壓痕深度

電阻點焊的焊點壓痕深度與其質量密切相關，它對焊件的強度、承載能力和外觀質量有很大的影響。無壓痕或壓痕太淺，表明接頭無形核或熔核太小，則其抗剪強度必不能達標；壓痕太深，實際生產中往往將其判定為一種點焊接頭外觀缺陷。因此，焊點壓痕深度直接或間接地都可作為評價電阻點焊接頭質量的重要參數指標。目前，汽車生產企業主要用焊後人工目測或顯微鏡測量的方法檢查壓痕深度。這種檢查方法效率低，受人為因素影響大，無法滿足自動化生產的需要。研究表明，焊接過程中電極位移信號提供了豐富的熔核形成的信息，可作為在線監測、評判焊點質量狀態的信息源。基於電極位移信號特徵提取，探索了一種焊點壓痕深度實現人工智能在線預測的方法 ^[1]  。

藉助激光位移傳感器能夠精確測量微小位移的特點，搭建了焊點壓痕深度計算機測量系統。將焊件水平放置在載物台上，調節傳感器旋鈕改變激光傳感器到載物台的距離，使被測試件在激光傳感器的測量範圍內； 通過調節載物台旋鈕使載物台平行移動， 可實現試件的不同位置的測量。試件焊點表面區域在焊接時受到電極壓力的影響，金屬熱塑性變形，焊點表面呈現了4個不同特徵區域環。1 環區為焊點的中心區，是在上下電極頭電、熱、力多種作用和拘束狀態下的熔核區表面呈像， 是焊點的壓痕區域；2環區是表面金屬被高温氧化燒損形成的， 是焊點的熱影響區域；3 環區是母板上為測量壓痕深度劃定的區域。焊點壓痕深度(hT)是指焊接工件在電、熱、力耦合作用下, 焊接結束後電極在工件表面留下的凹坑深度。測量時，首先獲取壓痕區域(1 環區)相對於激光傳感器探頭間的高度值，然後獲取母板(3 環區)與激光傳感器的相對高度值，那麼，二者的差值即為焊點的實際壓痕深度。由於母板受到加工精度與焊接過程的影響，可能存在翹曲或不平整。為了消除母板對測量結果的影響， 採用多次重複測量求取的平均值hT作為該焊點壓痕深度的實際評定值。

通過大量焊接工藝試驗與實際壓痕深度的相關分析表明，隨着焊接電流的增大，其熱輸入量增多，形成的熔核體積也會增大，在同樣的電極壓力下，可擠壓的體積變大，所形成的壓痕就會更深。而當焊接電流一定時，隨着電極壓力的增大，焊點熔核形成時受到的束縛增加，形成的壓痕深度同樣也越深。另外，有些焊點壓痕出現了不同程度的陡降或陡升，這是由於對於一定的電流，當電極壓力過大時，會將塑性環擠破，發生噴濺；反之，當電極壓力過小時，膨脹的液態金屬會衝破塑性環，發生噴濺，最終都會損失一部分金屬，形成較深的壓痕；當焊接電流和電極壓力匹配時，很少發生噴濺，形成相對較淺的壓痕。故焊接電流、電極壓力是影響焊點壓痕深度的主要因素，應作為預測焊點壓痕深度的主要表徵參量 ^[2]  。

採用高精度ZLDS102 激光位移傳感器搭建了電極位移信號實時採集系統。傳感器通過專用裝置非接觸獲取電極位移信號， 上電極頭與反射板固定在一起，傳感器安裝在下電極頭上。激光位移傳感器發射的激光束經反射板反射， 被內部CMOS 線性陣列接收，根據反射光與陣列的角度及已知的激光源和陣列之間的距離， 即可利用三角測量原理計算出反射板的位移。通過提取焊接過程激光位移傳感器檢測到的反射板的位移， 獲得電極位移信號。採用VC++ 開發的信號採集系統軟件，實現了電極位移信號採集、實時電極位移曲線顯示、數據保存和分析等功能。

對獲取的電極位移信號進行消噪、去幹擾等預處理，通過大量的點焊試驗和電極位移曲線的對比分析表明，採集的電極位移曲線可實時監測焊點熔核形成過程。

對於每個焊點所獲取的h 和hT之間都存在大約100 μm 幅度的恆定變化值， 這個變化值主要是由於相變體積力與電極壓力的合力加速度產生的。而壓痕深度反映的是焊點已成為穩定固態下的表面變化量。因此，從電極位移信號獲取的h 能夠作為表徵焊點壓痕深度的特徵參量 ^[3]  。

支持向量機(support vector machine, SVM)是在統計學習理論基礎上發展起來的一種新的機器學習方法，它較好地解決了小樣本、非線性和高維模式識別、以及傳統神經絡模式識別方法中難以解決的網絡結構選擇和局部極小點等實際問題， 已被成功應用於模式識別與故障診斷。SVM 的基本思想是通過定義適當的內積函數， 將訓練數據從輸入空間非線性的映射到一個更高維的空間裏， 使得樣本在該空間內線性可分，之後求取最優線性分類面。SVM 的性能主要受核參數和誤差懲罰因子C 的影響。懲罰因子C 用於確定數據子空間中置信範圍和經驗風險的比例， 通過調整特徵空間中經驗誤差水平來影響學習機的推廣能力。

選取焊點壓痕深度的特徵參量h、焊接電流I、電極壓力F 作為輸入向量，焊點實際壓痕深度hT為目標向量，建立了壓痕深度的SVM 評判模型。輸入向量中各特徵參量數據具有不同的物理意義和不同的量綱。這樣會造成在機器學習開始時各輸入分量地位重要性不等同，而使得訓練誤差變大。為了克服該問題在機器學習開始前採用最大最小值方法對輸入向量在[10～20]區間進行歸一化，使得所有分量只表示相對大小。選取56 個焊點作為模型的訓練樣本，提取各個焊點的h、I 和F，構造模型輸入向量P=[56×3]。提取各個焊點的hT，構造模型輸出向量T=[56×1]。選擇RBF 核函數g 為0.005524、懲罰因子C 為22.6274 時進行網絡訓練，獲得了壓痕深度的迴歸預測模型。利用測試樣本集對模型進行驗證。壓痕深度的迴歸預測值hp和實際值hT的線性相關係數為0.9118，表明所建立的SVM 評判模型可以實現焊點壓痕深度的預測 ^[2]  。

（1） 搭建的激光測量系統可以實現電極位移信號的實時採集和處理， 獲取的電極位移信號可以作為監測熔核形成過程的信號源。焊點壓痕深度反映了熔核形成過程導致焊件表面的體積形態變化量。基於電極位移信號提取的特徵參數可以作為焊點壓痕深度的表徵參數。

（2） 以實際測定的焊點壓痕深度值hT為目標向量，通過實驗和相關性分析確定的特徵參量h、焊接電流I、電極壓力F 作為輸入向量，建立了焊點壓痕深度的SVM 迴歸預測模型。模型輸出的壓痕深度預測值和實際測定值間的線性相關度達到了91.18%。實際驗證表明，採用熔核形成過程監測參數可以實現焊點壓痕深度的預測 ^[1]  。