人工智能辅助激光超声方法评估发夹焊焊缝孔隙率的研究

本文推荐了一项针对电动汽车电机发夹焊制造中孔隙缺陷的无损检测研究。为解决传统方法难以实现非接触式在线孔隙评估的难题，研究人员创新性地将激光超声（LUS）技术与人工智能（AI）算法相结合，对具有复杂几何形状的焊缝进行检测。结果表明，AI模型能够从复杂的LUS B扫描图像中有效提取孔隙体积信息，与计算机断层扫描（CT）参考数据的中位相关性达0.6。这项研究为高价值部件制造过程中的快速、在线质量监控提供了新的技术途径。

　　

在现代工业制造，尤其是电动汽车驱动电机的生产中，发夹式定子（hairpin stator）技术因其能够实现更高的槽满率（slot fill factor）而逐渐取代传统的绕线定子。更高的槽满率意味着更低的直流电阻，从而提升了电机在低转速下的效率。然而，在发夹定子的制造过程中，需要将U形铜棒（引脚）通过激光焊接成对连接以形成闭合电路。这一焊接工艺极易产生气孔（air inclusions），即焊缝内部的空气包裹体。这些气孔会显著降低焊点的有效截面积，形成电流瓶颈，进而影响电机的效率、可靠性及使用寿命。因此，对焊接质量，特别是内部孔隙缺陷进行快速、准确的评估，成为保证电机性能的关键环节。

目前，已有多种方法用于焊缝质量评估。光学方法，如基于图像的神经网络，被用于预测焊缝质量和几何缺陷；过程参数分析也被用来尝试估计焊缝深度和孔隙率。然而，光学方法难以探测内部缺陷，而基于过程参数的方法又因孔隙形成机制的复杂性而效果不佳。计算机断层扫描（Computed Tomography, CT）虽能精确量化孔隙，但其破坏性、耗时且设备昂贵的特性使其无法用于生产线上的在线检测。传统的超声检测技术虽能探测内部缺陷，但通常需要耦合剂，且受限于样品可达性，也难以满足非接触、快速在线检测的需求。因此，开发一种能够应对复杂几何形状、实现非接触、快速在线孔隙评估的技术具有重要意义。

为此，发表在《Photoacoustics》上的这项研究提出并验证了一种结合激光超声（Laser Ultrasound, LUS）和人工智能（Artificial Intelligence, AI）的创新方法，旨在实现对发夹焊焊缝孔隙体积的无损、快速估计。激光超声技术利用脉冲激光激发超声波，并通过光学方法（如共焦法布里-珀罗干涉仪，Confocal Fabry–Pérot Interferometer, CFPI）检测样品表面的超声振动，整个过程无需物理接触，适合在线应用。但发夹焊缝独特的复杂几何形状（如引脚间的间隙、焊缝表面的悬垂）会导致复杂的超声波场，产生大量与几何形状相关的回声和表面声波（Surface Acoustic Waves, SAWs），这些信号与来自内部气孔的反射信号相互干扰，使得传统的超声数据分析方法（如基于特定时间窗口内反向散射能量分析的“E值”法）难以有效应用。

为克服这一挑战，研究人员转向人工智能寻求解决方案。他们设计了一个相对简单的卷积神经网络（Convolutional Neural Network, CNN），将两个不同检测位置（焊缝中心ic和内侧引脚中心oc）获取的LUS B扫描图像堆叠后作为输入，直接预测由CT测量获得的归一化孔隙体积（作为真实值标签）。尽管可用于训练和测试的样本量有限（仅48个有效焊缝样本），但AI模型展现出了从复杂信号中提取孔隙信息的强大能力。

主要技术方法概述

本研究的关键技术方法包括：1) 样本制备：特意对定子进行不同预处理（如手触、涂抹WD-40润滑油、激光散焦、腐蚀、表面粗糙化等）以诱导产生不同孔隙程度的焊缝，并利用工业CT获取每个焊缝的孔隙体积作为基准真值（ground truth）。2) 激光超声检测：搭建基于共焦法布里-珀罗干涉仪（CFPI）的LUS系统，对焊缝进行B扫描（B-scan）测量，记录不同激发-检测距离下的超声信号。3) 数据分析：分别采用传统的反向散射能量分析法和AI（神经网络）法处理LUS数据，并将结果与CT数据进行相关性分析以评估性能。

研究结果

3.1. 标准方法的数据分析

研究人员首先尝试了标准分析方法，即在B扫描图像中选取一个排除了表面声波（SAWs）影响的特定时间窗口（如图5中绿色窗口），计算该窗口内的信号能量（V_pore,LUS），并与CT测量的真实孔隙体积（V_pore,real）进行相关性分析。结果显示，相关性系数较低（分别为0.52和0.04）。通过手动优化时间窗口和距离参数，相关性虽可提升至0.78，但此优化过程参数多、缺乏通用性，且严重依赖于初始猜测，难以实际应用。这表明，对于几何形状复杂且各不相同的发夹焊缝，标准方法难以可靠地估计孔隙率。

3.2. 人工智能方法的数据分析

相比之下，AI方法表现出显著优势。研究人员构建的神经网络模型在训练集上实现了近乎完美的拟合（相关性系数为1.0）。更重要的是，在测试集（未参与训练的样本）上，预测孔隙体积与真实值之间的相关性系数达到了0.93，远高于标准方法。为了验证模型并非学习随机噪声，研究人员进行了对照实验：将样本的CT标签随机打乱后重新训练模型。结果发现，在标签随机的情况下，模型在测试集上的预测性能急剧下降，相关性均值接近零，且损失（loss）远高于使用真实标签的情况。这证明AI模型确实从LUS数据中学到了与孔隙体积相关的有效特征。

通过对神经网络权重的分析，研究人员还识别出了B扫描中对孔隙体积预测贡献较大的区域（如图10所示）。这些信息有助于未来优化测量策略，例如减少不必要的测量点，从而加速检测过程。研究还探讨了训练集大小对模型性能的影响，发现随着训练样本的增加，模型在测试集上的表现趋于改善。

结论与讨论

本研究表明，激光超声（LUS）结合人工智能（AI）的方法，在评估具有复杂几何形状的发夹焊焊缝孔隙率方面具有巨大潜力。尽管面临样本几何形状独特、信号干扰复杂以及初始数据集较小的挑战，AI模型仍能实现与CT参考数据中等程度的相关性（中位相关性约0.6）。这不仅验证了LUS技术用于此类复杂部件在线无损检测的可行性，也凸显了AI在处理复杂、高维无损检测数据方面的独特优势。

该研究的成功为电动汽车电机等高价值部件的制造质量监控提供了一种快速、非接触的在线检测新思路。未来，通过扩大训练数据集（例如利用数值模拟生成更多数据）、整合光学表面形貌信息以补偿几何变异的影响、以及优化神经网络结构，有望进一步提升孔隙评估的准确性和鲁棒性。此外，研究所识别出的信息丰富区域可用于指导优化LUS测量路径，显著缩短数据采集时间，推动该技术向工业现场应用的迈进。总之，这项工作为解决复杂几何部件内部缺陷的无损、快速评估这一长期挑战提供了富有前景的AI增强解决方案。