在熔焊过程中,焊缝熔深是焊接质量的关键指标,很多焊接结构的失效就是由于焊缝熔深不够或未焊透导致的,因此对于焊缝熔深的检测就显得非常重要。目前焊缝熔深普遍的检测方法是通过焊后破坏性试验,切开截面观察焊缝的宏观金相,这在工程中往往无法实现。熟练的焊工能够根据焊接过程中的电弧声音和表面的熔池形貌,凭观察实时调节焊接参数,确保焊缝的熔深合格,因此可以通过采集电弧声、熔池图像和焊接电信号等搭建焊缝熔深预测模型。本文构建了焊接数据采集实验平台,实现了焊接电流、电弧电压、电弧声和焊缝熔池表面图像的实时同步采集。分析了所采集的信号与焊缝熔深之间的关系,并提取信号的特征值。分别应用多元线性回归、回归支持向量机和BP神经网络建立依据所采信号预测焊缝熔深的模型。通过对比三种模型的预测误差,BP神经网络的平均相对误差相对较小为1.1%。采用CO₂气体保护焊在板厚为15mm的Q235平板上进行堆焊实验,应用BP神经网络对平板堆焊的焊缝熔深进行预测,预测值的平均相对误差为1.4%。焊接熔深随着以下参数变化减小:焊接电流减小,电弧电压增大,焊接速度增大,气体流量增大。采用相同材质的板材和焊接方法进行了角焊缝实验,除了上述的焊接参数对熔深有影响外,焊枪的空间位置对角焊缝的熔深有很大的影响,焊枪的空间位置由焊枪与底板的夹角、焊枪的对中位置和焊枪的倾斜角度确定,通过将焊枪的空间位置添加为模型的输入节点,并采用Dropout改进的BP神经网络模型,使得角焊缝熔深的预测模型精度提高,侧板熔深a、焊根熔深b和底板熔深c的平均相对误差都在3.8%以内。