构建焊点质量人工智能检测系统

01

立项背景02

技术路线目录·面向新车型筑内作成本最优的车型生产体质。Contents03

创新点提炼整体成果041.1背景与价值P3ACE高级兼容性车身结构电阻点焊工艺电阻点焊24%32%扭转强度弯曲强度⚫

车身上焊点数千个，是主要的连接工艺⚫

焊点质量检测是保证车身强度和客户安全的关键保证措施普通车身ACE车身普通车身ACE车身电阻点焊是车身制造的关键工艺，焊点质量检测对车身强度和客户安全至关重要1.1背景与价值P4焊点质量检测方式存在问题点半破坏检查手持式超声波检测仪人员投入大通过检测焊核的超声回波曲线，识别判断焊核的好坏检测效率低只能抽检自动化环境噪音/dB90单价42万7930~40s不检查时

检查时噪音超85dB检查工时30~40s/焊点设备成本高低成本噪音大，检查覆盖面窄仪器贵，强度检查效率低当前的焊点质量检测方法只能进行抽检，品质保证能力弱，且成本很高1.2现状分析P5方案一：超声波焊点质量在线自动检测存在问题点内置电极的超声探头单位：万元采集焊核情况并分析实时反馈监控岗位50工件PC0电极电极杆需改造

单台改造成本大电极柄单位：秒2点焊焊接

真实声学图像0熔核几何图像

模拟声学曲线未明OKNG批量处理待验证增加额外检测工时增加超声波检测装置判断焊点质量焊点结果推送在焊接过程中用超声波自动检测焊点质量，但是成本更加高昂且可靠性有待验证1.2现状分析方案二：超声波焊点质量在线自动检测P6存在问题点机器人超声波无损自动检查系统7336m2自动检查新增工作站7个

新增占地面积17单位：万元50新增机器人超声波装置新增工作站0成本大导入无损设备焊接完成后增加独立工作站进行焊点自动化检测在焊接完成后采用超声波自动检测焊点质量，但是成本高昂且需要占用大量面积1.2现状分析方案三：焊点质量在线自动检测P7存在问题点NGOK上下阈值外上下阈值内焊点不良焊点合格大数据分析大数据分析焊接参数轮廓UCL•误报警多阈值窄阈值宽采集焊接过程参数不良焊耦合影响•电阻电流热量Q点流出RILCL焊点质量提取电阻点焊焊接过程参数提取轮廓上下限控制线，作为模型的边界焊点质量受多种参数的耦合影响，单一维度阈值分析影响准确率大数据分析获得焊接参数的上下阈值通过分析焊接参数是否在阈值内来检测焊点质量，模型准确率受到限制1.2现状分析P8行业调查对策思考半破坏超声波手动检查投入大低成本自动化在线检测焊后检测成本高抽检自动检查内置电极的超声探头行业空白？工件电极电极柄低成本&自动化检测是行业空白目前手动检测和自动检测都存在不足可靠、低成本的焊点质量自动检测方式是行业空白1.2现状分析P9精准执行焊点质量智能检测人工智能结果推送强检岗⚫⚫

进行二次复检大数据科学决策降低成本提升品质提升效率⚫

焊点质量智能判断物联网⚫

焊点模型自学习完善智能化技术实时分析·面向过效率提升、体质筑内作成本最优的车型大数据焊接过程参数⚫

焊接数据处理分析⚫

焊点模型训练焊不良焊点合格焊点点预测人员多人工智能人工智能模型算法状态感知⚫

自动采集焊接过程参数成本高特征边界f(t,x0,x1,…,xn)超声波检测⚫

电流、电阻、加压力、热量作业强度大思考借助智能化技术打破行业焊点质量低成本自动检测的空白，实现

的突破1.2现状分析P10检查方式区别焊点AI模型检查系统构想木已成舟半破坏抽检超声波抽检通过监控不同的工艺数据曲线，判断焊点质量传统检查IOT系⚫

事后检查⚫

以直观的特征数据统直观可靠昂贵低效结果延迟作为判断标准平台大数据建模分析电流加压力模型AI检查⚫

过程检查掌握先机焊接品质结果输出现场品质推送模型检查通电时间结果大屏推送⚫

以复杂的过程参数分类特征作为判断标准功能

查询

追溯

异常标记焊点二次复查廉价高效实时反馈可能出错IOT平台采集焊接数据人工复检通过焊接参数规律分析，对焊点质量进行分类，实现焊点质量的过程检测userid:656793,docid:159620,date:2024-06-06,2技术路线P11采集数据数据预处理建立模型⚫

焊接原理分析⚫

数据平衡处理⚫⚫⚫模型原理与算法多模型的焊点质量检测模型应用及可视化·面IOT平台建立，构筑内⚫⚫

数据采集及融合提供大数据基础提供可靠一致的大数据从不同设备中获取焊点一台份数据保证数据满足模型需求区分不良焊点数据特征按照采集数据、数据预处理、建立模型三个步骤开展2.1数据采集焊接原理分析⚫P12电阻点焊原理接触电阻（R）通电时间（T）Ｑ＝

I2RT⚫

电阻=r1+2r2+2r3+2r4⚫

焊接压力变大，接触电阻减Ｑ＝发热量(J)

Ｒ＝电阻(Ω)少，焊核越小，产热越小Ｉ＝电流(A)Ｔ＝通电时间(ms)电阻点焊原理：在热与电极压力作用下，金属板材熔化金属原子间结合形成焊点的过程焊接电流电阻焊点质量压力焊接电流（I）⚫

电流过小，焊点小或无法熔接通电时间⚫

电流过大，熔接越快，易飞溅焊接强度低⚫

通电时间影响焊接部发热量⚫

通电时间增加，焊核变大焊点质量主要由焊接热量Q决定，而焊接热量主要受电流、压力和通电时间的影响2.1数据采集焊接原理分析⚫P13电阻点焊焊接系统构成焊接工艺参数来源电流（I）作用：控制焊接电流和焊接时间按照设定值精准输出焊接控制器从焊接控制器中采集通电时间（T）焊接机器人作用：控制焊接压力按照设定值精准输出从机器人控制器中采集压力（F）VIN码电阻点焊作用：传递PLCVIN码，将焊接工艺参数与焊点建立联系PLC从

中采集影响焊接质量的工艺参数分别从机器人、焊接控制器及PL

中采集2.1数据采集IOT平台建立⚫P14焊接设备终端采集终端公司IOT平台功能存储机器人压力数据分类数据集成公司云平台PLC设备协议MQTT协议码查询追溯VIN网关以太网采集数据专用采集电脑数据分类控制器电流时间数据存储数据集成焊接控制器云平台界面线外进行收集参数局域网组建采集到边缘服务器数据分类及存储基于IO

技术实现工艺参数采集，并在公司云平台建立数据库统一管理2.1数据采集数据采集及融合数据⚫P15设备工艺参数数据融合时钟不同数据长度不同数据时序不同难点1:第X焊点F?采样频率不同如何进行数VIN?哪些数据属于X焊点？I?据融合？T?如何从一连串数据中找到第X焊点对应的数据？将4组数据打包融合成1个焊点的数据焊接控制器、机器人和PL

内部时钟和数据采样频率不一样，融合成一个焊点的数据存在困难2.1数据采集数据采集及融合⚫P16设备增加时间戳融合数据机器人控制器第X焊点独立时钟1···F1a1F2a2F2ax扭矩X焊点的时间戳时间戳仅用于标识定位，不纳入焊点数据包内FnVIN码PLC独立时钟2时钟4采集终端···VIN1a1a2VINmax电阻/电流VINm独立时钟4/时间焊接控制器······I1I2a1I3I4a2Ip

Ip+1

axIp

Ip+1独立时钟3三种设备时钟精度不同统一使用采集终端时钟Tp

Tp+1T1

T2

a1

T3

T4

a2Tp

Tp+1

ax相同时间戳参数融合成一个焊点数据采集增加公共时钟信息首创时间戳，成功将电流、时间等工艺参数打包融合到一个焊点数据里2.2数据预处理数据平衡处理⚫P17正负样本的现状正负样本不平衡的影响难点2:定期全拆解检查如何实现正负样本平衡？正负样本不平衡会影响模型训练结果不良焊点占0.14%~0.36%产正样本负样本正样本远低于负样本合格焊点

不良焊点不良焊点占比低不良焊点产生概率远低于合格焊点实际生产中代表不良焊点的负样本数量远少于正样本数量2.2数据预处理数据平衡处理试验方案⚫P18离线制造不良试验相关结论离线制造100%电极不修磨试验试验条件1不0.8电极不修磨持续焊接900点以上后焊接良0.632%电极修磨不良焊15%0.4离点0不修磨点数0.2概线

与在线焊0率接尽可能次次次800次0500600试验制保持一致：100%负样本数量测试板材间隙板材间隙试验66%1不0.80.60mm、0.5mm、提升到10%但仍然不够板材间隙大良1、在原有20%1mm、1.5mm、焊0.4点

0.2造

自动线上0板材间隙2mm开展0概不良焊点率0mm

0.5mm

1.5mm

2mm2、使用相同的板材与设备1、偶发导致焊接停止的报警；板材有异物板材间涂布HPA2、完成焊接的情况下，几乎不会导致焊点胶不良根据实际生产情况设定离线试验方案离线试验得制造数量有限通过离线制造补充不良焊点数据，但离线制造焊点数量有限2.2数据预处理数据平衡处理⚫P19平衡样本数据对策：通过算法处理补充数据直接复制少数类样本形成多条记录如果样本特征少而可能导致过拟合加入随机噪声、干扰数据等合成新样本正样本负样本少多上采样正负样本数据不均衡通过上采样进行数据平衡处理，并进行改良根据合格样本与不合格样本的比例确定采样倍率，对于每一个STEP1少数样本푥，从퐾近邻中选取若干样本푥푛对于每个푥푛，每个被选择的样本，按以下公式构建新样本：푥new

=

푥

+

rand(0,1)(푥푛

−

푥)增加负样本的数量STEP2正负样本数据均衡按照以上方法可以大规模的形成新的负样本采用通过smot

上采样增加负样本，实现对数据进行平衡处理2.3建立模型模型原理与算法分类器训练⚫P20经典分类算法焊点合格概率计算通过已知不良焊点信息，找出不良焊点的特征范围A表示焊点质量，B表示工艺参数朴素贝叶P(A)：历史样本中焊点质量合格的概率P(B|A)：焊点质量合格时工艺参数的分布概率P(B)：当前工艺参数的概率，固定值已斯模型朴素贝叶斯模型知逻辑回归模型合格焊点不良焊点P(A|B)：工艺参数取当前值时，异常焊点质量合格的概率特征边界f(t,x0,x1,…,xn)预测随机森林模型正常通过大数据训练识别出不良焊点特征范围朴素贝叶斯模型常用分类算法利用经典机器学习算法来进行模型训练，区分不良焊点与合格焊点2.3建立模型模型原理与算法⚫P21朴素贝叶斯逻辑回归随机森林默认超参数N次模型训练返回最优超参数对模型参数组合进行训练寻找最佳参数检出率误报率准确率模型

超参数训练调节单一机器学习算法构建模型超参数调节提高模型准确率训练&验证集决策边界模型训练结束不良

合格得到决策边界得到类别焊点

焊点训练集：训练用数据验证集：验证用数据特征边界f(t,x0,x1,…,xn)模型训练前区分好训练集和验证集模型决策边界确定利用大数据对模型进行持续的训练，优化模型的超参数，从而得到合格焊点的决策边界，即判断基准2.3建立模型多模型融合算法的提出⚫P22各模型准确率情况多模型融合算法朴素贝叶

随机森林

逻辑回归多模型融合检出率不良焊点流出风险斯模型模型模型多检出率误报率准确率模型1

OK模型2

OK模型3

NG100%↑83%80%79%模型融合NG1.6%

1.2%

1.4%97.0%

97.1%

96.8%2.56%↓难点3：如何避免不良焊点流出？97.7%↑备注：正常焊点：1000异常焊点：100检出率偏低不合格焊点可能漏检单模型检出率偏低，存在不良流出的风险采用多模型一票否决制首创多模型融合理念，采取一票否决制检测焊点质量，避免不良焊点流出2.3建立模型多模型融合效果确认⚫P23·面向采用半破坏检测方法对模型检测结果进行验证、功能展示2.3模型建立模型应用及可视化⚫P24焊点质量检测系统界面自主开发强检工位显示系统②不良焊点记录①

焊点统计区域③

自动线内焊点展示④

焊接工艺参数展示型生焊点异常检出强检岗位推送强检员焊点检查序号展示区域功能当天加工品质情况（总数量、检测数、不良数及合格数）①焊点统计区域NY修正标签焊点异常②③④不良焊点记录自动线内焊点展示焊点工艺参数展示最近发生的不良焊点的信息各站点即时焊点质量情况每个焊点质量过程参数曲线返修补焊模型系统部署到现场，不良焊点可以反馈给强检员进行二次确认3项目创新点P25数据采集模型构建结果输出实时数据库逻辑回归服务器智能终端交换机机器人控制器焊接控制器随机森林朴素贝叶斯数据收集数据清洗数据分析模型建立模型训练平台高效采集数据焊点质量检测结果实时输出IOT成功打破了行业焊点质量低成本自动检测的空白3项目创新点P26焊点质量自动检测基于时间戳的数据融合多模型融合理念大模型检出率实时数据库PLC采集装置方案示意图数焊据不良

合格朴素贝叶斯模型多模型融合模型1

OK模型2

OK模型3

NG点预测焊点焊点人工智能机器人随机森林模型NG服务器智能终端交换机特征边界f(t,x0,x1,…,xn)逻辑回归模型发明专利4份(1份授权，3份实审)焊接机基于经验贝叶斯的数据批次效应处理方法、装置及介质

点焊质量检测方法、基于生成对抗网络的点焊数据填补方法、装置及存储介质基于GRU-C网络的不良焊