一种汽车车身零部件电阻点焊质量评估方法和系统技术方案

本发明专利技术公开一种汽车车身零部件电阻点焊质量评估方法和系统。所述方法包括：采用汽车生产车间的现有设备以及工艺参数对和车身关键部位材料相同的薄板件进行焊接实验，焊接设备的上位机中打开数据记录功能，得到不同质量类型的焊点数据文件；根据点焊的结果对数据文件进行归类，解析全部数据文件得到各质量类型焊点对应的电压电流数据，计算得到动态电阻数据：搭建轻量型的一维卷积神经网络模型作为点焊质量评估模型；将待测数据输入训练优化后的点焊质量评估模型，得到相应的点焊质量评估结果。该方法实现了自动提取动态电阻数据中反应点焊质量结果的深度表征特征，避免了对数据进行特征提取分析等复杂流程，得到了较高的检测精度。精度。精度。

【技术实现步骤摘要】
一种汽车车身零部件电阻点焊质量评估方法和系统


[0001]本专利技术涉及工业生产过程中的缺陷检测领域，尤其涉及一种汽车车身零部件电阻点焊质量评估方法和系统。

技术介绍

[0002]在汽车制造领域，电阻点焊技术是重要的车身薄板结构件连接方法。据了解，一辆汽车车身有5000个左右的焊点，其中约95％以上是电阻点焊产生。由于车身使用的焊接件直接影响车辆的刚度和碰撞安全性，因此焊点质量的合格是汽车整体质量合规的重要前提。目前，大多数焊点检测方法都是破坏性和半破坏性的，或者需要额外的检测设备支持，存在耗时耗力、反馈不及时、检测效果依赖于经验和熟练度等缺点。
[0003]许多研究人员对焊接过程中的多种类型数据进行了采集，比如声信号、电信号、位移信号、热源信号以及图像数据等，并分析了这些焊接过程数据与点焊质量的相关性。大多研究表明不同质量类型的焊点在对应的焊接过程数据中均有一定的体现，这为基于数据驱动的汽车车身点焊质量评估方法研究并且将该方法应用于实际产线提供了可行性。尽管各种类型的点焊过程数据都能在一定程度上反应焊接过程的变化，然而针对某些信号的采集意味着对应的传感器必须安装在电极支架上或者工位适当的位置，或者需要对实际生产设备进行一定程度的改装，这在实验室环境中没有问题，但在生产环境中存在一些困难，批量化改造代价昂贵，因此很难应用到已经在运行的生产线上。
[0004]此外，一些科研人员研究的基于浅层机器学习模型的点焊质量评估方法，需要对焊接过程数据进行手工特征提取、特征分析选择、特征降维等中间步骤。这种方法存在特征信息挖掘不够充分的问题，换句话说，人工提取的特征有限，专家经验特征往往并不能对数据变化的外在和内在特点进行确切全面的表述。并且特征工程和模型的优化工作是分开的，很难得到全局最优解，即模型的拟合能力无法尽可能展现，因为第一步特征提取的好坏对模型分类的效果有直接的影响。
[0005]佟星等在中国专利技术公开专利CN115618287A中公开了“一种基于小样本数据的电阻点焊质量评价模型的构建方法”，该方法构建了一种用于电阻点焊质量评价的注意力机制模型，通过多次训练迭代调整平均阈值实现对点焊质量的评价。该模型的输入为通过经验提取的动态电阻初始值、拐点值、结束值、时间差等等。这样的方法存在人工特征提取步骤繁琐、特征有效性难以验证等问题，此外模型的功能比较单薄，只能评价缺陷发生概率，没有充分挖掘数据的内在信息进行应用。

技术实现思路

[0006]为了至少解决现有技术存在的问题之一，本专利技术提供了一种汽车车身零部件电阻点焊质量评估方法。该方法可以有效利用点焊过程中的动态电阻数据，不需要安装额外的设备，该方法结合了端到端的深度学习模型算法，以原始数据作为输入，点焊质量类型作为输出，实现了自动提取动态电阻数据中反应点焊质量结果的深度表征特征，避免了对数据
进行特征提取分析等复杂流程，得到了较高的检测精度，解决了传统检测方法检测成本高、对数据进行人工特征提取存在很大局限性的问题。进一步保障了新能源汽车车身关键焊点的点焊质量，提高了点焊质量检测的自动化和智能化程度。本专利技术表明了深度学习算法在工业领域有良好的应用前景，为后续的深度学习算法进一步应用于工程实际提供了新的思路。
[0007]为了实现本专利技术目的，本专利技术提出的一种汽车车身零部件电阻点焊质量评估方法，包括如下步骤：
[0008]S1:采用新能源汽车生产车间的现有设备以及工艺参数对和车身关键部位材料相同的薄板件进行焊接实验，在焊接设备的上位机中打开数据记录功能，得到总共5种质量类型的焊点数据文件。
[0009]S2:根据点焊的结果对数据文件进行归类，然后解析全部数据文件得到各质量类型焊点对应的电压电流数据，计算得到动态电阻数据，对数据进行归一化处理，优选地，以7:3的比例分成训练集和测试集。
[0010]S3:基于点焊动态电阻数据结构相对简单的特点，在pytorch框架下搭建轻量型的一维卷积神经网络模型，使用训练集数据进行训练，使用测试集数据进行测试。
[0011]S4:使用数据增强的方法进行数据集扩充，优化模型在测试集上的分类效果。
[0012]S5:将待测数据输入训练优化后的点焊质量评估模型，得到相应的点焊质量评估结果。
[0013]进一步地，还包括步骤：使用pyqt搭建前端界面，将模型接口嵌入到软件模块中，实现实时的车身点焊动态电阻曲线展示，点焊质量评估结果展示与统计记录。
[0014]与现有技术相比，本专利技术至少能够实现以下有益效果：
[0015](1)本专利技术基于新能源汽车产线的现有设备情况，选择对车身电阻点焊过程中的动态电阻数据进行研究，点焊过程中的电信号具有采集成本低、便于实时获取以及质量相关性高等优点。
[0016](2)本专利技术一方面研究实际生产情景中的点焊动态电阻数据与点焊质量的相关性，一方面探索新的算法模型实现更高精度的点焊质量检测效果，并将研究内容应用于工程实际。
[0017](3)通过所搭建的点焊质量评估模型中的卷积特征提取器来自动提取特征，最后实现数据特征到真实结果的映射。
附图说明
[0018]图1是汽车车身电阻点焊过程中的电阻变化阶段示意图。
[0019]图2是五类质量类型焊点对应的典型动态电阻曲线示意图。
[0020]图3是本专利技术实施例中搭建的基于一维卷积神经网络的点焊质量评估模型示意图。
[0021]图4是本专利技术实施例中搭建模型的初步训练过程示意图。
[0022]图5是本专利技术实施例中使用数据增强之后模型的整体分类评估结果示意图。
[0023]图6是本专利技术实施例中各质量类型焊点的分类评估结果混淆矩阵示意图。
[0024]图7是本专利技术搭建的点焊质量评估模型的前端界面运行示意图。
具体实施方式
[0025]为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术实施方案作进一步详细描述。
[0026]步骤一：使用现场点焊加工设备和实际加工参数获取各种质量类型的焊点。
[0027]在本专利技术的其中一些实施例中，研究对象是新能源汽车生产过程中焊装车间的电阻点焊加工工艺环节，选择的关键工位是汽车车身门架立柱侧围。该部位车身的零部件由三层薄板构成，中间层薄板是镀锌板，材料型号为DC07E+Z，外层薄板是冷轧双相钢HC420/780dp。其中HC420/780DP的厚度为1.4mm，DC07E+Z的厚度为0.7mm。在其他实施例中，所选择的车身关键部位还可以是其他部分，如车门外围边框、底座总成等等。
[0028]实际生产中车身的缺陷焊点较少，且难以实时统计。在本专利技术的其中一些实施例中，为了快速获得各种缺陷类型数据，额外制备了尺寸为625mm*100mm的三层板试样件共12套，样件材料及板厚等参数均和门架立柱的薄板件一致。使用现场的焊接机器人和实际使用的焊接参数进行焊接实验。车间产线使用的点焊设备是由博世公司生产的中频逆变直流焊接设备，焊枪两端安装有电压、电流传感器，通过线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车车身零部件电阻点焊质量评估方法，其特征在于，包括以下步骤：采用汽车生产车间的现有设备以及工艺参数对和车身关键部位材料相同的薄板件进行焊接实验，在焊接设备的上位机中打开数据记录功能，得到不同质量类型的焊点数据文件；根据点焊的结果对数据文件进行归类，解析全部数据文件得到各质量类型焊点对应的电压电流数据，计算得到动态电阻数据，并对动态电阻数据进行预处理：搭建轻量型的一维卷积神经网络模型作为点焊质量评估模型，对一维卷积神经网络模型进行训练优化；将待测数据输入训练优化后的点焊质量评估模型，得到相应的点焊质量评估结果。2.根据权利要求1所述的一种汽车车身零部件电阻点焊质量评估方法，其特征在于，所述质量类型包括正常、焊透、飞溅、虚焊和焊核偏离。3.根据权利要求1所述的一种汽车车身零部件电阻点焊质量评估方法，其特征在于，将每个焊点的电压、电流数据的文件存储在本地中，且文件内容以可扩展标记语言存储。4.根据权利要求1所述的一种汽车车身零部件电阻点焊质量评估方法，其特征在于，所述预处理包括对采集到的原始的动态电阻数据进行归一化处理，并划分训练集和测试集。5.根据权利要求1所述的一种汽车车身零部件电阻点焊质量评估方法，其特征在于，所述一维卷积神经网络模型包括多个卷积特征提取器、展平层、多层全连接层和softmax层，卷积特征提取器用于自动提取原始数据的高层隐秘空间特征；展平层用于对卷积得到的多通道特征映射矩阵进行拼接；多层全连接层构成感知机，将卷积计算得到的特征映射到样本的标记空间，并进行维度整合和缩减；softmax层用于将网络输出映射为0
‑
1之间的实数，即以概率的形式将结果展示出来。6.根据权利要求5所述的一种汽车车身零部件电阻点焊质量评估方法，其特征在于，一维卷积神经网络模型中，每一层卷积层以及全连接之后都添加了激活函数以增加模型的非线性映射能力。7.根据权利要求1所述的一种汽车车身零部件电阻点焊质量评估方法，其特征在于，一维卷积神经网络模型中，采用适用于多分类任务的交叉熵损失函数作为前向传播的损失值计算，前向传播的损失函数表述为下式：式中，h
θ

【专利技术属性】
技术研发人员：张宪民，姜来，黄沿江，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：