钢电阻点焊中信号形态驱动因素的两阶段因果发现：基于15,096个焊点与180万焊次的高维数据分析

《Welding in the World》：Causal discovery of signal morphology drivers in steel resistance spot welding: a high-dimensional data analysis

　　

电阻点焊（resistance spot welding, RSW）因其成本效益和自动化潜力，是汽车及通用金属制造行业的主要连接技术。随着制造业向工业4.0转型，记录了前所未有规模的高频过程数据。近期进展依赖机器学习将过程数据与焊接质量相关联。然而，现有相关性模型通常在受限实验室条件下训练，既缺乏物理可解释性，也缺乏对具有不同材料、涂层、厚度和电极枪的异质堆叠构型（stack-up configurations）的泛化能力。本研究表明，通过将两阶段因果发现（causal discovery, CD）框架和时序聚类（time series clustering, TSC）应用于源自超过180万次焊接的15,096条代表性曲线，研究人员可从多重共线堆叠构型中提取信号形态的结构依赖关系。合金含量增加与局部加热加速相关，使动态电阻峰值提前，并抑制了压硬化钢（press-hardened steel, PHS）中的次级峰。板材厚度成比例地缩放动态电阻、位移和力幅值，同时作为膨胀后稳定性的主要指标。将端面直径从8 mm减小至6 mm使初始电阻峰增加9%，并改变膨胀后力学。最后，在恒定厚度下，内部结合面数量对宏观电阻在统计上仍不显著。

研究背景与问题。电阻点焊（RSW）因速度快、自动化潜力和成本效益，是汽车及通用金属制造行业最普遍的连接技术之一，每接头能量成本约为0.1美分。其数字化过程产生大量高频过程信号，如动态电阻和机械力，主要用于在线质量控制。然而，当前多数监测系统针对单一焊点孤立开发和校准，工业实践常针对特定堆叠构型微调监测参数，将每个焊点视为彼此断开控制问题。传统数据驱动算法在受控实验室条件下用少于500个样本可超过90%预测精度，先进框架使用约9500个工业样本或迁移学习、自编码器尝试泛化，但推广到生产仍未解决。作为纯关联黑箱，这些模型会记忆站点特定混杂变量，而非通用物理规律，因此人工智能必须锚定底层物理依赖。物理模型已建立RSW过程动力学理论，有限元模拟和实验室研究阐明了电-热-机械相互作用，但受计算成本和实验条件限制，通常仅分析一至三种堆叠组合。为桥接物理知识与可扩展人工智能，研究人员使用超过180万次记录焊接、15,096个不同钢焊点的工业数据集，覆盖2至4层板、0.3至3.5 mm单板厚、三种涂层和36种材料等级，从传统低碳钢到PHS；通过整合TSC与约束型CD，系统隔离信号形态的条件独立结构，以验证物理规律并支撑鲁棒、可泛化的RSW质量控制人工智能。

关键技术方法概括。研究人员使用两年制造期工业数据集，来自多个制造工厂、建筑和站，包含15,096个钢焊点、超过180万次焊接；过滤为可接受超声质量、单次连续电流、F-cap电极且直径16 mm，端面有效直径仅6 mm或8 mm，每点约120次焊接平均。信号为动态电阻、电极位移和力，采样频率1000 Hz，位移和力截取电流起始前50 ms至终止后100 ms。方法为三步：形态隔离，时间插值并将主动电流相归一化至约550 ms，再Z-score归一化；TSC，使用欧氏距离、动态时间规整（DTW，50 ms弯曲窗）和相关距离，结合凝聚层次、K-Means和DBSCAN，以稳定性和内部有效性指标选择最优；依赖分析，先以条件互信息（CMI）前向选择，使用Kraskov-St?gbauer-Grassberger（KSG）k-NN估计，结合置换检验和Holm-Bonferroni校正，再用GES算法构建有向无环图（DAG），通过100次自助抽样和90%稳定性阈值聚合共识图。

研究结果。5.1 信号形态的发现。探索性TSC旨在将数据划分为不同且稳定的形态家族，以供依赖分析。所有评估信号空间的最优配置中，调整兰德指数（ARI）超过0.99，表明结构划分稳定而非抽样伪影。K-Means优于凝聚层次和DBSCAN。动态电阻最优距离为DTW，以适应涂层和材料电阻率差异造成的时间偏移；位移和力最优为相关距离，因宏观热膨胀和收缩更重整体轨迹和相位对齐。动态电阻分为4簇，位移和力分为3簇。轮廓分数为0.21至0.55，方差带重叠，说明过程信号在Z-score轴上占据连续形态谱，反映底层堆叠构型的连续尺度。多变量聚类采用平均距离矩阵，结果与单变量一致，仍偏好K-Means，内部有效性分数降低但分配稳定性高，保留耦合操作状态和物理方差。

5.2 形态依赖的因果发现。依赖分析分两阶段：第一阶段用信息论特征选择保留与目标具有显著CMI的变量；第二阶段用GES构建DAG，隔离直接条件链接（L₁依赖）与间接或混杂关联（L₂₊依赖）。结果显示，焊接时间和焊接能量对总板厚具有L₁依赖，焊接能量对电极端面直径具有L₁依赖，且呈正相关。先进高强钢（AHSS）平均焊接能量为8.4 kJ、平均焊接时间643 ms，PHS为7.7 kJ和595 ms，但材料类型与能量需求无L₁依赖，原文指出高平均值可能是不平衡结构数据的统计伪影。初始电阻峰的L₁依赖包括AHSS和PHS存在、表面涂层、电极端面直径。铝硅涂层平均初始电阻峰为310 μΩ，高于镀锌246 μΩ和电镀锌226 μΩ；由于铝硅涂层仅用于PHS，无法分离涂层与基材贡献。端面直径从8 mm平均233 μΩ降至6 mm平均261 μΩ，对应初始电阻峰增加9%。总板厚与初始电阻峰正相关，而内部结合面数量在控制厚度时无显著相关。原文将上述依赖解释为收缩电阻和体电阻原理：合金含量高、涂层电阻率和机械硬度高、端面直径小均提高初始峰，总板厚增加累积体电阻，内部界面电阻相对电极-板界面和总体材料体积影响不显著。

材料类型和电极端面直径被识别为动态电阻和电极力形态的L₁依赖；材料强度和电极端面直径被识别为位移形态的L₁依赖。时间对齐曲线显示，合金含量增加使体电阻升高，Joule加热速率加快，表面凹凸破坏加速，α-minimum更早出现且初始电阻下降负梯度更大，β-peak更早；PHS处于电阻率极端，初始电阻峰后立即下降，抑制α和β阶段。位移初始下降与α-minimum时间一致，随后热膨胀上升，高电阻材料更早上升，支持热机械膨胀动态；位移最大值后下降对应熔核达到临界体积、不能支撑电极力，发生在β-peak之后。电极力初始上升，梯度随合金含量增加，最大力与β-peak时间一致，熔化为液态后力下降并保持恒定。6 mm端面比8 mm接触面积小，在恒定电流下电流密度增加，初始电阻峰更高，整体动态电阻更高；8 mm端面初始位移压痕更大，原文解释为可能因Joule加热率降低。6 mm端面在最大位移后下降更大，因压力集中并促进更深电极穿透；8 mm端面绝对力幅更大，因热膨胀压力作用于更大接触面积。原文未观察到施加电极力对位移峰的阻尼效应，指出原因可能是热机械耦合中较大端面所需更高焊接能量抵消了较大施加力。总板厚直接关联三种信号幅值，厚度增加对应动态电阻、位移和力增加；更厚组合包含更大受热体积和更长传导路径，最大位移后下降更大。薄板组合在8 mm端面时末端位移恒定或轻微上升，原文解释为铜电极靠近中心焊区，可充当更有效散热器，使更多板厚低于屈服温度，结构刚度抵抗电极压入，且8 mm端面接触面积和质量增加热耗散和机械力分布。

总板厚和材料屈服强度与信号形态的关系显示，按总板厚分为三个区间后，平均屈服强度曲线变化主要复制材料类型相关的加速加热动态，未显示额外形态依赖。对于总板厚大于3.3 mm的堆叠，位移信号在最大膨胀幅值后呈负梯度；小于2.25 mm的堆叠在初始热膨胀后保持恒定位移轨迹。因此，总板厚是膨胀后机械稳定性的主要指标，关联加热体材料是压缩屈服还是保持足够刚性以抵抗进一步电极压入；平均屈服强度变化未改变厚度相关位移轨迹。

讨论与结论。该研究提出数据驱动的RSW过程信号形态分析，使用超过180万次焊接、15,096个焊点的工业数据集，结合TSC与约束型CD，从多重共线制造数据中隔离主导物理关联，桥接受控实验室物理与可扩展人工智能。依赖分析强烈支持体电阻和几何缩放假设：合金含量增加关联局部加热加速，使动态电阻特征峰更早；PHS加速加热严重到无β-peak；总板厚与动态电阻、电极位移和机械力成比例增加；更高电阻率与位移上升更早相关。表面涂层和力约束存在细节：铝硅涂层初始电阻峰较大，但仅用于PHS，无法孤立涂层效应；增加机械力对热膨胀的阻尼未在宏观位移信号中出现，原文归因于较大电极接触面积所需的更高焊接能量抵消了机械抑制。CD框架还发现初始假设之外的新关联：电极端面直径是信号形态的主要L₁条件依赖，端面直径从8 mm降至6 mm不仅使初始电阻峰增加9%，还改变膨胀后位移轨迹并关联强化局部机械压力；总板厚高度预测膨胀后机械稳定性，超过3.3 mm的组合在最大膨胀后位移下降，低于2.25 mm的组合保持恒定；控制总板厚时，内部结合面数量对宏观电阻不显著。局限包括观察性制造数据存在未观察混杂和记录不准，分析排除特定电气和机械参考曲线及智能自适应控制算法影响，焊点参数受人工操作变化引入局部形态方差。未来工作将利用隔离的结构家族训练基于特定材料和几何组合的人工智能模型，将预测算法锚定已验证物理动力学，以提高异质制造环境中的预测稳定性。

研究结论翻译。研究人员呈现了RSW过程信号的数据驱动形态分析，使用超过180万次焊接、15,096个不同焊点的工业数据集；通过结合TSC算法与约束型CD，从多重共线制造数据中系统隔离主导物理关联。该研究通过评估理论电-热-机械动力学与工业尺度上材料类型、板厚和表面涂层变化，桥接了受控实验室物理与可扩展人工智能。对提取条件依赖与既有理论模型的评估为所提假设提供了结论：依赖分析强烈支持关于体电阻和几何缩放的假设。基体材料合金含量增加关联局部加热加速，使特征动态电阻峰更早出现；对PHS，这种加速加热严重到不显示β-peak。总板厚与几何缩放强相关，使动态电阻、电极位移和机械力成比例增加；预期热机械膨胀动态成立，更高电阻率关联位移上升更早。然而，分析揭示表面涂层和施加力约束的细节：铝硅涂层比锌基替代品显示更大初始电阻峰，但数据集将铝硅仅用于PHS，阻止了将涂层效应与体电阻隔离；增加的机械力对热膨胀的假设阻尼在宏观位移信号中缺失。依赖分析表明此缺失源于耦合热机械相互作用，其中为补偿较大电极接触面积所需的更高焊接能量抵消了预期机械抑制。除验证既有理论外，CD框架识别出初始假设之外的新关联：电极端面直径成为信号形态的主要L₁条件依赖；将端面直径从8 mm降至6 mm不仅使初始电阻峰增加9%，还对应与强化局部机械压力相关的显著改变膨胀后位移轨迹。此外，总板厚高度预测膨胀后机械稳定性；超过3.3 mm的组合在最大膨胀后显示明显位移下降，而低于2.25 mm的组合保持恒定轨迹。最后，控制总板厚时，内部结合面数量对宏观电阻谱相对电极-板界面在统计上不显著。尽管数据集规模较大，该研究仍承认局限：依赖观察性制造数据引入未观察混杂变量和潜在记录不准确；分析排除特定电气和机械参考曲线，以及智能自适应控制算法在焊接循环中动态改变电流和力轨迹的未映射影响；个体焊点的参数配置受人工操作驱动而变化，引入宏观堆叠构型未捕获的局部形态方差。所识别的条件依赖和形态簇为预测质量控制后续研究奠定基础；识别可比形态曲线可支持跨不同焊接配置转移操作知识，为精炼自适应焊接控制器和优化过程参数化提供框架。未来工作将利用隔离结构家族训练以特定材料和几何组合为条件的专用人工智能模型；通过将预测算法锚定已验证物理动力学而非无约束相关性关联，后续模型可能在异质制造环境中获得更高预测稳定性。