Методы искусственного интеллекта на основе данных для диагностики дефектов сварки в реальном времени: критический обзор и перспективы развития

Data-driven artificial intelligence methods for real-time welding defect diagnosis: A critical review and future outlook
Xiaoqi Chen, Xun William Xu, Mingming Zhang, Jan Polzer, Qunfeng Liu, XuFan Chen
2026-02-02

сверточные нейронные сетитехнологии цифровых двойниковмониторинг в процессе сваркимультимодальное слияние данныхдиагностика дефектов сварки в реальном времени
В настоящем обзоре представлен подробный анализ систем обнаружения дефектов сварки в реальном времени с акцентом на критически важную интеграцию передовых технологий сенсорного контроля и искусственного интеллекта для повышения качества сварки. Традиционные методы инспекционного контроля после завершения процесса являются трудоемкими и дорогостоящими и принципиально не соответствуют требованиям современного автоматизированного производства к контролю качества в реальном времени. Это обусловливает переход к системам мониторинга в процессе сварки, способным выявлять дефекты непосредственно во время выполнения операции и обеспечивать немедленное принятие корректирующих мер. В исследовании оценивается эффективность различных сенсорных технологий, включая оптические, электрические, акустические, тепловые и радиографические датчики, для выявления разнообразных дефектов сварки. Далее рассматривается применение передовых методов искусственного интеллекта для диагностики дефектов сварки, включая специализированные модели, такие как сверточные и рекуррентные нейронные сети, трансформерные и генеративные модели, перенос обучения, мультимодальное объединение данных и гибридные подходы. В обзоре также обсуждаются ключевые проблемы, включая качество данных, их получение и недостаток, ограничения вычислительных ресурсов и сложность интеграции систем. Наконец, выделяются перспективные направления дальнейших исследований, включая облегченные модели искусственного интеллекта, усовершенствованные стратегии многосенсорного объединения данных и технологии цифровых двойников. Эти достижения способны повысить точность диагностики и обеспечить действительно своевременное обнаружение дефектов в процессе сварки, что в конечном итоге позволит повысить эффективность производства, сократить отходы и обеспечить изготовление более безопасных и надежных сварных конструкций в критически важных промышленных секторах. К основным результатам относятся всесторонний обзор сенсорных технологий для диагностики дефектов сварки в реальном времени; анализ методов на основе искусственного интеллекта, применяемых для диагностики сварочных аномалий; обсуждение современных проблем; определение перспективных направлений, таких как облегченные модели искусственного интеллекта и адаптивные многосенсорные системы; а также рассмотрение значения концепции Индустрии 4.0 для повышения качества сварки и сокращения отходов.
1
Для диагностики на основе ИИ всё чаще применяются свёрточные и рекуррентные нейронные сети, трансформеры, генеративные модели, перенос обучения, мультимодальное объединение данных и гибридные архитектуры.
2
Перспективными направлениями названы облегчённые модели ИИ, адаптивное объединение данных от нескольких датчиков и цифровые двойники для точной диагностики в реальном времени, снижения отходов и повышения безопасности сварных конструкций.
3
К основным препятствиям относятся недостаточное качество и доступность данных, ограниченные вычислительные ресурсы и сложность интеграции сенсорных систем с ИИ.
4
Оптические, электрические, акустические, тепловые и радиографические датчики способны выявлять различные дефекты сварки непосредственно во время операции.
5
Мониторинг сварки в процессе необходим, поскольку традиционный контроль после сварки занимает много времени, требует значительных затрат и несовместим с автоматизированным производством.

Процессы сварки в реальном времени и системы оперативного обнаружения дефектов

Эффективность, интеграция, проблемы и перспективное развитие диагностики сварочных дефектов на основе датчиков и ИИ для контроля качества в реальном времени

Publication Details
Publication Date
2026-02-02
Journal
Publisher
ISSN
Cited by
18
Access Type
Author Information
Authors
Xiaoqi Chen
Xun William Xu
Mingming Zhang
Jan Polzer
Qunfeng Liu
XuFan Chen
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%