电阻点焊过程中电极电压、焊接电流和电极位移信号蕴涵着丰富的焊接状态信息,并且与焊接工艺参数、工件表面状态、以及过程稳定性等密切相关,是焊接过程质量监控的重要信息源。本文以点焊质量分类为目的,以焊接过程中接头电压、焊接电流和电极位移为主要研究对象,借助现代信号分析方法,分析信号的时频特征,并在此基础上提取信号时域统计特征,构建了多信息融合的特征向量数据集合描述焊接过程,运用支持向量机、分类回归树和Hopfield神经网络机器学习模型,建立了焊点接头强度的分类模型。测试结果表明,基于支持向量机的点焊质量分类模型准确率较高、泛化能力较好,在焊点质量分类中具有较强的实用价值。论文工作主要包含以下内容: 设计了以AC6115采集卡、Rogowski电流传感器,DA-5型直流差动变压器式位移传感器为核心的同步信号数据采集系统。基于Visual Basic语言开发了信号采集、波形显示、数据显示以及与Matlab接口的应用软件。 利用时域、频域及时频域分析方法对焊接信号进行特征分析,试图从信号的角度寻找对焊接过程的描述。分析表明,动态电阻和电极位移信号能够反映熔核的生长过程。信号的频域和时频域特征不明显,因此,特征主要在时域中分析和提取。针对动态电阻和电极位移信号提取了峰值、上升率、下降率等13个特征分量,通过相关性分析确定构筑多信息融合的特征向量。 利用CART数据挖掘方法建立基于动态电阻、电极位移特征向量的接头强度分类树,将接头质量复杂的分类模型以直观的二叉树形式给出,测试结果表明,CART能够对点焊质量实现分类。 基于动态电阻、电极位移信号特征参量离散化的数据集,建立表征焊接质量的特征模式,将特征模式存储于Hopfield神经网络中,利用其联想记忆功能实现对未知焊点的模式识别,实现对接头质量的分类。 SVM是数据挖掘中的新方法,基于动态电阻和电极位移信号特征向量构建的特征数据集,建立SVM焊点质量分类模型,分别对两种SVM的最佳参数进行测试,测试结果表明,相同训练集下,相同核函数在匹配最佳参数的两种SVM分类模型的分类结果相差不大,均能得到较好的分类结果。 训练样本与测试样本相差不大时,匹配参数的条件下,SVM的四种核函数均具有较好的分类效果,分类准确率均在95%以上,其中线性核函数能够达到分类完全正确。当测试样本数远大于训练样本数时,RBF核函数表现出了良好的泛化能力,分类准确率没有衰减。相同情况下,对比CART和Hopfield神经网络分类模型,SVM具有明显的优势。