一种焊点质量检测方法及装置

摘要

本发明公开了一种焊点质量检测方法及装置。该方法包括获取多个焊点在焊接过程中的工艺参数；根据工艺参数构建每个焊点的电阻时间关系曲线；从电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合；对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型；以及利用分类模型对待检测的焊点的焊点状态进行判断。该方法基于大数据数理统计分析手段，对已积累的大量自动实时采集的焊接工艺数据进行分析，采用TPOT自动机器学习算法进行模型训练，进而利用分类模型快速高效的完成海量焊点状态的判断，减少焊点检测的设备投入，降低成本，且为焊点性能及焊点工艺质量提供可靠数据。

权利要求

1.一种焊点质量检测方法，包括如下步骤：获取多个焊点在焊接过程中的工艺参数；

根据所述工艺参数构建每个焊点的电阻时间关系曲线；

从所述电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合；

对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型，其中所述焊点状态包括多点飞溅、单点飞溅、焊点正常和无极值点；以及

利用所述分类模型对待检测焊点的焊点状态进行判断，所述从所述电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合包括：抽取第一时间区间内的电阻极小值；抽取第二时间区间内的电阻极大值；抽取第三时间区间内的电阻突变点，计数得到飞溅点个数；通过抽取到的所述电阻极小值、所述电阻极大值以及所述飞溅点个数组成焊点特征值集合，所述抽取第三时间区间内的电阻突变点，计数得到飞溅点个数包括：对所述电阻时间关系曲线进行求导，得到一阶导数；获取第三时间区间内无法求导的点或者一阶导数绝对值超过设定值的点；计数所述无法求导点和一阶导数绝对值超过设定值点的总个数，即得到飞溅点个数。

2.根据权利要求1所述的一种焊点质量检测方法，其特征在于，所述第一时间区间为每个焊点从焊接开始的0‑10ms内，所述第二时间区间为每个焊点从焊接开始的20‑30ms内，所述第三时间区间为每个焊点从焊接开始的30ms以后至焊接结束的时间内。

3.根据权利要求1所述的一种焊点质量检测方法，其特征在于，对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型包括：若所述飞溅点个数超过一个，则输出焊点状态为多点飞溅；若所述飞溅点个数为一个，则输出焊点状态为单点飞溅；若所述飞溅点个数为零，且所述电阻极小值大于等于所述电阻极大值，则输出焊点状态为无极值点；若所述飞溅点个数为零，且所述电阻极小值小于所述电阻极大值，则输出焊点状态为焊点正常。

4.根据权利要求3所述的一种焊点质量检测方法，其特征在于，利用所述分类模型对待检测焊点的焊点状态进行判断包括：获取待检测焊点在焊接过程中的工艺参数；根据待检测焊点在焊接过程中的工艺参数，构建待检测焊点的电阻时间关系曲线；从待检测焊点的电阻时间关系曲线中抽取电阻极小值、电阻极大值和飞溅点个数，组成焊点特征值集合；将待检测焊点的焊点特征值集合输入所述分类模型，根据特征值：电阻极小值、电阻极大值和飞溅点个数，判断待检测焊点所属的焊点状态。

5.根据权利要求1所述的一种焊点质量检测方法，其特征在于，对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型的具体方式为：利用TPOT方法，优化所述特征值集合的训练流程，获得用于对焊点状态进行分类的分类模型。

6.根据权利要求1所述的一种焊点质量检测方法，其特征在于，在获取多个焊点在焊接过程中的工艺参数之后，所述方法还包括：移除焊点在焊接过程中焊接失败、焊枪断电时形成的对应焊点的工艺参数。

7.根据权利要求1所述的一种焊点质量检测方法，其特征在于，在利用所述分类模型对待检测焊点的焊点状态进行判断之后，所述方法还包括：在对待检测焊点的焊点状态进行判断的结果为非正常情况下，输出该焊点的工艺参数和焊点状态。

8.一种实现权利要求1所述方法的焊点质量检测装置，其特征在于，包括：获取模块，用于获取多个焊点在焊接过程中的工艺参数；

构建模块，用于根据所述工艺参数构建每个焊点的电阻时间关系曲线；

抽取模块，用于从所述电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合；

训练模块，用于对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型，其中所述焊点状态包括多点飞溅、单点飞溅、焊点正常和无极值点；以及

判断模块，用于利用所述分类模型对待检测焊点的焊点状态进行判断。

说明书

一种焊点质量检测方法及装置

技术领域

[0001] 本发明涉及焊点质量检测领域，具体涉及一种焊点质量检测方法及装置。

背景技术

[0002] 焊接是现代机械制造业的一种常用工艺，其在汽车制造中应用也十分广泛。焊接工艺以焊枪为工具，以焊点的形式将两种或两种以上同种或异种金属材料连接成一体，焊
点质量的优劣对汽车整体质量影响巨大。现在的技术方案中，关于焊点状态的判断，主要是
通过安装专用设备装置以及传感器，在线采集焊点数据和焊点飞溅姿态照片并进行研究，
此种方法，需要投入较大的安装设备，成本高，并且在线采集的信息需通过CAN线传输到计
算机，使得信息转化、传递过程复杂，需传递和处理的数据信息较多，处理效率低。

[0003] 目前行业内对于工业焊点大数据的研究较少，主要集中在焊点飞溅、能耗等方面，以大数据机器学习手段，特别是自动机器学习算法，来识别焊点各种状态，还是空白。

发明内容

[0004] 本发明要解决的技术问题是提供一种焊点质量检测方法及装置，能够高效准确的完成对大量焊点信息的研究，判断焊点状态，为焊接工艺的进一步分析，提供数据支撑，另
外无需安装设备，成本低廉。

[0005] 为了解决上述技术问题，本发明的一种焊点质量检测方法包括如下步骤：获取多个焊点在焊接过程中的工艺参数，其中，所述工艺参数包括焊点的编号、电流、电压、电阻和
功率，以及对应的焊接时间点；根据所述工艺参数构建每个焊点的电阻时间关系曲线；从所
述电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合；对每个焊点的焊点
特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模
型，其中所述焊点状态包括多点飞溅、单点飞溅、焊点正常和无极值点；以及利用所述分类
模型对待检测焊点的焊点状态进行判断。

[0006] 在上述焊点质量检测方法中，通过对海量焊点的工艺参数信息进行分析处理，得到各个目标焊点的电阻时间关系曲线，进而抽取特征值集合，再利用机器学习训练出焊点
状态与特征值集合之间的分类模型，从而利用分类模型可以快速高效的完成对焊点数据的
处理，实现焊点状态的检测，且无专用设备投入，成本低廉。

[0007] 作为本发明焊点质量检测方法的改进，从所述电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合包括：抽取第一时间区间内的电阻极小值；抽取第二时间区
间内的电阻极大值；抽取第三时间区间内的电阻突变点，计数得到飞溅点个数；通过抽取到
的所述电阻极小值、所述电阻极大值以及所述飞溅点个数组成焊点特征值集合。利用焊接
过程中焊点电阻的变化特点来表征焊点状态，由于电阻数据容易获取、分析，且能够较好的
反映焊点的形成过程，进而实现快速准确的对焊点状态的判断。

[0008] 在上述焊点质量检测方法中，所述第一时间区间为每个焊点从焊接开始的0‑10ms内，所述第二时间区间为每个焊点从焊接开始的 20‑30ms内，所述第三时间区间为每个焊
点从焊接开始的30ms以后至焊接结束的时间内。三个时间区间分别对应焊过程的三个阶
段。

[0009] 对于上述焊点质量检测方法的进一步改进，对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型包括：若所述飞溅
点个数超过一个，则输出焊点状态为多点飞溅；若所述飞溅点个数为一个，则输出焊点状态
为单点飞溅；若所述飞溅点个数为零，且所述电阻极小值大于等于所述电阻极大值，则输出
焊点状态为无极值点；若所述飞溅点个数为零，且所述电阻极小值小于所述电阻极大值，则
输出焊点状态为焊点正常。

[0010] 对于上述焊点质量检测方法的再进一步改进，利用所述分类模型对待检测焊点的焊点状态进行判断包括：获取待检测焊点在焊接过程中的工艺参数；根据待检测焊点在焊
接过程中的工艺参数，构建待检测焊点的电阻时间关系曲线；从待检测焊点的电阻时间关
系曲线中抽取电阻极小值、电阻极大值和飞溅点个数，组成焊点特征值集合；将待检测焊点
的焊点特征值集合输入所述分类模型，根据特征值：电阻极小值、电阻极大值和飞溅点个
数，判断待检测焊点所属的焊点状态。

[0011] 作为本发明焊点质量检测方法的再一种改进，对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型的具体方式为：
利用TPOT方法，优化所述特征值集合的训练流程，获得用于对焊点状态进行分类的分类模
型。采用 TPOT自动机器学习算法进行模型训练校验，同时智能地探索数千个可能的机器学
习管道，从中获取最优的机器学习管道、自动超参数调整，并自动生成机器学习最优训练管
道代码的Python文件，该代码文件可直接用于数据源的再训练，同时自动生成预测结果及
评估指标，相比于传统的机器学习，它减少了算法工程师大量机器学习模型的选择、超参数
调优等所需的时间和精力，最终结果令人满意

[0012] 作为本发明焊点质量检测方法的又一种改进，在获取多个焊点在焊接过程中的工艺参数之后，该方法还包括：移除焊点在焊接过程中焊接失败、焊枪断电时形成的对应焊点
的工艺参数。对数据进行预处理，删除工艺参数中没有意义的数据，确保获取工艺参数的有
效性，提高分析处理速度。

[0013] 作为本发明焊点质量检测方法的再一种改进，在利用所述分类模型对焊点状态进行判断之后，所述方法还包括：在利用所述分类模型对待检测焊点的焊点状态进行判断之
后，该方法还包括：在对待检测焊点的焊点状态进行判断的结果为非正常情况下，输出该焊
点的工艺参数和焊点状态。在利用分类模型准确预测焊点状态后，对非正常焊点的工艺参
数及焊枪、电极帽等进一步研究，实现快速找到质量缺陷问题，查找影响质量异常的主要因
素，实现质检、工艺等预测性维护，以达到增效、节能，降本目的。

[0014] 为了解决上述技术问题，本发明一种焊点质量检测装置，包括获取模块，用于获取多个焊点在焊接过程中的工艺参数，其中，所述工艺参数包括焊点的编号、电流、电压、电阻
和功率，以及对应的焊接时间点；构建模块，用于根据所述工艺参数构建每个焊点的电阻时
间关系曲线；抽取模块，用于从所述电阻时间关系曲线中抽取每个焊点的特征值，得到焊点
特征值集合；训练模块，用于对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行
训练，得到用于对焊点状态进行分类的分类模型，其中所述焊点状态包括多点飞溅、单点飞
溅、焊点正常和无极值点；以及判断模块，用于用于利用所述分类模型对待检测焊点的焊点
状态进行判断。

[0015] 在上述焊点质量检测装置中，通过构建模块根据多个焊点的工艺参数构建目标焊点的电阻时间曲线，通过抽取模块抽取焊点特征值形成焊点特征值集合，利用训练模块训
练分类模型，从而将机器学习应用到对焊点状态的判断，提高对焊点工艺参数的处理速度，
同时具有较高的准确度，另外无需投入专用设备，节约成本。

[0016] 综上所述，采用上述焊点质量检测方法及装置，通过TPOT自动机器学习方法获得焊点状态分类模型，再利用分类模型准确快速的判断焊机焊接过程中焊点的状态，快速准
确的完成焊点状态的检测，无需其他监测设备的投入，节省成本，另外将判断结果结合焊点
实物的抽样质检分析，可以方便找到影响焊点质量、性能的因素，实现质检、工艺等预测性
维护，达到增效、节能，降本目的。

附图说明

[0017] 在附图中：

[0018] 图1为本发明的焊点质量检测方法的流程图。

[0019] 图2为本发明的焊点质量检测装置的结构示意图。

[0020] 图3为本发明的电阻时间关系曲线图。

[0021] 图4为本发明的焊点状态标签处理流程。

具体实施方式

[0022] 下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

[0023] 图1是本发明的一种焊点质量检测方法的流程图，如图1所示，该焊点质量检测方法包括如下步骤：

[0024] 步骤S101：获取多个焊点在焊接过程中的工艺参数。

[0025] 其中，焊点状态的影响因素，体现在采集的焊机数据上，主要是电流、电压、电阻和功率，以及对应的焊接时间点。

[0026] 可选的，在获取多个焊点在焊接过程中的工艺参数之后，该方法还包括：移除焊点在焊接过程中焊接失败、焊枪断电时形成的对应焊点的工艺参数。

[0027] 即首先需要对海量数据进行清洗，删除焊点数据时间过长(≥ 400ms)或过短(≤200ms)的焊点数据文件，此类数据应为焊接失败的数据，删除焊点数据文件中间部分的电
流、电压、电阻、功率均为 0的焊点数据文件，此类数据应为焊接过程中突发事件导致焊枪
断电；然后再对剩下的每个焊点的工艺参数进行处理，确保数据的有效性。

[0028] 步骤S102：根据工艺参数构建每个焊点的电阻时间关系曲线。

[0029] 在焊接过程中，各种工艺参数的变化是相互关联的，并且都会与焊点状态形成关联，选取具有参考价值的参数变化规律即特征时间曲线可以完成对焊点状态的研究。

[0030] 本方法选取电阻时间关系曲线，从工艺参数中抽取电压和电流，基于电压时间曲线和电流时间曲线生成电阻时间曲线。

[0031] 为描述电阻与焊点状态形成关系，以下对焊接的过程进行说明：

[0032] 一个完整的焊接过程通常包含：金属贴合致密(阶段1)、金属升温融化(阶段2)、焊核形成焊接完毕(阶段3)三个阶段，焊接过程电阻时间关系曲线如图3所示：金属贴合致密
过程末期，随金属贴合情况的变化，电阻曲线出现阻值相对低点R1，对应时间为t1；进入金
属升温融化阶段后，随着金属板间温度升高，电阻曲线出现阻值相对高点R2，对应时间为
t2，之后进入焊核形成阶段，对应的电阻曲线从R2高点逐步降低；当焊接电流为0时，焊接结
束，对应时间为t3，对应的电阻曲线阻值为R3。

[0033] 图3中的电阻R曲线的异常波动(不平滑)，表明在当前焊接过程中出现了“飞溅”的现象，波动跳跃越大，“飞溅”现象越严重，从而引发较差的焊点质量和较高的使用能耗，各
参数的相关注释如下表表1所示：

[0034]

[0035] 表1焊接过程相关参数表

[0036] 从上述分析可知利用对阻值时间曲线的分析可以完成对焊点状态的判断。需要说明的是，在本申请中并不限制具体哪些焊点特征，仅界定特征应对焊点状态分类有帮助即
可。

[0037] 步骤S103：从电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合。

[0038] 由于电阻时间关系曲线并不能直接用于焊点类型的识别，因此需要从特征时间曲线中抽取焊点特征值，得到焊点特征值集合。

[0039] 可选的，从电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合包括：抽取第一时间区间内的电阻极小值；抽取第二时间区间内的电阻极大值；抽取第三时间
区间内的电阻突变点，计数得到飞溅点个数；通过抽取到的电阻极小值、电阻极大值以及飞
溅点个数组成焊点特征值集合。从图3的焊接过程电阻时间关系曲线中，分别在三个阶段内
抽取对应的特征值作为表征焊点状态的基本特征参数。

[0040] 由于阶段1的焊接动态电阻相对低点发生在焊接大约5ms左右，阶段2的焊接动态电阻的相对高点发生在焊接大约20ms左右，阶段3 的焊接结束大约250ms左右。如果在焊接
过程中存在异常(两个板材缝隙过大等)，焊接机器人会进行自适应控制调整电流、电压，增
加焊接时长，导致整体焊接时间增加，但不会超过400ms。

[0041] 对于上述抽取每个焊点的特征值，第一时间区间为每个焊点从焊接开始的0‑10ms内，将焊接10ms以内出现的动态电阻相对低点，即 R1作为电阻极小值特征值；第二时间区
间为每个焊点从焊接开始的20‑30ms内，20ms‑30ms范围内出现的动态电阻相对高点，即R2
作为电阻极大值特征值；第三时间区间为每个焊点从焊接开始的30ms以后至焊接结束的时
间内，为了简化数据处理复杂度，飞溅的判断主要是指阶段3的飞溅，阶段2的飞溅不考虑，
阶段3内电阻时间曲线斜率异常波动的点为电阻突变点，电阻突变点的个数即对应飞溅次
数用 inflect_num_T3来表示。

[0042] 对于上述抽取第三时间区间内的电阻突变点，计数得到飞溅点个数包括：对电阻时间关系曲线进行求导，得到一阶导数；获取第三时间区间内无法求导的点或者一阶导数
绝对值超过设定值的点；计数无法求导点和一阶导数绝对值超过设定值点的总个数，即得
到飞溅点个数。

[0043] 具体抽取特征值的分析处理过程可以为：首先一阶求导，得到电阻的变化率函数；然后，利用一阶导数抽取影响判断焊点状态的焊接时间点，在10ms以内，一阶级导数为零的
点，即为电阻极小值特征值R1，在20ms‑30ms内，一阶级导数为零的点，极为电阻极大值特征
值R2，和在30ms以后，由于飞溅时候电阻值发生突变，而导致突变点进行导数操作或者变化
率过大超过设定值，找出这些点并计数极为飞溅点个数inflect_num_T3；组成焊点电阻值
集合(R1，R2， inflect_num_T3)。

[0044] 步骤S104：对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型，其中焊点状态包括多点飞溅、单点飞溅、焊点正常
和无极值点。

[0045] 具体的，如图4所示，通过特征量(R1,R2，inflect_num_T3)来判断焊点状态的过程如下：首先以特征量inflect_num_T3包含的电阻值数量来判断，当inflect_num_T3>1时，焊
点为多点飞溅；

[0046] inflect_num_T3＝1时，焊点为单点飞溅；inflect_num_T3＝0时，继续判断特征变量R1、R2，若R1

[0047] 可选的，利用TPOT方法，优化特征值集合的训练流程，获得用于对焊点状态进行分类的分类模型。其中TPOT方法，它是一种基于遗传算法优化机器学习管道(pipeline)的
Python自动机器学习工具。同时智能地探索数千个可能的机器学习管道，从中获取最优的
机器学习管道、自动超参数调整，并自动生成机器学习最优训练管道代码的 Python文件，
该代码文件可直接用于数据源的再训练，同时自动生成预测结果及评估指标，相比于传统
的机器学习，它减少了算法工程师大量机器学习模型的选择、超参数调优等所需的时间和
精力，最终结果令人满意。

[0048] 步骤S105：利用分类模型对待检测焊点的焊点状态进行判断。

[0049] 具体的，判断过程为：获取待检测焊点在焊接过程中的工艺参数；根据待检测焊点在焊接过程中的工艺参数，构建待检测焊点的电阻时间关系曲线；从待检测焊点的电阻时
间关系曲线中抽取电阻极小值、电阻极大值和飞溅点个数，组成焊点特征值集合；将待检测
焊点的焊点特征值集合输入分类模型，根据特征值：电阻极小值、电阻极大值和飞溅点个
数，判断待检测焊点所属的焊点状态。实现利用预先训练的分类模型，当一个新的焊点工艺
参数输入分类模型时，通过分类模型可以快速的判断该焊点状态。

[0050] 可选的，在利用分类模型对待检测的焊点状态进行判断之后，该方法还包括：在对待检测的焊点状态进行判断的结果为非正常情况下，输出该焊点的工艺参数和焊点状态。
使整个方法在由自动机器学习来完成海量焊点状态检测后，为焊点性能的进一步分析，提
供数据支撑，可以结合焊点实物的抽样质检分析，找到影响焊点质量、性能的因素，为提供
焊点工艺质量提供可靠数据。并且能够实现快速准确找到质量缺陷的焊点，及时查找分析
影响质量异常的主要因素，实现质检、工艺等预测性维护，以达到增效、节能，降本目的。

[0051] 本发明一种焊点质量检测装置，需要说明的是，该判断装置可以用于执行上述本发明焊点质量检测方法。

[0052] 图2是本发明的一种焊点质量检测装置的结构图，如图2所示，该焊点质量检测装置包括，获取模块10、构建模块20、抽取模块30、训练模块40和判断模块50。

[0053] 获取模块10，用于获取多个焊点在焊接过程中的工艺参数；

[0054] 构建模块20用于根据工艺参数构建每个焊点的电阻时间关系曲线；

[0055] 抽取模块30，用于从电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征值集合；

[0056] 训练模块40，用于对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊点状态进行分类的分类模型，其中焊点状态包括多点飞溅、单点飞溅、焊
点正常和无极值点；以及

[0057] 判断模块50，用于利用分类模型对待检测焊点的焊点状态进行判断。

[0058] 使用时，通过获取模块10获取目标焊点在焊接过程中焊机的工艺参数，其中，工艺参数包括焊点的编号、电流、电压、电阻和功率，以及对应的焊接时间点，然后利用构建模块
20根据工艺参数构建目标焊点的电阻时间关系曲线，接着由抽取模块30从电阻时间关系曲
线中抽取焊点特征值，得到焊点特征值集合；再由训练模块40利用机器学习的到分类模型，
最终通过判断模块50利用焊点特征值集合中各个焊点特征值对目标焊点的焊点状态进行
判断，实现焊点状态的判断。从而快速准确完成对海量焊点数据的处理，节省焊点质量检测
的成本。

[0059] 本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取多个焊点在焊接过程中的工艺参数；根据工艺参数构建每个
焊点的电阻时间关系曲线；从电阻时间关系曲线中抽取每个焊点的特征值，得到焊点特征
值集合；对每个焊点的焊点特征值集合和每个焊点所属焊点状态进行训练，得到用于对焊
点状态进行分类的分类模型，其中焊点状态包括多点飞溅、单点飞溅、焊点正常和无极值
点；以及利用分类模型对待检测焊点的焊点状态进行判断。

[0060] 需要说明的是，以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以
对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡
在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保
护范围之内。