焊接质量智能检测方法技术

本发明专利技术公开了一种焊接质量智能检测方法，包括如下步骤：步骤一：在焊接产品上布置一个激振点和多个振动传感器；步骤二：使焊接产品产生振动，采集经过焊接部位的振动信号，多个振动传感器采集的振动信号组成多通道振动信号；获取当前焊接产品的焊接质量的分类标签，将多通道振动信号与分类标签共同构成焊接质量数据；步骤三：判断获取的焊接质量数据的数量是否达到设定阈值；若是，得到数据集，执行步骤五；若否，则执行步骤四；步骤四：在另一个焊接产品的相同位置布置激振点和振动传感器，执行步骤二；步骤五：构建人工智能算法模型，利用数据集训练人工智能算法模型；步骤六：利用人工智能算法模型对焊接产品的焊接质量进行在线检测。线检测。线检测。

【技术实现步骤摘要】
焊接质量智能检测方法


[0001]本专利技术属于焊接
，具体的为一种焊接质量智能检测方法。

技术介绍

[0002]焊接工艺作为主要的连接工艺方法，广泛的应用于高速列车、汽车等重要商品中。例如，一辆汽车上就有超过5000个焊点。因此，焊接质量的好坏，直接关系到商品的质量乃至安全问题。目前，针对焊接质量的检测手段主要可以分为人工判断和设备检测。人工检测主要通过焊工的经验判断，通过观察焊接区域的焊接质量，平整度来判断焊接质量；基于人工经验的焊接质量检测方法由于标准不统一，判断的结果往往不准确。设备检测主要通过超声探伤仪等设备对焊接部位进行检测；基于设备的焊接质量检测方法往往效率较低，且设备成本高。
[0003]公开号为CN113909667B的中国专利公开了一种基于振动数据的超声波焊接机的焊接质量评估方法，通过在焊座正下方设置第一振动加速度传感器和在焊座侧面设置第二振动加速度传感器，在焊接过程中，利用第一振动加速度传感器和第二振动加速度传感器采集焊接过程中的振动数据，利用正常焊接的振动数据求取振动指标的置信区间，将当前焊接的振动数据的振动指标与置信区间进行比较，从而对焊接质量进行评估。
[0004]该基于振动数据的超声波焊接机的焊接质量评估方法虽然在一定程度上能够实现对焊接质量的评估要求，但其仅能够对标准化的焊接作业进行评估，且其采集的为焊接过程中的振动数据。当焊接过程中出现输入压力不当、转接片重叠、焊头干涉等不利工况发生时，能够反应到振动数据中，从而以此来评估焊接质量，而不是直接针对最终成型的焊接结构本身进行测量评估。由于不利工况的发生与最终的焊接质量之间并不存在必然的关联性，因此该方法的评估结果存在较大误差。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种焊接质量智能检测方法，直接对最终形成的焊接产品进行检测，能够有效提高检测精度和可靠性。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种焊接质量智能检测方法，包括如下步骤：
[0008]步骤一：在焊接产品上布置一个激振点和多个振动传感器；
[0009]步骤二：利用激振器对激振点输出设定波形的激振力以使焊接产品产生振动，利用振动传感器采集经过焊接产品的焊接部位的振动信号，多个振动传感器采集的振动信号组成多通道振动信号；
[0010]获取当前焊接产品的焊接质量的分类标签，将多通道振动信号与分类标签共同构成当前焊接产品的焊接质量数据；
[0011]步骤三：判断获取的焊接质量数据的数量是否达到设定阈值；若是，得到以设定数量的焊接质量数据组成的数据集，执行步骤五；若否，则执行步骤四；
[0012]步骤四：在同一种的另一个焊接产品的相同位置布置激振点和振动传感器，执行步骤二；
[0013]步骤五：构建人工智能算法模型，利用数据集训练人工智能算法模型；
[0014]步骤六：向训练得到的人工智能算法模型输入多通道振动信号，输出对应焊接产品的焊接质量的分类标签，对焊接产品的焊接质量进行在线检测。
[0015]进一步，激振力的波形为正弦波、方波、三角波或矩形波。
[0016]进一步，所述数据集分为分别用于对人工智能算法模型进行训练、验证和测试的训练集、验证集和测试集。
[0017]进一步，所述人工智能算法模型包括深度学习模型、机器学习模型或强化学习模型。
[0018]进一步，所述人工智能算法模型采用多通道
‑
尺度
‑
感受野融合特征提取模型。
[0019]进一步，所述多通道
‑
尺度
‑
感受野融合特征提取模型包括初始化模块、特征融合层和分类器，在初始化模块与特征融合层之间设有并行的残差校准模块和多感受野模块；
[0020]所述初始化模型用于对多通道振动信号进行初步数据特征提取，并将提取得到的初步数据特征输入到残差校准模块和多感受野模块中；
[0021]所述残差校准模块通过多尺度上的细粒度特征提取以及特征注意力校准，实现对多通道振动信号数据特征的进一步挖掘；
[0022]所述多感受野模块通过多通道上的不同感受野大小获取信号中所蕴藏的有效信息；
[0023]所述特征融合层用于融合所述残差校准模块和多感受野模块提取的特征，并将融合后的特征输入到分类器；
[0024]所述分别器对融合后的特征进行分类，得到当前焊接产品的焊接质量的分类标签。
[0025]进一步，所述特征融合层采用线性融合方法融合所述残差校准模块和多感受野模块提取的特征：
[0026]F＝αF
R
+βF
M
[0027]其中，F表示融合后的特征；F
R
表示残差校准模块提取的特征；F
M
表示多感受野模块提取的特征；α和β分别表示可学习参数。
[0028]本专利技术的有益效果在于：
[0029]本专利技术的焊接质量智能检测方法，通过在焊接产品上布置激振点和多个振动传感器，利用激振器对激振点输出设定波形的激振力后，使焊接产品产生振动，振动信号在焊接产品内传播的过程中，经过焊接部位会产生变化，此时的振动信号中携带有焊接部位质量情况的相关信息，随后信号被振动传感器所采集；不同位置上的振动传感器可以捕获不同的振动信号，这些振动信号组成的多通道振动信号所携带的焊接质量信息更加丰富；人工智能算法模型从多通道振动信号中获取焊接质量信息，同时去除多通道振动信号中的无效信息，然后经过分类器，评判当前焊接件的焊接质量情况，并输出焊接质量的分类标签，如合格或不合格，从而实现对焊接产品的焊接质量进行在线检测的技术目的；
[0030]具体的，由于每次测量中，在焊接产品上的激振点和振动传感器的布置位置相同，同时每次测量利用激振器激发的激振力相同，如此，可以保证每次测量的一致性，能够有效
提高检测精度和可靠性。
[0031]本专利技术还具有以下优点：
[0032](1)本专利技术可以实现焊接产品在投入使用前的快速质量检测，无需设计复杂的焊接质量检测装置；
[0033](2)本专利技术可以适用于任何焊接产品，包括复杂曲面焊接件，总成焊接件，即本专利技术具有适用范围广、可移植性高的优点，解决人工经验难以判定复杂焊接件焊接质量的问题；
[0034](3)本专利技术适用于不同焊接方式的焊接产品的在线测量，包括但不限于点焊、弧焊等；
[0035](4)本专利技术采用人工智能算法模型，人工智能算法模型可以自动提取多通道振动信号中的特征，并进行数据特征挖掘；此外，人工智能算法模型还具有覆盖范围广适应好与数据驱动的优点：人工智能算法能够映射到任意函数；由于人工智能算法模型是数据驱动的，只要数据量足够，就能达到非常良好的性能效果，此外基于数据驱动的人工智能算法模型，规避了特征或核函数的设计工作，降低了对专家经验的依赖程度，极大的提高了效率。
附图说明
[0036]为了使本专利技术的目的、技术方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种焊接质量智能检测方法，其特征在于：包括如下步骤：步骤一：在焊接产品上布置一个激振点和多个振动传感器；步骤二：利用激振器对激振点输出设定波形的激振力以使焊接产品产生振动，利用振动传感器采集经过焊接产品的焊接部位的振动信号，多个振动传感器采集的振动信号组成多通道振动信号；获取当前焊接产品的焊接质量的分类标签，将多通道振动信号与分类标签共同构成当前焊接产品的焊接质量数据；步骤三：判断获取的焊接质量数据的数量是否达到设定阈值；若是，得到以设定数量的焊接质量数据组成的数据集，执行步骤五；若否，则执行步骤四；步骤四：在同一种的另一个焊接产品的相同位置布置激振点和振动传感器，执行步骤二；步骤五：构建人工智能算法模型，利用数据集训练人工智能算法模型；步骤六：向训练得到的人工智能算法模型输入多通道振动信号，输出对应焊接产品的焊接质量的分类标签，对焊接产品的焊接质量进行在线检测。2.根据权利要求1所述的焊接质量智能检测方法，其特征在于：激振力的波形为正弦波、方波、三角波或矩形波。3.根据权利要求1所述的焊接质量智能检测方法，其特征在于：所述数据集分为分别用于对人工智能算法模型进行训练、验证和测试的训练集、验证集和测试集。4.根据权利要求1所述的焊接质量智能检测方法，其特征在于：所述人工智能算法模型包括深度学习模型、机器学习模型或强化学习模型。5.根据权利要求1所述的焊接质量智能检测方法，其特征在于：所述人工智能...

【专利技术属性】
技术研发人员：杨波，杜卡泽，王时龙，张正萍，喜泽瑞，
申请(专利权)人：赛力斯汽车有限公司重庆金康动力新能源有限公司，
类型：发明
国别省市：