随着现代工业的发展,焊接工艺是机械加工业不可或缺的工业技术手段,在国民经济建设中占有重要地位。在窄搭接电阻焊工艺中,对于焊缝质量的检测需要先停机,然后取样观察焊缝形貌或进行杯凸实验,然而这种方法缺乏实时性。本文依托窄搭接电阻焊实时检测项目,通过搭建涡流检测设备,在焊接时与焊机随动,实时采集焊缝的涡流检测信号数据和焊接过程数据,并以数据为基础建立焊缝缺陷的智能识别模型与原因诊断模型,实现了焊缝缺陷的实时检测并改进了焊接质量,主要研究工作如下:(1)在焊机上搭建涡流检测设备以采集窄搭接焊缝的实时涡流检测信号,并提出改进的小波阈值算法对原始焊缝涡流检测信号进行降噪。仿真实验证明改进的小波阈值去噪算法可行有效,能够更好地滤除涡流信号中的噪声,且去噪效果稳定。(2)基于降噪处理后的涡流检测信号,分别运用传统方法和深度学习方法识别焊缝缺陷。传统方法首先采用EMD对窄搭接焊缝的涡流检测信号进行分解,在获取的IMF的基础上构造特征向量,继而利用PCA对特征参数进行降维,最后运用SVM进行分类,取得了86.7%的缺陷识别准确率。深度学习方法采用小波时频图和卷积神经网络相结合的方法对焊缝缺陷进行识别。首先将原始涡流信号通过连续小波变换转为时频特征图,再运用VGG16的CNN模型进行缺陷识别。为保证焊缝缺陷识别的实时性,基于CNN提出两阶段的缺陷识别方法。经过实验,该方法的准确率达到96.94%,比传统方法高了近10%,而实际检测时平均耗时仅2.4s,可以满足企业在线检测要求。(3)在识别出焊缝缺陷类别的基础上,结合焊接的过程参数数据,基于关联规则算法挖掘焊缝不同缺陷和这些参数的关联关系,从而诊断不同缺陷产生的原因。结果表明,该关联规则模型可以提升焊接经验的知识发现,并为焊接质量的提升提供指导性意见。本文以窄搭接电阻焊焊缝为研究对象,以数据为导向建立了焊缝缺陷的智能识别模型与原因诊断模型,实现了焊缝的实时在线检测,并为焊接质量的提升提供了指导性意见,具有良好的应用前景。