《Welding in the World》:Development of a process monitoring method for ultrasonic metal welding of automotive wires based only on machine sensor data
编辑推荐:
超声金属焊接(USMW)正越来越多地用于连接电导体,特别是在涉及用铝替代铜的轻量化策略背景下。这使得该技术在汽车和航空航天等领域具有高度相关性。然而,USMW仍然面临过程透明度有限的问题。在当前工业实践中,焊接质量主要通过选择性破坏性测试来验证。因此,既无法检
超声金属焊接(USMW)正越来越多地用于连接电导体,特别是在涉及用铝替代铜的轻量化策略背景下。这使得该技术在汽车和航空航天等领域具有高度相关性。然而,USMW仍然面临过程透明度有限的问题。在当前工业实践中,焊接质量主要通过选择性破坏性测试来验证。因此,既无法检查每个接头,也无法避免错误分类,导致不必要的废品和未检测到的缺陷焊接。本研究提出了一种基于机器学习(ML)的方法,利用直接从焊接系统获得的数据实现实时过程监测。通过利用焊接过程中捕获的信号特征,该系统不仅能区分“合格”和“不合格”焊接,还能对缺陷类型进行详细分类。此外,还集成了拉脱力预测模型,无需物理测试即可定量评估焊接完整性。验证结果表明,分类准确率达到99.9%,回归的平均绝对误差为75 N,证明了该方法在提高过程可靠性同时显著减少废品和测试工作量的潜力。该方法为USMW中数据驱动的质量保证奠定了基础,并支持稳健的在线监测的实施。
**论文解读:基于机器传感器数据的汽车导线超声金属焊接过程监测方法**
**研究背景与问题**
超声金属焊接(Ultrasonic metal welding, USMW)是一种固态连接技术,利用高频机械振动(20–40 kHz)和中等夹紧力,使金属部件在界面处产生摩擦热、材料互锁和扩散,从而实现冶金结合。该技术因无需填充材料、能量效率高、循环时间短,并能够连接异种金属(如铝与铜),在汽车、航空航天和电子等行业中广泛应用,尤其在电线束、电池和配电系统中用于绞合导线与端子的连接。然而,USMW仍面临过程透明度不足的问题。当前工业实践中,焊接质量主要依赖选择性破坏性测试(如拉脱试验)来验证,这些测试无法实现100%全检,且易导致误分类,造成不必要的废品和未检测到的缺陷焊接。此外,传统标量阈值监测(如最大功率、焊接时间等)和外部传感器方法(如激光振动计、声发射和热成像)在工业环境中因成本高、集成复杂、对环境敏感而难以推广。因此,亟需开发一种基于现有机器数据的在线监测方法,以实现实时质量分类和力学性能预测。
**研究目的与意义**
本研究旨在开发一种仅基于机器传感器数据的机器学习(ML)方法,用于USMW的实时过程监测。该方法无需外部传感器或仪器改造,仅利用焊接系统原生记录的时变信号(发生器功率、焊头位移和焊接力)实现两个目标:一是区分合格(OK)与不同缺陷类型的焊接(如污染、错位、夹紧错误等),二是预测拉脱力以替代破坏性测试。验证结果表明,分类准确率达99.9%,回归平均绝对误差为75 N,证明了该方法在提高过程可靠性、减少废品和测试成本方面的潜力。该研究为数据驱动的USMW质量保证奠定了基础,并支持工业在线监测的实施。论文发表于《Welding in the World》。
**主要关键技术方法**
研究人员采用以下关键技术方法:
1. **实验设计**:使用中心复合面心设计(Central Composite Face-centered design, CCF-DoE)优化焊接参数(超声振幅、焊接压力和焊接能量),确定最优参数集(振幅50 μm,压力0.27 MPa,能量2500 J),用于生成基准焊接和诱导缺陷样本。
2. **数据采集与特征工程**:从焊接系统直接获取时变数据(100 Hz采样),包括发生器功率、焊接力和焊头位移。通过统计特征提取(最小值、最大值、中位数、标准差、拐点特征)和主成分分析(Principal Component Analysis, PCA)降维,解决“维度灾难”(每焊缝2400个数据点,共600个样本)。
3. **机器学习建模**:采用交叉验证(5折)和超参数优化(网格搜索、随机搜索),分别训练分类模型(支持向量机(Support Vector Machine, SVM)、随机森林、K近邻(K-Nearest Neighbors, KNN)等)和回归模型(SVM、KNN、多层感知机(MLP)等)。数据缩放(Min-Max缩放和标准缩放)用于提升回归性能。
4. **微观组织表征**:使用电子背散射衍射(Electron Backscatter Diffraction, EBSD)和纳米压痕(Nanoindentation)分析界面微观结构演变和局部硬度。
5. **电性能测试**:在200 A、500 A和800 A电流下进行载流量(Ampacity)测试,评估焊接质量与电性能的关系。
样本来源:150条铝导线(50 mm
2,247根绞合股)与Cu-ETP端子(50×22.5×3 mm
3)焊接,包括200个OK样本和400个诱导缺陷样本(污染、错位、工具磨损等)。
**研究结果**
**3.1 分类与拉脱力预测**
通过对比特征类型发现,统计特征在分类和回归任务中均优于子采样特征。使用统计特征时,所有分类模型(除MLP分类器外)均达到100%准确率。回归方面,支持向量机(SVM)获得最低平均绝对误差(Mean Absolute Error, MAE)为73.4 N,K近邻(KNN)为73.6 N,MLP回归器为79.2 N,而线性模型(如RidgeCV)表现较差(MAE 218.0 N)。PCA降维未带来优势。数据缩放显著提升回归性能,Min-Max缩放平均更优,但标准缩放获得最佳单次结果。数据增强未改善性能,而包含拉脱力为0的样本(完全失效)对模型学习至关重要。在子采样测试中,随机森林分类在样本量50–400时仍保持100%准确率,回归性能随样本量增加而提升,200样本后趋于稳定。
**3.2 连接质量评估目标指标**
**3.2.1 载流量测试**
载流量测试表明,在200 A、500 A和800 A电流下,不同焊接状态(欠焊、最优焊、过焊)的接头界面温升极小,最高温度出现在铝导线内部而非焊接界面。随着焊接能量增加,导线内部温升增大,归因于绞合股在焊接过程中因压实和剪切导致的内部损伤,降低了有效导电截面。该结果说明,载流量不能有效区分焊接质量,而拉脱力能可靠反映冶金结合强度。这是因为超声焊接早期阶段(表面清洁、氧化物破坏)即可形成导电微接触,但冶金结合面积增长滞后。
**3.2.2 微观组织分析**
EBSD分析显示,与传统认知相反,铝导线界面处未发生动态再结晶导致的晶粒细化,而是出现晶粒粗化。在200 ms焊接时间时,组织为细小等轴晶;随焊接时间增加(800–1500 ms),界面附近形成<101>织构的粗大晶粒(达50 μm),低角度晶界(Low-Angle Grain Boundaries, LAGBs)占主导,表明亚晶旋转和晶粒生长而非经典再结晶。过焊条件(1900 ms)下粗晶层厚度略有减小。这种差异源于导线/端子焊接的几何约束和更高热暴露(焊接时间1000–2000 ms vs. 板/板接头的100–600 ms),导致恢复和亚晶生长主导微观组织演变。
**3.2.3 局部硬度评价**
纳米压痕测量显示,局部硬度随焊接时间增加而降低(从50 HV降至36 HV),且距界面越近硬度越低,与EBSD观察到的晶粒粗化和低角度晶界形成一致,证实了热机械加载导致的软化效应(亚晶生长、位错密度降低)。软化区域延伸至导线内约50 μm。
**总结与结论**
研究结论部分指出:本研究的主要目标是开发一种用于超声焊接过程监测的机器学习模型,实现焊接类别分类和拉脱力预测。开发过程遵循CRISP-DM标准。主要挑战是“维度灾难”,通过统计特征与交叉验证结合有效解决,优于子采样和PCA。分类方面,除MLP分类器外几乎所有方法均达100%准确率;回归方面,SVM(MAE 73.4 N)、KNN(73.6 N)和MLP(79.2 N)表现最佳,线性模型较差。数据缩放提升回归性能,拉脱力为0的样本对学习至关重要,数据增强无效。载流量测试表明拉脱力是更稳健的质量指标,而电性能与力学性能解耦。EBSD和纳米压痕揭示导线/端子接头中界面处出现晶粒粗化和软化,与板/板接头行为不同,需进一步研究。这些发现支持继续使用拉脱力作为USMW导线/端子接头的有效目标指标。