搅拌摩擦焊技术自问世以来,由于生产率高、接头强度高等优点,在航空、航天、高铁等领域得到了广泛应用。但由于焊接过程复杂、参数多等特点,在实际生产中尚且存在一定的质量问题。另一方面,随着人工智能的崛起,机器学习在焊接领域中的应用逐渐发展成为一个热门研究方向。在这样的大背景下,为提高搅拌摩擦焊焊接铝合金结构件的质量的稳定性,提升搅拌摩擦焊焊接工艺数字化和信息化的程度,本文设计了一套搭载多种传感器的数据采集系统,建立了一套基于自组织增量学习神经网络的质量评价系统。采用双色红外测温的原理,获得了搅拌头轴肩工件结合处的温度;采用激光测距的原理,获得了搅拌头下压量;采用电容微型摆锤的原理,获得了搅拌头倾角;通过OPC系统对搅拌摩擦焊机床的授权,读取了搅拌头转速以及焊接速度两个参数。在上述方法的基础上,建立了搅拌摩擦焊焊接参数采集系统,为后续的机器学习提供了数据来源。研究了自组织增量学习神经网络的基本原理,利用MATLAB软件编程实现了这种算法,并建立起了相应的模型。为验证该算法的性能,利用一些人工数据集对建立的机器学习模型进行了仿真分析。针对自组织增量学习神经网络的一些不足,提出了改进的自组织增量学习神经网络算法。为进一步验证改进的自组织增量学习神经网络算法的可靠性,通过研究双支持向量回归机算法的原理,利用MATLAB编程软件,对改进的自组织增量学习神经网络和双支持向量回归机建立了各自相应的模型,对两种算法进行性能对比。实验结果表明,改进的自组织增量学习神经网络在模拟效果上与双支持向量回归机的仿真效果相近,但自组织增量学习神经网络算法的训练时间远小于双支持向量回归机。基于不断累积的仿真训练结果,建立起了搅拌摩擦焊质量评价系统,初步实现了从焊接参数到焊接质量的非线性映射关系。并利用从生产中采集到的实际数据,验证了质量评价系统的可行性。