基于多传感器数据决策融合的超声焊接质量预测方法技术

本发明专利技术涉及基于多传感器数据决策融合的超声焊接质量预测方法，包括以下步骤：步骤一：信号采集、获取数据；步骤二：数据预处理；步骤三：特征提取与电阻值预测：步骤四：传感器数据融合。本发明专利技术依据线束连接对超声焊接质量的要求，通过预测焊接样本电阻值的方式，对焊接质量进行评估；提出一种基于最小样本熵的变分模态分解(SE

【技术实现步骤摘要】
基于多传感器数据决策融合的超声焊接质量预测方法


[0001]本专利技术涉及基于多传感器数据决策融合的超声焊接质量预测方法，属于超声波焊接


技术介绍

[0002]超声波焊接原理是利用超声频率的机械振动能量，连接同种材料或异种材料的一种特殊方法。在进行超声波焊接时，既不向工件输送电流，也不向工件施以高温热源，只是在静压力之下，将线框振动能量转变为工件间的摩擦功、形变能及有限的温升。超声波焊接广泛应用于动力电池制造、线束连接、汽车部件焊接等多个工业领域。
[0003]传统锂电池超声焊接质量检测方法多为离线有损检测方法，即通过测量样品的连接剪切强度实现焊接质量检测。单个样品检测即报废，无法实现全批次质量检测,另外，针对过度焊接的情况，其剥离峰值偏差范围大，需要借助电子显微镜二次确认。现有离线有损检测方法由于损害样品、抽检率低、准确性不高、实时性差、效率低等问题，已经不适应于电动汽车大规模工业生产的需要。并且，目前的质量检测方法仅通过焊接样本接头强度来考虑焊接样品的力学性能，从而忽略了电导率的关键作用。
[0004]超声焊接质量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多传感器数据决策融合的超声焊接质量预测方法，其特征在于：包括以下步骤：步骤一：信号采集、获取数据：使用激光测振仪实时采集超声焊头的振幅数据，记为H；通过焊接机导出焊接过程中关键参数的变换情况，其中W表示功率、P表示压力、D表示深度；通过回路电流发生器，测量焊接样本的电阻值；步骤二：数据预处理：将H、W、P、D四类数据用0值填充至等长，并将其转化为二维图像数据，其中H需要先经过降采样以及SE
‑
VMD处理；步骤三：特征提取与电阻值预测：提取步骤二获取的数据，分别放入Mobile net V2模型中提取特征，然后将提取到的四组特征经过全连接层网络预测电阻值，对比不同传感器数据预测的结果；步骤四：传感器数据融合：验证H、W、P、D四类数据之间的不同组合方式，在数据融合、特征融合和决策融合三种融合策略上取得的效果，选取最优的数据组合方式和对应的融合策略。2.根据权利要求1所述的基于多传感器数据决策融合的超声焊接质量预测方法，其特征在于：所述步骤二具体包括：步骤2.1：使用焊接过程中的四种关键数据，分别为激光传感器测得的超声焊头振幅H，通过焊接机内部导出的压力P、深度D和功率W变化曲线，并将这三类数据进行归一化处理使数据分布在[0,1]之间：式中，三类数据中任意一类数据X＝{x1，x2，x3，
…
，x
n
}，x
i
表示某一类数据中第i个样本数据，n表示该类数据的长度，max(X)表示这类数据中的最大值，min(X)表示这类数据中的最小值；步骤2.2：截取有效数据长度，并每隔100个点保留1个点进行降采样，将数据降维，并用0值将振幅数据和步骤2.1中的三类数据填充至等长；步骤2.3：基于SE
‑
VMD将振幅数据进行分解与重构，通过变分模态分解VMD来消除多模态混叠对预测效果带来的影响，采用最小样本熵(SE)准则确定最优K值，评估VMD分解后序列的复杂性，获取最优的分解层数K，引入样本熵SE，应用VMD分解振幅后，计算每个子序列的SE值，SE最小的序列为振幅数据的趋势项，趋势项SE趋于稳定的转折点的K值被视为VMD的最优分解次数；在确定K之后，振幅数据经过VMD处理后，获得K个模态分量，在K个模态分量...

【专利技术属性】
技术研发人员：孔亚广，董鑫，赵晓丹，陈洪欢，陈张平，赵晓东，邹洪波，陈云，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：