基于光电信号与机器学习的汇流排激光焊接弱焊缺陷在线诊断方法研究

针对汇流排激光焊接中因功率波动、焦点偏移等因素导致的弱焊缺陷问题，研究人员提出一种基于光电信号与机器学习（ML）的在线诊断方法。通过多波段数据分割和参考偏差系数特征矩阵（RDC-FM）构建，结合随机森林模型，实现了弱焊缺陷（准确率99.20%）及诱因（准确率98.75%）的高精度识别，为工业生产提供快速质量干预支持。

　　

汇流排作为电力系统的核心导电部件，其焊接质量直接影响设备性能与安全。激光焊接虽以高精度、低热影响区等优势成为主流工艺，但激光功率波动、表面污染等因素易引发弱焊缺陷（weak weld defects），导致接触电阻增加甚至焊点脱落。传统检测手段如光谱仪、高速相机等存在成本高、适应性差等问题，而光电二极管（photodiode）虽成本低、实时性强，却因信号单一性难以精准识别缺陷诱因。如何实现高效、高精度的在线诊断成为工业界难题。

华中科技大学的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出一种基于光电信号与机器学习的弱焊缺陷诊断方法。通过设计参考增强信号特征定义（RE-SFD）方法，结合随机森林（Random Forest）模型，不仅实现了缺陷检测，还能追溯诱因类型。关键技术包括：1）多波段光电信号采集（3000 W光纤激光系统）；2）RDC-FM特征矩阵构建；3）基于1427个焊点的实验验证。

实验设备与材料
研究采用3000 W光纤激光系统，搭配二维振镜焊头，实时采集三波段光电信号。通过阈值分割（0.5 V）提取有效信号区间，模拟工业场景中功率波动、污染等6类诱因缺陷。

多波段信号处理与特征定义
RE-SFD方法通过分帧处理（20 ms/帧）和参考信号动态匹配，计算偏差系数矩阵（RDC-FM），显著提升特征对不同工艺条件的适应性。对比传统ISFD方法，RE-SFD将小缺陷识别率提高12.3%。

随机森林模型构建
模型输入RDC-FM特征，输出缺陷分类结果。十折交叉验证显示，弱焊检测平均准确率达99.20%，诱因诊断准确率98.75%，且对焦点偏移等微小信号差异敏感。

信号机制分析
研究发现，不同诱因缺陷的光电信号呈现显著差异：功率不足导致信号幅值整体降低，而表面污染引发高频波动。这种差异为诱因溯源提供了物理依据。

该研究通过创新特征工程与机器学习结合，解决了光电信号间接性导致的模型泛化难题。RE-SFD方法可推广至其他焊接质量监测场景，而高精度诱因诊断为工业现场快速干预提供了新工具。研究团队指出，未来可探索深度学习（如CNN）与多传感器融合以进一步提升复杂缺陷的识别率。