothesis testing on process-material interactions.
- Screening: Delivers reproducible, quantitative geometry data for robust simulation and comparison.
- Analytics: Supplies precise 3D measurements and digital records for statistical analysis of process outcomes.
- Translational Research: Maintains digital continuity for regulatory and quality documentation.
- Enterprise Reuse: Establishes a reusable digital workflow for future process and product iterations.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in process modeling.
- Operational Value: Standardizes geometry capture, enhances reproducibility, and supports scalable digital workflows.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient process development.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of manufacturing protocols.
Implementation Considerations
- Requires expertise in laser metrology, robotics, and digital simulation tools.
- Demands calibrated instrumentation and robust analytical infrastructure for data processing.
- Necessitates cross-team standardization of digital records and coordinate systems.
- May require adaptation for different weld geometries or substrate materials.
- Positional accuracy is limited by scanner resolution and calibration, as evidenced by millimeter-scale errors.
