CN114861498B - 融合多传感时序信号机理模型的电阻点焊质量在线检测方法 - Google Patents
融合多传感时序信号机理模型的电阻点焊质量在线检测方法 Download PDFInfo
- Publication number
- CN114861498B CN114861498B CN202210556598.7A CN202210556598A CN114861498B CN 114861498 B CN114861498 B CN 114861498B CN 202210556598 A CN202210556598 A CN 202210556598A CN 114861498 B CN114861498 B CN 114861498B
- Authority
- CN
- China
- Prior art keywords
- model
- welding
- value
- sensing
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 176
- 230000007246 mechanism Effects 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 54
- 238000013499 data model Methods 0.000 claims abstract description 49
- 238000005293 physical law Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 91
- 239000000463 material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 17
- 238000007373 indentation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000002844 melting Methods 0.000 claims description 5
- 230000008018 melting Effects 0.000 claims description 5
- 229910000679 solder Inorganic materials 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000005483 Hooke's law Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims 1
- 230000035772 mutation Effects 0.000 claims 1
- 238000013213 extrapolation Methods 0.000 abstract description 3
- 230000014759 maintenance of location Effects 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910001338 liquidmetal Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种融合多传感时序信号机理模型的电阻点焊质量在线检测方法,在离线阶段,构造融合多传感时序信号机理模型的编码器‑解码器数据模型;在在线阶段,将焊接过程多个传感信号的实测值输入训练后的编码器‑解码器数据模型,将数据模型的中间层变量作为焊点截面形貌尺寸的定量预测结果,并与质量评判标准进行量化比对,从而实现焊点质量的在线检测。本发明从物理层面建立焊接过程多个传感信号与焊点截面形貌尺寸的精准逆向映射关联,避免引入传统黑箱模型中物理含义不明确的待定参数,提高质量预测模型的可解释性;通过物理规律的先验约束对工况波动导致的传感信号差异进行映射对齐,提高质量预测模型的的精度保持能力和外推性能。
Description
技术领域
本发明涉及的是一种焊接领域的技术,具体是一种融合多传感时序信号机理模型的电阻点焊质量在线检测方法。
背景技术
电阻点焊工艺是汽车、列车等载运工具薄壁车体制造的核心基础工艺,完成80%以上的焊装工作量。但由于缺少可靠的在线质检方法,车企不得不依赖于高成本、低效率的焊后人工抽检模式离线检测焊点质量。熔核尺寸等焊点截面的形貌尺寸是评判焊点质量的核心指标。焊接时,熔化形核位于层叠板材的接合面,具有封闭不可见特点,难以通过表面视觉和图像检测方法进行实时观测。因此,利用焊接过程的多传感动态时序信号实现焊点质量在线精密检测,是载运工具焊装制造转型升级的迫切需求,其核心在于建立多传感时序信号与焊点熔核尺寸的关联数学模型。
目前,常见的手段是利用神经网络等机器学习方法建立数据驱动的关联模型。但是,这种方法本质上属于黑箱模型,其预测性能非常依赖样本数据的量级和范围。在生产环境中,工艺参数和工况条件匹配复杂、变化频繁,与模型初始训练环境通常存在显著差异。一旦获取的多传感时序信号数据分布超过训练样本范围,模型的预测精度将显著降低。因此,单纯的数据驱动模型可解释性和泛化性差,建模所需的有标签数据量大。由于在大规模点焊生产时,难以获取足够的有标签样本数据,使得上述方法难以适应实际生产的工况复杂变化。
发明内容
本发明针对现有技术采用单纯黑箱模型可解释性差、泛化性不足的问题以及无法处理焊接过程中的多传感动态时序信号、无法提供焊点熔核尺寸的定量预测结果以及无法实现焊点质量的在线检测的不足,提出一种融合多传感时序信号机理模型的电阻点焊质量在线检测方法,通过多物理场耦合数值仿真和基本物理方程构建多传感时序信号机理模型,从物理层面建立焊接过程多个传感信号与焊点截面形貌尺寸的精准逆向映射关联,避免引入传统黑箱模型中物理含义不明确的待定参数,提高模型的可解释性与可信度;同时,构造编码器-解码器框架的传感信号无监督学习数据模型,利用多传感时序信号机理模型构造数据模型的解码器部分和损失函数,通过物理规律的先验约束对工况波动导致的传感信号差异进行映射对齐,提高质量预测模型在不同工况下的精度保持能力和外推性能。
本发明是通过以下技术方案实现的:
本发明涉及一种融合多传感时序信号机理模型的电阻点焊质量在线检测方法,在离线阶段,构造融合多传感时序信号机理模型的编码器-解码器数据模型;在在线阶段,将焊接过程多个传感信号的实测值输入训练后的编码器-解码器数据模型,将数据模型的中间层变量作为焊点截面形貌尺寸的定量预测结果,并与质量评判标准进行量化比对,从而实现焊点质量的在线检测。
所述的编码器-解码器数据模型,具体通过以下方式构造得到:建立由焊接过程多个传感信号实测值与焊点截面形貌尺寸实测值一一对应的有标签实测数据集,根据有标签实测数据集建立并优化电阻点焊过程的数值仿真模型,从而得到随时间变化的焊点内部物理量仿真值;然后以随时间变化的焊点内部物理量仿真值、随时间变化的焊点截面形貌尺寸仿真值和焊接过程多个传感信号仿真值组成的仿真数据集建立并优化多传感时序信号机理模型;构建编码器-解码器框架的数据模型,并以多传感时序信号机理模型为基础构造编码器-解码器数据模型的解码器部分和损失函数,建立由焊接过程多个传感信号实测值组成的无标签实测数据集,通过无标签实测数据集训练编码器-解码器数据模型的编码器部分。
所述的传感信号包括:动态电阻信号、瞬时功率信号、动态电极位移信号、超声波飞行时间信号中的至少两个时间序列组合,其中:动态电阻信号是指电阻点焊过程中两电极间的时变电阻值;瞬时功率信号是指电阻点焊过程中在两电极间施加的时变加热功率;动态电极位移信号是指电阻点焊过程中两电极间的相对距离变化;超声波飞行时间信号是指电阻点焊过程中超声波在两电极间传播所经历的时间长度变化。
所述的焊点截面形貌尺寸包括:焊点表面压痕直径、焊点表面压痕深度、焊点熔核直径和焊点熔核厚度。
所述的数值仿真模型为有限元或有限差分多物理场耦合仿真模型,该模型的输入是焊接工艺参数、电极端面尺寸和材料热物理属性,该模型的输出是焊接过程多个传感信号的仿真值、随时间变化的焊点截面形貌尺寸仿真值和随时间变化的焊点内部物理量仿真值。
所述的焊接工艺参数包括:焊接电流、焊接时间和电极压力;电极端面尺寸包括:电极端面直径和电极端面曲率半径;焊点内部物理量包括:焊点内部熔化区、热影响区等不同区域的温度场、应变场和电势场的统计量;材料热物理属性包括:随温度变化的高温热导率、高温电阻率、高温热焓、高温热膨胀系数、高温密度、高温泊松比、高温纵波声速等物理参量。
所述的优化电阻点焊过程的数值仿真模型是指:以获取可信的焊点内部物理量仿真值为目标,对数值仿真模型的可调参数进行调优,从而在相同焊接工艺参数和电极端面尺寸下,使数值仿真模型输出的焊接过程多个传感信号仿真值和焊点截面形貌尺寸仿真值与它们的实测值的差异小于或等于预设阈值,其中:数值仿真模型的可调参数是指工件与工件界面或电极与工件界面的接触电阻和界面接触热阻等接触参数。
所述的多传感时序信号机理模型是指:以基本物理定律为基础构造的多个解析计算模型,每个解析计算模型的输入和输出变量均为一维连续时间序列数据,输入变量包括随时间变化的焊点截面形貌尺寸仿真值、随时间变化的焊点内部物理量仿真值和随温度变化的被焊材料热物理属性,输出变量为焊接过程某一个传感信号的预测值。不失一般性地,将每一个解析计算模型的第一个输入变量固定为焊点截面形貌尺寸仿真值。
所述的基本物理定律包括:电阻定律、胡克定律、热膨胀定律、热传导定律、声波折射定律、牛顿第二定律等电学、力学、热力学、传热学、声学、运动学领域的基本物理方程。
所述的优化多传感时序信号机理模型是指:以建立多传感时序信号与焊点截面形貌尺寸的精准逆向映射关联为目标,对机理模型的可调参数进行调优,从而使机理模型输出的多个传感信号预测值与所述数值仿真模型输出的多个传感信号仿真值的差异小于或等于预设阈值,其中:机理模型的可调参数是指被焊材料的高温热导率、高温电阻率、高温泊松比、高温纵波声速等物理参数,特别是熔核内处于高温熔融流动状态的难以实际精确测量的材料物理参数。
所述的编码器-解码器数据模型是指:以自动编码器模型为基础构造的数据模型,该模型的架构具体包括:输入层、编码器部分、中间层、解码器部分和输出层,其中:输入层变量为焊接过程多个传感信号的实测值,每个传感信号对应一组一维时间序列数据,且各组数据在时间轴上需对齐;编码器部分为可处理时序信号的机器学习模型,通过对输入层变量进行自动特征提取和非线性变换,将其映射为一组多元时间序列数据,得到中间层变量;中间层变量为多元时间序列数据,其变量个数大于输入层变量,时间序列长度等于输入层变量;解码器部分为多个解析模型,每个解析模型的函数表达式均与所述多传感时序信号机理模型中的某一个完全一致,解码器部分可将中间层变量转化为多组一维时间序列数据,得到输出层变量;输出层变量为一维时间序列,其变量个数与时间序列长度等于输入层变量。
所述的机器学习模型包括:高斯回归模型、支持向量机模型、神经网络模型。
所述的编码器-解码器数据模型的损失函数,为输出层变量惩罚项和中间层变量惩罚项的加权和,其中:输出层变量惩罚项通过计算数据模型的输出层变量与多个传感信号实测值的均方根偏差获得;中间层变量惩罚项是根据多传感时序信号机理模型的变量连续性要求计算获得的变量光滑度,用于表示数据模型的中间层变量在时域上的瞬时突变幅度,变量光滑度是通过计算变量对时间微分的最大值获得。
所述的训练编码器-解码器数据模型的编码器部分是指:以编码器-解码器数据模型的损失函数值小于或等于预设阈值为目标,通过梯度下降算法在一定迭代次数和参数步长变化范围内对编码器部分的可调参数进行迭代调优,其中:编码器部分的可调参数是指机器学习模型的模型结构、核函数、待定系数等参量。
所述的与质量评判标准进行量化比对是指:将训练后数据模型编码器部分的第一个输出变量的最大值与熔核尺寸的预设阈值进行比较;当输出变量的最大值超出熔核尺寸预设阈值时,则判定为质量不合格;反之,则判定为质量合格。
技术效果
本发明具有精度高、可解释性强、泛化性能好的优势,建模过程对有标签数据的需求量少,只需代入少量无标签数据进行模型参数微调,即可适应大规模点焊生产的工况复杂变化。
附图说明
图1为本发明的方法流程图;
图2为焊点截面形貌尺寸的示意图;图中:待焊工件1、表面压痕2、熔核3;DI为表面压痕直径、HI为表面压痕深度、DN为熔核直径、HN为熔核厚度;
图3为焊接过程多个传感信号的示意图;图中:P(t)为瞬时功率信号、R(t)为动态电阻信号、S(t)为动态电极位移信号、U(t)为超声波飞行时间信号,t为时间。
图4为数值仿真模型的输入输出关系图;
图5为数值仿真模型的调优策略示意图;
图6为实施例1中数值仿真模型输出结果与对应实测结果的对比图;图中:(a)为熔核直径实测值和仿真值的对比图,(b)为压痕直径实测值和仿真值的对比图,(c)为动态电阻信号实测值和仿真值的对比图,(d)为瞬时功率信号实测值和仿真值的对比图;
图7为实施例2中数值仿真模型输出结果与对应实测结果的对比图;图中:(a)为熔核厚度实测值和仿真值的对比图,(b)为压痕厚度实测值和仿真值的对比图,(c)为动态电极位移信号实测值和仿真值的对比图,(d)为超声波飞行时间信号实测值和仿真值的对比图;
图8为多传感时序信号机理模型的输入输出关系图;
图9为多传感时序信号机理模型的调优策略示意图;
图10为实施例1中多传感时序信号机理模型输出结果与对应仿真结果的对比图;图中:(a)为动态电阻信号预测值和仿真值的对比图,(b)为瞬时功率信号预测值和仿真值的对比图;
图11为实施例2中多传感时序信号机理模型输出结果与对应仿真结果的对比图;图中:(a)为动态电极位移信号预测值和仿真值的对比图,(d)为超声波飞行时间信号预测值和仿真值的对比图;
图12为编码器-解码器数据模型的输入输出关系图;
图13为编码器-解码器数据模型编码器部分训练逻辑的示意图;
图14为具体实施方式中熔核尺寸实测值与预测值的关系散点图;图中:(a)为熔核直径预测值与实测值的散点图,(b)为熔核厚度预测值与实测值的散点图。
具体实施方式
实施例1
如图1所示,本实施例采用的待焊接工件1为0.8mm高强钢板+0.8mm高强钢板,通过四个阶段对电阻点焊质量进行在线检测,包括以下步骤:
阶段A)建立实测数据集,具体包括:
步骤a1)在焊接电流为8kA、焊接压力为2.6kN、通电焊接时间为150ms组成的焊接工艺参数WM下进行焊接实验,所采用的电极端面尺寸EM为电极端面直径DE=6mm、电极端面曲率半径Rt=50mm;利用传感监测***采集焊接过程的多个传感信号实测值SM(t),本实施例中优选采用动态电阻信号R(t)和瞬时功率信号P(t),即SM(t)代表{R(t),P(t)}的实测值,t代表时间,采样时间间隔为1ms。
步骤a2)将焊接实验获得的焊点进行切割并制备金相观测试样,利用光学***获取焊点形貌尺寸实测值GM,本实施例中优选采用熔核直径DN和表面压痕直径DI,即GM代表{DN,DI}的实测值。建立由多传感时序信号实验值SM(t)和与之对应的焊点形貌尺寸实测值GM共同成的有标签实测数据集。
阶段B)建立机理模型,具体包括:
步骤b1)建立焊接过程多物理场耦合数值仿真模型MS,根据焊接实验所用的板材尺寸和电极端面尺寸EM生成模型的几何结构并划分网格,导入材料的实测热物理属性YM(T),本实施例中优选采用随温度变化的电阻率ρ(T)、随温度变化的热焓c(T)、随温度变化的导热率λ(T)、随温度变化的界面接触电阻ECR(T)和随温度变化的界面接触热阻TCR(T),即YM(T)代表{ρ(T),c(T),λ(T),ECR(T),TCR(T)}的实测值,T代表温度。
本实施例中优选通过有限元方法建立数值仿真模型MS,所选用的控制方程包括应力平衡方程、热弹塑性本构方程、电流连续性方程、材料连续性方程、导热微分方程和声波波动方程。如图4所示,将焊接工艺参数WM、电极端面尺寸EM和材料的实测热物理属性YM(T)共同作为多物理场耦合仿真模型MS的输入,多物理场耦合仿真模型MS的输出分别为随时间变化的焊点形貌尺寸仿真值GS(t)、随时间变化的焊点内部物理量仿真值QS(t)和多传感时序信号仿真值SS(t)。
步骤b2)如图5所示,利用有标签实测数据集训练数值仿真模型MS,对数值仿真模型可调参数pMS进行调整优化,得到优化后的数值仿真模型,具体为:将数值仿真模型MS输出的焊点形貌尺寸仿真值GS(t)的最大值同有标签实测数据集中对应的焊点形貌尺寸实测值GM进行比较,计算二者的焊点相对偏差GSe;将数值仿真模型MS输出的多传感时序信号仿真值SS(t)同有标签实测数据集中对应的多传感时序信号实测值SM(t)进行比较,计算二者的信号相对偏差SSe;当GSe或SSe超过预设阈值时,调整数值仿真模型可调参数pMS并重新计算数值仿真模型MS的输出结果,直至GSe和SSe均小于预设阈值。
本实施例中优选的数值仿真模型可调参数pMS采用工件与工件界面的接触电阻ECR(T)和接触热阻TCR(T),调整方法采用固定系数法,即在热物理属性实测值的基础上乘以校正系数以补偿难测物理量的测量偏差:其中:ECR*(T)为校正后的接触电阻,TCR*(T)为校正后的接触热阻,KE为接触电阻ECR(T)的校正系数,KT为接触热阻TCR(T)的校正系数,取值范围均为0.1~10;以步长0.1为间隔采用全因子实验设计形成一系列校正系数组合(KE,KT),分别对数值仿真模型可调参数pMS进行调整。
本实施例中,优化后的校正系数组合为(KE,KT)=(3.3,1.8)。
如图6所示,(a)为本实施例的熔核直径实测值和仿真值的对比图,熔核直径最大仿真值与实测值的误差仅为1%;(b)为本实施例的压痕直径实测值和仿真值的对比图,压痕直径最大仿真值与实测值的误差仅为2.1%;(c)为本实施例的动态电阻信号实测值和仿真值的对比图,二者的相对误差仅为1.2%;(d)为本实施例的瞬时功率信号实测值和仿真值的对比图,二者的相对误差仅为1.1%;可以看出仿真值和实测值之间具有良好的匹配关系,说明优化后的数值仿真模型获得良好的仿真精度;同时,数值仿真模型可以实现熔核尺寸数据在时域上的扩增。
步骤b3)获取优化后数值仿真模型MS输出的焊点形貌尺寸仿真值GS(t)、多传感时序信号仿真值SS(t)和焊点内部物理量仿真值QS(t),从而建立仿真数据集;本实施例中焊点内部物理量优选采用随时间变化的焊接区温度平均值即提取焊接区各网格单元的体积温度,并以各网格单元占总焊接区的体积百分数为权重计算温度的加权平均值。
步骤b4)如图8所示,根据基本物理定律构造由多个解析计算模型组成的多传感时序信号机理模型MM,焊接过程的每一个传感信号对应一个解析模型,即对应的基本物理定律,将焊点形貌尺寸仿真值GS(t)、焊点内部物理量仿真值QS(t)和材料热物理属性实测值YM(T)共同作为多传感时序信号机理模型MM的输入,多传感时序信号机理模型MM的输出为焊接过程多个传感信号的预测值SP(t)。
本实施例中,对于动态电阻信号优选的基本物理定律为电阻定律和基尔霍夫定律,所构造的解析模型可表示为具体为:其中:R*(t)为动态电阻信号的预测值,H代表待焊工件的总厚度,在本实施例优选为H=1.6mm;R0为两电极的基值电阻,在本实施例优选为R0=50μΩ;解析模型的第一个输入变量为DN(t)。
本实施例中,对于瞬时功率信号优选的基本物理定律为热平衡方程和导热微分方程方程,所构造的解析模型可表示为具体为:其中:P*(t)为瞬时功率信号的预测值,Tm代表待焊工件的熔点,本实施例中优选为Tm=1500℃;解析模型的第一个输入变量为DN(t)。
步骤b5)如图9所示,利用仿真数据集训练多传感时序信号机理模型MM,对机理模型可调参数pMS进行调整优化,得到优化后的机理模型,具体为:将多传感时序信号机理模型MM输出的多传感时序信号计算值SP(t)同仿真数据集中对应的多传感时序信号仿真值SS(t)进行比较,计算二者的信号相对偏差SPe;当SSe超过预设阈值时,调整机理模型可调参数pMM并重新计算机理模型MM的输出结果,直至SSe小于预设阈值。
本实施例中优选的机理模型可调参数pMM采用待焊材料熔化后处于熔融流动状态的材料电阻率ρ(T)和导热率λ(T),调整方法采用固定系数法,即在热物理属性实测值的基础上乘以校正系数以补偿熔核内液态金属流动引起的局部增强效应:其中:ρ*(T)为校正后的材料电阻率,λ*(T)为校正后的材料热导率,Kρ为电阻率ρ(T)的校正系数,Kλ为导热率λ(T)的校正系数,取值范围均为0.2~5;以步长0.1为间隔采用全因子实验设计形成一系列校正系数组合(Kρ,Kλ),分别对机理模型可调参数pMM进行调整。
本实施例中,优化后的校正系数组合为(Kρ,Kλ)=(0.8,4)。
如图10所示,(a)为本实施例的动态电阻信号预测值和仿真值的对比图,二者的相对误差仅为4.3%;(b)为本实施例的瞬时功率信号预测值和仿真值的对比图,二者的相对误差仅为2.7%;可以看出预测值和仿真值之间具有良好的匹配关系,说明优化后的机理模型获得良好的预测精度,能够准确表征多传感时序信号与焊点形貌尺寸的定量关联规律,且模型中没有物理含义不明确的待定参数,提高模型的可解释性与可信度。
阶段C)建立数据模型,具体包括:
步骤c1)如图12所示,构造编码器-解码器框架的数据模型ML,具体为:以多传感时序信号实测值SM(t)作为输入的输入层变量vI(t),输入层变量vI(t)的输出与编码器部分ME的输入相连,编码器部分ME的输出与中间层变量vM(t)的输入相连,中间层变量vM(t)的一个输出作为焊点形貌尺寸预测值GP(t),中间层变量vM(t)的另一个输出与解码器部分MD的一个输入相连,解码器部分MD的另一个输入为优化后的多传感时序信号机理模型MM,解码器部分MD的输出与输出层变量vO(t)的输入相连,输出层变量vO(t)的输出作为多传感时序信号的预测值SP(t)。
本实施例中,输入层变量vI和输出层变量vO(t)的维度为均为N×2,中间层变量vM的维度为N×4;编码器部分ME选用门控循环神经网络(GRU)模型,其输入序列的维度为N×2,隐含层层数为1,隐含层单元数为150,输出序列的维度为N×4,N为多传感时序信号实测值SM(t)的时间序列长度,优选为300。
步骤c2)以优化后的多传感时序信号机理模型MM为基础构造数据模型ML的解码器部分ME。
步骤c3)将焊接工艺参数WM在一定范围内进行变化,使用变化后的焊接工艺参数进行一系列焊接实验并采集每次焊接过程的多个传感信号实测值SM(t),形成无标签实测数据集,并利用无标签实测数据集训练数据模型ML的编码器部分ME,对编码器部分可调参数pME进行迭代优化,得到优化后的编码器-解码器数据模型。
本实施例中,焊接工艺参数WM的变化范围优选焊接电流为4~12kA、焊接压力为1.6~3.6kN、通电焊接时间为50~300ms,共进行81次焊接实验。
如图13所示,所述的编码器部分ME的训练策略,具体为:将多传感时序信号实测值SM(t)作为数据模型ML的输入,并与数据模型ML输出的多传感时序信号预测值SP(t)进行比较,计算二者的均方根偏差MSE;同时,计算数据模型ML的中间层变量vM(t)在时域上的光滑度SMD,采用加权求和的方式获得损失函数值Le;当Le超过预设阈值时,通过梯度下降算法对编码器部分可调参数pME进行迭代调优并重新计算数据模型ML的输出结果,直至Le小于预设阈值。
本实施例中,预设阈值优选为0.0001,均方根偏差光滑度损失函数值Le=a·MSE+b·SMD,其中:a和b分别为均方根偏差MSE和光滑度SMD的权重,在本实施例中优选为a=0.003,b=0.07。
本实施例中,编码器部分可调参数pME为门控循环神经网络的待定系数,梯度下降算法采用自适应性矩估计(Adam)算法,学习率优选为0.002,一阶矩估计的指数衰减率为0.9,二阶矩估计的指数衰减率为0.999,最大迭代次数为30000次。
阶段D)模型在线应用,具体包括:
步骤d1)维持电极端面尺寸EM不变,在焊接电流为4~12kA、焊接压力为1.6~3.6kN、通电焊接时间为50~300ms组成的焊接工艺参数WM下进行新焊点的焊接,形成新的点焊接头。
步骤d2)使用传感监测***在线采集新焊点焊接过程的动态电阻信号R(t)和瞬时功率信号P(t),采样时间间隔为1ms。
步骤d3)将在线采集的动态电阻信号R(t)和瞬时功率信号P(t)输入优化后的编码器-解码器数据模型ML,计算中间层变量vM(t),随后提取中间层变量vM(t)的第一个变量并计算其最大值,作为焊点熔核直径的预测值。
如图14(a)所示,为本实施例的熔核直径实测值和预测值的散点图,其中熔核直径实测值是通过焊后进行金相制备与观测实验获得的,可以看出熔核直径的预测值和实际值存在良好的线性相关关系,决定系数为0.953,说明模型的熔核直径预测精度高,质量评判准确性好;同时,预测熔核直径的平均计算耗时不足1ms,计算速度快。
实施例2
与实施例1相比,在步骤a1)中,本实施例优选的多传感时序信号采用动态电极位移信号S(t)和超声波飞行时间信号U(t),即SM(t)代表{S(t),U(t)}的实测值,采样时间间隔为1ms。
在步骤a2)中,本实施例优选的焊点界面形貌尺寸采用熔核厚度HN和表面压痕深度HI,即GM代表{HN,HI}的实测值。
在步骤b1)中,本实施例优选的材料实测热物理属性采用随温度变化的热膨胀系数α(T)、随温度变化的泊松比μ(T)、随温度变化的密度m(T)、随温度变化的纵波声速v(T)、随温度变化的界面接触电阻ECR(T)和随温度变化的界面接触热阻TCR(T),即YM(T)代表{α(T),μ(T),m(T),v(T),ECR(T),TCR(T)}的实测值,T代表温度。
步骤b2),本实施例优选的数值仿真模型可调参数采用工件与板材界面的接触电阻和接触热阻,优化后的校正系数组合为(KE,KT)=(2.4,1)。
如图7所示,(a)为本实施例的熔核厚度实测值和仿真值的对比图,熔核厚度最大仿真值与实测值的误差仅为1.1%;(b)为本实施例的压痕厚度实测值和仿真值的对比图,压痕厚度最大仿真值与实测值的误差仅为2.5%;(c)为本实施例的动态电极位移信号实测值和仿真值的对比图,二者的相对误差仅为2.0%;(d)为本实施例的超声波飞行时间信号实测值和仿真值的对比图,二者的相对误差仅为0.9%;可以看出仿真值和实测值之间具有良好的匹配关系,说明优化后的数值仿真模型获得良好的仿真精度。
在步骤b4)中,对于动态电极位移信号优选的基本物理定律为热膨胀定律和胡克定律,所构造的解析模型可表示为具体为:其中:S*(t)为动态电极位移信号的预测值,HC为特征厚度,且解析模型的第一个输入变量为HN(t)。
对于超声波飞行时间信号优选的基本物理定律为声波折射定律和牛顿第二定律,所构造的解析模型可表示为具体为:其中:U*(t)为超声波飞行时间信号的预测值,U0为超声波经过两电极内部的飞行时间基值,在本实施例优选为U0=1ms。
在步骤b5)中,本实施例中优选的机理模型可调参数pMM采用待焊材料熔化后处于熔融流动状态的材料泊松比μ(T)和纵波声速v(T),调整方法采用固定系数法,即在热物理属性实测值的基础上乘以校正系数以补偿熔核内液态金属流动引起的局部增强效应:其中:μ*(T)为校正后的材料泊松比,v*(T)为校正后的材料纵波声速,Kμ为泊松比μ(T)的校正系数,Kv为纵波声速v(T)的校正系数,取值范围均为0.2~5;以步长0.1为间隔采用全因子实验设计形成一系列校正系数组合(Kμ,Kv),分别对机理模型可调参数pMM进行调整。
本实施例中,优化后的校正系数组合为(Kμ,Kv)=(1.5,0.8)。
如图11所示,(a)为本实施例的动态电极位移信号预测值和仿真值的对比图,二者的相对误差仅为3.9%;(b)为本实施例的超声波飞行时间信号预测值和仿真值的对比图,二者的相对误差仅为2.2%;可以看出预测值和仿真值之间具有良好的匹配关系,说明优化后的机理模型获得良好的预测精度,能够准确表征多传感时序信号与焊点形貌尺寸的定量关联规律,且模型中没有物理含义不明确的待定参数,提高模型的可解释性与可信度。
在步骤c1)中,本实施例的编码器部分ME选用支持向量机回归(SVR)模型,其输入序列的维度为N×2,核函数采用多项式函数,最高次数为3次,松弛变量为10,输出序列的维度为N×4,N为300。
在步骤c3)中,本实施例优选的编码器部分可调参数pME为支持向量机核函数的待定系数,梯度下降算法采用序列最小优化(SMO)算法,最大步长为0.01,最大迭代次数为20000次。
步骤d2)使用传感监测***在线采集新焊点焊接过程的动态电极位移信号S(t)和超声波飞行时间信号U(t),采样时间间隔为1ms。
步骤d3)将在线采集的动态电极位移信号S(t)和超声波飞行时间信号U(t)输入优化后的编码器-解码器数据模型ML,计算中间层变量vM(t),随后提取中间层变量vM(t)的第一个变量并计算其最大值,作为焊点熔核厚度的预测值。
如图14(b)所示,为本实施例的熔核厚度实测值和预测值的散点图,可以看出熔核厚度的预测值和实际值存在良好的线性相关关系,决定系数为0.938,预测精度高;同时,预测熔核厚度的平均计算耗时不足1ms,计算速度快。
与现有技术相比,本发明可通过电阻点焊过程多传感时序信号进行焊点截面形貌尺寸计算,实时预测焊点熔核尺寸,实现焊点质量的在线精准评价,克服传统技术依赖焊后人工抽检的缺点;相比于以往基于黑箱模型的点焊质量预测方法,本发明融合物理机理模型的可解释性和数据模型的非线性适应性,兼顾预测精度与泛化能力,对有标签样本数据的需求量少,模型可外推应用于焊接工况复杂变化的场景。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (2)
1.一种融合多传感时序信号机理模型的电阻点焊质量在线检测方法,其特征在于,在离线阶段,构造融合多传感时序信号机理模型的编码器-解码器数据模型;在在线阶段,将焊接过程多个传感信号的实测值输入训练后的编码器-解码器数据模型,将数据模型的中间层变量作为焊点截面形貌尺寸的定量预测结果,并与质量评判标准进行量化比对,从而实现焊点质量的在线检测;
所述的编码器-解码器数据模型,具体通过以下方式构造得到:建立由焊接过程多个传感信号实测值与焊点截面形貌尺寸实测值一一对应的有标签实测数据集,根据有标签实测数据集建立并优化电阻点焊过程的数值仿真模型,从而得到随时间变化的焊点内部物理量仿真值;然后以随时间变化的焊点内部物理量仿真值、随时间变化的焊点截面形貌尺寸仿真值和焊接过程多个传感信号仿真值组成的仿真数据集建立并优化多传感时序信号机理模型;构建编码器-解码器框架的数据模型,并以多传感时序信号机理模型为基础构造编码器-解码器数据模型的解码器部分和损失函数,建立由焊接过程多个传感信号实测值组成的无标签实测数据集,通过无标签实测数据集训练编码器-解码器数据模型的编码器部分;
所述的传感信号包括:动态电阻信号、瞬时功率信号、动态电极位移信号、超声波飞行时间信号中的至少两个时间序列组合,其中:动态电阻信号是指电阻点焊过程中两电极间的时变电阻值;瞬时功率信号是指电阻点焊过程中在两电极间施加的时变加热功率;动态电极位移信号是指电阻点焊过程中两电极间的相对距离变化;超声波飞行时间信号是指电阻点焊过程中超声波在两电极间传播所经历的时间长度变化;
所述的焊点截面形貌尺寸包括:焊点表面压痕直径、焊点表面压痕深度、焊点熔核直径和焊点熔核厚度;
所述的数值仿真模型为有限元或有限差分多物理场耦合仿真模型,该模型的输入是焊接工艺参数、电极端面尺寸和材料热物理属性,该模型的输出是焊接过程多个传感信号的仿真值、随时间变化的焊点截面形貌尺寸仿真值和随时间变化的焊点内部物理量仿真值;
所述的焊接工艺参数包括:焊接电流、焊接时间和电极压力;电极端面尺寸包括:电极端面直径和电极端面曲率半径;焊点内部物理量包括:焊点内部熔化区、热影响区不同区域的温度场、应变场和电势场的统计量;材料热物理属性包括:随温度变化的高温热导率、高温电阻率、高温热焓、高温热膨胀系数、高温密度、高温泊松比、高温纵波声速物理参量;
所述的优化电阻点焊过程的数值仿真模型是指:以获取可信的焊点内部物理量仿真值为目标,对数值仿真模型的可调参数进行调优,从而在相同焊接工艺参数和电极端面尺寸下,使数值仿真模型输出的焊接过程多个传感信号仿真值和焊点截面形貌尺寸仿真值与它们的实测值的差异小于或等 于预设阈值,其中:数值仿真模型的可调参数是指工件与工件界面或电极与工件界面的接触电阻和界面接触热阻接触参数;
所述的多传感时序信号机理模型是指:以基本物理定律为基础构造的多个解析计算模型,每个解析计算模型的输入和输出变量均为一维连续时间序列数据,输入变量包括随时间变化的焊点截面形貌尺寸仿真值、随时间变化的焊点内部物理量仿真值和随温度变化的被焊材料热物理属性,输出变量为焊接过程某一个传感信号的预测值;将每一个解析计算模型的第一个输入变量固定为焊点截面形貌尺寸仿真值;
所述的基本物理定律包括:电阻定律、胡克定律、热膨胀定律、热传导定律、声波折射定律、牛顿第二定律电学、力学、热力学、传热学、声学、运动学领域的基本物理方程;
所述的优化多传感时序信号机理模型是指:以建立多传感时序信号与焊点截面形貌尺寸的精准逆向映射关联为目标,对机理模型的可调参数进行调优,从而使机理模型输出的多个传感信号预测值与所述数值仿真模型输出的多个传感信号仿真值的差异小于或等 于预设阈值,其中:机理模型的可调参数是指被焊材料的高温热导率、高温电阻率、高温泊松比、高温纵波声速物理参数;
所述的编码器-解码器数据模型是指:以自动编码器模型为基础构造的数据模型,该模型的架构具体包括:输入层、编码器部分、中间层、解码器部分和输出层,其中:输入层变量为焊接过程多个传感信号的实测值,每个传感信号对应一组一维时间序列数据,且各组数据在时间轴上需对齐;编码器部分为可处理时序信号的机器学习模型,通过对输入层变量进行自动特征提取和非线性变换,将其映射为一组多元时间序列数据,得到中间层变量;中间层变量为多元时间序列数据,其变量个数大于输入层变量,时间序列长度等 于输入层变量;解码器部分为多个解析模型,每个解析模型的函数表达式均与所述多传感时序信号机理模型中的某一个完全一致,解码器部分可将中间层变量转化为多组一维时间序列数据,得到输出层变量;输出层变量为一维时间序列,其变量个数与时间序列长度等 于输入层变量;
所述的机器学习模型包括:高斯回归模型、支持向量机模型、神经网络模型;
所述的编码器-解码器数据模型的损失函数,为输出层变量惩罚项和中间层变量惩罚项的加权和,其中:输出层变量惩罚项通过计算数据模型的输出层变量与多个传感信号实测值的均方根偏差获得;中间层变量惩罚项是根据多传感时序信号机理模型的变量连续性要求计算获得的变量光滑度,用于表示数据模型的中间层变量在时域上的瞬时突变幅度,变量光滑度是通过计算变量对时间微分的最大值获得;
所述的训练编码器-解码器数据模型的编码器部分是指:以编码器-解码器数据模型的损失函数值小于或等 于预设阈值为目标,通过梯度下降算法在一定迭代次数和参数步长变化范围内对编码器部分的可调参数进行迭代调优,其中:编码器部分的可调参数是指机器学习模型的模型结构、核函数、待定系数参量;
所述的与质量评判标准进行量化比对是指:将训练后数据模型编码器部分的第一个输出变量的最大值与熔核尺寸的预设阈值进行比较;当输出变量的最大值超出熔核尺寸预设阈值时,则判定为质量不合格;反之,则判定为质量合格。
2.根据权利要求1所述的融合多传感时序信号机理模型的电阻点焊质量在线检测方法,其特征是,所述的解析模型具体为:
其中:R*(t)为动态电阻信号的预测值,H代表待焊工件的总厚度,R0为两电极的基值电阻,DE为电极端面直径,DN(t)为随时间变化的焊点熔核直径,DI(t)为随时间变化的焊点表面压痕直径,HI(t)为随时间变化的焊点表面压痕深度,为随时间变化的焊接区温度平均值,ρ(T)为随温度变化的被焊材料电阻率,解析模型的第一个输入变量为DN(t);
其中:S*(t)为动态电极位移信号的预测值,HN(t)为随时间变化的焊点熔核厚度,α(T)为随温度变化的被焊材料热膨胀系数,μ(T)为随温度变化的被焊材料泊松比,HC为特征厚度,且DE为电极端面的曲率半径,解析模型的第一个输入变量为HN(t);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556598.7A CN114861498B (zh) | 2022-05-18 | 2022-05-18 | 融合多传感时序信号机理模型的电阻点焊质量在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556598.7A CN114861498B (zh) | 2022-05-18 | 2022-05-18 | 融合多传感时序信号机理模型的电阻点焊质量在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861498A CN114861498A (zh) | 2022-08-05 |
CN114861498B true CN114861498B (zh) | 2022-11-18 |
Family
ID=82639018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210556598.7A Active CN114861498B (zh) | 2022-05-18 | 2022-05-18 | 融合多传感时序信号机理模型的电阻点焊质量在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861498B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024060086A1 (zh) * | 2022-09-21 | 2024-03-28 | 西门子股份公司 | 代理模型的生成方法、装置和可读介质 |
CN117436769A (zh) * | 2023-12-20 | 2024-01-23 | 山东方垠智能制造有限公司 | 一种结构件焊接质量监测方法、***、存储介质及设备 |
CN117483954B (zh) * | 2023-12-29 | 2024-03-22 | 深圳市恒永达科技股份有限公司 | 一种薄壁金属激光焊接方法、***及介质 |
CN117648671B (zh) * | 2024-01-29 | 2024-04-02 | 西南石油大学 | 一种融合机理模型和实时数据的油井产量预测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11285848A (ja) * | 1998-03-31 | 1999-10-19 | Dengensha Mfg Co Ltd | 抵抗スポット溶接方法 |
US6043449A (en) * | 1997-08-27 | 2000-03-28 | Nissan Motor Co., Ltd. | Spot welding system and spot welding method and nugget diameter estimation system and nugget diameter estimation method |
WO2002024392A1 (en) * | 2000-09-21 | 2002-03-28 | Massachusetts Institute Of Technology | Spot welding system and method for sensing welding conditions in real time |
CN1480713A (zh) * | 2003-07-23 | 2004-03-10 | 天津大学 | 多信息融合技术确定铝合金板材电阻点焊熔核面积的方法 |
CN101323047A (zh) * | 2008-07-24 | 2008-12-17 | 上海交通大学 | 基于电极位移的电阻点焊质量控制装置与方法 |
CN104730109A (zh) * | 2015-02-28 | 2015-06-24 | 重庆理工大学 | 一种基于动态电阻曲线的电阻点焊焊点质量检测方法 |
JP2017068310A (ja) * | 2015-09-28 | 2017-04-06 | 新日鐵住金株式会社 | 抵抗スポット溶接のナゲット径予測方法、コンピュータプログラム、および、当該プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN109635855A (zh) * | 2018-11-26 | 2019-04-16 | 南京理工大学 | 基于自编码器模型的多传感器融合跟踪方法 |
WO2019103772A1 (en) * | 2017-11-22 | 2019-05-31 | Siemens Aktiengesellschaft | Detection and root cause analysis of welding defects |
CN109931879A (zh) * | 2019-03-29 | 2019-06-25 | 上海交通大学 | 基于电极间位移信号的焊点表面压痕深度的在线测量方法 |
CN111230280A (zh) * | 2020-01-20 | 2020-06-05 | 上海交通大学 | 基于本征过程信号的电阻点焊飞溅在线检测方法及*** |
CN113379029A (zh) * | 2021-04-22 | 2021-09-10 | 中国地质大学(武汉) | 基于物理定律和过程驱动的深度学习模型的水质预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080041827A1 (en) * | 2006-05-26 | 2008-02-21 | Wei Li | Resistance Spot Welding Monitoring System and Method |
CN112257341B (zh) * | 2020-10-20 | 2022-04-26 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
-
2022
- 2022-05-18 CN CN202210556598.7A patent/CN114861498B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6043449A (en) * | 1997-08-27 | 2000-03-28 | Nissan Motor Co., Ltd. | Spot welding system and spot welding method and nugget diameter estimation system and nugget diameter estimation method |
JPH11285848A (ja) * | 1998-03-31 | 1999-10-19 | Dengensha Mfg Co Ltd | 抵抗スポット溶接方法 |
WO2002024392A1 (en) * | 2000-09-21 | 2002-03-28 | Massachusetts Institute Of Technology | Spot welding system and method for sensing welding conditions in real time |
CN1480713A (zh) * | 2003-07-23 | 2004-03-10 | 天津大学 | 多信息融合技术确定铝合金板材电阻点焊熔核面积的方法 |
CN101323047A (zh) * | 2008-07-24 | 2008-12-17 | 上海交通大学 | 基于电极位移的电阻点焊质量控制装置与方法 |
CN104730109A (zh) * | 2015-02-28 | 2015-06-24 | 重庆理工大学 | 一种基于动态电阻曲线的电阻点焊焊点质量检测方法 |
JP2017068310A (ja) * | 2015-09-28 | 2017-04-06 | 新日鐵住金株式会社 | 抵抗スポット溶接のナゲット径予測方法、コンピュータプログラム、および、当該プログラムを記録したコンピュータ読み取り可能な記録媒体 |
WO2019103772A1 (en) * | 2017-11-22 | 2019-05-31 | Siemens Aktiengesellschaft | Detection and root cause analysis of welding defects |
CN109635855A (zh) * | 2018-11-26 | 2019-04-16 | 南京理工大学 | 基于自编码器模型的多传感器融合跟踪方法 |
CN109931879A (zh) * | 2019-03-29 | 2019-06-25 | 上海交通大学 | 基于电极间位移信号的焊点表面压痕深度的在线测量方法 |
CN111230280A (zh) * | 2020-01-20 | 2020-06-05 | 上海交通大学 | 基于本征过程信号的电阻点焊飞溅在线检测方法及*** |
CN113379029A (zh) * | 2021-04-22 | 2021-09-10 | 中国地质大学(武汉) | 基于物理定律和过程驱动的深度学习模型的水质预测方法 |
Non-Patent Citations (3)
Title |
---|
Online measurement of weld penetration in robotic resistance spot welding using electrode displacement signals;Xia, Yu-Jun 等;《Measurement》;20200902;全文 * |
基于信息融合技术的焊点质量评估;张宏杰等;《焊接技术》;20080628(第03期);全文 * |
电阻点焊动态信号实时监测及焊接质量预测;文静等;《电焊机》;20200520(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114861498A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861498B (zh) | 融合多传感时序信号机理模型的电阻点焊质量在线检测方法 | |
Wang et al. | Prediction and fitting of weld morphology of Al alloy-CFRP welding-rivet hybrid bonding joint based on GA-BP neural network | |
Karimi et al. | Thermal contact conductance effect in modeling of resistance spot welding process of aluminum alloy 6061-T6 | |
CN107462597B (zh) | 一种金属材料对激光的吸收率的标定方法 | |
Wan et al. | Quality monitoring based on dynamic resistance and principal component analysis in small scale resistance spot welding process | |
Quan et al. | Modeling the hot deformation behaviors of as-extruded 7075 aluminum alloy by an artificial neural network with back-propagation algorithm | |
CN115026406B (zh) | 基于红外热像仪的搅拌摩擦焊核心区温度在位表征方法 | |
El Ouafi et al. | Artificial neural network-based resistance spot welding quality assessment system | |
Na et al. | Algorithm development for quality monitoring on end plug resistance weldment of nuclear fuel rods | |
CN113515873B (zh) | 一种基于量纲分析的金属增材制造熔池形状预测方法 | |
El Ouafi et al. | An on-line ANN-based approach for quality estimation in resistance spot welding | |
Chen et al. | Non-linear modelling and compound intelligent control of pulsed gas tungsten arc welding dynamics | |
Halloua et al. | An intelligent method using neural networks for Depth detection by standard thermal contrast in active thermography | |
CN115512455B (zh) | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 | |
Dhas et al. | Neuro evolutionary model for weld residual stress prediction | |
CN114147380B (zh) | 基于数字孪生框架的转子焊接方法 | |
CN115906561A (zh) | 基于过程参数的闪光对焊在线监测与质量评估方法及装置 | |
Chen et al. | Analytical modeling of heat conduction for small scale resistance spot welding process | |
Pal et al. | Radial basis function neural network model based prediction of weld plate distortion due to pulsed metal inert gas welding | |
KR100911629B1 (ko) | 열간성형조건에서의 소재의 변형거동과 공구와 소재간의마찰조건 예측방법 | |
Sharma | Process modeling in welding | |
El Ouafi et al. | Dynamic resistance based model for on-line resistance spot welding quality assessment | |
Beghini et al. | Verification and validation of a process model with adaptive remeshing for a multiphysics resistance forge weld. | |
任森棟 | Digital Twin of Coaxial One-side Resistance Spot | |
CN117253568B (zh) | 一种制备氧化钇坩埚的涂层工艺优化方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |