高子博　郭海欣　李天雷　张莉　周冲　张晨曦

摘 要：电阻点焊技术因其低价高效性在汽车行业广泛应用于车身各部件的连接上，点焊的质量直接影响到整个汽车的品质。本文设计了一个点焊质量评分预测模型，通过传感器采集焊接过程中的动态电流、电压等信号，在与焊接质量评分进行相关性分析后选取可以表征焊接质量的特征量，基于机器学习算法建立点焊焊接质量预测模型并进行误差分析。最后选用随机森林算法模型，得到焊接评分预测值，结果表明预测值与真实值的误差可以控制在2%以内，预测较为准确。

关键词：电阻点焊 数据采集 机器学习 质量预测

Research on Signal Acquisition and Welding Quality Prediction in Spot Welding Process

Gao Zibo Guo Haixin Li Tianlei Zhang Li Zhou Chong Zhang Chenxi

Abstract：Resistance spot welding technology is widely used in the automotive industry for the connection of various parts of the car body because of its low cost and high efficiency， and the quality of spot welding directly affects the quality of the entire car. In this paper， a spot-welding quality score prediction model is designed， which collects dynamic current， voltage and other signals in the welding process through sensors， selects the characteristic quantities that can characterize the welding quality after correlation analysis with the welding quality score， and establishes the spot-welding quality prediction model based on the machine learning algorithm and analyzes the error. Finally， the random forest algorithm model is selected to obtain the predicted value of the welding score， and the results show that the error between the predicted value and the real value can be controlled within 2%， and the prediction is more accurate.

Key words：resistance spot welding， data acquisition， machine learning， quality prediction

1 前言

在汽车的生产制造过程中，车身及各零部件之间的连接通常采用电阻点焊的方式。据相关统计表明，点焊在车身结构连接方式中的占比大于90%，因此车身强度、安全性和使用寿命很大程度上取决于焊点的质量，准确把控汽车车身焊点质量对保证整车质量意义重大。

电阻点焊的基本原理是把装配成搭接接头的焊件压紧在两电极之间，利用电阻热熔化母材金属，形成焊点。但由于其形成过程一直处于封闭状态，无法直接观测，大多数汽车厂商在生产中都是通过抽样来进行破坏性检测或无损检测，破坏性检测主要通过测量焊点的拉剪强度或焊核直径来评价焊点的质量，无损检测大多通过目测或超声波检测来确定焊点质量。这些方法都使得焊点质量检测效率极低，生产成本提高，并且无法全面了解车身所有焊点的质量。由此可见，点焊质量的在线预测技术对保证点焊质量的可靠性和一致性有非常重要的意義，具有广阔的市场前景和重大的商业价值，目前该项技术已经受到国内外学者的广泛关注和研究。

本文通过实时监测点焊过程中的各类特征信号，包括焊接动态电流、动态电压、电极压力、电极位移等，结合焊接材料、板材厚度、镀层材料、焊接时长、焊核直径、焊核拉剪强度等数据，基于机器学习原理设计开发了一种点焊质量预测模型，该模型可通过输入焊接过程信号和相关特征信息准确预测焊接质量。

2 焊接过程信号监测

本章分别通过电流传感器、电压传感器、位移传感器和电极压力传感器对电流信号、电压信号、位移信号及电极压力信号进行数据采集传入数据采集装置中，再用数据采集装置进行模数转换和存储，最后再将数字信号传输到计算机内，信号监测模块整体结构如图1。

2.1 焊接电流监测

焊接电流的检测方法主要有分流器法、电流互感器法、霍尔传感器法及罗氏线圈法等。罗氏线圈电流传感器具有反应灵敏，与测量回路电气绝缘，结构简单、质量轻、安装方便及动态测量范围大等优点，本文选用罗氏线圈电流传感器，将其安装在焊机次级电流回路中，可实现次级大电流的精确测量。

线圈电流传感器输出的感应电动势并非焊接电流实际值，而是与被测电流（即焊接电流）的变化率成线性关系，可通过改变横截面积和单位上的线圈匝数来调整线圈电流传感器的灵敏度。罗氏线圈的输出特征为输出电压信号正比于所测电流信号的微分，因此利用调理电路中增加对原始信号的积分处理电路来采集点焊过程中的焊接电流信号。

2.2 焊接电压监测

由于大电流会造成较大的电磁干扰，而点焊过程中上下电极间的电压较小，在此选用双绞屏蔽线实现对电极间电压的测量以减小干扰。检测电压时，先将鳄鱼夹分别夹在上下电极上，再通过扭绞缆线将信号传输到示波器中。

2.3 电极位移监测

检测位移的传感器为HG-C1030激光位移传感器。该传感器的光源为波长655nm的红色半导体激光，光束直径为50um，重复精度为10um，输出范围0～5V。在焊接过程中，由于焊接区的热膨胀而发生的电极运动量一般为总板厚的10%。因此，本论文采用的HG-C1030激光位移传感器足以确保其精度。

2.4 电极压力监测

文中采用高灵敏石英应变传感器对电极压力进行监测。该传感器是一种基于压电效应的传感器，传感器的压电晶体受力时会产生电荷，具有灵敏度高、频带宽、信噪比高、结构简单、结实耐用的优点，适合动态压力的测量。由于压电传感器受力时产生的电荷信号较微弱，且内阻极高，因此需要放大压电传感器输出的微弱电荷信号，且将压电传感器的高阻抗变换成低阻抗输出。使用外加电阻信号调理电路将电流信号转换为数据采集卡可以直接采集的电压信号。

2.5 数据采集卡

在选择数据采集卡时，需考虑采样频率范围、A/D转换速度、模拟信号转换分辨率、模拟转换通道数等因素，本文选用的数据采集卡为USB接口模式，其主要技术参数如下：

1）量程为-10～+10V

2）8路差分模拟信号输入通道，2路模拟输出通道

3）为满足高频信号的采样需求，采样频率在5kHz以上

4）12路数字输入/输出通道

3 焊接质量检测

电阻点焊后的焊点由于存在封闭性，无法直观地判断其质量好坏，目前常见的质量检测方式分为破坏性检测和无损检测。

3.1 破坏性检测

破坏性检测是在检测之前或过程中需要破坏工件或原材料工作状态，工件或原材料的使用功能或性能遭到一定程度破坏的检测形式或方法，主要用来测量焊点的拉剪强度和熔核直径。其中，拉剪强度的测量通过拉伸实验完成，熔核直径的测量过程如下：

点焊结束后，等待试件冷却至室温，对每个试件的正面和背面拍照，记录焊点表面的宏观形貌。然后利用线切割机将试件沿焊点中心切割开，线切割后的试样待观测表面粗糙不符合要求，因此，将线切割后的试样进行打磨、抛光、腐蚀、清洗和烘干，然后在显微镜下拍摄电阻点焊熔核照片，并对熔核直径进行测量计算并记录。

3.2 无损检测

无损检测是检测之前或过程中都不损坏工件或原材料的一种检测方法，可以检测被检物表面状态和内部质量。在汽车工业领域内，无损检测用途主要有以下两种。第一，电阻点焊的无损检测。该检测方式包括人工视觉检测、震荡检测以及超声波检测等。在汽车行业常用的是灵敏度高且速度快的超声波探傷检测，该检测能有效地对汽车车身缺陷进行定位和量化。第二，气体保护焊的无损检测。气体保护焊焊缝的射线探伤检测方法普遍应用在汽车工业，其能够通过射线检查金属内部可能出现的针孔、夹杂、裂纹等缺陷。

4 焊接质量预测模型

本章针对第1章中获得的点焊焊接动态过程信号，提取出与焊接质量强相关的特征量，作为机器学习模型的输入。以第2章中获得的能表征焊接质量的检测结果为参考依据，对焊接质量进行评分，并将其作为机器学习的输出。选用机器学习领域常用且效果较好的几种算法，建立点焊焊接质量评分预测模型。

4.1 特征值提取

本文通过监测动态焊接电流和电压的数据，绘制出动态电阻曲线，如图2所示。

提取动态电阻最大值（）、动态电阻最小值（）、动态电阻平均值（）、电极压力动态上升幅度最大值（）、电极压力动态上升幅度平均值（）、电极压力平均值（）、电极压力标准差（）、电极位移量（），将这些特征量与焊接质量评分做相关性分析。为了使质量预测准确且有效，选取的特征值应与点焊质量呈强相关性。

相关性分析结果如表1所示，根据相关关系可得，特征量作为焊接质量预测模型的输入参数。

4.2 焊接质量预测模型

选用几个常见机器学习回归模型，包括随机森林、决策树、SVM、梯度提升决策树、MLP、Adaboost、Bagging，以焊接时间T、焊接板材M、板材厚度L、预设电流I、预设电压U、预设电极压力F、脉冲宽度设定值W和3.1提取出的特征量作为模型的输入，质量评分作为输出，分别建立焊点质量评分预测模型。

在经过大量点焊工艺实验后，积累了大批合格和存在缺陷的焊点数据，形成焊点质量数据集。将数据集划分为训练集和测试集，用训练集训练上述各个模型的参数，然后利用测试集验证各个模型的回归性能，并输出焊点质量评分的预测结果。

4.3 模型性能评价

使用平均绝对误差、均方误差和R2_score算法对7个模型输出结果的误差分别进行计算，结果如表2所示。

根据误差结果，最终选择随机森林模型来预测焊接质量评分。随机森林是用随机的方式建立一个由很多决策树组成的森林，每一棵树之间没有关联，特点是抗噪性强、随机性，是一个集成学习模型，具有不错的预测能力。随机森林是一种组合分类器，它以决策树当作是基分类器，复合了多个决策树模型，这在一定程度上减少单分类器的限制，使得整体性能更好，可以达到更高的预测准确率。同时，随机森林自身的随机性，可以较大程度上包容异常点和噪声的影响，从而在一定程度上减少了决策树算法存在的过拟合现象，提升了泛化能力。在测试集上随机森林模型的部分拟合结果如表3所示。由此可见，该模型预测效果较好，平均偏差率为1.85%。

5 结论

本文利用传感器采集了电阻点焊焊接过程信号，并使用破坏性检测和无损检测的方式评估焊点质量。通过对焊接过程信号和焊接质量进行相关性分析选取了可以表征焊接质量的特征量。基于机器学习算法建立了特征量与焊接质量评分之间的关系，经误差分析后选择了效果较好的随机森林算法，形成点焊焊接质量评分预测模型。经过测试集验证发现，该模型可以较为准确地预测焊接质量，平均偏差率为1.85%。

参考文献：

[1]韩佩. 基于多通道的电阻点焊质量检测研究[D].西安石油大学，2021.

[2]文静，贾洪德.电阻点焊动态信号实时监测及焊接质量预测[J].电焊机，2020，50（05）：102-106+138.

[3]李雪海.汽车白车身点焊质量控制评价体系研究[J].汽车实用技术，2020（08）：191-193.

[4]魏雷.点焊质量监控系统的设计[J].山西大同大学学报（自然科学版），2019，35（04）：76-78.

[5]文静. 电阻点焊质量监测智能化及系统研究[D]. 吉林：吉林大学，2010.

[6]陈材，祁俊峰，陈树君. 点焊信息在线监测与评估在航天器舱体结构中的应用[J]. 电焊机，2018，48（2）：1-5.

[7]Wen J，Jia H D，Wang C S. Quality Estimation System for Resistance Spot Welding of Stainless Steel[J]. ISIJ Intern-ational，2019，59（11）：2073-2076.

[8]许君，李永兵，陈关龙等.轿车车身电阻点焊质量实时监测系统[J].焊接学报， 2006，27（4）：41-44.

[9]尚建利，张婷.汽车车身焊接质量控制与检测研究[J].机械管理开发，2019，34（01）：221-222+224.

[10]张超.汽车白车身焊接质量控制及检测和评价[J].内燃机与配件，2022（08）：92-94.