CN103218665A - 可重复过程中感兴趣项的二元分类 - Google Patents

Abstract

一系统包括与相对于感兴趣项（例如焊接部）定位的传感器和存储器电连接的主机和学习机。主机执行来自存储器的指令，以预测项的二元质量状态。学习机从传感器（一个或多个）接收信号，识别候选特征，且从候选特征提取相对于其他候选特征对二元质量状态更具预测性的特征。学习机将提取的特征映射到维度空间，所述维度空间包括来自通过的二元分类的大部分项，且不包括来自失败的二元分类的所有项或大部分项。主机还将用于随后的感兴趣项的接收信号与维度空间进行比较，以由此实时地预测随后的感兴趣项的二元质量状态。

Description

可重复过程中感兴趣项的二元分类

技术领域

本发明涉及特点在于可重复过程的物品的二元分类。

背景技术

各种处理过程是可重复的，且由此其自身处于实时处理监测。这种可重复过程的例子是振动焊接，其涉及对夹紧工件受控应用高频率振动能量。在焊接界面产生表面摩擦，其最终将界面处的邻近工件表面软化和连结。对于给定工件，通常以一致的可重复的方式执行每一个焊接部的形成。

用于可重复过程的常规过程控制方法将固定的变量针对校准阈值进行监测。即可应用各种基于闭环参数的控制技术将特定的焊接参数保持在校准极限中。该方法可生产随时间的相当地一致的焊接参数。然而，稳定的焊接过程参数仍难以生产一致地高质量的焊接部。此外，例如材料质量这样的外部因素也会影响焊接质量。一个焊接部的早期失效会影响被焊接系统的性能。因此通常的做法是通过对每一个焊接部的视觉检查来确定焊接完整性，随后是被称为挑选的这样的高劳动强度的过程，其中形成的焊接部的每一个通过操作者使用挑选工具而被物理地测试。

发明内容

本文公开一种系统和方法，其用于在可重复过程预测感兴趣项的二元质量状态，即分类成例如0或1、好的或坏的、通过或失败等两个状态中的一个。使用振动焊接的例子在此描述这种过程，感兴趣项是焊接部的形式，而方法可以用在任何适当的可重复过程中。可以通过使用本二元分类方法增强制造过程的工件是多电芯电池模块，其具有一系列焊接的电池电芯接片。这种电池模块可以配置为用作功率源，例如用于电动车、混合动力电动车或增程式电动车上的牵引电动机。尽管本方法并不限于电池电芯接片的焊接过程监测，但是本文所述的电池模块是本发明可以具体应用的这类系统的代表。因此，在本说明书的其余部分都使用示例性电池模块用于说明。

具体说，本文公开了一种系统，在一个构造中其包括主机、学习机和足够的存储器。主机和学习机各自包括与相对于感兴趣项定位的一个或多个传感器电连通的处理器。感兴趣项如上所述可以是在示例性振动焊接过程中形成的焊接部。用于预测感兴趣项的二元质量状态的指令经由存储器记录。一个或多个二元质量状态包括通过和失败二元分类，例如0或1，从而感兴趣项是通过或失败中之一，且不具有其他状态或分类。

学习机可以经由处理器执行指令以由此从传感器（一个或多个）接收信号，且在一个可行实施例中，从接收的信号提取一组候选特征。在另一实施例中，候选特征可以手动地确定且提供到学习机和/或主机。特征组可以从相对于其他候选特征对感兴趣项的二元质量状态更具预测性的候选特征中提取。

提取出的特征经由其中一个机器映射到维度空间，所述维度空间包括来自通过二元分类的大多数感兴趣项且不包括来自失败二元分类的所有或大多数（基本上所有）感兴趣项。如在本文使用的，在三个不同实施例中，“基本上所有”可以指的是至少大约90%，至少95%和至少99%。尽管在不脱离本发明范围的情况下可以使用小于90%的百分比，但是在90%以下时性能会受到过于不利的影响。维度空间在本文中被称为箱体或箱式空穴（box-void）。主机将用于随后的感兴趣项（例如在随后的焊接过程中形成的焊接部）的接收信号与维度空间比较，以实时地预测随后的感兴趣项的二元质量状态。

另一示例性系统包括焊接焊头和定位和焊接焊头邻近的砧。焊接焊头抵靠砧夹紧且在可重复的振动焊接过程期间在工件上形成焊接部。系统还包括相对于焊接焊头定位的多个传感器，且主机和学习机各自具有与传感器电连通的处理器。机器如上所述地配置。

还公开了一种方法，包括在振动焊接过程中从在振动焊接接头形成期间相对于工件定位的多个传感器接收一组信号。信号是在有限的持续时间内在相等地间隔开的时间点处获得的测量值。方法进一步包括在振动焊接过程期间从焊接控制器接收控制信号，控制信号使得焊接焊头以校准的频率振动。另外，方法包括处理接收的感测和控制信号，包括从一组候选特征中提取预定数量的特征，和将该预定数量的特征映射到维度空间，所述维度空间可以具有与该预定数量成比例的维度数量。

作为方法的一部分，主机可以使用提取出的特征为每一个焊接部且通过将提取特征与维度空间比较而实时地预测每一个焊接部的二元质量状态，其中落入维度空间中和以外的提取特征被分别标记为失败和通过二元分类。方法可以包括例如在焊接部本身上或附近显示预测的二元质量状态。

在下文结合附图进行的对实施本发明的较佳模式做出的详尽描述中能容易地理解上述的本发明的特征和优点以及其他的特征和优点。

附图说明

图1是用于示例性可重复的振动焊接过程的示例性自动监测系统的示意图。

图2是示例性多电芯电池模块的一部分的示意性透视图，所述电池模块具有作为感兴趣项的焊接部，其二元质量可以使用图1所示的系统而被实时地监测和预测。

图3是可以用于以本文所述的方式在振动焊接系统中预测焊接质量的系统的示意图。

图4A用于示例性特征的示例性时间曲线图。

图4B是用于另一示例性特征的另一时间序列曲线图。

图4C是用于图4A和4B所示的时间序列曲线的散点图。

图5是在三维中的映射的一组提取特征的示意图。

图6是用于监测和显示振动焊接过程中的焊接质量的示例性方法的流程图。

图7是作为图6所示方法一部分的离线学习的流程图。

图8是用于形成作为图7方法的一部分的规则矩阵的方法的流程图。

图9是用于图1的焊接系统的示例性功率曲线。

具体实施方式

参见附图，其中几幅图中相同的附图标记指示相同部件，示例性振动焊接系统11示意性地显示在图1中。振动焊接系统11包括焊接组件12和监测系统13。监测系统13采用二元分类方法，其在下文被称为箱式空穴方法（box-void method）100，以将焊接部分类成两个质量状态中的一个，例如1或0、好的或坏的、通过或失败等。二元分类方法的例子参考图4A-9在下文详细描述。

在方法100执行过程中，以及分别与图7和8所示的相关的子过程150和200中，硬件部件处理经记录的代码，以便自动地且快速识别感兴趣的特征，下文简单地称为“特征”，其可用于实时过程监视，且还对每一个识别的特征设置允许的极限。本方法也可以被用于自动地识别特征本身。使用监测系统13可以通过基本上消除振动焊接过程期间“假通过”（即坏的样品被不正确地确定为是好的）的情况（即错误接受或第二类统计错误）而改善生产质量。方法100还通过具有低的第一类错误（即假警报）率而改善生产效率，在第一类错误率更低时有更少的手动检查。即在统计假设测试中，存在两个明确确定的项:第一类错误和第二类错误。这些项分别是指在真的零假设被不正确地拒绝（第一类错误）和未能拒绝假的零假设（第二类错误）时造成的两类错误。方法100减少在已完成组件中直接手动检查或挑选每个焊接部的需要。本领域技术人员应理解方法100可以用于将任何一组未处理项分成两个类中的一个。出于说明的一致性，在下文中使用图1的焊接系统11的例子。

焊接组件12包括超声波发生器/焊头14和焊接砧16，以及如下所述的其他焊接工具和部件。监测系统13配置为监测通过功率供应/焊接控制器20提供和/或通过一个或多个传感器25测量的各种控制信号，所述传感器相对于焊接设备12定位。监测系统13可联机且实时地预测焊接组件12是否已经制造了客观上通过/好的焊接部或不能令人满意的或令人怀疑的坏的/可疑焊接部。可疑焊接部随后经历直接的生产线终点检查，例如手动挑选或其他直接或间接的焊接测试，以查证任何不能令人满意的/坏的焊接部的存在和将其隔离。任何经证实的坏的焊接部可以可选地被标记且被照相，如下文参考图3所述的。来自坏的焊接部的数据可被反馈到本文所述的学习机140，以改善监测系统13性能。

如本领域普通技术人员所理解的，用于振动焊接的焊接控制器/功率供应（例如图1的焊接控制器20）可以电连接到合适的能量源，通常是50-60Hz的墙壁插座。焊接控制器20可以包括例如电压整流器、变压器、功率逆变器和/或无论源功率形式如何将源功率最终转变为振动控制信号（箭头24）的其他硬件。控制信号（箭头24）最终命令预定波形特性（一个或多个），例如具有大约20kHz到大约40kHz频率或更高的周期信号，这取决于具体的焊接应用。其他过程信息可以被包括在控制信号中（箭头24），包括但不限于功率轨迹、焊头14的位移、振动频率、触发器信号、参数极限警报、焊接控制器故障信息等，如本领域已知的。

仍然参见图1，焊接系统11可以包括转换器22，其具有足以用于响应于控制信号（箭头24）产生焊头14的机械振动的机械结构。焊头14通常包括隆起图案21，通常是突起和/或突脊，其适用于在工件30被夹紧在焊头14和砧16之间时抓持和保持工件30。砧16通常包括相似的隆起图案23。图1的焊接系统11也可以包括增幅器18，即放大器，其按照需要增加从焊接控制器20而来的任何命令的机械振动的幅度。

在图1的监视系统13中，主机40接收从传感器25而来的各种信号，所述传感器相对于焊接组件12定位。主机40的具体功能和结构参考图3如后文详述。通常，主机40实施为与焊接控制器20电通讯的一个或多个计算机装置。经由控制信号（箭头24）的接收，主机40被连续地报告由焊接控制器20传递到焊头14的任何波形的即时值，以及被焊接控制器20得知或焊接控制器20内部的其他值。

传感器（一个或多个）25相对于来自焊接控制器20的内部产生的控制信号（箭头24）来说是“外部的”，且因此传感器25在下文称为外部传感器25。图1所示的主机40由此从外部传感器25接收一组外部信号（箭头28）和从焊接控制器20接收内部的控制信号（箭头24）。主机40随后处理这些信号（箭头24、28）作为箱式空穴方法100的执行的一部分，以实时地预测形成的焊接部的质量。预测的焊接部质量可以被作为输出值（箭头26）提供到可选的状态投影机50，因此给定焊接部的预测的质量可以视觉地示出，例如经由直接在工件30上投射光束。

参见图2，在非限制性的实施例中，图1所示的工件30可以配置为是多电芯的电池模块130，电池模块具有细长的导电互连构件45。出于说明性的方便，仅一部分电池模块130被显示，但是电池模块130作为一个整体可以包括在一行或多行中并排布置的一系列扩展出的互连构件45。每一个互连构件45将邻近电池电芯的相反电性的电池单元接片34、134连接，电池单元接片34、134形成给定电池电芯的专用电极延伸部。

每一个电芯接片34、134是电池模块130的互相连接板29下方在内部焊接到各个构成具体电池电芯的阴极或阳极，如本领域技术人员所理解的。多个电池模块130可以布置为形成用于为车辆或其他相对高功率应用中的牵引电动机提供功率的类型的完整电池组。互连构件45可以包括合适的导电材料，例如铜和/或铝，或至少部分包括地镍，以形成用于完成电路的导电轨道。每一个互连构件45定位为邻近电池模块130的互相连接板29，或与之整体地形成。

从互相连接板29延伸的电池电芯接片34、134可以超声焊接到给定互连构件45的纵向侧壁49，在每一个互连构件45处形成基本上相同的焊接部42，所述互连构件用于构造总的电池模块130。许多向外的相同的焊接部42（例如，在一系列基本上相同的互连构件45上）是可以使用系统11被有效地监测的结构特征。

参见图3，更详细地描述图1的本监视系统13。监视系统13可以用于预测工件230中的焊接质量，例如具有向外的相同焊接部的扩展焊接部系列142的多电芯电池组的焊接质量。主机40可以包括微处理器或CPU 47和有形、非瞬时性存储装置48。存储装置48可以包括任何所需的只读存储器（ROM）、闪存、光学和/或其他非瞬时存储器。主机40也可以包括瞬时性存储器，例如任何所需的随机访问存储器（RAM）、电可编程只读存储器（EPROM）等。

主机40也可以包括额外的电路，例如高速时钟（未示出）、模拟-数字电路、数字-模拟电路、数字信号处理器和必要的输入/输出装置及其他信号调节和/或缓冲电路。主机40由此提供来自存储装置48、实现该箱式空穴方法100的过程指令所需要的必要的硬件部件。

图3的主机40可以分别从焊接控制器20接收控制信号（箭头24）和从外部传感器25、125和225接收其他信号（箭头28、128、228）。作为一部分控制信号（箭头24），焊接控制器20可以提供一定的数据，该数据可以被主机40和/或学习机140使用以确定历史信息，例如随时间的焊接功率、随时间的焊接频率和其他可能的波形或值，以及峰值、斜率、面积、面积比例、移动平均值等。

在示例性实施例中，一个外部传感器25可以配置为听觉传感器，例如定位为直接接触焊接工具表面的扩音器或声发射传感器，该焊接工具诸如图1的焊头14。外部传感器（一个或多个）25可以测量图1的振动焊头14随时间的声学频率，该值被主机40使用作为基础信号，从该基础信号可以提取和模拟特征。另一示例性外部传感器125可以测量图1的焊头14随时间的变化的线性位移。又一示例性外部传感器225可以用于检测任何其他所需的值，例如变化的焊接温度和/或其他环境信息，例如可能影响焊接质量的相对湿度。每一个外部传感器25、125、225可以包括一个或多个如上所述的专用传感器。

图3示意性地示出的主机40可以包括用于实时监测可重复过程的任何计算机装置的经记录特征库41，即之前识别的特征和其边界的经记录数据库，如在箱式空穴方法100的离线学习部分中限定的。最初一组“候选”特征可以提供到主机40，例如经提取的、经计算的或以其他方式离线获得的。例如作为从焊接控制器20和/或从各个外部传感器25、125或225提供的基础功率、频率、位移和/或声学信号的函数进行推导。特征可以经由如下文所述的方法100和子过程150和200的执行而被映射，和/或一些或所有提取特征可以可选地组合，以便形成其他候选特征，如果被选择作为最佳的特征则所述候选特征可用于限定用于在监视过程中使用的箱式空穴。

一些非限制性的示例性候选特征包括总焊接能量，即在从焊接控制器20命令的主焊接频率或功率曲线下方的面积。其他候选特征可以包括形成焊接序列142中的给定焊接部的逝去时间、峰值功率、上升时间、等变率或甚至相关数据，例如在参考信号和焊接信号之间的相关数据。任何数量的期望特征可以被识别或提取且随后用在实时过程监测中，而不脱离本发明的范围。然而，如下所述，增加数量的特征形成具有更大维度空间的箱式空穴，由此需要更多的处理力。

图3所示的主机40也可以包括映射模块43。映射模块43（其可以存在于单独的/离线计算机装置（下文称为学习机140））包括计算机可执行的指令，该指令可经由CPU47执行，用于识别最好的/最佳的候选特征子组，所述候选特征子组最准确地预测好的焊接部或其他感兴趣的项。映射模块43也可以确定用于任何监视特征的合适的上限和/或下限。用于此的一个可行方法参考图8在下文描述。

图1的监测系统13可以包括显示器59和如上所述的状态投影机50。状态投影机50通过可选地照射任何可疑焊接部与主机40和工件230相互作用，如通过箭头52示出的。例如，状态投影机50可以可选地使得好的焊接部高亮。这种高亮可以在焊接部形成时直接地在焊接部本身上或在工件230的另一表面上执行，该表面例如邻近焊接部，诸如在互连构件45上。

参见图4A和4B，针对两个不同特征F1和F2显示了示例性的时间顺序曲线，时间在水平轴线上显示且特征（例如幅度、温度、倾斜度等）的值在垂直轴线上显示。在示例性实施例中，主机40或学习机140接收或自动地提取最初的一组（n）候选特征且随后将较小的特征子组（m）映射至维度空间，或替换地将确定为一个或多个候选特征的函数的特征标示至维度空间，该维度空间具有划分出的通过/可疑边界。这在图4C中显示。主机40随后从最终映射的箱式空穴空穴实时预测焊接部的焊接质量。

在本箱式空穴空穴方法100中限定空穴的“箱体”是具有具体形状和取向的正型（orthotype）。箱体的侧部平行于或正交于标准直角坐标系的轴线，例如两轴线坐标系中的x和y轴线。相当地，箱体的侧部对准标准正交轴线。在二维中，箱体为长方形而在三维中箱体是矩形平行六面体，且在两种情况下侧部与标准正交轴线对准。由此，如本文使用的术语“箱体”是指任何侧边对准标准正交轴线的正型。

主机40和/或学习机140如上所述执行所有或部分箱式空穴方法100，以确定维度空间或最大的“箱式空穴”，其包括大部分好的焊接部且不包括所有或基本上所有（例如至少90%）坏的焊接部。一旦空穴已经限定，空穴的尺寸可以经由主机40或学习机140调整，以便增加用于检测坏的焊接部的安全边界，且以由此确保低的或零第二类错误率。例如，主机40和/或学习机140可以被编程，用于将特征上的极限紧缩和/或增加特征的数量，这会造成第一类错误率的轻微增加，但仍可提供可接受的结果。替换地，空穴的尺寸可以增加，以允许一定量的第二类错误，同时进一步减少第一类错误率，例如通过放宽特征上的极限和/或通过减少被监测的特征的数量。在一个实施例中，调整可以被确定为是错误率的函数。

本方法100可用于识别用于在随后的可重复过程监测（即以相同的序列和方式、重复地执行的过程）中使用的特征，且由此使其本身适合于二元分类。方法100的一些方面可用于在每一个识别的特征上设定相应的极限。限定箱式空穴的维度的数量不大于候选特征的数量，且通常是小得多的数量。

例如，图4A显示了示例性数据点的集合，每一个数据点代表确定的特征的测量值，例如峰值功率测量值。数据点a-g对应于为真的二元状态1，该状态或二元分类在图4A-C以空的圆显示。组0二元状态是全部未标出的点。在特征极限以外的任何点被认为是“没有通过”测试。真实状态可以离线确定，例如经由物理检查和确认。学习机140必须被提供每一个项的真实状态。

特征F1（通过其边界正确地检测五个组1项，即a、b、d、e和g，但是未正确地检测两个项，即项c和f。图4B显示了用于不同特征（例如上升时间）示例性标准化数据点的另一集合，具有不同的一组相应极限。这里，特征F2正确地识别四组1项，即b、c、e、和f，但是未正确地识别其余组1项a、d和g。

图4C将图4A和4B的时间序列图的信息组合为使用本箱式空穴方法100的散点图。图1和3的主机40或学习机140自动地限定箱体171，其不包括所有失败数据点a-f。以这种方式，形成箱体171（不含有组1点），即“箱式空穴”。应注意箱体维度的数量等于该例子中特征的数量。所有七个组1点都不包括在该空穴中。

箱式空穴方法

本方法以两个阶段执行:可以经由学习机140离线地进行的箱式空穴学习，和在可重复过程期间实时地发生的箱式空穴执行。假设对于N个项（例如焊接部）中的每一个，观察多个信号，从所述信号提取n个候选特征。每一个项都处在两个状态或组中的一个中，例如0和1，项的真实状态是已知的。方法100的目标是从所述信息（其可用于预测未来项的状态）推断分类方法或规则，已观察到所述未来的特征值但未观察到其状态。

本文使用的“规则”被记录在规则矩阵中，其中行（其每一个对应于特征中的一个）包含下边界和/上边界，所述边界用于预测项的状态。对于规则中任何特征具有小于或等于下边界或大于或等于上边界的值的项被认为是处在具有标签1的状态或二元分类中。否则，项处于具有标签0的二元分类中。

术语F代表特征矩阵，且可以限定为对于N个感兴趣项（例如各焊接部）中的每一个的n个候选特征的Nxn矩阵，且l是已知状态（0或1）的相应的N矢量。因此，F的第j列包含第j特征的数据。本箱式空穴方法100可以使用特征矩阵，F，和已知状态，l，以通过找出特征和相应的边界的子集而形成规则矩阵。方法100基于这样的假设运转：大百分比的项处在0的二元状态，且1的二元状态下的项将在一定的特征分布中将其自身识别为离群值。由此，方法100的目标是找到那些特征和用于那些特征的相应的边界，即通过迭代地找出对于其状态1的项是最离群的特征和边界来实现该目标。

例如，为了对给定的数据组完成该目标，组1顺序序列被限定为具有相同的标签1的顺序值的子组，其紧前方为具有标签0的数据或没有数据，且由具有标签0的数据立刻接续或不接续有数据。考虑下列的数据组A、B和C:

在数据组A中，{3，6}是顺序序列。在数据组B中，{1}是第一组1顺序序列且{6，20}是最后的组1顺序序列。应注意在数据组C中，值3具有两个标签且其是组1顺序序列{3，6，20}的一部分。箱式空穴方法100的执行所基于的统计学原理进一步参考图8的流程图在下文详述。

参见图5，示例性m维空间60显示为使用图3示意性地示出的映射模块43经由上述箱式空穴方法100产生的输出的简化示例性实施例。该具体例子显示了可能的三维空间（m=3）。各数据点70被绘制，每一个数据点70代表形成的焊接部。这里，三个特征用于形成三维空间。如上所述，n个候选特征可用于产生较小的m维空间。因此，可以在提取特征的个数和导致的通过映射模块43和CPU47进行的处理步骤的复杂性之间进行折中。图5所示的每一个维度/轴线x、y和z对应于单独的特征，其中给定数据点70的位置通过其相对于每一个轴轴线的位置描述。对这些具体的标示符没有赋予其他空间意义。还有，示例性的空穴形状是非限制性的。

对应于给定焊接部的特征组的数据点70通过图3的映射模块43被映射到维度空间，例如空间60。由此，图5的3D空间例子中的每一个数据点70通过同一图中三特征的例子中的三元组[x,y，z]限定。使用用于额外的轴线的任意指定，四轴线的例子可通过组[x,y,z,q]限定，诸如此类。图3的映射模块43可以访问经记录的特征库41、存储装置48中存储的信息，和/或可以以其他方式确定用于每一个特征的校准极限。上限/下限限定维度空间60的边界（例如立方体71）或在其他实施例中限定出分别映射比三个特征更少/更多的特征的更复杂/更不复杂的几何形状。还可能的是每一个特征仅沿一个方向有界，例如只有下限没有上限，或相反。

图3的主机40和/或学习机140也可以包括如上简略地所述的训练库44。可以训练学习机140，以通过预加载之前校验的好的和可疑的数据点70（见图4）来识别出好的和可疑的焊接部。这些数据点70还可用于设定映射模块43使用的维度空间的边界。特征库41可以将图5的所有数据点70，或仅这些点中的一些包括在训练库44中。例如，如果一些数据点70的相应焊接质量不是已知的，但是在给定充分数量的额外的相似的样品的情况下可能在时间上是可知的，则具有未知质量的数据点70可以继续存在于训练库44中一些时间直到它们被验证。一旦被验证，则训练库44中新的数据点70可以用于更新维度空间的边界。

图3所示的监测系统13也可以包括质量预测模块46。质量预测模块46可以实施为一组计算机可执行的指令，记录在存储装置48中且经由CPU47可执行，用于将给定数据点70的位置与维度空间（例如图5的示例性立方体71）的极限或边界比较。如果数据点70位于立方体71以外，图3的质量预测模块46可以将这些数据点70指定为对应于可疑焊接部。同样，如果数据点70位于图5的立方体71中，例如在数据点72的情况下，质量预测模块46可以将该数据点70指定为对应于好的焊接部。

如本领域所理解的，存在各种追踪技术，其能在部件运动通过各个生产阶段时确认和跟踪它，例如RFID标签，从而图1和3的主机40可以被告知当前正被形成的具体焊接部的标识。这允许每一个焊接部的好的/可疑状态被准确地跟踪而不管该具体焊接部形成之前或之后形成的焊接部的数量。

如上所述，主机40传递预测的质量输出值（箭头26），其捕获焊接部的状态作为随时间的0或1的判定的集合。这种值可以通过如上所述的质量预测模块46输出。输出值（箭头26）可以传递到可编程逻辑控制器（PLC）58，好的/可疑的状态可经由相关的人机界面（HMI）17由生产操作人员实时地看见或捕获和记录在数据库32中。PLC58与主机40是双向通信的，例如经由数据总线（未示出）。HMI17可以是接触屏显示器，以便有助于用户直接与主机40、状态投影机50、显示器59和/或执行影像处理指令101的摄像头80相互作用，且该摄像头80经由总线36与主机40通信或以其他方式与数据库32通信。

出于简单的目的，图3的数据库32显示为是单个装置。然而，数据库32可以实现为分布式数据库管理系统。例如，数据库32可以实施为数据服务器，其存储来自外部传感器阵列25、125、225和/或焊接控制器20的校准数量的信号文件、数据获得/DAQ数据库、含有元数据和用于校准时间段的质量数据的的结构化查询库/SQL数据库等。数据库32中的任何数据可以通过主机40提取，如双箭头39所示的。

图3中的主机40也可以输出值26状态到状态投影机50和PLC 58。如上所述，一定类型的工件，例如图3示意性地示出的装配好的电池模块230包括冗长的一系列向外的相同的焊接部。它们共同示出为焊接部系列142。焊接部系列142中的每一个焊接部通常在焊接部形成之后在人力挑选过程中被手动地检查，其中通过挑选工具物理地拉动或戳刺各个焊接部以对焊接部赋予应力且由此直接地验证焊接质量。状态投影机50的使用可以有助于使得时间消耗量和手动地挑选电池模块230中焊接部的人机应力最小化，且可以有助于或加快仍然发生的可疑焊接部的最低限度的挑选。

具体说，状态投影机50包括处理器55。投影机50使用一个或多个光束（箭头52）通过将光束（箭头52）投射到表面上（例如工件230上或附近或焊接部系列142中可疑焊接部上或附近）从而显示状态信息。状态投影机50可以被实施为常规的光投影机，或激光投影机，其投射可见光或其他波长光的集中或平行的光束，如下所述。

处理器55从PLC 58和/或从主机40接收输出值（箭头26）。输出值（箭头26）可以包括相关的识别信息（例如电池模块230的序列号）和识别焊接部序列142中每一个焊接部的信息。处理器55随后对焊接部或在焊接部附近投射光束（一个或多个)(箭头52）。可选地，显示器59可以被置为与PLC58通信且相对于工件230定位，经由显示器59呈现从PLC58而来的文本或其他信息（箭头62），例如焊接状态、工件230的序列号、警告信息、状态信息等。

例如，光束（箭头52）可以被投射到图2的示例性互连构件45的一部分上，或投射到被视为可疑的焊接部42上。状态投影机50在配置为是可选的激光投影机时可以使用红色/绿色/蓝色（RGB）激光投影机，以投射表明可疑焊接部的具体颜色的激光，或是具有切换颜色滤光器的气体激光器。光束的颜色应与光束52所射向的材料形成足够的对比，其中可选的光束混合（箭头52）可允许使用例如黄色、紫红色、蓝绿色等颜色。

以这种方式使用光束（箭头52），生产线操作员可视觉上辨认可疑焊接部。可以想到其他实施例，例如用萤光层涂布工件表面，例如图2的互连构件45，和使用紫外光而不是可见光作为光束（箭头52）。可见光随后从被照射的表面发出，类似于某些平视显示（HUD）系统那样。

本方法100的例子在图6中示出，用于可重复过程中感兴趣项的二元分类，例如振动焊接过程期间的本文所述的的示例性焊接部。方法100可以被实施为计算机可执行的指令，其通过图3的主机40和/或学习机140和监测系统13的其他部件执行，主机40最终监测经焊接的组件（例如图2的示例性电池模块130）中的焊接质量。

以步骤102开始，主机40和/或学习机140处理图1的控制信号（箭头24）和外部信号（箭头28）。步骤102实现如上所述的箱式空穴方法的学习方面的执行。箱式空穴方法的细节参考图7和8在下文更详细描述。

简要参见图7，图3的学习机140可执行学习子过程150，作为步骤102的一部分。在学习机140不被使用时，主机40可以在可重复过程不执行时为了学习的目的使用。尽管图7顺序地显示了特征选择、规则判断和性能评估的步骤，但是实践中这些步骤连在一起。即性能可以影响选择，这在本领域中是已知的且被称为“封装器方法（wrapper method）”。

第一外部传感器25（为了清楚其在图7中被标记为S₁）一直到第S个传感器S_n将信号馈送到图3的学习机140。F_e（特征提取）涉及从接收的信号提取特征和针对合适的例如时间这样的索引绘制特征，例如图4A-4B所示的。

特征选择（F_s）包括m个特征的选择，所述特征具有相对其他候选值的最适宜的预测价值。给定具有足够数量的n个候选特征的特征组，学习机140可识别最准确地对应于失败焊接部的m个特征。所有其他特征可被抛弃。例如，如果数据显示了给定焊接部通过或失败而不管具体特征的值任何变化，则该特征几乎没有预测价值。然而，如果坏的焊接部主要在特定的特征相对于一范围变化时产生，则该具体特征可能具有足够的预测价值。

规则判断（Rd）包括确定应用哪个规则，包括构建箱式空穴，例如图4C的箱体171。一旦箱式空穴产生，则学习机140评估性能评估（Pe）步骤期间的箱体的性能。

步骤P_e可以包含测试箱式空穴对样品焊接部的预测值，即不在学习过程中使用的一组相关数据。对该数据应用规则实现了对规则在新的数据上的实际性能的更真实的评估。如果在步骤V验证，则限定的箱式空穴可以记录在可通过图3的主机40在步骤（*）访问的存储器中，且经记录的箱式空穴可以随后在可重复过程的在线监测中使用。否则，在步骤（**）可以采取一些补救的动作，例如评估学习数据组是否与过程的当前状态相关。

在使用图7的子过程150时，子过程150的一次迭代考虑所有候选特征，其中“最好的”特征/尾部（feature/tail）组合用于更新规则。因此，在每一迭代中特征被选择且一部分规则被确定。规则随后被应用到训练数据，且在当前空穴外部的点从训练组中去除。在最终形成的数据组不含有组1项时，规则完成。规则可以按照需要调整以允许少量的组1项，例如不大于约百分之10。这也可以经由主机40实时地发生，作为第一类和/或第二类错误率的函数。否则，规则是不完全的且启动另一迭代。一旦特征在迭代结束时被添加到规则，则其保持在规则中，但边界可能变化。一旦规则矩阵已经确定，则图6的方法100以步骤104继续。

在图6的步骤104，开始焊接或其他过程。从步骤102限定的箱式空穴用于预测焊接部或其他感兴趣项的质量状态，落入箱式空穴中的数据点被预测为是好的（状态0）。

在可选步骤106，预测的状态可以使用状态投影机50可选地显示在工件的焊接部上或附近，例如直接地从上方投射光束（箭头52）到焊接部上或投射到图2所示的互连构件45的一部分上。光束（箭头52）可被用于直接地视觉上加亮或表明焊接部42上可疑焊接部42的位置，或其邻近的位置。方法100随后前进到步骤18。

在可选步骤108，检查员可以手动地挑选焊接部42，在步骤108所述焊接部被表示为是可疑的。检查员随后可以记录实际不令人满意/坏的焊接部42的位置，如作为步骤108的一部分或通过前进到可选步骤110。

在可选步骤110，检查员可以物理地标志出从步骤110确认的坏的焊接部。步骤112可以物理地放置标签、压印、涂漆或任何其他合适的标志。标记物可以被放置在经确认的不令人满意的焊接部上或邻近其放置。因为焊接部位置的准确辨识是必要的，所以在步骤112使用的标记物应以这样的方式设计，使得放置的标记物的位置可经由摄像头80和影像处理指令101的执行而被容易地且准确地确定，甚至在变化的照明条件下也可以。同样，工件（例如电池部分）应该被一致地位于摄像头80的视野中（箭头53），以确保焊接部的位置准确地确定。替换地，额外的视觉定位特征可被添加到电池部分，以使得所述部分的定位对于影像处理指令101更准确。方法100随后前进到可选步骤112。

在可选步骤112，图3的摄像头80可以用于通过执行指令101而对任何标记的坏的焊接部42成像。经确认的坏焊接部的捕获影像可通过执行指令101而被处理。处理可以包括在工件中或工件上识别每一个经确认的坏焊接部的位置，例如通过将成像的标记物的位置与基准/校准的影像比较，或使用其他位置或图案辨识技术。不能令人满意的焊接部的位置可以记录在数据库32中，以用于在随后的修理操作中被维修技师使用。

维修技师可以被限制为仅对不令人满意的焊接部更新维修状态。例如，PLC58的HMI17或另一HMI可以显示这些焊接部的不令人满意的焊接部的位置和/或这些焊接部的图像而不是显示所有的焊接部，和让技术员从所有焊接部的列表中选取。在焊接部系列142中的焊接部的数量一定时，将数据输入仅限制至确定的不令人满意的焊接部可以减少错误，例如通过从全局目录中选择错误的焊接部位置。如果其他位置要求数据输入，则可以将警告消息发送给维修人员，要求手动确认位置。

可以通过PLC58进行通信，以识别具体焊接部42何时已经被识别为需要修理。HMI17上或其他显示器上显示的任何这样的影像应该被设置为HMI17的接触屏上的按钮和图像中焊接部的位置的恰当地对应。这种对齐可有助于确保投影机50的影像处理软件或另外的装置可确认检查员/维修人员在坏的焊接部上输入数据时选择正确的焊接部位置。

实施

参见图8，子过程200提供了一个可执行图7的规则判断（步骤Rd）的方式。子过程200针对每一个候选特征找出尾部（tail）和边界（一个或多个），其优化准则函数，该准则函数继而量化兴趣项的特征和尾部对于项分类的适宜性，该项分类诸如将焊接部二元分类为好的（1）或坏的（0）状态。用于特征的该信息由（j,k，b,m）捕获，其中列j是用于第j特征的数据矩阵F的索引，对于下尾部k=1而对于上尾部k=2，b是相应的边界，且M是品质因素（figure of merit），即准则函数的值。相似的实体存储用于具有当前最佳品质因素的品质因素和尾部的信息。

以步骤201开始，图3的学习机140初始化。作为步骤201的一部分，j的值设定为0。规则矩阵是空的。当前的最佳特征（其由（j,k,b,M）描述）也是空的。在步骤201完成时子过程200前进到步骤203。

在步骤203，学习机140将项的数（n0）以标签0计数，同样将项的数（n1）以标签1计数。一旦该步骤被完成，则子过程200前进到步骤205。

步骤205实现步骤203的结果是否为n1=0的判断。若如此，则对于该特征规则是已知的，且过程完成。如果n1≠0，则子过程200前进到步骤207。

在步骤207，学习机140将j（即F的列索引）增加1，且前进到步骤209。

在步骤209，学习机140接下来将第j特征的数据从最小到最大进行整理，且同时沿用每个数据点的标签0或1，随后前进到步骤211。

步骤211包括经由学习机140确定或识别来自步骤209的整理后的第j特征的第一和最后的组1顺序序列。一旦这些有序的排列已经被识别则子过程200前进到步骤213。

步骤213包括找出来自步骤211的第一组1顺序序列的最后一个值和下一个邻接值之间的中点。该步骤限定了用于分布中下尾部的截断值或边界b_L。类似地，主机40可找出最后的组1顺序序列的第一个值和此前的邻接值之间的中点。其限定了用于分布中的上尾部的截断值或边界b_U。子过程200随后前进到步骤215。

在步骤215，学习机140接下来计算以下项:

n_1,L=#{x_i≤b_L,l_i=1}  n_0,L=#{x_i>b_L,l_i=0}

n_1,U=#(x_i>b_U,l_i=1}   n_0,U=#{x_i<b_U,l_i=0}

其中数（#）是小于或等于下边界b_L的x_i的数。

在完成步骤215之后，学习机140在步骤217计算用于分布的每一个尾部的品质因素。一个可能的品质因素是尾部中组1的点的比例与其余的分布中组0点的比例的乘积。由此，用于下尾部，且

用于上尾部。在该例子，比例越大越好。子过程200随后前进到步骤219。

在步骤219，对于特征j，学习机140保持具有更大品质因素的尾部和边界。即，如果m_L≥m_U，则保持（j,1,b_L,m_L）。或者，学习机140保持（j，2，b_U，m_U）。

在步骤221，学习机140接下来确定来自步骤219的特征j的品质因素是否超过当前最佳品质因素。若如此，则子过程200在在步骤223保存来自步骤219的值。否则，子过程200前进到步骤227。

在步骤227，学习机140考虑所有特征是否已经被认为是j＝n。若如此，子过程200前进到步骤229。否则，子过程200返回步骤207。

在步骤229，学习机140将当前“最佳”特征添加到规则矩阵，即如果特征对于规则来说是新的，则将b值放入规则矩阵中对应于第j特征的行的列k，或如果特征已经在规则矩阵中则覆盖以前的值。另外，学习机140从F去除对应于具有规则给定的极限以外的特征值的数据的所有行，且还从l去除相应的元素。j随后被设定为0，且子过程200返回到步骤203。

如上所述，本方法可用于将焊接部实时地分类为一个二元状态或另一二元状态。箱式空穴方法100自动地确定最佳特征，其在一个实施例中可以从一组已知特征确定。例如，图3的学习机140可以被提供特征F1-F5，且学习机140可使用图8的子过程200来识别相对于其他的而具有最佳预测值的那些特征。

参见图9，如本领域技术人员在阅读以上内容可理解的，本方法还用于从一个或多个候选特征识别特征。例如，功率曲线82被显示为在焊接部形成期间随时间（t）改变的焊接功率（P）的曲线。每一个焊接部具有相关的功率曲线，焊接部在短的持续时间中形成，也许是0.5s。在该功率曲线82中，时间中的每一个点具有功率曲线82上的相应值。功率曲线82具有点85处的峰值P_M，大约在t=4处，和在点86处的局部最小值（P_LM），其发生在大约t=6处。

尽管可识别例如限定为t=3处的点87的特征，但是要使用的特征的选择可由主机40使用子过程200而做出。人工选择可能是任意的，例如对应于峰值功率的点85。这种值通常用在常规的闭环临界比较控制方法中，例如通过将峰值值（P_M）与最大和最小容许值比较。然而，在本文中可理解为点85和其他的点一样不可预测最终的焊接质量。同样，可手动地选择t=1和t=2之间的斜率83作为特征。事实上，点t=4和t=5之间的斜率84可以对最终质量更具预测性。

由此，箱式空穴方法100的规则判断功能可用于扫描图9中的功率曲线82的每个点，或每个斜率，为了该例子中最佳点和/或斜率。一旦被识别，则这些点和/或倾斜度可以用作候选特征。方法与学习机140的相同。对于如上所述的方法100唯一必要的改动是配置学习机140以接收指令，以将特定的值（例如但不限于图9的示例性功率曲线82）分解成为尽可能多的不同的子组分。对于大部分来说，该可选方法的极限在于可用时间和处理力的极限。可将其他值用于寻找候选特征，例如在可能点的不同组合之间的曲线下方的面积。

如上所述的箱式空穴方法100并不限于用在焊接中。以二元的方式可测量和可以量化的任何项的质量可如本文所述的评估。例子包括任何系统部件的健康情况，无论是无生命的或是有生命的，只要被监测的系统的功能或处理是可重复的。

尽管已经对执行本发明的较佳模式进行了详尽的描述，但是本领域技术人员可得知在所附的权利要求的范围内的用来实施本发明的许多替换设计和实施例。

Claims (10)

1.一种系统，包括:

主机和学习机，其各自具有相应的处理器，其中所述处理器和至少一个传感器电连通;和

有形、非瞬时存储器，其上记录用于预测可重复过程中感兴趣项的二元质量状态的指令，其中二元质量状态包括通过二元分类和失败二元分类，且其中所述学习机配置为经由所述处理器执行指令以由此:

从所述至少一个传感器接收信号;

识别一组候选特征作为接收信号的函数;

从该组候选特征提取多个特征，其每一个相对于该组候选特征中的其他特征对二元质量状态更具预测性。

将提取的特征映射到具有一些维度的维度空间，维度的数量与提取的特征的数量成比例，其中所述维度空间包括来自通过二元分类大部分感兴趣项，且不包括来自失败二元分类的至少百分之90的感兴趣项;和

在所述存储器中记录该维度空间;

其中所述主机被配置为在所述可重复过程中将用于随后的感兴趣项的接收信号与记录的维度空间边界比较，以由此实时地预测随后的感兴趣项的二元质量状态。

2.如权利要求1所述的系统，进一步包括与所述主机通信的状态投影机，其中所述主机配置为通过启动该状态投影机而直接地在所述感兴趣项上表明预测的二元质量状态。

3.如权利要求1所述的系统，其中所述感兴趣项是焊接部，且所述可重复过程是振动焊接过程。

4.如权利要求1所述的系统，其中所述学习机进一步配置为自动地形成具有多个行的规则矩阵，其中为提取的多个特征中的每一个指定该规则矩阵的一行，且其中所述规则矩阵为所述矩阵中的每一行限定上边界和下边界中的至少一个。

5.如权利要求1所述的系统，其中所述学习机配置为通过为每一个提取的特征找出尾部和边界而映射所述提取的特征，所述尾部和边界使得准则函数最优化，该准则函数量化提取的特征和尾部对于分类成通过二元分类和失败二元分类中的一个的适宜性。

6.一种方法，包括:

经由学习机从一组感测和控制信号获得一组候选特征;

经由所述学习机从该组候选特征提取多个特征，其中每一个提取的特征比其他候选特征对训练焊接部库中焊接部的已知质量更具预测性;

将提取的特征映射到具有一些维度的维度空间，维度的数量与提取的特征的数量成比例，其中所述维度空间包括来自通过二元分类的大部分感兴趣项，且不包括来自失败二元分类的至少百分之90的感兴趣项;

记录所述维度空间;

在振动焊接过程中经由主机从焊接控制器接收控制信号，其中所述控制信号使得焊接焊头以校准频率振动;

经由主机在所述振动焊接过程中实时地预测随后的焊接部的二元质量状态，包括使用传感器实时地测量所述提取的特征和将所述提取的特征与记录的所述维度空间的边界比较;

其中落入维度空间中和以外的提取的特征分别被标记为失败二元分类和通过二元分类。

7.如权利要求6所述的方法，进一步包括:

确定所述可重复过程中的错误率;和

作为所述错误率的函数自动地增加或减少所述维度空间的尺寸。

8.如权利要求6所述的方法，其中显示预测的二元质量状态包括将所述预测的二元质量状态经由状态投影机直接地标示在所述焊接部上，或邻近所述焊接部标示。

9.如权利要求6所述的方法，进一步包括经由所述学习机自动地形成和记录具有多行的规则矩阵，为每一个提取的特征指定一行，其中所述规则矩阵为所述矩阵中的每一行限定上边界和下边界中的至少一个。

10.如权利要求6所述的方法，其中映射所述提取的特征包括为每一个特征找出尾部和边界，所述尾部和边界使得准则函数最优化，该准则函数量化特征和尾部对于分类成通过二元分类和失败二元分类中的一个的适宜性。

Images