構建焊點質量人工智能檢測系統.pdf

《構建焊點質量人工智能檢測系統.pdf》由會員分享，可在線閱讀，更多相關《構建焊點質量人工智能檢測系統.pdf（28頁珍藏版）》請在三個皮匠報告上搜索。

1、面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。廣汽本田汽車有限公司焊裝管理科鄭世卿面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。目錄Contents技術路線創新點提煉整體成果02030401立項背景面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 31.1背景與價值 車身上焊點數千個，是主要的連接工藝 焊點質量檢測是保證車身強度和客戶安全的關鍵保證措施電阻點焊是車身制造的關鍵工藝，焊點質量檢測對車身強度和客戶安全至關重要普通車身ACE車身普通車身ACE車身扭轉強度彎曲強度24%32%電阻點焊ACE高級兼容性車身結構電

2、阻點焊工藝面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 41.1背景與價值手持式超聲波檢測儀焊點質量檢測方式人員投入大設備成本高通過檢測焊核的超聲回波曲線，識別判斷焊核的好壞低成本自動化當前的焊點質量檢測方法只能進行抽檢，品質保證能力弱，且成本很高半破壞檢查儀器貴，強度檢查效率低檢測效率低只能抽檢7990不檢查時檢查時環境噪音/dB噪音超85dB噪音大，檢查覆蓋面窄單價42萬檢查工時3040s/焊點3040s存在問題點面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 51.2現狀分析在焊接過程中用超聲波自動檢測焊點質量，但是成本更加高昂且

3、可靠性有待驗證02增加額外檢測工時單位：秒批量處理待驗證電極桿需改造焊點結果推送PC內置電極的超聲探頭電極柄電極工件增加超聲波檢測裝置判斷焊點質量OKNG未明采集焊核情況并分析實時反饋監控崗位050單臺改造成本大單位：萬元真實聲學圖像熔核幾何圖像 模擬聲學曲線點焊焊接存在問題點方案一：超聲波焊點質量在線自動檢測面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 61.2現狀分析在焊接完成后采用超聲波自動檢測焊點質量，但是成本高昂且需要占用大量面積焊接完成后增加獨立工作站進行焊點自動化檢測機器人超聲波無損自動檢查系統導入無損設備新增工作站7個自動檢查超聲波裝置新增機器人新

4、增工作站7336m2新增占地面積01750成本大單位：萬元存在問題點方案二：超聲波焊點質量在線自動檢測面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 71.2現狀分析通過分析焊接參數是否在閾值內來檢測焊點質量，模型準確率受到限制大數據分析獲得焊接參數的上下閾值存在問題點方案三：焊點質量在線自動檢測提取電阻點焊焊接過程參數大數據分析焊接參數輪廓UCLLCL提取輪廓上下限控制線，作為模型的邊界焊點質量受多種參數的耦合影響，單一維度閾值分析影響準確率電阻R電流I熱量Q采集焊接過程參數大數據分析上下閾值外上下閾值內焊點不良焊點合格OKNG焊點質量壓力時間電流耦合影響誤報警多

5、閾值窄不良焊點流出閾值寬面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 8可靠、低成本的焊點質量自動檢測方式是行業空白1.2現狀分析手動檢查自動檢查半破壞在線檢測內置電極的超聲探頭電極柄電極工件超聲波焊后檢測低成本自動化行業空白？成本高抽檢目前手動檢測和自動檢測都存在不足投入大低成本&自動化檢測是行業空白對策思考行業調查面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 9物聯網超聲波檢測思考借助智能化技術打破行業焊點質量低成本自動檢測的空白，實現0的突破 自動采集焊接過程參數 電流、電阻、加壓力、熱量 焊接數據處理分析 焊點模型訓練實時分析

6、 焊點質量智能判斷 焊點模型自學習完善科學決策焊點質量智能檢測人員多成本高作業強度大人工智能智能化技術 結果推送強檢崗 進行二次復檢精準執行提升效率降低成本提升品質大數據狀態感知人工智能大數據焊點預測合格焊點不良焊點特征邊界f(t,x0,x1,xn)焊接過程參數人工智能模型算法1.2現狀分析面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 10通過焊接參數規律分析，對焊點質量進行分類，實現焊點質量的過程檢測1.2現狀分析焊點AI模型檢查系統構想IOT平臺采集焊接數據人工復檢檢查方式區別半破壞抽檢超聲波抽檢 事后檢查 以直觀的特征數據作為判斷標準模型AI檢查 過程檢查

7、以復雜的過程參數分類特征作為判斷標準傳統檢查模型檢查木已成舟直觀可靠昂貴低效結果延遲廉價高效實時反饋可能出錯掌握先機結果大屏推送電流加壓力通電時間焊接品質結果輸出現場品質推送焊點二次復查功能查詢追溯異常標記IOT系統平臺通過監控不同的工藝數據曲線，判斷焊點質量大數據建模分析面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 112技術路線采集數據 焊接原理分析 IOT平臺建立 數據采集及融合數據預處理 數據平衡處理建立模型 模型原理與算法 多模型的焊點質量檢測 模型應用及可視化從不同設備中獲取焊點一臺份數據保證數據滿足模型需求區分不良焊點數據特征提供大數據基礎提供可靠一

8、致的大數據按照采集數據、數據預處理、建立模型三個步驟開展面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 122.1數據采集通電時間（T）通電時間影響焊接部發熱量通電時間增加，焊核變大焊接電流（I）接觸電阻（R）電阻=r1+2r2+2r3+2r4 焊接壓力變大，接觸電阻減少，焊核越小，產熱越小焊點質量主要由焊接熱量Q決定，而焊接熱量主要受電流、壓力和通電時間的影響 I2RT發熱量(J)電阻()電流(A)通電時間(ms)電阻點焊原理：在熱與電極壓力作用下，金屬板材熔化金屬原子間結合形成焊點的過程電阻點焊原理 焊接原理分析焊接壓力焊點質量通電時間電阻電流電流過小，焊點小或

9、無法熔接電流過大，熔接越快，易飛濺焊接強度低面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 132.1數據采集影響焊接質量的工藝參數分別從機器人、焊接控制器及PLC中采集從機器人控制器中采集焊接工藝參數來源 焊接原理分析壓力（F）電流（I）通電時間（T）VIN碼電阻點焊作用：控制焊接電流和焊接時間按照設定值精準輸出焊接控制器作用：控制焊接壓力按照設定值精準輸出焊接機器人作用：傳遞VIN碼，將焊接工藝參數與焊點建立聯系PLC電阻點焊焊接系統構成從焊接控制器中采集從PLC中采集面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 14公司IOT平臺

10、基于IOT技術實現工藝參數采集，并在公司云平臺建立數據庫統一管理2.1數據采集局域網組建以太網采集數據專用采集電腦線外進行收集參數采集到邊緣服務器數據分類及存儲數據分類數據存儲數據集成 IOT平臺建立采集終端焊接設備終端存儲功能數據分類公司云平臺數據集成查詢追溯云平臺界面MQTT協議設備協議網關焊接控制器壓力機器人電流時間控制器VIN碼PLC面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 152.1數據采集焊接控制器、機器人和PLC內部時鐘和數據采樣頻率不一樣，融合成一個焊點的數據存在困難設備將4組數據打包融合成1個焊點的數據VIN碼電流時間壓力數據PLC焊接控制器

11、機器人 數據采集及融合如何從一連串數據中找到第X焊點對應的數據？工藝參數F1F2F3FnVIN1VIN2VINmI1T1I2T2I3T3IpTp數據融合F?VIN?I?T?第X焊點時鐘不同數據長度不同采樣頻率不同數據時序不同哪些數據屬于X焊點？難點1:如何進行數據融合？面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 16增加時間戳2.1數據采集 數據采集及融合首創時間戳，成功將電流、時間等工藝參數打包融合到一個焊點數據里設備數據采集增加公共時鐘信息PLC焊接控制器機器人控制器采集終端獨立時鐘4扭矩VIN碼電阻/電流/時間獨立時鐘1獨立時鐘2獨立時鐘3三種設備時鐘精度

12、不同統一使用采集終端時鐘VIN1I1VINmF1F2FnI2I3I4IoIo+1T1T2T3T4ToTo+1a1a2axa1a2axa1a2axa1a2ax相同時間戳參數融合成一個焊點時鐘4融合數據第X焊點FnVINmIpIp+1TpTp+1時間戳僅用于標識定位，不納入焊點數據包內F2VINmIpIp+1TpTp+1X焊點的時間戳面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 172.2數據預處理 數據平衡處理實際生產中代表不良焊點的負樣本數量遠少于正樣本數量正負樣本不平衡會影響模型訓練結果正負樣本不平衡的影響過擬合準確度偏差 分類器可能會過度學習正樣本特征 這可能

13、會導致過擬合 分類器有可能會把所有樣本都預測為占比較大的正樣本通過隨機算法補充數據？正負樣本的現狀不良焊點產生概率遠低于合格焊點全拆解焊接工藝合格焊點不良焊點工藝成熟工藝窗口大參數不敏感不良焊點占比低定期全拆解檢查不良焊點占0.14%0.36%不良焊點占0.14%0.36%難點2:如何實現正負樣本平衡？正樣本負樣本正樣本遠低于負樣本面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 18根據實際生產情況設定離線試驗方案2.2數據預處理 數據平衡處理通過離線制造補充不良焊點數據，但離線制造焊點數量有限離線試驗得制造數量有限離線制造不良試驗電極修磨不良板材間隙大板材有異物電

14、極不修磨持續焊接900點以上后焊接相關結論試驗方案與在線焊接盡可能保持一致：1、在原有自動線上開展2、使用相同的板材與設備離線試驗制造不良焊點測試板材間隙0mm、0.5mm、1mm、1.5mm、2mm板材間涂布HPA膠離線制造1、偶發導致焊接停止的報警；2、完成焊接的情況下，幾乎不會導致焊點不良試驗條件負樣本數量提升到10%但仍然不夠015%32%100%00.20.40.60.810次500次600次800次不良焊點概率不修磨點數電極不修磨試驗020%66%100%00.20.40.60.810mm0.5mm 1.5mm2mm不良焊點概率板材間隙板材間隙試驗面向新車型設計，通過效率提升、體質

15、強化，構筑內作成本最優的車型生產體質。P 19采用通過smote上采樣增加負樣本，實現對數據進行平衡處理2.2數據預處理平衡樣本數據正負樣本數據不均衡正負樣本數據均衡正樣本多負樣本少增加負樣本的數量上采樣 數據平衡處理對策：通過算法處理補充數據按照以上方法可以大規模的形成新的負樣本如果樣本特征少而可能導致過擬合加入隨機噪聲、干擾數據等合成新樣本通過上采樣進行數據平衡處理，并進行改良直接復制少數類樣本形成多條記錄對于每個，每個被選擇的樣本，按以下公式構建新樣本：new=+rand(0,1)()根據合格樣本與不合格樣本的比例確定采樣倍率，對于每一個少數樣本，從近鄰中選取若干樣本STEP1STEP2

16、面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 20樸素貝葉斯模型隨機森林模型邏輯回歸模型2.3建立模型利用經典機器學習算法來進行模型訓練，區分不良焊點與合格焊點樸素貝葉斯模型合格焊點不良焊點特征邊界f(t,x0,x1,xn)通過已知不良焊點信息，找出不良焊點的特征范圍通過大數據訓練識別出不良焊點特征范圍已知A表示焊點質量，B表示工藝參數P(A)：歷史樣本中焊點質量合格的概率P(B|A)：焊點質量合格時工藝參數的分布概率P(B)：當前工藝參數的概率，固定值焊點合格概率計算分類器訓練P(A|B)：工藝參數取當前值時，焊點質量合格的概率預測正常異常樸素貝葉斯模型常用分類

17、算法 模型原理與算法經典分類算法面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 21訓練集：訓練用數據驗證集：驗證用數據訓練&驗證集超參數調節決策邊界單一機器學習算法構建模型模型決策邊界確定超參數調節提高模型準確率2.3建立模型利用大數據對模型進行持續的訓練，優化模型的超參數，從而得到合格焊點的決策邊界，即判斷基準合格焊點不良焊點特征邊界f(t,x0,x1,xn)模型訓練結束得到決策邊界得到類別模型訓練前區分好訓練集和驗證集 模型原理與算法邏輯回歸隨機森林樸素貝葉斯檢出率誤報率準確率模型訓練對模型參數組合進行訓練尋找最佳參數返回最優超參數N次模型訓練默認超參數面向新

18、車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 22首創多模型融合理念，采取一票否決制檢測焊點質量，避免不良焊點流出2.3建立模型采用多模型一票否決制單模型檢出率偏低，存在不良流出的風險檢出率誤報率準確率樸素貝葉斯模型隨機森林模型邏輯回歸模型83%80%79%1.6%1.2%1.4%97.0%97.1%96.8%多模型融合100%2.56%97.7%多模型訓練結果融合檢出率偏低不合格焊點可能漏檢模型1模型2模型3OKOKNGNG檢出率多模型融合多模型訓練融合 多模型融合算法的提出備注：正常焊點：1000 異常焊點：100各模型準確率情況多模型融合算法不良焊點流出風險難點3

19、：如何避免不良焊點流出？面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 23采用半破壞檢測方法對模型檢測結果進行驗證2.3建立模型 多模型融合效果確認面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 24模型系統部署到現場，不良焊點可以反饋給強檢員進行二次確認5、功能展示2.3模型建立焊點質量檢測系統界面自主開發強檢工位顯示系統 焊點統計區域不良焊點記錄 自動線內焊點展示 焊接工藝參數展示序號展示區域功能焊點統計區域當天加工品質情況（總數量、檢測數、不良數及合格數）不良焊點記錄最近發生的不良焊點的信息自動線內焊點展示各站點即時焊點質量情況焊

20、點工藝參數展示每個焊點質量過程參數曲線強檢崗位推送強檢員焊點檢查焊點異常檢出修正標簽焊點異常返修補焊NY 模型應用及可視化面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 25焊點質量檢測結果實時輸出成功打破了行業焊點質量低成本自動檢測的空白數據采集模型構建結果輸出智能終端交換機實時數據庫服務器IOT平臺高效采集數據邏輯回歸隨機森林樸素貝葉斯數據收集數據清洗數據分析模型建立模型訓練PLC機器人控制器焊接控制器項目創新點3面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 26成功實現了焊點質量自動檢測，不良焊點檢出率達100%項目創新點行業首創

21、基于大數據+人工智能的焊點強度自動檢測行業首創基于時間戳的異種設備不同采樣頻率數據的融合方法行業首創基于多模型融合理念的焊點強度智能檢測模型3多模型融合理念樸素貝葉斯模型隨機森林模型邏輯回歸模型模型1模型2模型3OKOKNGNG檢出率多模型融合模型不良焊點檢出100%發明專利1份(實審)基于多模型融合的焊點質量檢測方法，裝置及存儲介質基于時間戳的數據融合焊接機PLC機器人智能終端交換機實時數據庫服務器采集裝置方案示意圖發明專利1份（申請）基于時間戳的異種設備不同采樣頻率數據的融合方法申請中焊點質量自動檢測人工智能大數據焊點預測合格焊點不良焊點特征邊界f(t,x0,x1,xn)發明專利4份(1份

22、授權，3份實審)基于經驗貝葉斯的數據批次效應處理方法、裝置及介質基于GRU-C網絡的點焊質量檢測方法、裝置及存儲介質基于生成對抗網絡的點焊數據填補方法、裝置及存儲介質發明授權面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 27檢測方法總成本焊點檢測率準確率實際檢出能力類型具體實施不良焊點 合格焊點不良焊點合格焊點人工檢測半破壞檢測484 萬/年1%100%100%1%1%手動超聲波檢測484 萬/年+1100 萬1%100%100%1%1%超聲波自動檢測方案二：超聲波檢測系統安裝在機器人上60,000 萬70%100%100%70%70%方案一：焊槍電極上安裝超聲波探頭28,600 萬100%100%100%100%100%數據分析方案三：自動檢測系統2,200 萬100%無統計結果99.9%無統計結果99.9%人工智能檢測本項目400 萬100%100%97.7%100%97.7%技術成果對比4.1本項目大幅降低成本，且能夠有效防止不良焊點流程焊點覆蓋率成本檢出率準確率各種技術成果對比半破壞檢手動超聲波機器人+超聲波電極+超聲波西門子智檢本項目面向新車型設計，通過效率提升、體質強化，構筑內作成本最優的車型生產體質。P 28感謝專家評委的聆聽！謝謝！