专利名称：电阻点焊熔核形核动态质量无损检测方法
技术领域：
本发明涉及一种电阻点焊熔核形核动态质量无损检测方法，适用于常用金属薄板结构材料电阻点焊质量检测。
背景技术：
电阻点焊是ー种广泛应用于作为汽车制造的焊接方法，一部现代轿车上大约有3000-6000个电阻点焊焊点。因此，电阻点焊焊点质量的检测显得非常重要，焊接过程中高 效率的焊点质量传感及其预测对于提高生产效率，优化生产エ艺具有重要意义。然而，电阻点焊过程中，熔核的形核过程并不能直接观测到，这为判断电阻点焊焊点质量带来了困难。因此，电阻点焊熔核质量信息的获取对于评价焊接接头质量具有重要的意义。为此，研究者采用多种方法检测熔核形核过程以表征熔核形核质量。中国专利文献CN1609622A公开的点焊熔核直径的实时检测方法采用如下步骤取与焊接件相同厚度的焊接试样进行多点点焊，通过测量与计算获得每点的动态电阻曲线；进而获得每点的准稳态电阻值rD ;沿贴合面剖开焊接试样，測量每个焊点的熔核直径d ;根据每个焊点熔核直径ds与准稳态电阻值rD的对应关系，绘制出准稳态电阻值rD与熔核直径(1^关系曲线；将不同厚度材料的rD-ds曲线存储在计算机系统中，当点焊某种材料时，计算机系统先获得该焊点的准稳态电阻值rD，再与相同厚度材料的rD-ds曲线进行比较可获得对应的熔核直径，当熔核直径小于设定的标准值时，判定焊点质量不合格，实现实时检测。中国专利文献CN101241001A公开的铝合金电阻点焊熔核直径实时检测方法采用如下步骤采集点焊过程中的电极位移信号，并绘制出电极位移信号曲线图；从所得的电极位移信号曲线上提取出膨胀位移和锻压位移两个特征值；将铝合金焊接试板撕开，对电阻点焊熔核直径进行实测，建立所提取的特征值与实测的熔核直径相对应的样本对，井形成训练集；建立人工神经网络模型，并用所得样本对对模型依据BP算法进行训练，实现从特征值到熔核直径的映射；人工神经网络模型是两个输入、ー个输出，中间ー个隐层，隐层结点的数目是5的结构，隐层的转移函数为Sigmoid函数,输出层的转移函数为线性函数；将训练好的模型用于铝合金电阻点焊熔核直径的在线实时检测。中国专利文献CN1220034C公开的多信息融合技术确定铝合金板材电阻点焊熔核面积的方法采用如下步骤依据小波包变换及其能量谱原理、依据信息熵原理、依据模态分析原理，计算出点焊过程中电极电压、电流、电极位移和声音信号的特征量，建立神经网络模型，由特征量和熔核面积对神经网络模型进行训练。神经网络模型计算出的熔核面积与实测熔核面积对照，确定误差值，调整神经网络模型，直至达到误差要求范围。在电阻点焊过程中，随着电阻点焊エ艺、材料属性发生变化，能量转换的规律将发生相应的变化。尤其是熔核金属发生相变和形变时，会释放一定规律的结构负载声发射信号，且正常形核和非正常形核等情况下，结构负载声发射特征信号会有所不同，这为熔核质量实时传感及动态检测提供了可能。
发明内容
为了更加全面、快捷地对熔核质量进行检验，本发明针对常用金属薄板结构材料的电阻点焊质量检测问题，提供ー种容易实施，涉及多个熔核质量指标的实时动态检测方法，具有检测质量全面，检测结果可靠性高，检测方法快捷，检测成本消耗低等优点。本发明采取以下技术方案
一种电阻点焊熔核形核动态质量无损检测方法，该方法借助焊接过程中的结构负载声发射实时信号检测电阻点焊熔核动态质量，所述检测方法的步骤如下
(1)实时采集电阻点焊过程的结构负载声发射信号，并绘制出结构负载声发射信号动态波形 (2)由结构负载声发射信号动态曲线提取出电极加载、熔核形核和裂纹生成三个阶段的声发射信号； (3)分别统计三个阶段声发射信号的振铃数和总能量；
(4)以电极加载结构负载声发射振铃数Rf、总能量Ef和熔核形核结构负载声发射振铃数Rn、总能量En作为检测熔核尺寸的特征參数，输入熔核尺寸人工神经网络模型，计算得到熔核直径D和熔核高度H ；以裂纹生成结构负载声发射振铃数R。、总能量E。作为检测熔核裂纹的特征參数，输入到训练好的裂纹人工神经网络模型中，计算得到裂纹长度C。如焊接过程中没有提取到裂纹生成声发射信号，即可判断熔核形核过程无裂纹产生。所述熔核尺寸人工神经网络模型和裂纹人工神经网络模型是这样获得的
(4. I)实时采集电阻点焊过程的结构负载声发射信号，并绘制出结构负载声发射信号动态波形 (4. 2)由结构负载声发射信号动态曲线提取出电极加载I、熔核形核2和裂纹生成3三个阶段的声发射信号；
(4.3)分别统计三个阶段声发射信号的振铃数R和总能量E；
(4.4)剖开电阻点焊试样熔核，由熔核横截面测得焊点的实际熔核直径D、熔核高度H和裂纹长度C ；
(4. 5)在电极加载、熔核形核两个阶段声发射信号各自的振铃数R、总能量E和对应试样的熔核直径D、熔核高度H之间建立样本对，在裂纹生成声发射信号的振铃数R、总能量E和对应试样熔核的裂纹长度C之间建立样本对，从而形成两个训练集；
(4. 6)分别建立熔核尺寸人工神经网络和裂纹人工神经网络。其中，所述熔核尺寸人エ神经网络的输入层LI包括电极加载声发射振铃数Rf、总能量Ef以及熔核形核声发射振铃数Rn、总能量En4个输入量，输出层L4为熔核直径D、熔核高度H2个输出量，中间为2个隐层L2和L3，隐层节点数为3 ;所述裂纹长度人工神经网络的输入层包括裂纹生成声发射振铃数R。、总能量Ee2个输入量，输出层L4为裂纹长度Cl个输出量，中间为2个隐层L2和L3，隐层节点数为3。隐层的传递函数为Sigmoid函数，输出层的传递函数为线性函数，利用Back Propagation神经网络算法对所取得的样本进行训练；
本发明的创新在于以实时监测到的电阻点焊过程中的结构负载声发射信号作为信息源，通过检测电极加载、熔核形核和裂纹生成的结构负载声发射信号，提取信号的振铃数、总能量等特征參数，并利用人工神经网络模型实现对熔核关键质量因素，包括熔核直径、熔核熔核高度和裂纹长度的快速、无损检測。本发明适用于实时动态检测电阻点焊熔核的直径、熔核高度和裂纹的产生等重要质量因素。与现有技术相比，本发明具有以下优点
(1)仅需要采集电阻点焊过程的结构负载声发射ー种信号，采集系统容易实现，采集系统设计制造成本较为低廉；
(2)提取的结构负载声发射信号振铃数、总能量都是与熔核形核质量变化关系密切的关键參数，使检测结果可靠性高；
(3)能够比较快捷地检测出熔核直径、熔核高度和裂纹生成情况，形成对熔核质量比较 全面的评价；
(4)适用于电阻点焊过程的实时质量检测，适用的材料范围较广，实用性较强。
图I是实施例I检测到的对2024铝合金施行电阻点焊过程的结构负载声发射信号波形。图2是图I所示结构负载声发射信号中的电极加载阶段的结构负载声发射信号波形。图3是图I所示结构负载声发射信号中的熔核形核阶段的结构负载声发射信号波形。图4是图I所示结构负载声发射信号中的裂纹生成阶段的结构负载声发射信号波形。图5是与图I实施例I检测到的信号波形对应的实际熔核照片。图6是实施例2检测到的对2024铝合金施行电阻点焊过程的结构负载声发射信号波形。图7是图5所示结构负载声发射信号中的电极加载阶段的结构负载声发射信号波形。图8是图5所示结构负载声发射信号中的熔核形核阶段的结构负载声发射信号波形。图9是图5所示结构负载声发射信号中的裂纹生成阶段的结构负载声发射信号波形。图10是与图5实施例2检测到的信号波形对应的实际熔核照片。图11是熔核尺寸检测人工神经网络模型结构示意图。图12是裂纹检测人工神经网络模型结构示意图。图中1电极加载阶段声发射信号、2熔核形核阶段声发射信号、3裂纹生成声发射信号、4阈值电压、LI输入层、L2第一隐层、L3第二隐层、L4输出层、Rf电极加载声发射振铃数、Ef电极加载声发射总能量、Rn熔核形核声发射振铃数、En熔核形核声发射总能量、D熔核直径、H熔核高度、Rc裂纹生成声发射振铃数、Ec裂纹生成声发射总能量、C裂纹长度。
具体实施例方式下面结合具体实施例，进ー步阐述本发明。
实施例I :待焊接的エ件为两块厚度Imm的2024铝合金薄板结构的搭接。采用的主要焊接エ艺參数为焊接电流为22000A，焊接电流持续时间为6周波，电极压カ为
0.HMPa0施行焊 接，并实时采集电阻点焊过程的结构负载声发射信号，由分析软件绘出结构负载声发射信号动态曲线图，如图I所示。由波形图可以辨识出焊接过程不同阶段，提取出电极加载阶段I、熔核形核阶段2和裂纹生成阶段3三个阶段的结构负载声发射信号，分别如图2、图3和图4所示。分别统计信号中电极加载阶段I和熔核形核阶段2的振铃数Rf、Rn和总能量。在图I中，发现有裂纹生成的结构负载声发射信号，判断熔核中有裂纹生成，统计信号中裂纹生成阶段3的振铃数Rc和总能量E。。将Rf、Rn、Ef和En作为输入层输入已经利用Back Propagation神经网络算法训练好的熔核尺寸人工神经网络模型,如图11所示。将Rc和Ec作为输入层输入已经利用Back Propagation神经网络算法训练好的裂纹人工神经网络模型，如图12所示，
所述熔核尺寸人工神经网络模型和裂纹人工神经网络模型是这样获得的
(1)实时采集电阻点焊过程的结构负载声发射信号，并绘制出结构负载声发射信号动态波形 (2)由结构负载声发射信号动态曲线提取出电极加载I、熔核形核2和裂纹生成3三个阶段的声发射信号；
(3)分别统计三个阶段声发射信号的振铃数R和总能量E；
(4)剖开电阻点焊试样熔核，由熔核横截面测得焊点的实际熔核直径D、熔核高度H和裂纹长度C ；
(5)在电极加载、熔核形核两个阶段声发射信号各自的振铃数R、总能量E和对应试样的熔核直径D、熔核高度H之间建立样本对，在裂纹生成声发射信号的振铃数R、总能量E和对应试样熔核的裂纹长度C之间建立样本对，从而形成两个训练集；样本对数量越多,人工神经网络性能越好，网络训练的结果越能够反映样本对之间的内在关系，反之,人工神经网络性能越差，无法充分反映样本对内在关系。本实施例样本对为120个；
(6)分别建立熔核尺寸人工神经网络和裂纹人工神经网络。其中，所述熔核尺寸人工神经网络的输入层LI包括电极加载声发射振铃数Rf、总能量Ef以及熔核形核声发射振铃数Rn、总能量En4个输入量，输出层L4为熔核直径D、熔核高度H2个输出量，中间为2个隐层L2和L3，隐层节点数为3 ;所述裂纹长度人工神经网络的输入层包括裂纹生成声发射振铃数R。、总能量Ee2个输入量，输出层L4为裂纹长度Cl个输出量，中间为2个隐层L2和L3，隐层节点数为3。隐层的传递函数为Sigmoid函数，输出层的传递函数为线性函数，利用BackPropagation神经网络算法对所取得的样本进行训练。经过人工神经网络计算，得到检测结果熔核直径D=5. 432mm，熔核高度H=0. 936mm，裂纹长度C=L 394mm。沿熔核面积二分之ー处剖开电阻点焊试样熔核，熔核横截面如图5所示，由熔核横截面测得焊点的实际熔核直径D=5. 485mm、熔核高度H=0. 948mm、裂纹长度C=L 415mm。可见，利用本发明检测得到的熔核直径与实测熔核直径误差为0. 97%，检测得到的熔核高度与实测熔核高度误差为I. 27%，检测得到的裂纹长度与实测裂纹长度误差为I. 48%。结果表明，利用本发明所述方法可以较为准确快捷地实现电阻点焊熔核动态质量的实时无损检测。实施例2 :待焊接的エ件为两块厚度Imm的2024铝合金薄板结构的搭接。采用的主要焊接エ艺參数为焊接电流为24000A，焊接电流持续时间为8周波，电极压カ为
0.HMPa0施行焊接，并实时采集电阻点焊过程的结构负载声发射信号，由分析软件绘出结构负载声发射信号动态曲线图，如图6所示。由波形图可以辨识出焊接过程不同阶段，提取出电极加载阶段I、熔核形核阶段2和裂纹生成阶段3三个阶段的结构负载声发射信号，分别如图7、图8和图9所示。分别统计信号中电极加载阶段I和熔核形核阶段2的振铃数Rf、Rn和总能量。在图6中，发现有裂纹生成的结构负载声发射信号，判断熔核中有裂纹生成，统计信号中裂纹生成阶段3的振铃数Rc和总能量E。。将Rf、Rn、Ef和En作为输入层输入已经利用Back Propagation神经网络算法训练好的熔核尺寸人工神经网络模型,如图11所示。将Rc和Ec作为输入层输入已经训练好的裂纹人工神经网络模型，如图12所示。所述熔核尺寸人工神经网络模型和裂纹人工神经网络模型是这样获得的
(1)实时采集电阻点焊过程的结构负载声发射信号，并绘制出结构负载声发射信号动态波形 (2)由结构负载声发射信号动态曲线提取出电极加载I、熔核形核2和裂纹生成3三个阶段的声发射信号；
(3)分别统计三个阶段声发射信号的振铃数R和总能量E；
(4)剖开电阻点焊试样熔核，由熔核横截面测得焊点的实际熔核直径D、熔核高度H和裂纹长度C ；
(5)在电极加载、熔核形核两个阶段声发射信号各自的振铃数R、总能量E和对应试样的熔核直径D、熔核高度H之间建立样本对，在裂纹生成声发射信号的振铃数R、总能量E和对应试样熔核的裂纹长度C之间建立样本对，从而形成两个训练集；样本对数量越多,人工神经网络性能越好，网络训练的结果越能够反映样本对之间的内在关系,反之,人工神经网络性能越差，无法充分反映样本对内在关系。本实施例样本对为120个；
(6)分别建立熔核尺寸人工神经网络和裂纹人工神经网络。其中，所述熔核尺寸人工神经网络的输入层LI包括电极加载声发射振铃数Rf、总能量Ef以及熔核形核声发射振铃数Rn、总能量En4个输入量，输出层L4为熔核直径D、熔核高度H2个输出量，中间为2个隐层L2和L3，隐层节点数为3 ;所述裂纹长度人工神经网络的输入层包括裂纹生成声发射振铃数R。、总能量Ee2个输入量，输出层L4为裂纹长度Cl个输出量，中间为2个隐层L2和L3，隐层节点数为3。隐层的传递函数为Sigmoid函数，输出层的传递函数为线性函数，利用BackPropagation神经网络算法对所取得的样本进行训练。经过人工神经网络计算，得到检测结果熔核直径D=5.541mm，熔核高度H=L 571mm，裂纹长度C=L 559mm。沿熔核面积二分之ー处剖开电阻点焊试样熔核，熔核横截面如图10所示，由熔核横截面测得焊点的实际熔核直径D=5. 598mm、熔核高度H=L 597mm、裂纹长度C=L 586mm。可见，利用本发明检测得到的熔核直径与实测熔核直径误差为
1.02%，检测得到的熔核高度与实测熔核高度误差为I. 63%，检测得到的裂纹长度与实测裂纹长度误差为2. 38%。结果表明，利用本发明所述方法可以较为准确快捷地实现电阻点焊熔核动态质量的实时无损检測。
权利要求
1.一种电阻点焊熔核形核动态质量无损检测方法，该方法借助焊接过程中的结构负载声发射实时信号动态检测电阻点焊熔核质量，其特征在于所述检测方法的步骤如下 (1)实时采集电阻点焊过程的结构负载声发射信号，并绘制出结构负载声发射信号动态波形图； (2)由结构负载声发射信号动态曲线提取出电极加载、熔核形核和裂纹生成三个阶段的声发射信号； (3)分别统计三个阶段声发射信号的振铃数和总能量； (4)以电极加载结构负载声发射振铃数Rf、总能量Ef和熔核形核结构负载声发射振铃数Rn、总能量En作为检测熔核尺寸的特征參数，输入熔核尺寸人工神经网络模型，计算得到熔核直径D和熔核高度H ；以裂纹生成结构负载声发射振铃数R。、总能量E。作为检测熔核裂纹的特征參数，输入到训练好的裂纹人工神经网络模型中，计算得到裂纹长度C ； 所述熔核尺寸人工神经网络模型和裂纹人工神经网络模型是这样获得的 (4. I)实时采集电阻点焊过程的结构负载声发射信号，并绘制出结构负载声发射信号动态波形图； (4. 2)由结构负载声发射信号动态曲线提取出电极加载、熔核形核和裂纹生成三个阶段的声发射信号； (4. 3)分别统计三个阶段声发射信号的振铃数和总能量； (4. 4)剖开电阻点焊试样熔核，由熔核横截面测得焊点的实际熔核直径、熔核高度和裂纹长度； (4.5)在电极加载、熔核形核两个阶段声发射信号各自的振铃数、总能量和对应试样的熔核直径、熔核高度之间建立样本对，在裂纹生成声发射信号的振铃数、总能量和对应试样熔核的裂纹长度之间建立样本对，从而形成两个训练集； (4. 6)分别建立熔核尺寸人工神经网络和裂纹人工神经网络其中，所述熔核尺寸人工神经网络的输入层包括电极加载声发射信号的振铃数、总能量以及熔核形核声发射信号的振铃数、总能量4个输入量，输出层为熔核直径、熔核高度2个输出量，中间为2个隐层，隐层节点数为3 ;所述裂纹长度人工神经网络的输入层包括裂纹生成声发射信号的振铃数、总能量2个输入量，输出层为裂纹长度I个输出量，中间为2个隐层，隐层节点数为3 ;隐层的传递函数为Sigmoid函数,输出层的传递函数为线性函数,利用Back Propagation神经网络算法对所取得的样本进行训练。
2.根据权利要求I所述的电阻点焊熔核形核动态质量无损检测方法，其特征在于如焊接过程中没有提取到裂纹生成声发射信号，即可判断熔核形核过程无裂纹产生。
全文摘要
一种电阻点焊熔核动态质量无损检测方法，首先实时采集电阻点焊过程的结构负载声发射信号，并绘制动态曲线图；由动态曲线提取出电极加载、熔核形核和裂纹生成三个阶段的声发射信号；分别统计声发射信号的振铃数和总能量；剖开电阻点焊试样熔核，测得实际熔核直径、高度和裂纹长度；建立样本对，形成训练集；分别建立熔核尺寸人工神经网络和裂纹长度人工神经网络，并利用BackPropagation神经网络算法对所取得的样本进行训练；将训练好的模型用于熔核尺寸和裂纹生成的实时检测。利用本发明可以较为准确地实现多种常用金属结构材料电阻点焊熔核质量的在线检测。
文档编号G01B17/00GK102654482SQ201210066680
公开日2012年9月5日 申请日期2012年3月14日 优先权日2012年3月14日
发明者罗怡 申请人:重庆理工大学