CN112683774B - 一种用于新能源汽车车身的自冲铆接质量检测装置和方法 - Google Patents
一种用于新能源汽车车身的自冲铆接质量检测装置和方法 Download PDFInfo
- Publication number
- CN112683774B CN112683774B CN202011397098.0A CN202011397098A CN112683774B CN 112683774 B CN112683774 B CN 112683774B CN 202011397098 A CN202011397098 A CN 202011397098A CN 112683774 B CN112683774 B CN 112683774B
- Authority
- CN
- China
- Prior art keywords
- riveting
- curve
- self
- type
- plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21J—FORGING; HAMMERING; PRESSING METAL; RIVETING; FORGE FURNACES
- B21J15/00—Riveting
- B21J15/02—Riveting procedures
- B21J15/025—Setting self-piercing rivets
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21J—FORGING; HAMMERING; PRESSING METAL; RIVETING; FORGE FURNACES
- B21J15/00—Riveting
- B21J15/10—Riveting machines
- B21J15/28—Control devices specially adapted to riveting machines not restricted to one of the preceding subgroups
- B21J15/285—Control devices specially adapted to riveting machines not restricted to one of the preceding subgroups for controlling the rivet upset cycle
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种用于新能源汽车车身的自冲铆接质量检测装置和方法,自冲铆接过程之前,在输入设备(2)上输入铆接类型,即铆接所用的铆钉、铆模和待连接的板材型号等特征;铆接过程中,在铆模(10)的引导下,步进电机(6)通过冲压将铆钉(7)充盈在第一、第二待连接板材之中,从而连接第一、第二待连接板材。此过程中,力传感器(5)和位移传感器(4)记录自冲铆接过程的冲压力和位移大小,检测设备(3)根据输入设备(2)的输入铆接类型特征,和力传感器(5)、位移传感器(4)记录的曲线特征,利用深度学习算法计算并在输出显示设备(1)上输出检测结果。该装置和方法检测准确度高,且可以适用于不同铆接类型的自冲铆接质量判定。
Description
技术领域
本发明涉及冷连接技术领域,一种用于新能源汽车车身的自冲铆接质量检测装置和方法。
背景技术
新能源汽车产业蓬勃发展,但续航能力差仍是新能源汽车的一个主要问题,目前的主要措施之一是在车身使用大量的轻金属和非金属材料,例如铝合金、镁合金以及强化塑料等板材,从而降低能耗。自冲铆接技术作为一种先进的冷连接技术,相比于传统焊接、螺钉螺母等连接技术,其生产周期短,工序简易。目前已经广泛应用于汽车车身轻金属和非金属材料的连接。
自冲铆接质量的检测对于保障汽车安全性能有重大意义。然而,自冲铆接质量的检测存在诸多难点,其主要是由于铆接的内部结构难以观测,使用电磁辐射、碳扫描等方法不能检测金属铆接结构;其次车身铆接类型多样,没有一套固定的检测模式可以适用于所有铆接类型,使得自冲铆接质量检测异常困难。现有的自冲铆接质量检测方法主要可以分为以下两种:
1)破坏式检测方法:该方法是一种铆接后线下检测的方法,包括破坏性力学试验和截面观察法。破坏性力学试验法是对铆接好的试件进行拉剪、剥离、疲劳试验以获得铆接接头强度,并与设计强度进行对比。截面观察法是对铆接街头截面的间隙大小、裂纹缺陷、底切量等形貌特征进行观察测量,以此评价铆接质量。上述方法虽然直观可靠,但是因为其采用破坏性的检测方法,导致效率低、检测成本高,无法实现100%检测。
2)力-位移曲线检测法:通过传统的统计学方法(如均值三倍方差方法),检测铆接过程中冲压载荷-位移(F-x)曲线来评价自冲铆接质量。该方法检测准确度低,且车身所用的铆接类型多样,仅仅观测F-x曲线常常无法准确判断自冲铆接质量是否为正常。
发明内容
随着自冲铆接技术的广泛应用,铆接质量检测异常困难的问题日渐突出,而现有的主流自冲铆接质量检测方法又存在明显缺陷。基于以上问题,本发明从自冲铆接过程出发,通过获取铆接过程的力-位移曲线来监测自冲铆接过程,提出了一种基于深度学习的自冲铆接质量检测方法,综合输入曲线特征和铆接类型特征,该方法可以适用于车身不同铆接类型的自冲铆接质量检测。
本发明采用的技术方案为:一种用于新能源汽车车身的自冲铆接质量检测装置,检测装置包括输出显示设备,输入设备,检测设备,位移传感器,力传感器,步进电机,铆钉,第一待连接板材,第二待连接板材和铆模;自冲铆接过程之前,在输入设备上输入铆接类型,即铆接所用的铆钉、铆模和待连接的板材型号等特征;铆接过程中,在铆模的引导下,步进电机通过冲压将铆钉充盈在第一待连接板材、第二待连接板材之中,从而连接第一待连接板材、第二待连接板材;铆接过程中,力传感器和位移传感器记录自冲铆接过程的冲压力和位移大小,检测设备根据输入设备的输入铆接类型特征,和力传感器、位移传感器记录的曲线特征,利用深度学习算法计算并在输出显示设备上输出检测结果。
一种用于新能源汽车车身的自冲铆接质量检测方法,利用所述的用于新能源汽车车身的自冲铆接质量检测装置,自冲铆接质量检测方法主要分为三个阶段,分别是数据采集,该阶段从自冲铆接过程中获得铆接过程力-位移曲线和铆接类型特征;数据预处理阶段将获得的自冲铆接类型特征进行筛选,并将不合格数据进行扩充;铆接质量检测根据力-位移曲线和筛选后的铆接类型特征作为深度学习算法的输入,输出检测结果。
本发明与现有技术相比的优点在于:
(1)本发明提出一个基于深度学习的自冲铆接质量检测方法和装置,该方法属于一个非破坏性的检测方法,而且,相比于传统统计学力-位移检测方法,本发明采用基于深度学习的智能检测方法,检测准确率高,周期时间短。
(2)相比于传统仅适用于单一铆接类型的力-位移检测方法,本发明将铆接类型特征和力-位移曲线特征一起作为深度学习检测算法的输入,使检测模型可以适用于新能源车身的不同铆接类型质量检测。
(3)对于实际生产中产生的数据集不合格产品少,合格产品多,从而影响深度学习检测方法准确度的问题,提出了一个基于变分自动编码器的深度生成模型,将不合数据进行扩充,从而保持了深度学习检测方法的高准确度。
附图说明
图1为自冲铆接质量检测装置;其中:1-输出显示设备,2-输入设备,3-检测设备,4-位移传感器,5-力传感器,6-步进电机,7-铆钉,8-第一待连接板材,9-第二待连接板材,10-铆模;
图2为自冲铆接质量检测流程;
图3为类型特征筛选示例;
图4为变分自动编码器扩充少数样本;
图5为基于一维卷积神经网络的铆接质量检测。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明提出一种用于新能源汽车车身的自冲铆接质量检测装置和方法,检测装置如图1所示,自冲铆接过程之前,在输入设备2上输入铆接类型,即铆接所用的铆钉7、铆模10和待连接的板材型号等特征;铆接过程中,在铆模10的引导下,步进电机6通过冲压将铆钉7充盈在第一待连接板材8、第二待连接板材9之中,从而连接第一待连接板材8、第二待连接板材9。此过程中,力传感器5和位移传感器4记录自冲铆接过程的冲压力和位移大小,检测设备3根据输入设备2的输入铆接类型特征,和力传感器5、位移传感器4记录的曲线特征,在输出显示设备1上输出检测结果。
如图2所示,自冲铆接质量检测流程主要分为三个阶段,分别是数据采集,该阶段从自冲铆接过程中获得铆接过程力-位移曲线和铆接类型特征;数据预处理阶段将获得的自冲铆接类型特征进行筛选,并将不合格数据进行扩充;铆接质量检测根据力-位移曲线和筛选后的铆接类型特征作为深度学习算法的输入,输出检测结果。下面将对每个阶段做出详细说明。
一种用于新能源汽车车身的自冲铆接质量检测方法,流程如下:
步骤一、数据采集:
1)曲线特征采集:自冲铆接过程,即在铆模的引导下通过步进电机冲压将铆钉充盈在板材之中,在步进电机上放置力和位移传感器,经过等距离采样,可以获得冲压过程中冲压力的大小变化曲线(采样256次)。
2)铆接类型特征采集了对铆接过程所用的铆钉、铆模和板材的描述的铆接类型特征,其中包含了如表1所示的共20种特征。
表1铆接类型特征
序号 | 特征 |
1 | 铆钉硬度 |
2 | 铆钉型号 |
3 | 铆钉直径 |
4 | 铆模型号 |
5 | 铆模直径 |
6 | 铆模深度 |
7 | Dome |
8 | Dome高度 |
9 | 上层板抗拉强度 |
10 | 第二层板抗拉强度 |
11 | 第三层板抗拉强度 |
12 | 第四层板抗拉强度 |
13 | 上层板屈服强度 |
14 | 第二层板屈服强度 |
15 | 第三层板屈服强度 |
16 | 第四层板屈服强度 |
17 | 上层板厚度 |
18 | 第二层板厚度 |
19 | 第三层板厚度 |
20 | 第四层板厚度 |
步骤二、数据预处理:
1)类型特征筛选
为使模型泛化能力更强,减少过拟合,对20个铆接类型特征进行筛选。本发明通过计算不同类型特征之间的互信息数,去除相关性很大的特征,互信息计算方法如式(1)所示。
其中,I(X,Y)是互信息数,表示特征X和Y间相关性;p(x,y)是联合分布;p(x)、p(y)是边缘分布。
如图3所示,将20个铆接类型特征两两代入上式计算,得到20阶对称互信息数方阵。找出相关性最大的两个特征(即找出矩阵中最大值对应的两个特征),分别比较这两个特征与其他特征相关性总和(即分别计算最大值所在的行和列的和),若行(列)的和最大,则删除行(列)对应的特征,降低方阵的阶次,重复上述步骤,直到剩余10种特征。
2)扩充不合格数据
由于收集到的不合格数据较少,本发明采用如图4所示的条件变分自动编码器对不合格数据进行扩充,以此增强训练效果。其中x1-256和分别是不合格数据的曲线特征和重构曲线特征,t1-10是曲线特征对应的类型特征。z1-2是隐含特征,μ1-2和σ1-2分别是隐含特征的均值和标准差。q(z|x)是编码器,根据曲线特征生成隐含特征。是生成器,根据类型特征和隐含特征生成重构曲线特征。
为使隐含特征z服从标准正态分布N(0,I),变分自动编码器的损失函数为:
其中是曲线特征和重构曲线特征之间的重构误差,KL(N(μ,σ),N(O,I))表示隐含特征z与标准正态分布N(0,I)的KL散度。采用随机梯度下降算法训练变分自动编码器后,根据标准正态分布随机采样生成的每一个隐含特征z和类型特征t,通过生成器,便可以生成一个对应的重构曲线特征从而扩充不合格数据。
步骤三、铆接质量预检测:
本发明采用一维卷积神经网络对自冲铆接质量进行检测,如图5所示,将256个曲线特征输入一维卷积层,得到1000个曲线隐含特征m1-1000,将筛选后的10个铆接类型特征与1000个曲线隐含特征m1-1000输入全连接网络层,利用全连接分类网络进行质量检测。和变分自动编码器一样,一维卷积神经网络采用随机梯度下降算法训练。
本发明使用实验室数据,包含256个曲线点和20个铆接类型特征,筛选出10个铆接类型特征,并且扩充了不合格样本后训练了我们的模型,测试达到了不低于90%的准确度。
Claims (1)
1.一种用于新能源汽车车身的自冲铆接质量检测方法,利用用于新能源汽车车身的自冲铆接质量检测装置,包括输出显示设备(1),输入设备(2),检测设备(3),位移传感器(4),力传感器(5),步进电机(6),铆钉(7),第一待连接板材(8),第二待连接板材(9)和铆模(10);自冲铆接过程之前,在输入设备(2)上输入铆接类型,即铆接所用的铆钉、铆模和待连接的板材型号特征;铆接过程中,在铆模(10)的引导下,步进电机(6)通过冲压将铆钉(7)充盈在第一待连接板材(8)、第二待连接板材(9)之中,从而连接第一待连接板材(8)、第二待连接板材(9);铆接过程中,力传感器(5)和位移传感器(4)记录自冲铆接过程的冲压力和位移大小,检测设备(3)根据输入设备(2)的输入铆接类型特征,和力传感器(5)、位移传感器(4)记录的曲线特征,利用深度学习算法计算并在输出显示设备(1)上输出检测结果,其特征在于:自冲铆接质量检测方法主要分为三个阶段,分别是:
数据采集,该阶段从自冲铆接过程中获得铆接过程力-位移曲线和铆接类型特征;
1)曲线特征采集:自冲铆接过程,即在铆模的引导下通过步进电机冲压将铆钉充盈在板材之中,在步进电机上放置力和位移传感器,经过等距离采样,获得冲压过程中冲压力的大小变化曲线;
2)铆接类型特征采集了对铆接过程所用的铆钉、铆模和板材的铆接类型特征,其中包含了如表1所示的共20种特征;
表1铆接类型特征
数据预处理阶段将获得的自冲铆接类型特征进行筛选,并将不合格数据进行扩充;
1)类型特征筛选
为使模型泛化能力更强,减少过拟合,对20个铆接类型特征进行筛选,通过计算不同类型特征之间的互信息数,去除相关性很大的特征,互信息计算方法如式(1)所示,
其中,I(X,Y)是互信息数,表示特征X和Y间相关性;p(x,y)是联合分布;p(x)、p(y)是边缘分布;
将20个铆接类型特征两两代入上式计算,得到20阶对称互信息数方阵,找出相关性最大的两个特征,即找出矩阵中最大值对应的两个特征,分别比较这两个特征与其他特征相关性总和,即分别计算最大值所在的行和列的和,若行或列的和最大,则删除行或列对应的特征,降低方阵的阶次,重复上述步骤,直到剩余10种特征;
2)扩充不合格数据
由于收集到的不合格数据较少,采用条件变分自动编码器对不合格数据进行扩充,以此增强训练效果,其中x1-256和分别是不合格数据的曲线特征和重构曲线特征,t1-10是曲线特征对应的类型特征,z1-2是隐含特征,μ1-2和σ1-2分别是隐含特征的均值和标准差,q(z|x)是编码器,根据曲线特征生成隐含特征,是生成器,根据类型特征和隐含特征生成重构曲线特征;
为使隐含特征z服从标准正态分布N(0,I),变分自动编码器的损失函数为:
其中是曲线特征和重构曲线特征之间的重构误差,KL(N(μ,σ),N(0,I))表示隐含特征z与标准正态分布N(0,I)的KL散度,采用随机梯度下降算法训练变分自动编码器后,根据标准正态分布随机采样生成的每一个隐含特征z和类型特征t,通过生成器,便生成一个对应的重构曲线特征从而扩充不合格数据;
铆接质量检测根据力-位移曲线和筛选后的铆接类型特征作为深度学习算法的输入,输出检测结果;
采用一维卷积神经网络对自冲铆接质量进行检测,将256个曲线特征输入一维卷积层,得到1000个曲线隐含特征m1-1000,将筛选后的10个铆接类型特征与1000个曲线隐含特征m1 -1000输入全连接网络层,利用全连接分类网络进行质量检测,和变分自动编码器一样,一维卷积神经网络采用随机梯度下降算法训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397098.0A CN112683774B (zh) | 2020-12-03 | 2020-12-03 | 一种用于新能源汽车车身的自冲铆接质量检测装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397098.0A CN112683774B (zh) | 2020-12-03 | 2020-12-03 | 一种用于新能源汽车车身的自冲铆接质量检测装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112683774A CN112683774A (zh) | 2021-04-20 |
CN112683774B true CN112683774B (zh) | 2021-12-14 |
Family
ID=75447294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011397098.0A Active CN112683774B (zh) | 2020-12-03 | 2020-12-03 | 一种用于新能源汽车车身的自冲铆接质量检测装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112683774B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113514500B (zh) * | 2021-05-26 | 2022-06-14 | 天津理工大学 | 汽车车身铆接质量自动在线检测系统及检测方法 |
CN114491849A (zh) * | 2022-01-24 | 2022-05-13 | 深圳职业技术学院 | 自冲铆工艺参数的确定方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110153355B (zh) * | 2018-02-13 | 2020-06-09 | 上海交通大学 | 自冲摩擦铆焊质量在线检测及铆焊工艺控制方法和系统 |
CN108500195A (zh) * | 2018-04-04 | 2018-09-07 | 眉山中车紧固件科技有限公司 | 智能铆接质量监测方法 |
CN108971409A (zh) * | 2018-06-30 | 2018-12-11 | 合肥巨智能装备有限公司 | 一种基于力和位移曲线的铝车身自冲铆接质量控制方法 |
CN110744000B (zh) * | 2019-09-06 | 2020-12-15 | 安徽巨一科技股份有限公司 | 一种基于铆接曲线的钢铝混合车身自冲孔铆模寿命的监测方法 |
CN111199072B (zh) * | 2019-12-13 | 2024-03-26 | 同济大学 | 基于在线工艺库自学习的全铝车身铆接系统及其实现方法 |
CN111940614A (zh) * | 2020-03-10 | 2020-11-17 | 格力电器(成都)有限公司 | 一种多点铆接机的铆接质量检测装置及方法 |
-
2020
- 2020-12-03 CN CN202011397098.0A patent/CN112683774B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112683774A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miao et al. | Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network | |
CN112683774B (zh) | 一种用于新能源汽车车身的自冲铆接质量检测装置和方法 | |
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN111896625A (zh) | 钢轨伤损实时监测方法及其监测系统 | |
CN111523081B (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN111260184B (zh) | 一种非线性应变路径下的成形极限应变图的应用方法 | |
CN102455263A (zh) | 一种基于载荷-深度曲线获得金属材料力学性能的方法 | |
CN112507915A (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
Rummel | Nondestructive inspection reliability history, status and future path | |
CN106198749A (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN113609789A (zh) | 一种基于时空特征并行提取的刀具磨损状态预测方法 | |
CN115048998A (zh) | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 | |
CN101532902A (zh) | 用于冷冲模具的质量监测和故障诊断方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
Li et al. | Magnetic barkhausen noise technique for early-stage fatigue prediction in martensitic stainless-steel samples | |
CN110108474A (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
CN109490334B (zh) | 一种运用残余应力预测模型的t字型锻件无损测试方法 | |
Yang | Sensing Technologies for Metal Forming. | |
CN105486753B (zh) | 用于检测压板缺陷的设备及方法 | |
Tsuruya et al. | Forming state recognition in deep drawing process with machine learning | |
JP2009300192A (ja) | 亀裂検出装置及び亀裂検出方法 | |
Puruncajas et al. | Damage Detection and Diagnosis for Offshore Wind Foundations. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |