激光焊接过程的实时监测对保证焊接质量具有重大意义。多传感器系统的引入,可以有效克服激光焊接过程的复杂性给焊接过程实时监测所带来的检测对象多、信息容量大等困难,是目前国内外专家学者的研究方向之一。本课题根据激光焊接过程的特点将多传感器数据融合技术应用于激光焊接过程实时监测系统的研究中,并且以虚拟检测系统的方式采用软件化的方法实现监测系统中特征信号的提取和融合。本文首先说明了激光焊接过程监测中检测对象的特点,并以此为依据选择了紫蓝光传感器、红外传感器以及声波传感器来采集与焊接过程密切相关的特征信号。通过对这几种传感器信号调理电路的优化,设计了一套适应性好、易于扩充的通用多传感器系统硬件平台,在此基础上提出了适合本系统的带有参数反馈机制的多传感器数据融合系统结构。传感器系统采集到的原始数据经过硬件平台的处理被采集到计算机中,通过滤波器阵列算法对这些数据进行特征提取,将研究对象从数据空间映射到特征空间中,这样就将数据融合问题转换为模式识别中的数据分类问题。文中使用神经网络算法对这些信号特征进行数据融合,较好地完成了系统预先设计的功能。为了进一步解决实际应用中可能遇到的样本集合偏小的问题,引入了支持向量机(SVM)这种比较新颖的基于统计学习理论的机器学习方法。最后通过实验数据分析对比了支持向量机和神经网络在小样本的学习问题上的性能。本课题设计的激光焊接实时监测系统已成功地应用于某重点实验室的激光焊接设备上。经过实际的焊接试验发现,如果仅选取单个传感器数据进行焊接过程缺陷识别,则激光焊接监测系统很难正确的区分焊接过程中出现的熔透和未熔透状态。在使用多传感器数据融合技术后,整个系统对焊接质量缺陷判断的正确率有了较大的提高,并且随着传感器信号特征空间维数的增加,数据融合结果的正确率也随之提高。研究工作表明,采用多传感器数据融合技术能够提高系统的稳定性和有效性,数据融合技术在实时监测中的应用是保证焊接质量的一种有效方法。