基于1D CNN-LSTM的多层箔堆超声金属焊接质量分类研究

《Materials》：1D CNN-LSTM Based on Quality Classification in Ultrasonic Metal Welding of Multi-Layered Foil Stacks

　　

超声金属焊接（ultrasonic metal welding, UMW）被广泛应用于锂离子电池制造中多层集流体箔堆的连接，其中在线接头质量监测对于防止缺陷至关重要。在本研究中，研究人员通过建立原位多模态传感系统和基于深度学习的质量分类框架，对60层纯Cu箔堆（每层厚度8 μm）的线性超声焊接进行了研究。一个线性可变差动变压器（linear variable differential transformer, LVDT）传感器和一个超声功率计被同步用于采集不同焊接阶段中的机械变幅杆位移和电功率信号。实验表征揭示了所获信号中不同的现象学阶段，其中垂直位移与滚花穿透和焊接压痕深度直接相关。基于所输送的焊接能量，接头质量被划分为三个不同状态：欠焊（<500 J）、正常焊（500–900 J）和过焊（>900 J）。研究人员开发了一种双分支混合一维卷积神经网络（1D Convolutional Neural Network, 1D CNN）和长短期记忆（Long Short-Term Memory, LSTM）架构，以有效学习预处理时间序列信号中的局部瞬态模式和长期时间依赖。所提出的分类模型在留出测试集上取得了98%的总体预测准确率（宏F1分数为0.98），表明在所研究的过程域内对单个焊接信号具有高分类性能。这些结果证明了将多传感器原位数据与混合深度学习模型相结合，用于多层Cu箔（8 μm）堆连接的智能、实时质量保证的可行性。

**论文解读：基于1D CNN-LSTM的多层箔堆超声金属焊接质量分类研究**

**1. 研究背景与问题**

随着电动汽车和储能系统市场的快速增长，高容量、高可靠性锂离子电池的需求日益迫切。在软包电池制造中，多层集流体箔堆（如商业纯Cu阳极箔或Al阴极箔）与电极极耳的连接是决定电池导电性、结构可靠性和安全性的关键工艺。超声波金属焊接（UMW）凭借其处理多层薄箔且不产生过度热损伤的能力，成为该应用的主流技术。然而，UMW过程在毫秒级时间内完成，接头质量受滚花穿透、界面温升、材料塑性变形等多因素耦合影响，传统离线破坏性检测无法满足实时质量控制需求。在批量生产线上，工具磨损、变幅杆或底砧的微小错位往往导致严重焊接缺陷。因此，亟需建立一种能够同步监测多维度物理信号并智能判别质量状态的在线监测体系。

已有研究者通过工艺优化和有限元模拟指出了多层Cu箔焊接的能量窗口（500–900 J），并尝试应用一维卷积神经网络（1D CNN）和循环神经网络（RNN）对质量进行分类，但尚未有研究将LVDT机械位移信号与超声功率信号进行同步原位采集，并借助双分支混合1D CNN–LSTM架构实现60层8 μm超薄Cu箔堆的高精度质量判别。本文正是针对这一空白，提出了一种原位多模态传感系统与深度学习分类模型相结合的方法。

**2. 研究内容与结论**

研究人员以60层纯Cu箔（单层厚度8 μm）为对象，建立了LVDT接触式位移传感器与超声功率计的同步采集系统，在不同焊接能量条件下采集变幅杆位移和电功率时序信号。通过分析位移信号，获得了滚花穿透深度与焊点压痕深度的线性对应关系，并根据焊接能量将质量状态划分为欠焊（<500 J）、正常焊（500–900 J）和过焊（>900 J）三类。基于所提出的双分支1D CNN–LSTM模型，模型在65个独立测试样本上实现了98.46%的总体准确率和0.98的宏F1分数，并实现两类缺陷的100%召回。研究表明，多传感器原位数据与混合深度学习模型相结合，可为多层超薄Cu箔堆连接提供智能实时质量保障。

**3. 主要关键技术与方法**

本研究采用的主要方法包括：（1）原位多模态传感系统：在变幅杆后侧安装LVDT探针，同步采集机械位移；通过焊接控制器记录瞬时电功率；（2）数据预处理：按最大时长序列进行零填充和末值填充，统一LVDT信号长度为11000点、功率信号长度为1299点；（3）双分支1D CNN–LSTM模型：两个独立一维卷积分支分别提取LVDT和功率信号的局部特征，经LSTM建模时间依赖后融合分类；（4）训练策略：采用60%训练、20%验证、20%测试的数据划分。实验样本包含324次焊接，由36组参数设置构成，每组重复9次。

**4. 研究结果**

**4.1 LVDT垂直位移剖面分析**
LVDT信号完整反映了焊接循环中八个机械阶段。变幅杆位移随焊接时间延长而增大，且与实测压痕深度呈现相似的上升趋势，验证了该信号可作为原位焊透行为的物理指标。在三种能量状态下，欠焊时穿透深度小于堆厚的30%，正常焊时为30%–50%，过焊时超过50%并伴随微裂纹与机械撕裂。

**4.2 超声动态电功率信号特征**
功率信号包含五个连续现象学阶段。欠焊时功率持续衰减，无明显的二次上升；正常焊时呈现平稳的双峰特征，峰值平台稳定在约1986.1 W；过焊时二次峰值剧烈攀升至2612.4 W，相对首次峰值增加34%，反映出严重塑性变形与加工硬化。

**4.3 多传感器时序数据预处理**
不同焊接时长下原始序列长度差异显著。通过对短序列采用末值填充和尾部零填充，统一了模型输入维度，同时保持了原始时间特征的完整性。

**4.4 1D CNN–LSTM架构与训练设置**
模型采用双分支结构，LVDT分支和功率分支均使用三层一维卷积层（滤波器数128、64、32，核大小均为3），配合最大池化和Dropout层；随后接入64单元LSTM层以捕获时序依赖，最终通过平坦化与拼接融合特征，经softmax层输出三分类结果。训练损失曲线在200个周期内快速下降并稳定，训练与验证曲线高度一致，未出现严重过拟合。

**4.5 分类性能与模型评估**
在65个独立测试样本上，模型准确识别64个样本，正确率为98.46%，宏平均F1分数为0.98。欠焊与过焊状态的召回率均达到100%，仅将一个正常焊边界样本误判为过焊，显示出跨焊接状态的优异判别能力。

**5. 讨论与结论**

讨论部分指出，垂直位移与滚花穿透深度之间的强线性相关验证了LVDT信号作为堆压实程度直接指标的可行性。功率信号的双峰演化与不同能量状态下的材料软化、结合面积扩展及加工硬化行为高度相关。双分支结构有效避免了单一信号源的偏差，1D CNN的局部特征提取和LSTM的长期依赖建模各有分工，协同提升分类鲁棒性和通用性。

研究结论可归纳为：LVDT位移与焊点压痕深度强线性相关，可直接表征箔堆动态压实行为；接头质量可依据焊接能量分为三类，每类具有特征性功率形态和穿透深度比（<30%、30%–50%、>50%）；所提出的1D CNN–LSTM模型对LVDT和功率信号独立学习，准确率高达98.46%（宏F1分数0.98），缺陷召回率100%，为多层超薄Cu箔堆的在线质量保障提供了深度学习基础。