基于深度卷积生成对抗网络与条件变分自编码器的三层电阻点焊分流缺陷检测及数据生成方法

本文提出了一种结合深度卷积生成对抗网络-条件变分自编码器（DCGAN-CVAE）的缺陷生成与分类方法，通过动态电阻信号合成与扩增，解决了汽车制造中三层电阻点焊（RSW）因板间分流效应导致的熔核质量下降问题。研究通过方差分析（ANOVA）和响应面法（RSM）优化工艺参数，并采用双向长短期记忆网络-一维卷积神经网络（BiLSTM-1DCNN）验证生成数据的分类效果，为实际生产质量控制提供了高效数据支持。

　　

Highlight

本研究创新性地将DCGAN-CVAE模型应用于三层电阻点焊（RSW）缺陷数据生成，通过合成高保真动态电阻曲线，有效解决了实际生产中缺陷样本稀缺的难题。

DCGAN-CVAE基于电阻点焊缺陷样本生成的识别模型

尽管工艺优化能保障焊接质量与动态电阻信号可靠性，真实缺陷样本的匮乏仍是训练鲁棒分类模型的主要瓶颈。为此，我们引入DCGAN-CVAE生成模型，合成与各类焊接缺陷对应的高保真动态电阻信号。这种数据扩增策略不仅平衡了数据集，更通过模拟板间间隙、油污污染等典型缺陷条件（如故意引入0.1-0.3 mm板间间隙或5-10 μL机油污染），显著提升了模型对复杂工况的泛化能力。

数据生成的对比测试

数据集包含740个真实样本，其中500个为正常参数焊缝（分类编号9），240个为缺陷样本。缺陷样本进一步细分为两组表面氧化条件（各30样本）和三组板间间隙/油污条件（各30样本）。这些样本采用多层DC01钢材在受控实验条件下测试，动态电阻曲线的时频特征被提取为生成模型的输入条件标签。

Conclusion

本研究通过DCGAN-CVAE模型成功生成与真实缺陷高度相似的动态电阻信号，经BiLSTM-1DCNN分类器验证，生成数据使缺陷检测准确率提升12.7%。该方法为汽车车身电阻点焊的智能化质量监控提供了可扩展的数据解决方案。