轻量化、高强度结构件广泛应用于航空、航天、武器装备等领域,蒙皮网格结构是实现轻量化的有效设计形式。蒙皮网格结构件对焊接接头质量和焊接过程稳定性要求较高,破坏性的焊后试验难以满足焊接质量实时监测的需求。因此,针对蒙皮网格非可视化T型接头的焊接过程质量监测是保证接头质量一致性的关键。针对目前激光焊接质量监测存在的图像采集不清晰、熔池图像与焊缝形貌难以建立定量模型的问题,开展了基于深度学习的钛合金T型接头激光焊接焊缝成形分析与预测研究。利用光纤激光器采用不同的焊接工艺参数对TA15钛合金蒙皮网格结构进行焊接。采用减光与滤光复合的同轴高速摄像监测方案对不同焊接参数下的熔池形貌进行图像采集。对采集到的熔池图像进行特征提取,运用回归分析、BP神经网络及卷积神经网络的方法建立激光焊接参数与焊缝熔深、焊缝结合面宽度等焊缝形貌的预测模型。并对模型准确性、实时性、泛化能力及可解释性进行评价。为激光焊接质量监测方法及质量评价模型的构建提供参考。首先,进行了基于熔池特征量的T型接头焊缝成形分析。采集不同焊接参数下的熔池正面图像,采用边缘处理算法提取熔池特征量数据。相关性分析表明,只有部分熔池特征量与焊缝形貌特征量线性相关,其中熔池宽度和熔池后拖角度与对T型接头焊缝结合面宽度具有强相关性,熔池长度、熔池宽度和熔池后拖角度与T型接头焊缝熔深具有强相关性。建立了焊接工艺参数与焊缝成形的回归分析模型。显著性分析和方差分析表明,回归方程的系数显著,模型拟合较好。激光功率对焊缝熔深和结合面宽度影响较大,这与激光焊接工艺试验结果一致。接着,建立了基于BP神经网络的T型接头焊缝形貌分析与预测模型。以熔池特征量作为模型的输入,以焊缝熔深和焊缝结合面宽度作为模型的输出,建立了三层BP神经网络对T型接头焊缝形貌进行预测。采用主成分分析大大降低了模型输入层信息的重复性,减少了模型输入的维数。采用遗传算法优化模型初始权重和阈值,可以很好地改善BP神经网络的固有缺陷,避免了模型收敛于局部最优值。基于BP神经网络的T型接头焊缝形貌预测模型对焊缝熔深和焊缝结合面宽度的预测误差分别为0.1mm、0.11mm。基于BP神经网络的焊缝形貌预测模型在预测精度、平均误差、平均误差的标准差方面均优于回归模型,模型预测精度更高,模型的泛化能力更强。但基于BP神经网络的焊缝形貌预测模型在预测精度、实用性、实时性方面仍有欠缺。最后,建立了基于深度学习的T型接头焊缝形貌分析与预测模型。根据不同层数、不同结构、不同模型输入的卷积神经网络模型性能对比,设计了互补双通道卷积神经网络,利用浅层卷积层提取简单特征,深层卷积层采用双通道结构,两通道分别提取熔池图像的背景特征和纹理特征。网络同时引入了焊接工艺参数,共同预测焊缝形貌。通过批正则化增大数据梯度、加速收敛。通过Dropout随机失活防止模型过拟合。确定最优模型配置为Adam梯度下降、初始学习率取0.0003、回归平衡系数取3、权重惩罚系数取0.1。此时模型性能表现最优,焊缝熔深和结合面宽度的预测误差分别为0.04mm和0.03mm。卷积神经网络直接将熔池图像作为输入,无需进行熔池特征量提取过程,样本数据量和模型参数量比BP神经网络高几个数量级。卷积神经网络模型在模型预测精度、模型泛化能力、实时性方面表现更加优异,能更好地满足激光焊接质量实时监测需求。