點焊過程信號采集及焊接質量預測研究

高子博　郭海欣　李天雷　張莉　周沖　張晨曦

摘 要：電阻點焊技術因其低價高效性在汽車行業廣泛應用于車身各部件的連接上，點焊的質量直接影響到整個汽車的品質。本文設計了一個點焊質量評分預測模型，通過傳感器采集焊接過程中的動態電流、電壓等信號，在與焊接質量評分進行相關性分析后選取可以表征焊接質量的特征量，基于機器學習算法建立點焊焊接質量預測模型并進行誤差分析。最后選用隨機森林算法模型，得到焊接評分預測值，結果表明預測值與真實值的誤差可以控制在2%以內，預測較為準確。

關鍵詞：電阻點焊 數據采集 機器學習 質量預測

Research on Signal Acquisition and Welding Quality Prediction in Spot Welding Process

Gao Zibo Guo Haixin Li Tianlei Zhang Li Zhou Chong Zhang Chenxi

Abstract：Resistance spot welding technology is widely used in the automotive industry for the connection of various parts of the car body because of its low cost and high efficiency， and the quality of spot welding directly affects the quality of the entire car. In this paper， a spot-welding quality score prediction model is designed， which collects dynamic current， voltage and other signals in the welding process through sensors， selects the characteristic quantities that can characterize the welding quality after correlation analysis with the welding quality score， and establishes the spot-welding quality prediction model based on the machine learning algorithm and analyzes the error. Finally， the random forest algorithm model is selected to obtain the predicted value of the welding score， and the results show that the error between the predicted value and the real value can be controlled within 2%， and the prediction is more accurate.

Key words：resistance spot welding， data acquisition， machine learning， quality prediction

1 前言

在汽車的生產制造過程中，車身及各零部件之間的連接通常采用電阻點焊的方式。據相關統計表明，點焊在車身結構連接方式中的占比大于90%，因此車身強度、安全性和使用壽命很大程度上取決于焊點的質量，準確把控汽車車身焊點質量對保證整車質量意義重大。

電阻點焊的基本原理是把裝配成搭接接頭的焊件壓緊在兩電極之間，利用電阻熱熔化母材金屬，形成焊點。但由于其形成過程一直處于封閉狀態，無法直接觀測，大多數汽車廠商在生產中都是通過抽樣來進行破壞性檢測或無損檢測，破壞性檢測主要通過測量焊點的拉剪強度或焊核直徑來評價焊點的質量，無損檢測大多通過目測或超聲波檢測來確定焊點質量。這些方法都使得焊點質量檢測效率極低，生產成本提高，并且無法全面了解車身所有焊點的質量。由此可見，點焊質量的在線預測技術對保證點焊質量的可靠性和一致性有非常重要的意義，具有廣闊的市場前景和重大的商業價值，目前該項技術已經受到國內外學者的廣泛關注和研究。

本文通過實時監測點焊過程中的各類特征信號，包括焊接動態電流、動態電壓、電極壓力、電極位移等，結合焊接材料、板材厚度、鍍層材料、焊接時長、焊核直徑、焊核拉剪強度等數據，基于機器學習原理設計開發了一種點焊質量預測模型，該模型可通過輸入焊接過程信號和相關特征信息準確預測焊接質量。

2 焊接過程信號監測

本章分別通過電流傳感器、電壓傳感器、位移傳感器和電極壓力傳感器對電流信號、電壓信號、位移信號及電極壓力信號進行數據采集傳入數據采集裝置中，再用數據采集裝置進行模數轉換和存儲，最后再將數字信號傳輸到計算機內，信號監測模塊整體結構如圖1。

2.1 焊接電流監測

焊接電流的檢測方法主要有分流器法、電流互感器法、霍爾傳感器法及羅氏線圈法等。羅氏線圈電流傳感器具有反應靈敏，與測量回路電氣絕緣，結構簡單、質量輕、安裝方便及動態測量范圍大等優點，本文選用羅氏線圈電流傳感器，將其安裝在焊機次級電流回路中，可實現次級大電流的精確測量。

線圈電流傳感器輸出的感應電動勢并非焊接電流實際值，而是與被測電流（即焊接電流）的變化率成線性關系，可通過改變橫截面積和單位上的線圈匝數來調整線圈電流傳感器的靈敏度。羅氏線圈的輸出特征為輸出電壓信號正比于所測電流信號的微分，因此利用調理電路中增加對原始信號的積分處理電路來采集點焊過程中的焊接電流信號。

2.2 焊接電壓監測

由于大電流會造成較大的電磁干擾，而點焊過程中上下電極間的電壓較小，在此選用雙絞屏蔽線實現對電極間電壓的測量以減小干擾。檢測電壓時，先將鱷魚夾分別夾在上下電極上，再通過扭絞纜線將信號傳輸到示波器中。

2.3 電極位移監測

檢測位移的傳感器為HG-C1030激光位移傳感器。該傳感器的光源為波長655nm的紅色半導體激光，光束直徑為50um，重復精度為10um，輸出范圍0～5V。在焊接過程中，由于焊接區的熱膨脹而發生的電極運動量一般為總板厚的10%。因此，本論文采用的HG-C1030激光位移傳感器足以確保其精度。

2.4 電極壓力監測

文中采用高靈敏石英應變傳感器對電極壓力進行監測。該傳感器是一種基于壓電效應的傳感器，傳感器的壓電晶體受力時會產生電荷，具有靈敏度高、頻帶寬、信噪比高、結構簡單、結實耐用的優點，適合動態壓力的測量。由于壓電傳感器受力時產生的電荷信號較微弱，且內阻極高，因此需要放大壓電傳感器輸出的微弱電荷信號，且將壓電傳感器的高阻抗變換成低阻抗輸出。使用外加電阻信號調理電路將電流信號轉換為數據采集卡可以直接采集的電壓信號。

2.5 數據采集卡

在選擇數據采集卡時，需考慮采樣頻率范圍、A/D轉換速度、模擬信號轉換分辨率、模擬轉換通道數等因素，本文選用的數據采集卡為USB接口模式，其主要技術參數如下：

1）量程為-10～+10V

2）8路差分模擬信號輸入通道，2路模擬輸出通道

3）為滿足高頻信號的采樣需求，采樣頻率在5kHz以上

4）12路數字輸入/輸出通道

3 焊接質量檢測

電阻點焊后的焊點由于存在封閉性，無法直觀地判斷其質量好壞，目前常見的質量檢測方式分為破壞性檢測和無損檢測。

3.1 破壞性檢測

破壞性檢測是在檢測之前或過程中需要破壞工件或原材料工作狀態，工件或原材料的使用功能或性能遭到一定程度破壞的檢測形式或方法，主要用來測量焊點的拉剪強度和熔核直徑。其中，拉剪強度的測量通過拉伸實驗完成，熔核直徑的測量過程如下：

點焊結束后，等待試件冷卻至室溫，對每個試件的正面和背面拍照，記錄焊點表面的宏觀形貌。然后利用線切割機將試件沿焊點中心切割開，線切割后的試樣待觀測表面粗糙不符合要求，因此，將線切割后的試樣進行打磨、拋光、腐蝕、清洗和烘干，然后在顯微鏡下拍攝電阻點焊熔核照片，并對熔核直徑進行測量計算并記錄。

3.2 無損檢測

無損檢測是檢測之前或過程中都不損壞工件或原材料的一種檢測方法，可以檢測被檢物表面狀態和內部質量。在汽車工業領域內，無損檢測用途主要有以下兩種。第一，電阻點焊的無損檢測。該檢測方式包括人工視覺檢測、震蕩檢測以及超聲波檢測等。在汽車行業常用的是靈敏度高且速度快的超聲波探傷檢測，該檢測能有效地對汽車車身缺陷進行定位和量化。第二，氣體保護焊的無損檢測。氣體保護焊焊縫的射線探傷檢測方法普遍應用在汽車工業，其能夠通過射線檢查金屬內部可能出現的針孔、夾雜、裂紋等缺陷。

4 焊接質量預測模型

本章針對第1章中獲得的點焊焊接動態過程信號，提取出與焊接質量強相關的特征量，作為機器學習模型的輸入。以第2章中獲得的能表征焊接質量的檢測結果為參考依據，對焊接質量進行評分，并將其作為機器學習的輸出。選用機器學習領域常用且效果較好的幾種算法，建立點焊焊接質量評分預測模型。

4.1 特征值提取

本文通過監測動態焊接電流和電壓的數據，繪制出動態電阻曲線，如圖2所示。

提取動態電阻最大值（）、動態電阻最小值（）、動態電阻平均值（）、電極壓力動態上升幅度最大值（）、電極壓力動態上升幅度平均值（）、電極壓力平均值（）、電極壓力標準差（）、電極位移量（），將這些特征量與焊接質量評分做相關性分析。為了使質量預測準確且有效，選取的特征值應與點焊質量呈強相關性。

相關性分析結果如表1所示，根據相關關系可得，特征量作為焊接質量預測模型的輸入參數。

4.2 焊接質量預測模型

選用幾個常見機器學習回歸模型，包括隨機森林、決策樹、SVM、梯度提升決策樹、MLP、Adaboost、Bagging，以焊接時間T、焊接板材M、板材厚度L、預設電流I、預設電壓U、預設電極壓力F、脈沖寬度設定值W和3.1提取出的特征量作為模型的輸入，質量評分作為輸出，分別建立焊點質量評分預測模型。

在經過大量點焊工藝實驗后，積累了大批合格和存在缺陷的焊點數據，形成焊點質量數據集。將數據集劃分為訓練集和測試集，用訓練集訓練上述各個模型的參數，然后利用測試集驗證各個模型的回歸性能，并輸出焊點質量評分的預測結果。

4.3 模型性能評價

使用平均絕對誤差、均方誤差和R2_score算法對7個模型輸出結果的誤差分別進行計算，結果如表2所示。

根據誤差結果，最終選擇隨機森林模型來預測焊接質量評分。隨機森林是用隨機的方式建立一個由很多決策樹組成的森林，每一棵樹之間沒有關聯，特點是抗噪性強、隨機性，是一個集成學習模型，具有不錯的預測能力。隨機森林是一種組合分類器，它以決策樹當作是基分類器，復合了多個決策樹模型，這在一定程度上減少單分類器的限制，使得整體性能更好，可以達到更高的預測準確率。同時，隨機森林自身的隨機性，可以較大程度上包容異常點和噪聲的影響，從而在一定程度上減少了決策樹算法存在的過擬合現象，提升了泛化能力。在測試集上隨機森林模型的部分擬合結果如表3所示。由此可見，該模型預測效果較好，平均偏差率為1.85%。

5 結論

本文利用傳感器采集了電阻點焊焊接過程信號，并使用破壞性檢測和無損檢測的方式評估焊點質量。通過對焊接過程信號和焊接質量進行相關性分析選取了可以表征焊接質量的特征量。基于機器學習算法建立了特征量與焊接質量評分之間的關系，經誤差分析后選擇了效果較好的隨機森林算法，形成點焊焊接質量評分預測模型。經過測試集驗證發現，該模型可以較為準確地預測焊接質量，平均偏差率為1.85%。

參考文獻：

[1]韓佩. 基于多通道的電阻點焊質量檢測研究[D].西安石油大學，2021.

[2]文靜，賈洪德.電阻點焊動態信號實時監測及焊接質量預測[J].電焊機，2020，50（05）：102-106+138.

[3]李雪海.汽車白車身點焊質量控制評價體系研究[J].汽車實用技術，2020（08）：191-193.

[4]魏雷.點焊質量監控系統的設計[J].山西大同大學學報（自然科學版），2019，35（04）：76-78.

[5]文靜. 電阻點焊質量監測智能化及系統研究[D]. 吉林：吉林大學，2010.

[6]陳材，祁俊峰，陳樹君. 點焊信息在線監測與評估在航天器艙體結構中的應用[J]. 電焊機，2018，48（2）：1-5.

[7]Wen J，Jia H D，Wang C S. Quality Estimation System for Resistance Spot Welding of Stainless Steel[J]. ISIJ Intern-ational，2019，59（11）：2073-2076.

[8]許君，李永兵，陳關龍等.轎車車身電阻點焊質量實時監測系統[J].焊接學報， 2006，27（4）：41-44.

[9]尚建利，張婷.汽車車身焊接質量控制與檢測研究[J].機械管理開發，2019，34（01）：221-222+224.

[10]張超.汽車白車身焊接質量控制及檢測和評價[J].內燃機與配件，2022（08）：92-94.