超声波金属焊接质量评估方法、装置和超声波金属焊接机

摘要

本发明涉及一种超声波金属焊接质量评估方法、装置和超声波金属焊接机。所述方法包括步骤：对待焊金属进行超声波金属焊接，获取实际生产过程中的焊接过程信息；提取实际生产过程中的焊接过程信息的特征参数；将实际生产过程中的特征参数输入所述待焊金属对应的超声波焊接质量评估模型；所述质量评估模型以焊接过程信息的特征参数为输入，焊接质量评估值为输出；由所述超声波焊接质量评估模型计算出本次超声波金属焊接的焊接质量评估值。本发明可以预测焊接质量评估值，实现了焊接质量的实时无损评估，大大提高了产品质量的稳定性，减小监测的人力物力投入，提高了生产效率。

说明书

技术领域

本发明涉及超声波金属焊接技术领域，特别是涉及一种超声波金属焊接质量评估方法、超声波金属焊接质量评估装置以及超声波金属焊接机。

背景技术

超声波金属焊接是一种固相焊接技术。在焊接过程中，焊接工具头向待焊金属施加压力和高频率超声振动，使金属界面产生剧烈摩擦和塑性变形进而促使界面形成良好连接。目前超声波金属焊接技术已成为锂电池制造过程中主要的焊接方法，但由于该焊接方法对焊接工艺参数十分敏感，许多外界因素会对焊接质量造成不良影响，致使锂电池质量一致性较差。

随着超声波焊接技术在电池制造等行业应用越来越广泛，人们对焊接质量的可靠性和一致性的要求也越来越高，但是目前实际生产过程中多采用焊点离线质量检测方法对焊接质量进行评估，该方法工作量大、效率低下，存在一定的误差，不适合大规模自动化工业生产线应用。

发明内容

基于此，有必要针对上述问题，提供一种超声波金属焊接质量评估方法、装置和超声波金属焊接机，能够实现准确、快速和无损的焊接质量评估。

为了达到上述目的，本发明采取的技术方案如下：

一种超声波金属焊接质量评估方法，包括步骤：

对待焊金属进行超声波金属焊接，获取实际生产过程中的焊接过程信息；

提取实际生产过程中的焊接过程信息的特征参数；

将实际生产过程中的特征参数输入所述待焊金属对应的超声波焊接质量评估模型；所述质量评估模型以焊接过程信息的特征参数为输入，焊接质量评估值为输出；

由所述超声波焊接质量评估模型计算出本次超声波金属焊接的焊接质量评估值。

一种超声波金属焊接质量评估装置，包括：

第一焊接过程信息获取模块，用于对待焊金属进行超声波金属焊接，获取实际生产过程中的焊接过程信息；

第一特征参数提取模块，用于提取实际生产过程中的焊接过程信息的特征参数；

特征参数输入模块，用于将实际生产过程中的特征参数输入所述待焊金属对应的超声波焊接质量评估模型；所述质量评估模型以焊接过程信息的特征参数为输入，焊接质量评估值为输出；

拉伸强度获得模块，用于由所述超声波焊接质量评估模型计算出本次超声波金属焊接的焊接质量评估值。

一种超声波金属焊接机，包括所述的超声波金属焊接质量评估装置。

本发明超声波金属焊接质量评估方法、装置和超声波金属焊接机，针对各个焊接对象，进行大样本量的焊接试验，对获得的焊接过程信息进行深入分析，提取出与焊接质量联系密切的信息特征并建立各个焊接对象对应的超声波焊接质量评估模型，在实际生产中，获取待焊金属的焊接过程信息并提取出特征参数，将该特征参数输入对应的超声波焊接质量评估模型，即可以得到焊接质量评估值，实现了焊接质量的实时无损评估，大大提高了产品质量的稳定性，减小监测的人力物力投入，提高了生产效率。经过验证，本发明预测的焊接质量评估值在合理的误差范围内，所以本发明实现了焊接质量的准确评估。

附图说明

图1为本发明超声波金属焊接质量评估方法实施例的流程示意图；

图2为本发明超声波金属焊接过程信息采集分析系统实施例的结构示意图；

图3为本发明建立的神经网络模型实施例的示意图；

图4为本发明神经网络训练方差的示意图；

图5为本发明神经网络预测值与实际值的对比示意图；

图6为本发明神经网络预测值与实际值的线性拟合结果示意图；

图7为本发明超声波金属焊接质量评估装置实施例的结构示意图。

具体实施方式

为更进一步阐述本发明所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本发明的技术方案，进行清楚和完整的描述。

如图1所示，一种超声波金属焊接质量评估方法，包括步骤：

S110、对待焊金属进行超声波金属焊接，获取实际生产过程中的焊接过程信息；

S120、提取实际生产过程中的焊接过程信息的特征参数；

S130、将实际生产过程中的特征参数输入所述待焊金属对应的超声波焊接质量评估模型；所述质量评估模型以焊接过程信息的特征参数为输入，焊接质量评估值为输出；

S140、由所述超声波焊接质量评估模型计算出本次超声波金属焊接的焊接质量评估值。

本发明方法可以根据相应的程序或芯片实现，程序或芯片运行在超声波金属焊接机中，实现焊接质量的准确实时评估。为了更好地理解本发明，下面对本发明的各个步骤进行详细介绍。

在步骤S110中，待焊金属可以为铜等金属，例如，待焊金属为C1100纯铜板，纯铜板的材料状态为半硬态，尺寸规格为50mm(毫米)×25mm×0.6mm等。在实际生产过程中，按照常规的焊接方法对待焊金属进行超声波金属焊接，获取焊接过程信息，其中焊接过程信息包括超声波电流信号和超声波电压信号等等，焊接过程信息可以使用相应的传感器获取。

如图2所示，为超声波金属焊接过程信息采集分析系统的结构示意图。试样(待焊金属)焊接前不需要进行任何表面处理，试样放置于砧板上进行焊接，焊接接头为搭接形式，搭接长度可以为25mm等，砧板上还设置有限位块，防止在焊接过程中由于工具头的震动而使试样产生较大偏移，保证焊点位于搭接区域中心。在焊接过程中，选择电流互感器测量超声波电流信号，电阻分压测量超声波电压信号，激光位移传感器测量工具头下压位移信号。各传感器获得的信号经过信号调理电路处理后，转化为0～10V(伏)的电压信号输入数据采集卡，然后对电压信号进行数据还原(还原成电流信号、电压信号和工具头下压位移信号等)，在数据分析系统中进行数据分析，获得焊接接头的拉伸强度的预测值。

需要说明的是，本发明并不限制于图2所示的器件采集焊接过程信息，用户还可以根据需要选择其它器件获取焊接过程信息，对采集的焊接过程信息数据处理的过程也不限制于上述处理过程，用户还可以根据需要对采集的过程信息进行其他处理。

在步骤S120中，对获取到的焊接过程信息进行深入分析，提取焊接过程信息的特征参数组，在一个实施例中，提取实际生产过程中的焊接过程信息的特征参数的步骤包括以下的任意一种或多种：

S1201、对获取的换能器的超声波电流信号和超声波电压信号分别进行Hilbert(希尔伯特)变换，获得所述超声波电流信号的电流解析信号和所述超声波电压信号的电压解析信号，根据所述电流解析信号和所述电压解析信号获得焊接过程中消耗的总能量；

图2中传感器采集的超声波电流信号和超声波电压信号即为换能器的超声波电流信号和超声波电压信号。在一个实施例中，根据所述电流解析信号和所述电压解析信号获得焊接过程中消耗的总能量的步骤可以包括：

根据所述电流解析信号和所述电压解析信号获得电流信号的幅值包络线、电压信号的幅值包络线以及电流信号与电压信号之间的相位差；

根据电流信号的幅值包络线、电压信号的幅值包络线以及所述相位差，获得焊接过程中的有功功率P(n)；可以根据现有技术中已有的方法获得有功功率；

对所述有功功率P(n)进行积分，获得焊接过程中消耗的总能量E1。

S1202、根据焊接过程的超声波功率最大值P_max和超声波信号的有效值的平均值P_m的差值，获得功率差值ΔP；即：

ΔP＝P_max-P_m>

超声波功率最大值P_max和超声波信号的有效值的平均值P_m可以根据用户的需要设置。

S1203、根据获取的工具头下压位移信号获得焊接开始后预设时间内的工具头下压的平均速度V_m；

在一个实施例中，根据获取的工具头下压位移信号获得焊接开始后预设时间内的工具头下压的平均速度的步骤可以包括：

根据工具头下压位移信号获得每个t时间段内的工具头下压平均速度V(i)，t时间段为对焊接开始后预设时间分割的子时间段；例如，预设时间为100ms(毫秒)，将100ms划分为50段，每个时间段t为2ms；

计算所有t时间段内的工具头下压平均速度的平均值，获得焊接开始后预设时间内的工具头下压的平均速度V_m。

为了更好地理解V_m的获得过程，以计算焊接开始后前100ms工具头下压平均速度V_m为例进行说明。

首先利用式(2)计算每2ms内工具头下压平均速度，获得速度曲线V(i)。然后根据式(3)计算V(i)的平均值，获得前100ms工具头下压平均速度V_m。

$V\left(i\right)=\frac{D(i*2000)-D[(i-1)*2000+1]}{2},i=(1,2...50)---\left(2\right)$

$V_m=\frac{1}{50}{\Sigma }_{i=1}^{50}V\left(i\right)---\left(3\right)$

其中，D(i)为工具头下压的位移信号。另外，由于位移信号D(i)的采样频率为1Mhz，所以公式(2)中的2ms对应2000，当位移信号D(i)的采样频率为其它数值时，公式(2)中的2000相应改变。

S1204、对获取的换能器的超声波电流信号依次进行小波包分解和信号重构，获得各个重构信号，根据各个重构信号计算各个频段的信号能量以及所有频段的信号总能量，根据各个频段的信号能量以及所述信号总能量获取各个频段的信号能量比例。

小波包分解和信号重构可以通过MATLAB(Matrix Laboratory，矩阵实验室)软件实现。小波包分解的层数以及进行信号重构的频段可以根据实际情况确定。例如，在一个具体实施例中，使用MATLAB软件对超声波电流信号以db10小波进行5层小波包分解，超声波电流信号中不同频率成分的波形被分解到32个不同频段，然后选择前8个频段进行信号重构，得到重构信号x50，x51，x52，x53，x54，x55，x56，x57。

得到重构信号后，根据式(4)和式(5)确定各个频段的信号能量{Ej}以及信号总能量E2：

$E_j={\Sigma }_{n=1}^N|x_{5j}{|}^2---\left(4\right)$

$E2=\sqrt{{\Sigma }_0^7|E_j{|}^2}---\left(5\right)$

其中，式(4)中的n表示信号持续强度，N表示信号持续总长度。

根据各个频段的信号能量{Ej}以及信号总能量E2，获得各个频段信号能量比例向量w＝[w₅₀，w₅₁，w₅₂，w₅₃，w₅₄，w₅₅，w₅₆，w₅₇]，其中w_5j根据式(6)确定：

w_5j＝E_j/E2(j＝0，1，…7)(6)

需要说明的是，为了保证焊接接头的拉伸强度评估的准确性，优选为提取三种或三种以上的特征参数。

在步骤S130中，本发明预先构建有基于RBF(Radial basis function，径向基函数)神经网络的各个待焊金属对应的超声波焊接质量评估模型。在进行质量评估时，根据待焊金属的类型选取对应的超声波焊接质量评估模型，将提取的特征参数输入选取的超声波焊接质量评估模型。

为了实现焊接质量的实时快速评估，一般在实际生产前，就针对各个焊接对象进行大样本量的焊接试验，建立各个焊接对象对应的超声波焊接质量评估模型。所以，在一个实施例中，对待焊金属进行超声波金属焊接之前，还可以包括步骤：

S070、对待焊金属进行超声波金属焊接试验，获取不同试验条件下的焊接过程信息；

不同试验条件可以是焊接过程中的焊接压力、焊接时间和焊接界面状态等因素中的一种或几种不同。在某试验条件下获取焊接过程信息，然后改变试验条件，获取试验条件改变后的焊接过程信息，重复操作，直至获取足够的样本数据。

S080、提取不同试验条件下的焊接过程信息的特征参数；

提取试验条件下焊接过程信息的特征参数与提取实际生产过程中的焊接过程信息的特征参数的方法相同。即在一个实施例中，提取不同试验条件下的焊接过程信息的特征参数的步骤包括以下的任意一种或多种：

S0801、对获取的换能器的超声波电流信号和超声波电压信号分别进行Hilbert变换，获得所述超声波电流信号的电流解析信号和所述超声波电压信号的电压解析信号，根据所述电流解析信号和所述电压解析信号获得焊接过程中消耗的总能量；

S0802、根据焊接过程的超声波功率最大值和超声波信号的有效值的平均值的差值，获得功率差值；

S0803、根据获取的工具头下压位移信号获得焊接开始后预设时间内的工具头下压的平均速度；

S0804、对获取的换能器的超声波电流信号依次进行小波包分解和信号重构，获得各个重构信号，根据各个重构信号计算各个频段的信号能量以及所有频段的信号总能量，根据各个频段的信号能量以及所述信号总能量获取各个频段的信号能量比例。

为了保证焊接接头的拉伸强度评估的准确性，优选为提取三种或三种以上的特征参数。

S090、获取不同试验条件下的焊接接头的最大拉伸强度；

在获得焊接接头的最大拉伸强度时，可以使用万能拉伸实验机对焊接接头进行拉伸实验。将焊接接头的最大拉伸强度作为焊接质量评价参数，建立不同试验条件下的各个特征参数组(总能量E1、功率差值、工具头下压平均速度和能量比例向量等特征参数中的任意三种或三种以上)与焊接接头的最大拉伸强度的对应关系。

S100、以不同试验条件下的特征参数作为神经网络的输入，所述焊接接头的最大拉伸强度作为所述神经网络的输出，构建所述待焊金属的超声波焊接质量评估模型。

使用所获得的各个试验条件下的特征参数组作为神经网络输入，对应的焊接接头的最大拉伸强度作为神经网络输出，利用大样本量数据进行模型训练、检验，建立神经网络模型，即超声波焊接质量评估模型。如图3所示，为根据四个特征参数建立的神经网络模型，其中，图3中的E1、ΔP、V_m和w_5j为输入的特征参数，φ(x,c_k)为神经元，ω_ik为对应神经元的权值，F为焊接接头的最大拉伸强度。

可以使用MATLAB神经网络工具箱的newrb()函数构建RBF神经网络，网络在创建过程中完成训练，即从0个神经元开始，根据设定误差不断向隐藏层添加神经元，直到输出结果的均方误差达到设计要求或隐含层神经元节点的数量达到设定值后停止训练，因此所构建RBF神经网络有结构自适应确定，输出与初始权值无关的特点。

使用MATLAB神经网络工具箱的newrb()函数构建RBF神经网络具体操作为：net＝newrb(P，T，goal，spread，mn)，其中，net为新建立的神经网络模型；P为输入向量，即各个试验条件下的特征参数组；T为目标组向量，即焊接接头的最大拉伸强度；goal为均方误差；spread为扩展速度；mn为最大神经元数目。首先对神经网络的初始化参数进行设定，例如，均方误差goal设定为0.005，径向基函数的扩展速度spread初始设定值为0.8，随后根据实际情况进行调整。设定扩展速度spread由初始值0.8开始逐渐增加0.1，当spread为0.8、0.9、1、1.1时，预测结果的平均误差分别为10.1％、9.8％、7.7％、9.6％。当spread为1时网络的误差最小，因此spread＝1为适合的径向基函数的扩展速度。图4为RBF神经网络的训练过程，其中图4中的虚线表示训练值，实线表示目标值。根据图4可以看出网络经过24步训练后达到预设的均方误差要求。

在步骤S140中，所述焊接质量评估值可以为焊接接头的最大拉伸强度。将所选择的过程信息特征作为RBF神经网络输入层节点，输出接点1个，RBF神经网络输出一个0到1之间的数值，该数值代表焊接接头的强度，对输出值经过反归一化处理后得到焊接接头的最大拉伸强度的预测值。

使用经过归一化处理后的180组数据样本作为RBF神经网络的训练和测试数据，其中150组作为网络训练数据，其余的30组作为验证数据来测试所建立网络的性能。用来训练神经网络的150个数据样本包括正常质量接头60个，焊接压力过低接头45个，界面有杂质焊点15个、输入能量过低焊点15个、输入能量过大焊点15个。

使用以上数据对训练好的神经网络进行测试。如图5所示，为神经网络的预测结果与实测结果的对比结果，可以看出神经网络的预测值与实测值的趋势基本一致。如图6所示，为神经网络的预测结果和实测结果的线性拟合结果，两者的相关系数r＝0.92，说明预测结果与实测有较好的相关性。神经网络预测结果与实际测量值的最大误差为16.4％，最小误差为0.36％，平均误差为7.7％。测试结果表明在合理的误差范围内，本发明所建立的神经网络经训练后可以较好地预测焊接接头的拉伸强度。

基于同一发明构思，本发明还提供一种超声波金属焊接质量评估装置，下面结合附图对本发明装置的具体实施方式进行详细介绍。

如图7所示，一种超声波金属焊接质量评估装置，包括：

第一焊接过程信息获取模块110，用于对待焊金属进行超声波金属焊接，获取实际生产过程中的焊接过程信息；

第一特征参数提取模块120，用于提取实际生产过程中的焊接过程信息的特征参数；

特征参数输入模块130，用于将实际生产过程中的特征参数输入所述待焊金属对应的超声波焊接质量评估模型；所述质量评估模型以焊接过程信息的特征参数为输入，焊接质量评估值为输出；

拉伸强度获得模块140，用于由所述超声波焊接质量评估模型计算出本次超声波金属焊接的焊接质量评估值。所述焊接质量评估值可以为焊接接头的最大拉伸强度。

在一个实施例中，本发明装置还可以包括：

第二焊接过程信息获取模块070，用于对待焊金属进行超声波金属焊接试验，获取不同试验条件下的焊接过程信息；

第二特征参数提取模块080，用于提取不同试验条件下的焊接过程信息的特征参数；

最大拉伸强度获取模块090，用于获取不同试验条件下的焊接接头的最大拉伸强度；

评估模型构建模块100，用于以不同试验条件下的特征参数作为神经网络的输入，所述焊接接头的最大拉伸强度作为所述神经网络的输出，构建所述待焊金属的超声波焊接质量评估模型。

在一个实施例中，所述第一特征参数提取模块120包括以下的任意一个单元或多个单元：

总能量获得单元，用于对获取的换能器的超声波电流信号和超声波电压信号分别进行Hilbert变换，获得所述超声波电流信号的电流解析信号和所述超声波电压信号的电压解析信号，根据所述电流解析信号和所述电压解析信号获得焊接过程中消耗的总能量；

功率差值获得单元，用于根据焊接过程的超声波功率最大值和超声波信号的有效值的平均值的差值，获得功率差值；

平均速度获得单元，用于根据获取的工具头下压位移信号获得焊接开始后预设时间内的工具头下压的平均速度；

信号能量比例获得单元，用于对获取的换能器的超声波电流信号依次进行小波包分解和信号重构，获得各个重构信号，根据各个重构信号计算各个频段的信号能量以及所有频段的信号总能量，根据各个频段的信号能量以及所述信号总能量获取各个频段的信号能量比例。

在一个实施例中，所述第二特征参数提取模块080包括以下的任意一个单元或多个单元：

总能量获得单元，用于对获取的换能器的超声波电流信号和超声波电压信号分别进行Hilbert变换，获得所述超声波电流信号的电流解析信号和所述超声波电压信号的电压解析信号，根据所述电流解析信号和所述电压解析信号获得焊接过程中消耗的总能量；

功率差值获得单元，用于根据焊接过程的超声波功率最大值和超声波信号的有效值的平均值的差值，获得功率差值；

平均速度获得单元，用于根据获取的工具头下压位移信号获得焊接开始后预设时间内的工具头下压的平均速度；

信号能量比例获得单元，用于对获取的换能器的超声波电流信号依次进行小波包分解和信号重构，获得各个重构信号，根据各个重构信号计算各个频段的信号能量以及所有频段的信号总能量，根据各个频段的信号能量以及所述信号总能量获取各个频段的信号能量比例。

在一个实施例中，所述总能量获得单元包括：

幅值包络线和相位差获得子单元，用于根据所述电流解析信号和所述电压解析信号获得电流信号的幅值包络线、电压信号的幅值包络线以及电流信号与电压信号之间的相位差；

有功功率获得子单元，用于根据电流信号的幅值包络线、电压信号的幅值包络线以及所述相位差，获得焊接过程中的有功功率；

总能量获得子单元，用于对所述有功功率进行积分，获得焊接过程中消耗的总能量。

在一个实施例中，所述平均速度获得单元包括：

第一平均速度获得子单元，用于根据工具头下压位移信号获得每个t时间段内的工具头下压平均速度，t时间段为对焊接开始后预设时间分割的子时间段；

第二平均速度获得子单元，用于计算所有t时间段内的工具头下压平均速度的平均值，获得焊接开始后预设时间内的工具头下压的平均速度。

本发明装置其它技术特征与本发明方法相同，在此不予赘述。

本发明还提供一种超声波金属焊接机，所述超声波金属焊接机包括上述的超声波金属焊接质量评估装置。

本发明对获得的焊接过程信息进行深入分析，提取出与焊接质量联系密切的信息特征并建立神经网络预测焊接接头的拉伸强度，实现对焊接质量的自动在线监测与评估，从而在生产过程中可以有效识别质量较差的焊接接头，如此将大大提高产品质量的稳定性，减小监测的人力物力投入，提高生产效率。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。