质量检测论文提纲

论文题目：基于多模型融合的焊点质量检测方法研究

摘要：点焊工艺是汽车焊接工艺中的重要环节,在汽车生产中发挥着举足轻重的作用。由于生产环境复杂,车辆点焊焊点常出现质量问题。传统检测方法采用人工凿检抽检的方式,效率差、覆盖率低,不仅为生产企业带来成本增加的问题,而且也为车身强度埋下安全隐患。同时随着信号监测手段的进步,点焊过程的数据获取变得简单,因此,利用数据驱动的无损检测法取代传统破坏检测方法,成为行业追逐的热点问题。然而,由于点焊数据具有耦合性高、非线性强的特点,当前基于数据驱动的点焊质量判别方法还面临着模型简单、特征单一、故障样本获取成本较高等问题。基于此,本文从影响点焊质量的影响因素入手,研究点焊过程电信号与其质量的映射关系,并通过融合多种模型与特征的方法建立点焊质量判别模型,丰富了当前领域的技术手段,本文的主要工作如下:1.基于现实车辆流水线生产平台,结合点焊焊接原理,对于真实生产环境下造成点焊质量问题的工况类型及成因进行了总结与归纳。并且从数据波形、统计特征、模式识别方法等角度对现有点焊数据进行初步分析与建模,并对基于传统机器学习方法的点焊质量判别模型进行融合集成,研究表明,通过模型融合的方法可将传统模型的总体准确率提升至88%。2.针对点焊过程所表现出的数据成本高、故障样本少且时序特征明显的特点,本文采用数据增强的方法,在GAN-LSTM网络的基础上构造了基于AAE-LSTM网络的点焊质量检测模型。实验表明,通过AAE网络数据再生能力与LSTM良好的时序特征提取能力,使得模型在总体检测准确率上相对于传统模型提升明显,并最终取得97.2%的总体准确率。3.针对现有模型对于部分典型多发故障难以检出的问题,本文采用多特征融合技术,提出一种基于GRU-C网络的焊点质量检测方法。通过网络结构中的交叉层与特征层,分别对于点焊数据中的交叉特征与时序特征进行提取,并通过并行网络结构进行特征融合。实验表明,基于该网络构造的点焊质量检测模型对于点焊过程中出现的各种故障工况均能有效检出,且各工况检测效果波动性较小。相对于AAE-LSTM模型中难以检测的间隙故障的检出率提升了1.92%,同时显著优化了模型训练所需的参数数量。

关键词：点焊;质量检测;模型融合;数据增强

学科专业：控制科学与工程

摘要

abstract

第一章 绪论

1.1 研究工作的背景与意义

1.2 国内外研究历史与现状

1.2.1 波形特征建模方法

1.2.2 传统机器学习建模方法

1.2.3 深度学习建模方法

1.2.4 文献综述简析

1.3 本文的主要贡献与创新

1.4 本论文的结构安排

第二章 点焊质量故障分析

2.1 电阻点焊试验原理

2.1.1 工艺参数

2.1.2 动态参数

2.2 实验设计与建模

2.2.1 实验材料与实验方法

2.2.2 模型选取与融合

2.3 点焊试验结果分析

2.3.1 原始数据分析

2.3.2 试验数据建模分析

2.4 本章小结

第三章 基于AAE-LSTM的点焊质量检测模型

3.1 相关模型原理

3.2 AAE-LSTM点焊质量判别模型

3.3 实验结果及分析

3.3.1 实验环境

3.3.2 数据集

3.3.3 评价指标

3.3.4 实验结果

3.4 本章小结

第四章 基于改进GRU-C的点焊质量检测模型

4.1 GRU-C网络原理

4.2 基于改进GRU-C的点焊质量检测模型复杂度分析

4.2.1 交叉层复杂度分析

4.2.2 特征层复杂度分析

4.3 实验结果及分析

4.3.1 数据集

4.3.2 网络参数设计

4.3.3 实验结果分析

4.4 本章小结

第五章 总结与展望

5.1 全文总结

5.2 后续研究展望

致谢

参考文献