Comprendre la soudure de projections et ses défis

Le soudage par projection est un procédé de soudage par résistance où le courant et la pression sont concentrés lors de projections préformées sur une ou les deux pièces. Ce design localise la production de chaleur, permettant des joints rapides et répétables idéals pour la production en grand volume dans l'industrie automobile, l'industrie des appareils et l'industrie électrique.

  • Fusion incomplète:[ Une chaleur ou une pression insuffisante ne permet pas de coller complètement les projections.
  • Expulsement: Le métal fondu est éjecté de l'articulation, affaiblissant la soudure et causant une contamination de surface.
  • Porosité: Le piégeage au gaz crée des vides qui réduisent la résistance.
  • Craquage:[ La contrainte thermique ou le refroidissement inadéquat conduit à des fissures.
  • Échelle asymétrique:[ Une déformation de projection inégale produit une géométrie de joint incohérente.

Ces défauts découlent d'interactions entre la composition du matériau, l'usure des électrodes, les paramètres électriques (tension, courant, temps de soudure), la force mécanique et les facteurs environnementaux.Le contrôle de la qualité traditionnel repose sur l'inspection post-soudée (p. ex. analyse micrographique, essais de cisaillement) ou le contrôle statistique des processus, qui détectent les défauts seulement après qu'ils se produisent.

Le rôle de l'apprentissage automatique dans le contrôle de la qualité du soudage

Dans le cadre de la soudure par projection, les modèles ML ingèrent des flux de capteurs haute fréquence (tension, courant, déplacement d'électrode, émission acoustique et profils thermiques infrarouges) pour identifier les précurseurs de défauts. En reconnaissant des modèles subtils que les opérateurs humains ne peuvent percevoir, ML peut déclencher des actions correctives (par exemple, ajuster le temps de soudure ou le courant) dans les millisecondes du cycle de soudure.

Deux approches principales de la LM sont utilisées :

  • Enseignement supervisé:[ Les modèles sont formés sur des ensembles de données étiquetés où chaque soudure est classée comme --good ou --defective, , , , , souvent avec des types de défauts spécifiques.
  • En apprentissage non supervisé:[ Lorsque les étiquettes de défauts sont rares, des modèles comme les autoencodeurs ou les algorithmes de regroupement détectent les anomalies en apprenant la signature de soudure -normale et les déviations de signalisation.

Une étude de 2023 a démontré qu'un réseau neuronal convolutionnel (CNN) formé sur les signaux de déplacement d'électrodes pouvait prédire l'expulsion dans le soudage par projection avec une précision de 97 %, ce qui surpassait les méthodes traditionnelles basées sur les seuils. [1] Un autre groupe de recherche a utilisé des arbres en pente pour classer six types de défauts à partir de données électriques, obtenant une précision de 94 % [2] Ces résultats soulignent le potentiel de ML=1 pour transformer l'assurance qualité de la réaction en prédictive.

Mise en œuvre de l'apprentissage automatique pour la prédiction des défauts

Collecte de données et fusion de capteurs

Le ML efficace commence par des données synchronisées de haute qualité. Dans le soudage par projection, les capteurs clés comprennent :

  • Sondes électriques: Mesurer le courant de soudure (kA), la tension (V) et la résistance dynamique (m).
  • Sondes mécaniques: Les transformateurs différentiels linéaires variables (LVDT) suivent le déplacement de l'électrode (mm) et la force (kN). La vitesse d'effondrement reflète l'adoucissement du matériau.
  • Les capteurs thermiques: Les pyromètres infrarouges ou la thermographie à grande vitesse capturent les gradients de température de surface, qui sont corrélés avec la qualité de fusion.
  • Les microphones enregistrent les signatures sonores – les changements de contenu de fréquence peuvent indiquer une fissuration ou une expulsion.

Les données doivent être échantillonnées à ≥1 kHz pour saisir les événements transitoires. La synchronisation entre les canaux de détection est critique; les timbres-temps ou les systèmes d'acquisition déclenchés par le matériel assurent l'alignement temporel.

Prétraitement et ingénierie des fonctionnalités

Les données brutes de capteur contiennent du bruit, de la dérive et des valeurs aberrantes.

  • Filtrage (p. ex., Butterworth à faible passage) pour éliminer les interférences électromagnétiques.
  • Normalisation ou normalisation pour les caractéristiques d'échelle égale.
  • Segmentation : Isoler la période de soudure (de l'effondrement de la projection à la solidification) en utilisant l'électrode pour l'entrée et la fin du mouvement.
  • Extraction de caractéristiques : Calcul des descripteurs statistiques (moyenne, variance, skewness, kurtose) sur des segments de soudure, ainsi que des mesures spécifiques de domaine comme la force de pointe, le courant de pointe et la surface sous la courbe de résistance.

La réduction de dimensionnalité (par exemple PCA ou t-SNE) peut visualiser des données à haute dimension et supprimer des fonctionnalités redondantes, améliorant la généralisation des modèles.

Sélection et formation de modèles

Les architectures communes de ML pour la prédiction des défauts de soudage comprennent :

  • Fiches de random: Ensemble d'arbres de décision, robustes à surmonter, interprétables par l'importance de la fonctionnalité.
  • Support vector machine:[ Efficace pour la classification binaire (bon ou défaut) avec des noyaux non linéaires.
  • Réseaux neuronaux convolutionnels (CNN):[ Extraire automatiquement les patrons spatiaux ou temporels des signaux bruts (p. ex., 1D-CNN sur les formes d'onde actuelles).
  • Réseaux neuronaux récurrents (RNN) ou LSTM: Capturer les dépendances temporelles dans les données de capteur séquentielles, utiles pour prédire les défauts pendant le cycle de soudure avant l'achèvement.
  • Codeurs automatiques:[ Apprenez une représentation compacte des soudures normales; les anomalies des drapeaux d'erreur de reconstruction.

La formation exige un ensemble de données équilibré, si les soudures défectueuses sont rares (p. ex., 1 % de la production), des techniques comme l'échantillonnage excédentaire en minorité synthétique (SMOTE) ou l'ajustement du poids par classe, empêchent le biais du modèle vers la classe majoritaire.

Déploiement et intégration en temps réel

Déployer un modèle ML formé sur un contrôleur logique programmable (PLC) ou un périphérique de bord implique de convertir le modèle en un format léger (p. ex. ONNX, TensorFlow Lite) et de mettre en œuvre la logique d'inférence. Le système doit répondre aux contraintes du cycle-temps – les durées de soudure typiques sont de 50 à 500 ms, donc l'inférence doit se terminer dans les 10 à 20 ms.

Les retours en temps réel peuvent être exécutés en deux modes :

  • Stop prédictif:[ Si le modèle prédit une probabilité de défaut élevée, le régulateur de soudage interrompt le courant ou augmente la pression pour sauver l'articulation.
  • Ajustement du paramètre adaptatif:[ Le modèle recommande des corrections mineures au courant, au temps ou à la force de soudure pour la prochaine soudure, en fonction des tendances des soudures récentes.

Un fournisseur automobile de premier plan a intégré un prédicteur LSTM dans sa ligne de soudage de projection pour barres d'autobus de batterie. Le système a réduit les taux de rejet de 2,3 % à 0,4 % dans les six mois. [3]

Avantages de l'utilisation de l'apprentissage automatique dans le soudage de projection

Au-delà des quatre éléments énumérés dans l'article original, les avantages élargis comprennent :

  • Temps d'arrêt réduit:[ Entretien prédictif des électrodes – les modèles peuvent détecter les modèles de dégradation des électrodes, programmer le remplacement avant que des soudures défectueuses ne se produisent.
  • Épargnes de matériaux:[ Moins de ferraille et de retravail, moins de consommation de matières premières, en soutenant les objectifs de durabilité.
  • Augmentation des compétences d'un exploitant :[ Les outils ML fournissent des tableaux de bord intuitifs montrant les tendances de la qualité des soudures, ce qui permet aux opérateurs de prendre des décisions fondées sur les données.
  • Transfertabilité du procédé:[ Une fois formé sur une partie de la géométrie, l'apprentissage du transfert peut adapter le modèle à des parties similaires avec un recyclage minimal – un avantage énorme dans la production à faible volume et à haute teneur en mélanges.

Orientations et défis futurs

Qualité et quantité des données

La collecte de données de soudure défectueuses est particulièrement difficile car les défauts sont rares. L'augmentation des données (par exemple, ajouter du bruit synthétique, modifier le temps) peut aider, mais des expériences physiques restent nécessaires. Des ensembles de données à accès ouvert comme le --Resistance Welding Process Monitoring Dataset (en anglais seulement) apparaissent.[4]]

Modèle d'interprétation

Les intervenants de l'industrie exigent des explications pour expliquer pourquoi une soudure a été déclarée défectueuse. Les méthodes d'IA (XAI) explicables – valeurs SHAP, LIME ou mécanismes d'attention – peuvent mettre en évidence quels capteurs et intervalles de temps ont le plus contribué à la prédiction.

Robustesse à la nouveauté

Un modèle formé sur une seule qualité de matériau peut échouer lorsque le fournisseur de matériel change ou lorsque la géométrie de l'extrémité de l'électrode varie. Les techniques d'adaptation de domaine et d'apprentissage continu (mises à jour en ligne) sont des domaines de recherche actifs.

Intégration avec l'industrie 4.0

Les systèmes ML de soudage de projection devraient être reliés aux systèmes d'exécution de fabrication (MES) pour la traçabilité et aux plateformes cloud pour l'apprentissage de la flotte. L'informatique de bord réduit les coûts de latence et de transmission des données, tandis que l'analyse du cloud peut reformer les modèles du jour au lendemain en utilisant des données agrégées provenant de plusieurs lignes.

En conclusion, l'apprentissage machine offre un chemin de transformation de la détection réactive des défauts à la prévention proactive des défauts dans le soudage de projection. En exploitant les données de capteur haute fidélité et les algorithmes avancés, les fabricants peuvent atteindre des taux de défaut proches de zéro, des coûts plus faibles et une meilleure fiabilité du produit. Le parcours nécessite des investissements dans l'infrastructure de capteur, la gestion des données et la validation des modèles, mais les rendements – tant économiques qu'opérationnels – sont substantiels.