基于动态电阻信号的车身焊点质量检测方法和系统技术方案

本发明专利技术提供了一种基于动态电阻信号的车身焊点质量检测方法和系统，包括：步骤1：通过对汽车焊装生产线上所有焊机设备的联网，进行焊装车间各个工位动态电阻信号的采集与存储，组建车身焊点质量信息大数据库；步骤2：基于相同焊接程序号下的动态电阻信号的一致变化趋势，采用低秩稀疏分解法构建参考曲线，并基于参考曲线建立焊接过程稳定性的评价指标；步骤3：开发基于通道注意力机制和残差连接的一维卷积网络模型，进行焊点质量检测和分类。本发明专利技术在深度学习算法的基础上融入点焊物理过程信息，提高了焊点质量检测精度和可靠性，利用本发明专利技术可以实现准确的焊点质量在线检测。本发明专利技术可以实现准确的焊点质量在线检测。本发明专利技术可以实现准确的焊点质量在线检测。

The method and system of vehicle body solder joint quality detection based on dynamic resistance signal

【技术实现步骤摘要】
基于动态电阻信号的车身焊点质量检测方法和系统


[0001]本专利技术涉及车身焊点质量检测
，具体地，涉及一种基于动态电阻信号的车身焊点质量检测方法和系统。

技术介绍

[0002]电阻点焊工艺因其成本低、自动化程度高等优点在汽车制造业得到了广泛的应用。在大批量、快节奏的白车身装配线上，即使点焊工艺参数设置良好，生产现场的随机因素干扰也容易引发虚焊、焊穿等质量问题。目前国内外车企普遍采用焊后人工抽检的手段来保障焊点质量，但此类方法质检效率低，不能满足快节拍的生产需求，同时无法对整车焊点实现全面检测，使得车身面临安全风险。电阻点焊过程中动态电阻信号能够反映被焊板材在热、力耦合作用下发生的内部特征变化，因此动态电阻信号常被用于焊点质量的在线评价。
[0003]现有基于动态电阻的焊点质量检测仍存在许多技术瓶颈，其检测精度和可靠性还不能满足实际生产需求。这种检测技术具有以下局限性：
[0004](1)绝大部分的焊点质量检测研究成果是在实验室条件下根据几种板材和焊接工况离线实验获得的，训练测试样本少，导致这些方法很难推广到实际应用中。
[0005](2)基于动态电阻信号的焊点质量检测算法大多与特征工程和机器学习模型相关，其准确率高度依赖于专家设计的特征与焊点质量的相关性，在充满随机干扰的焊装生产线上难以准确提取相关的特征。
[0006]专利文献CN201510091730.1公开了一种基于动态电阻曲线的电阻点焊焊点质量检测方法，将检测获得的动态电阻曲线与标准动态电阻曲线进行比对，以判断焊点成核情况，在数据库中调用相应的数学模型，输入检测得到的平均动态电阻，计算机系统即计算并输出焊点直径值和最大承载力值，如小于相应的设定阈值，该焊点被判定为不合格。
[0007]专利文献CN202011329318.6公开了一种基于集成学习的电阻点焊质量预测方法，根据焊接过程中传感器测得的过程参数，采集该焊点的焊接过程数据；构建数据库；对输入数据集通过特征进行预处理；建立焊点治理预测的集成学习模型；每个分类器分别输出待测样本的质量预测结果；根据不同分类器的输出结果，根据投票的方式，集成不同分类器对于该待测焊点样本质量预测的结果，以多数判定结果为最终的预测输出。
[0008]但上述文献都没有将“物理过程对应”和“数据驱动分类”融合考虑进焊点质量判断，评价方法不够全面。

技术实现思路

[0009]针对现有技术中的缺陷，本专利技术的目的是提供一种基于动态电阻信号的车身焊点质量检测方法和系统。
[0010]根据本专利技术提供的基于动态电阻信号的车身焊点质量检测方法，包括：
[0011]步骤1：通过对汽车焊装生产线上所有焊机设备的联网，进行焊装车间各个工位动
态电阻信号的采集与存储，组建车身焊点质量信息大数据库；
[0012]步骤2：基于相同焊接程序号下的动态电阻信号的一致变化趋势，采用低秩稀疏分解法构建参考曲线，并基于参考曲线建立焊接过程稳定性的评价指标；
[0013]步骤3：开发基于通道注意力机制和残差连接的一维卷积网络模型，进行焊点质量检测和分类。
[0014]优选的，所述步骤1包括：
[0015]实时采集各个工位的电极电压和焊接电流信号，并通过预设程序计算得到动态电阻信号，并将过程信号数据及相应的点焊信息存储在MySQL和MongoDB数据库中；
[0016]对原始信号进行预处理，根据电流的脉冲时间消除信号的尖峰部分，同时用低通滤波器降低主焊接段的高频噪声。
[0017]优选的，所述步骤2包括：
[0018]对于相同焊接程序的焊点，通过离线实验获取符合预设要求的焊点的动态电阻信号，对由动态电阻信号组成的矩阵X进行分解，得到参考曲线的低秩先验信息，表达式为：
[0019]X＝L+S
[0020]其中：S为稀疏噪声，L表示由参考曲线信息组成的低秩矩阵；
[0021]然后根据Semi
‑
Soft GoDec算法进行低秩稀疏分解，得到参考曲线。
[0022]优选的，由于相同焊接程序下的点焊动态电阻信号长度相同，基于欧氏距离利用下式定义点焊稳定性因子SF为测量动态电阻信号与参考曲线的偏差：
[0023][0024]其中：x和r表示测量信号和对应的参考曲线，n是信号的长度；SF值越小，采集的动态电阻信号越接近参考曲线，实际点焊过程越稳定，通过设置阈值，区分稳定和不稳定的焊点并发出警告。
[0025]优选的，所述步骤3包括：根据脉冲时间将采集到的动态电阻信号分割成不同的通道进行分析，构建深度网络模型，并基于通道注意力机制自动学习不同特征图的权重来提高模型的分类预测精度；
[0026]所述深度网络模型包括挤压激励模块，通过挤压激励模块在网络模型的每一层自动学习每个特征图的权重，输入信号最初进入卷积层，输出一系列特征图为X＝[x1,x2,
…
,x
c
]，特征图x
i
的大小为W
×
1，通道数为C，通过全局平均池化层生成通道级压缩值来获得全局空间信息，GAP层压缩操作表示为：
[0027][0028]其中：z
c
表示输入特征图的第c个通道的压缩值；X
c
(i,j)表示位置在j和k的第c个通道的值；
[0029]压缩操作后，输出特征图的形状变为C
×1×
1，然后采用两个全连接层来学习每个通道的权重，第一个全连接层降低压缩特征图的维度，采用ReLU激活函数：
[0030]s
e1
＝max(W1×
z+b1,0)
[0031]其中：z表示压缩操作后的特征映射值，W1和b1分别表示权重和偏差；
[0032]第二个全连接层学习每个通道的权重，并通过sigmoid激函数将其值映射到0
‑
1，sigmoid函数在数学上表示为：
[0033][0034]其中：W2和b2分别表示FC层的权重和偏差；
[0035]然后将计算的权重添加到原始特征图中，其数学表达式为：
[0036][0037]其中：F
scale
(x,s)是标量s和特征图x之间的通道乘级法，进行通道特征重新校准；结合残差连接的通道注意机制的输出表示为：
[0038][0039]其中：x是输入，H(x)是残差连接的输出；
[0040]基于焊点标注数据，通过模型学习代表不同类的重要特征，通过加权交叉熵损失函数来克服数据的不平衡，表达式为：
[0041][0042]其中：t
j
和y
j
分别表示属于第j类观测值的实际概率和预测概率；w
j
是每个类的权重系数；N
c
代表类的数量；
[0043]在计算交叉熵误差后，应用随机梯度下降算法来训练模型参数，通过训练后的网络模型直接输出焊点质量类型。
[0044]根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态电阻信号的车身焊点质量检测方法，其特征在于，包括：步骤1：通过对汽车焊装生产线上所有焊机设备的联网，进行焊装车间各个工位动态电阻信号的采集与存储，组建车身焊点质量信息大数据库；步骤2：基于相同焊接程序号下的动态电阻信号的一致变化趋势，采用低秩稀疏分解法构建参考曲线，并基于参考曲线建立焊接过程稳定性的评价指标；步骤3：开发基于通道注意力机制和残差连接的一维卷积网络模型，进行焊点质量检测和分类。2.根据权利要求1所述的基于动态电阻信号的车身焊点质量检测方法，其特征在于，所述步骤1包括：实时采集各个工位的电极电压和焊接电流信号，并通过预设程序计算得到动态电阻信号，并将过程信号数据及相应的点焊信息存储在MySQL和MongoDB数据库中；对原始信号进行预处理，根据电流的脉冲时间消除信号的尖峰部分，同时用低通滤波器降低主焊接段的高频噪声。3.根据权利要求1所述的基于动态电阻信号的车身焊点质量检测方法，其特征在于，所述步骤2包括：对于相同焊接程序的焊点，通过离线实验获取符合预设要求的焊点的动态电阻信号，对由动态电阻信号组成的矩阵X进行分解，得到参考曲线的低秩先验信息，表达式为：X＝L+S其中：S为稀疏噪声，L表示由参考曲线信息组成的低秩矩阵；然后根据Semi
‑
Soft GoDec算法进行低秩稀疏分解，得到参考曲线。4.根据权利要求3所述的基于动态电阻信号的车身焊点质量检测方法，其特征在于，由于相同焊接程序下的点焊动态电阻信号长度相同，基于欧氏距离利用下式定义点焊稳定性因子SF为测量动态电阻信号与参考曲线的偏差：其中：x和r表示测量信号和对应的参考曲线，n是信号的长度；SF值越小，采集的动态电阻信号越接近参考曲线，实际点焊过程越稳定，通过设置阈值，区分稳定和不稳定的焊点并发出警告。5.根据权利要求1所述的基于动态电阻信号的车身焊点质量检测方法，其特征在于，所述步骤3包括：根据脉冲时间将采集到的动态电阻信号分割成不同的通道进行分析，构建深度网络模型，并基于通道注意力机制自动学习不同特征图的权重来提高模型的分类预测精度；所述深度网络模型包括挤压激励模块，通过挤压激励模块在网络模型的每一层自动学习每个特征图的权重，输入信号最初进入卷积层，输出一系列特征图为X＝[x1，x2，...，x
c
]，特征图x
i
的大小为W
×
1，通道数为C，通过全局平均池化层生成通道级压缩值来获得全局空间信息，GAP层压缩操作表示为：
其中：z
c
表示输入特征图的第c个通道的压缩值；X
c
(i，j)表示位置在j和k的第c个通道的值；压缩操作后，输出特征图的形状变为C
×1×
1，然后采用两个全连接层来学习每个通道的权重，第一个全连接层降低压缩特征图的维度，采用ReLU激活函数：s
e1
＝max(W1×
z+b1，0)其中：z表示压缩操作后的特征映射值，W1和b1分别表示权重和偏差；第二个全连接层学习每个通道的权重，并通过sigmoid激函数将其值映射到0
‑
1，sigmoid函数在数学上表示为：其中：W2和b2分别表示FC层的权重和偏差；然后将计算的权重添加到原始特征图中，其数学表达式为：其中：F
scale
(x，s)是标量s和特征图x之间的通道乘级法，进行通道特征重新校准；结合残差连接的通道注意机制的输出表示为：其中：x是输入，H(x)是残差连接的输出；基于焊点标注数据，通过模型学习代表不同类的重要特征，通过加权交叉熵损失函数来克服数据的不平衡，表达式为：其中：t
j
和y
j
分别表示属于第j类观测值的实际概率和预测概率；w
j
是每个类的权重系数；N
c
代表类的数量；在计算交叉熵误差后，应用随机梯度下降算法来训练模型参数，通过训练后的网络模型直接输出焊点质量类型。6.一种基于动态电阻...

【专利技术属性】
技术研发人员：郑永佳，谢棱西，戴伟，唐鼎，李大永，彭颖红，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：