基于多源信息融合网络的电阻点焊在线缺陷检测方法

本文提出一种基于多源信息融合网络（MSIFN）的电阻点焊（RSW）质量检测方法，通过融合能量与机械特征向量，结合注意力多层感知机（MLP）、互注意力机制（MAM）和多头双线性融合模块，实现冷焊、烧穿等四类缺陷的在线分类，准确率达96.3%，显著提升焊接质量评估的鲁棒性与实时性。

　　

Highlight

本研究提出了一种基于多源信息融合网络（Multi-Source Information Fusion Network, MSIFN）的创新方法，用于提升电阻点焊（Resistance Spot Welding, RSW）的质量分类与缺陷检测能力。该网络采用双流架构，以焊接机和焊枪电机数据中提取的专家知识特征作为输入，整合了缩放点积注意力机制（Scaled Dot-Product Attention）、互注意力机制（Mutual Attention Mechanism, MAM）以及多头双线性融合机制（Multi-Head Bilinear Fusion）。通过在不同阶段采用多样化的数据处理模块，实现了对焊接质量的高精度表征。

Multi-source spot welding data acquisition

研究团队在实际电阻点焊生产线上搭建了数据采集网络系统，通过监测焊接设备与焊枪电机的协同工作，获取动态电阻（Dynamic Resistance, DR）、电极力（Electrode Force）和位移信号（Displacement Signal）等多源数据。该系统由发那科（FANUC）六轴机器人、OBARA C型伺服焊枪和MEDAR 6000s中频焊接控制器构成，采样频率达10 kHz，确保数据的高时效性与完整性。

Feature extraction: Attention MLP

基于注意力机制的多层感知机（Attention MLP）通过全连接层与非线性激活函数，从结构化数据中挖掘焊接质量的关键特征。该模块利用专家知识对特征进行增强或抑制，例如通过Sigmoid加权突出冷焊缺陷的电阻突变特征，同时采用层归一化（Layer Normalization）提升模型训练稳定性。

Experimental setup and evaluation metrics

实验采用英特尔i9-11900K处理器和NVIDIA RTX 3070显卡的硬件平台，数据集经Z-score标准化后按8:2比例划分。针对类别不平衡问题，选用聚焦损失函数（Focal Loss）优化模型，并采用准确率（Accuracy）、召回率（Recall）和F₁分数（F₁-Score）作为评估指标，显著降低少数类样本（如烧穿缺陷）的漏检率。

Conclusion

MSIFN模型通过多源特征交互与深度融合策略，有效解决了传统单传感器方法的局限性。生产线上验证表明，该方法对四类焊接缺陷的平均分类准确率达96.3%，且假阴性率（False Negative Rate）较单一特征模型降低42%，为汽车制造等领域的焊接质量控制提供了可靠解决方案。