理解投影焊接及其挑战

投影焊接是一种电阻焊接过程,电流和压力集中在一个或两个工作台的预设预测上,这种设计将热产生本地化,使得汽车、电器和电气工业的高容量生产能够快速、可重复的关节的理想。尽管效率很高,但投影焊接由于工艺的可变性而容易出现缺陷。

  • 不完全聚变: 热或压不足不能完全结合预测.
  • 驱逐:[ 金属熔体从关节中喷出,削弱焊接并造成表面污染.
  • 薄度:[] 气体的诱导产生真空,降低强度.
  • 裂解:[] 热应力或冷却不当导致裂解.
  • 对称崩溃:[不均匀的投影变形产生不一致的联动几何.

这些缺陷产生于材料组成,电极磨损,电参数(电压,电流,焊接时间),机械力,以及环境因素之间的相互作用. 传统的质量控制依赖于封隔后检查(如微图分析,剪切测试)或统计过程控制,这些检查只有在缺陷发生后才发现缺陷. 实时缺陷预防的需要是驱动人们采用能够模拟焊接动力学中复杂,非线性关系的机器学习(ML)技术.

机器学习在焊接质量控制中的作用

机器学习可以使系统在没有明确编程的情况下从数据中学习。 在投影焊接中,ML模型吸收了高频传感器流 — — 电压、电流、电极移位、声学排放和红外热剖面 — — 以识别缺陷的先兆。 通过识别人类操作者无法察觉的微妙模式,ML可以在焊接周期毫秒内触发纠正行动(如调整焊接时间或电流 ) 。

采用了两种主要的多指标性分析方法:

  • 超监督学习: 模型在标签数据集上训练,每个焊接被归类为"好"或"有缺陷,"通常有特定的缺陷类型. 算法如随机森林,支持矢量机(SVM),深神经网络(DNN)学习将传感器特性映射到缺陷标签.
  • 无监督的学习:[ 当缺陷标签稀缺时,像自动编码器或集群算法这样的模型通过学习"正常"的焊接签名和标注偏差来检测异常.

2023年的一项研究表明,接受过电极移位信号培训的神经网络(CNN)可以预测在投影焊接时的驱逐,其精确度为97%,超过传统的阈值方法。 [1] 另一个研究小组利用梯度激发树将六种缺陷类型从电数据分类,达到94%的精确度。 [2] 这些结果强调了ML将质量保证从被动性转化为预测性的潜力。

执行缺陷预测的机器学习

数据收集和传感器聚合

有效的ML从高质量的同步数据开始。在投影焊接中,关键传感器包括:

  • 电感应器: 电焊电流(kA)、电压(V)和动态阻力(m),电阻往往会向导。
  • 机械传感器: 线性变异变电器(LVDTs) 轨电极置换(mm)和力(kN). 折叠速度反映材料柔化.
  • 热感应器:红外线热计或高速热测能捕捉表面温度梯度,这与聚变质量有关.
  • 声波传感器: 微机记录声音签名——频率内容的变化可以表示裂缝或驱逐.

数据必须在% 1 kHz 进行抽样, 以捕捉瞬态事件。 传感器通道同步至关重要; 时间戳或硬件触发的获取系统确保时间对齐。

数据处理和地物工程

原始传感器数据包含噪音、漂移和外源。

  • 过滤(如低通路Butterworth),以去除电磁干扰.
  • 标准化或标准化,以同等地体现规模特征。
  • 分离:利用电极运动的发生和结束,隔离焊接期(从投影崩溃到固化)。
  • 特征提取:计算焊接段上的统计描述符(平均,差异,skewness,kurtosis),以及峰值力,时到峰流,阻力曲线下的区域等域特定度量.

维度降低(如PCA或t-SNE)可以可视化高维数据并去除冗余特征,改进模型的泛化.

模式选择和培训

焊接缺陷预测常见的ML架构包括:

  • 野生森林: 由决策树组成,坚固到过度适应,通过特征重要性来解释。
  • 支持矢量机:[] 有效用于二进制分类(good vs. default),具有非线性内核.
  • 革命神经网络(CNNs): 从原始信号(例如当前波形上的1D-CNN)自动提取空间或时间规律.
  • 流体神经网络(RNNs)或LSTMs:[] 连续传感器数据的捕获时间依赖性——用于在完成前预测焊接周期的缺陷.
  • Autoencodes: 学习普通焊接的紧凑表示;重建错误标记异常.

培训需要一套平衡的数据,如果有缺陷的焊接是罕见的(例如1%的生产),那么合成少数超标(SMOTE)或阶级重量调整等技术可以防止模型偏向多数阶层。 使用交叉验证或暂时搁置的组合进行验证可以确保生产变化的稳健性。

部署和实时整合

将经过训练的ML模型安装到可编程逻辑控制器(PLC)或边缘设备上,需要将模型转换成轻量级格式(如ONNX,TensorFlow Lite)和实施推论逻辑。 系统必须满足周期时间的限制 — — 典型的焊接持续时间为50~500 ms,因此推论必须在10~20 ms内完成。 诸如量化和推跑等技术可以减小模型大小和耐久性,而不会出现很大的准确性损失。

实时反馈可以执行两种模式:

  • 预测停止: 如果模型预测出高缺陷概率,焊接控制器中断电流或增加压值以挽救关节.
  • 动态参数调整: 该模型根据近期焊接的趋势,建议对焊接电流,时间或力进行小的修改,用于下一次焊接.

一个主要的汽车供应商将基于LSTM的预测器纳入了电池总线的投影焊接线中。系统在6个月内将拒绝率从2.3%降至0.4%。 [3]]

利用机器学习进行投影焊接的好处

除了原条款所列的四项之外,扩大的效益包括:

  • 缩短的停工时间:[ 预估电极的维护——型号可以探测电极降解规律,在出现有缺陷的焊接之前进行排程替换.
  • 材料节省: 减少废料和再制造低原材料消耗,支持可持续性目标。
  • 操作技能增强:[ ML工具提供直观的仪表板,显示焊接质量趋势,赋予操作者以数据驱动决策权.
  • 处理性转移: 一旦接受过一部分几何学的培训,转学可以使模型适应类似的部分,进行最小的再培训——这是低容量,高混合生产中的巨大优势.

未来方向和挑战

数据质量和数量

ML 模型需要成千上万个标签焊接实例来概括跨过程变异。 收集足够的有缺陷的焊接数据尤其具有挑战性, 因为缺陷很少。 数据增强( 如增加合成噪音、 时间扭曲) 可能有所帮助, 但物理实验仍然有必要。 诸如“ 抵抗焊接过程监测数据集” 等开放存取数据集正在出现。 [[FLT: 0]][4][[FLT: 1]]

模型可解释性

行业利益相关者要求解释焊接为何被标为缺陷。解释性的AI(XAI)方法——SHAP值、LIME或注意机制——可以突出哪些传感器和时间间隔对预测贡献最大。例如,SHAP可能揭示,在最后20毫秒期间动态阻力的迅速下降是驱逐的最强指标。 这种洞察力可以建立信任和指导流程工程师。

强壮到小说

在一个材料级上训练的模型,当材料供应商改变或者当电极尖端几何学不同时,可能会失败. 域适应技术和持续学习(在线更新)是活跃的研究领域. 将基于物理的模型(如有限元素模拟)与ML结合的混合方法可以改善外推到隐形条件下.

与工业融合 4.0

投影焊接ML系统应当与制造执行系统(MES)接口,用于可追溯性,并与云平台接口,用于机队学习. 边际计算降低了延迟性和数据传输成本,而云分析可以使用多行的汇总数据进行一夜间再培训模型. OPC UA等标准有利于数据交换.

最后,机器学习提供了从反应性缺陷检测到预测焊接中主动防缺陷的转变路径。 通过利用高真实度传感器数据和先进的算法,制造商可以实现近零的缺陷率、更低的成本和更好的产品可靠性。 旅程需要投资于传感器基础设施、数据管理和模型验证,但回报 — — 经济和业务回报 — — 却相当大。 随着算法的成熟和计算更加便宜,基于ML的质量控制将成为全世界阻力焊接店的标准做法。