【技术实现步骤摘要】
使用分析和算法预测焊缝质量
[0001]相关申请的交叉引用
[0002]本申请要求于2021年7月22日提交的美国临时申请63/224,648的权益。本申请还要求于2021年4月12日提交的印度临时专利申请20212107108的权益和优先权。上述申请中的每个申请的全部公开内容通过引用并入本文。
[0003]本公开内容涉及使用分析来预测焊缝质量的系统和方法,并且更具体地,涉及使用包括回归、分类和/或人工智能模型和算法的机器学习来评估并且预测焊缝质量的系统和方法。
技术介绍
[0004]本部分提供与本公开内容有关的背景信息,其不一定是现有技术。
[0005]焊接装置用于将两个或更多个工件或部件焊接在一起。例如,可以使用超声波金属焊接机将金属工件焊接在一起。例如,可以使用超声波塑料焊接机、激光焊接机、振动/摩擦焊接机、红外焊接机、旋转焊接机、热板焊接机以及/或者通过使用具有红外(infrared,IR)预热的振动焊接(也称为清洁振动技术)、热气焊接、射频焊接或热熔焊将塑料工件焊接在一起。
[0006]传统上,为了确定焊缝质量,以预定的采样率对一组焊接工件中的大量工件进行采样和测试,该采样率可能高达焊接工件的100%。传统上,某些类型的测试(例如,剥离强度测试和拉力(拉伸)强度测试)使用的测试程序会对被测部件造成破坏,从而导致良好的部件在测试过程中被破坏。取决于焊接部件的数量和采样率,破坏性测试所带来的成本可能是巨大的。例如,如果一家工厂每条生产线每天的生产量为30000焊接件,每1000件 ...
【技术保护点】
【技术特征摘要】
1.一种系统,包括:具有处理器和存储器的计算机,所述计算机被配置成:接收在焊接机将至少两个部件使用焊缝接合在一起的焊接过程期间生成的焊接参数数据;将接收到的焊接参数数据输入到数据分析模型,以生成至少一个预测焊缝质量参数;将所述预测焊缝质量参数与焊缝质量参数阈值进行比较;以及生成输出,该输出指示如下至少之一:所述至少一个预测焊缝质量参数以及所述至少一个预测焊缝质量参数与所述焊缝质量参数阈值之间的比较结果。2.根据权利要求1所述的系统,其中,所述数据分析模型基于将焊接参数数据与焊缝质量数据相关联的实际焊接数据在训练过程期间被训练。3.根据权利要求1所述的系统,其中,所述数据分析模型基于监督学习算法、无监督学习算法、回归算法、分类算法、人工智能神经网络算法、决策树算法、随机森林算法、K最近邻算法、朴素贝叶斯算法、支持向量机算法和梯度提升回归算法中至少之一。4.根据权利要求1所述的系统,其中,所述至少一个预测焊缝质量参数表示所述焊缝的剥离强度、拉力/拉伸强度、破裂压力和光学外观中至少之一。5.根据权利要求1所述的系统,其中,在所述焊接过程期间生成的所述焊接参数数据包括与所述焊接机的所述超声波电源向所述焊接机的超声波转换器提供的电能对应的由所述焊接机的超声波电源生成的数据,包括电流数据、电压数据、功率数据和频率数据中至少之一。6.根据权利要求1所述的系统,其中,在所述焊接过程期间生成的所述焊接参数数据包括由使所述焊接机的焊头移动的致动器生成的数据,包括移动的距离/深度、所述焊头的力、以及所述焊头的速度/下降速度中至少之一。7.根据权利要求1所述的系统,其中,在所述焊接过程期间生成的所述焊接参数数据包括由至少一个传感器生成的数据,所述至少一个传感器包括温度传感器、激光振动计、位置测量传感器、应力/应变传感器、冲击传感器和相机中至少之一。8.根据权利要求1所述的系统,其中,所述焊接参数数据包括具有在所述焊接过程的时间段上的一系列焊接参数值的焊接图表数据。9.根据权利要求8所述的系统,其中,所述处理器和存储器还被配置成使用矩阵轮廓分析来分析所述焊接图表数据,以识别所述焊接图表数据内的异常。10.根据权利要求1所述的系统,其中,所述至少两个部件包括成捆的线。11.根据权利要求1所述的系统,其中,所述焊接机是超声波焊接机、激光焊接机、振动/摩擦焊接机、红外焊接机、具有红外预热系统的组合式振动焊接机、旋转焊接机和热板焊接机中的一种。12.根据权利要求1所述的系统,其中,所述数据分析模型被配置成基于将焊接参数数据与焊缝质量数据相关联的实际焊接数据,通过利用调试程序在所述焊接机已经在现场操作之后进行重新校准。13.一种方法,包括:使用具有处理器和存储器的计算机接收由焊接机在使用焊缝将至少两个部件接合在一起的焊接过程期间生成的焊接参数数据;
使用所述计算机将接收到的焊接参数数据输入到数据分析模型,以生成至少一个预测焊缝质量参数;使用计算机将所述至少一个预测焊缝质量参数与焊缝质量参数阈值进行比较;以及使用所述计算机生成输出,该输出指示如下至少之一:所述至少一个预测焊缝质量参数以及所述至少一个预测焊缝质量参数与所述焊缝质量参数阈值之间的比较结果。14.根据权利要求13所述的方法,还包括基于将焊接参数数据与焊缝质量数据相关联的实际焊接数据在训练过程期间训练所述数据分析模型。15.根据权利要求13所述的方法,其中,所述数据分析模型包括监督学习算法、无监督学习算法、回归算法、分类算法、人工智能神经网络算法、决策树算法、随机森林算法、K最近邻算法、朴素贝叶斯算法、支持向量机算法和梯度提升回归算法中的至少一种。16.根据权利要求13所述的方法系统,其中,所述至少一个预测焊缝质量参数表示所述焊缝的剥离强度、拉力/拉伸强度、所述焊缝的破裂压力以及光学外观中至少之一。17.根据权利要求13所述的方法,其中,在所述焊接过程期间生成的所述焊接参数数据包括与所述焊接机的所述超声波电源向所述焊接机的超声波转换器提供的电能对应的由所述焊接机的超声波电源生成的数据,包括电流数据、电压数据、功率数据和频率数据中至少之一。18.根据权利要求13所述的方法,其中,在所述焊接过程期间生成的所述焊接参数数据包括由使所述焊接机的焊头移动的致动器生成的数据,包括移动距离/深度、所述焊头的力、以及所述焊头的速度/下降速度中至少之一。19.根据权利要求13所述的方法,其中,在所述焊接过程期间生成的所述焊接参数数据包括由至少一个传感器生成的数据,所述至少一个传感器包括温度传感器、激光振动计、位置测量传感器、应力/应变传感器、冲击传感器和相机中至少之一。20.根据权利要求13所述的方法,其中,所述焊接参数数据包括在所述焊接过程的时间段上具有一系列焊接参数值的焊接图表数据。21.根据权利要求20所述的方法,还包括利用所述计算机使用矩阵轮廓分析来分析所述焊接图表数据,以识别所述焊接图表数据内的异常。22.一种系统,包括:具有处理器和存储器的计算机,所述计算机被配置成:接收在焊接机将至少两个部件使用焊缝接合在一起的焊接过程期间生成的焊接参数数据;通过基于所述焊接参数数据与至少一个阈值的比较去除所述焊接参数数据中的异常来过滤所述焊接参数数据;对于所述焊接参数数据中的任何异常,生成指示所述焊接参数数据被拒绝的输出;将过滤后的焊接参数数据输入到数据分析模型,以生成至少一个预测焊缝质量参数;将预测焊缝质量参数与焊缝质量参数阈值进行比较;以及生成输出,该输出指示如下至少之一:所述至少一个预测焊缝质量参数以及所述至少一个预测焊缝质量参数与所述焊缝质量参数阈值之间的比较结果。23.根据权利要求22所述的系统,其中,基于所述焊接参数数据与至少一个阈值的比较去除所述焊接参数数...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。