Real-time detection of pseudo-defect in laser welding of power battery tabs based on photoelectric coaxial sensing
-
摘要:
针对多层铝箔极耳和铝片的搭接形式,首先搭建了基于多波段光电同轴传感的激光焊过程实时监测系统,开展了不同激光功率和离焦量的激光焊试验,实时采集不同激光能量下的多波段光电信号;其次,利用小波散射网络从原始信号中提取出多尺度高维特征,并结合长短期记忆网络实现时间动态建模,最终达到实时检测虚焊缺陷的目标. 结果表明,在小样本规模下,构建的WSN-LSTM模型准确率达到99.6%,其分类性能优于其他循环神经网络和轻量化卷积神经网络模型. 同时,WSN-LSTM模型轻量化使其在训练时间最短,且平均单个样本处理时间仅为0.15 ms,有利于在动力电池产线快速部署,并实现虚焊缺陷的实时检测.
Abstract:Targeting the lap joint of multilayer aluminum tabs and an aluminum sheet, a real-time monitoring system for the laser welding process based on multi-band photoelectric coaxial sensing was established. Experiments on laser welding processes with different laser powers and defocusing conditions were conducted, and multi-band photoelectric signals under different laser energies were collected in real-time. Secondly, a wavelet scattering network (WSN) was used to extract multi-scale high-dimensional features from the raw signals. Combined with a long short-term memory (LSTM) network for temporal dynamic modeling, this approach ultimately achieves the goal of real-time detection of pseudo welding defects. The results indicate that, with a small sample size, the constructed WSN-LSTM model achieves an accuracy of 99.6%, and its classification performance surpasses that of other recurrent neural networks and lightweight convolutional neural network models. Additionally, the lightweight characteristic of the WSN-LSTM model results in the shortest training time, with an average processing time per sample of only 0.15 ms, making it advantageous for rapid deployment on power battery production lines and real-time detection of pseudo welding defects.
-
0. 序言
在新能源动力电池中,多层集流体收集的电流由极耳引出电池,与外部电路相连[1-2]. 极耳的焊接技术必须满足机械稳定性,同时在连接过程中不损坏电池材料[3]. 激光焊具有高精度和小热影响区等优点,能很好地实现薄材料的连接[4],但在焊接工序中,要求精准控制焊接参数,在最小化激光能量输入和避免虚焊缺陷之间取得平衡. 虚焊缺陷容易降低电池性能并增加安全隐患,实时精准检测虚焊对优化焊接工艺和保障质量至关重要[5-6]. 激光焊过程中的多波段光辐射与焊接工艺和质量密切相关,对焊接缺陷的在线监测意义重大[7-8]. 通过将光电二极管传感器和滤光模块的结合,可以有效检测等离子体、热辐射和激光反射[9]. 文中针对动力电池铝极耳激光焊中的虚焊缺陷,提出了一种基于多波段光电传感技术的监测方法,使用轻量化的网络架构实现更精确的缺陷识别,该方法有望提高监测实时性和准确性,并适用于小样本学习场景,为检测模型在动力电池产线现场的快速部署提供基础.
1. 激光焊光电信号采集
1.1 试验平台
极耳激光焊监测试验平台结构由激光焊系统 (Branson, CW-2000) 和光电信号传感与分析系统组成,如图1所示. 激光器的最大输出功率为2 000 W,激光波长为1 064 nm. 焊接轨迹采用螺旋点焊,螺旋线间距为0.2 mm, 螺旋点半径为1 mm,螺旋方向为逆时针. 光电传感模块实时采集光辐射信号,通过数据采集卡将模拟信号转换为数字信号,并输入到工控机. 极耳铝箔和铝片均为1060铝合金,铝箔厚度为12 μm,铝片厚度为0.2 mm. 样品尺寸为50 mm × 60 mm,采用铝片与32层铝箔搭接的方式进行焊接,焊接速度设定为300 mm/s. 保护气体成分为99% 氮气,流速设置为25 L/min. 功率与离焦量的参数设置见表1. 采用SUNS UTM6000试验机在常温下进行了拉伸强度试验,施加载荷拉伸速率为1 mm/min.
激光功率P/W 离焦量Df /mm 320,360,400,440,480 −2,−1,0,1,2 1.2 光电传感模块
光电传感模块的结构如图2所示. 光电信号采集系统主要由等离子体信号传感器 (P传感器)、激光反射信号传感器 (R传感器)、近红外光信号传感器 (T传感器) 和多种光学镜片搭配组成. 这3个传感器中的每一个都检测不同波长的光,P传感器主要监测等离子体羽流的光辐射(300 ~ 700 nm), R传感器用于监测激光反射光 (1 064 nm),T传感器监测近红外光(1 100 ~ 1 800 nm),采样频率为8 kHz.
1.3 光电信号分析
工艺试验获得了不同质量的焊缝,以熔深和拉伸试验得到的最大拉力为质量指标. 当激光能量充分熔透工件(超过80%厚度)而未完全穿透,此时力学性能最优[10],因此虚焊现象定量描述为:熔深小于0.46 mm,且最大拉力不足300 N. 在图3中,合格焊缝的直径为1.06 mm,虚焊焊缝的直径为0.36 mm. 虚焊焊缝的熔深 (0.41 mm)小于合格焊缝的熔深 (0.64 mm). 如图4所示,虚焊时的R传感器信号增强,材料激光吸收率降低,导致激光反射增多. 同时,T和P传感器信号减弱,显示熔池温度下降和等离子体羽流减少,光电传感模块能有效检测虚焊特性.
2. 轻量化虚焊缺陷检测模型
2.1 总体框架
基于小波散射网络(wavelet scattering network,WSN)和长短期记忆(long short-term memory,LSTM)网络的轻量化虚焊检测模型的总体结构如图5所示, 首先对数据进行分割以减轻存储压力. 为了建立信号与焊接状态的相关性,通过WSN和LSTM对光电信号进行特征的自动提取;最后,全连接层作为分类器,从提取的特征向量中识别虚焊缺陷的产生.
2.2 WSN-LSTM模型
焊接过程中光辐射信号富含焊接过程状态信息,但其复杂度高,为充分挖掘有效信号特征,通过WSN对信号进行多维度的特征提取. WSN使用预先定义的小波滤波器,无需通过训练过程调整,对计算资源的需求相对较小,使得在资源受限的环境中也能高效运行[11]. 首先,对输入信号$ x\left(t\right) $进行小波变换,即
$$ {{{W}}_{j,k}}(x) = \int {x(t){\psi _{j,k}}(t){\mathrm{d}}t} $$ (1) 式中:$ {\psi }_{j,k} $是小波基函数,$ j $和$ k $分别表示尺度和平移参数;$ {W}_{j,k}\left(x\right) $是信号$ x\left(t\right) $的小波变换系数. 之后,对小波变换的结果进行非线性操作,即
$$ {U_1} = \left| {{W_{j,k}}(x)} \right| $$ (2) 式中:$U_{1} $是WSN在第一层提取的特征表示,再对非线性操作后的结果进行平均池化,以减少特征的维度,即
$$ {S_1} = {U_1} * \phi $$ (3) 式中:$ \phi $是一个低通滤波器;$ * $表示卷积操作;$ {S}_{1} $是第一层散射系数. 重复上述步骤,逐层提取更高层次的特征. 第$ m $层的输出可以表示为
$$ \left\{ {\begin{array}{*{20}{l}} {{U_m} = \left| {{W_{{j_m},{k_m}}}({U_{m - 1}})} \right|} \\ {{S_m} = {U_m}*\phi } \end{array}} \right. $$ (4) 光电信号输入到WSN后进行多层小波变换和多次非线性操作,生成散射系数,所有层的散射系数构成了一个高维特征向量,但WSN本身不具备时间序列建模能力. 通过将WSN的输出作为LSTM的输入,可以将提取到的静态特征与LSTM的动态时间序列处理能力结合起来,实现更精细的特征学习和时间动态建模[12],同时WSN使LSTM能够在一个更简化的特征空间中工作,提高了整体模型的效率和准确性. 通过这种结合,可以更好地捕捉数据中的复杂模式和非线性关系.
2.3 模型预测结果分析
为了综合评估所提网络的有效性,将其与传统的RNN网络(LSTM,Bi-LSTM和GRU),以及轻量化CNN网络MobileNet-v2在相同的软件与硬件环境上进行训练. 数据样本包含960个虚焊样本和810个合格样本,数据集按6∶2∶2的比例分为训练集、验证集和测试集. 模型均采用相同的超参数设置,学习率为0.000 1,批大小为128,训练轮数为800,Dropout比例为0.1,优化器为Adam,且WSN-LSTM,LSTM,Bi-LSTM和GRU模型的隐藏单元数均设置为100,不同模型的训练过程如图6所示,所提出模型有最高的识别准确率. 值得注意的是,在0 ~ 150个迭代轮次之间,WSN-LSTM的RMSE值迅速下降,与其他模型相比收敛速度最快.
选取了准确率 (A)、精确率 (P)、召回率 (R)、F1分数 (F1) 评估模型的分类性能. 各个模型在测试集上的识别效果见表2. CNN网络MobileNet-v2获得了较高的检测精度,但无法满足焊接实时性要求. 轻量化的WSN-LSTM模型参数量仅为55.8 KB,训练模型的时间为26 s,且识别单个样本平均时间仅为0.15 ms. 所提出的WSN-LSTM模型在各项分类性能评价指标上都取得了最佳的表现,且轻量化和实时性能都有了大幅提升.
模型
类别准确率
A(%)精确率
P(%)召回率
R(%)F1分数
F1(%)模型参量
N/KB训练时间
t1/s样本平均时间
t2/msWSN-LSTM 99.6 99.6 100 99.8 55.8 26 0.15 LSTM 89.2 84.8 99.3 91.4 160.6 49 0.52 Bi-LSTM 97.4 98.9 96.3 97.6 321.2 82 0.85 GRU 97.2 96.8 97.6 97.2 120.5 61 0.35 MobileNet-v2 96.8 94.8 99.2 97.0 3 589.2 518 4.37 3. 结论
(1) 针对动力电池铝极耳激光焊的虚焊缺陷,提出了一种基于多波段光电传感技术的检测方法,并搭建了激光焊监测平台,同步采集焊接过程中多波段的光辐射信号.
(2) 通过WSN从原始高维光电信号数据中高效提取出关键特征并实现数据降维,且WSN无需通过反向传播进行训练,有效减少了模型复杂度和所需的计算资源.
(3) 搭建的WSN-LSTM轻量化虚焊缺陷检测模型对提取的光电信号特征识别效果明显,测试集准确率为99.6%. 与其他基于RNN和轻量化CNN的模型相比,所提出的方法在精确率、召回率、F1分数、模型参数量、训练时间和识别单个样本平均时间的指标中都取得了最优结果.
-
表 1 焊接工艺参数
Table 1 Welding experiment paraments
激光功率P/W 离焦量Df /mm 320,360,400,440,480 −2,−1,0,1,2 表 2 不同模型的性能对比
Table 2 2 Performance comparison of different models
模型
类别准确率
A(%)精确率
P(%)召回率
R(%)F1分数
F1(%)模型参量
N/KB训练时间
t1/s样本平均时间
t2/msWSN-LSTM 99.6 99.6 100 99.8 55.8 26 0.15 LSTM 89.2 84.8 99.3 91.4 160.6 49 0.52 Bi-LSTM 97.4 98.9 96.3 97.6 321.2 82 0.85 GRU 97.2 96.8 97.6 97.2 120.5 61 0.35 MobileNet-v2 96.8 94.8 99.2 97.0 3 589.2 518 4.37 -
[1] 张杰. 碳/铝复合集流体的制备及其锂电池应用[D]. 南京: 南京邮电大学, 2024. Zhang Jie. Preparation of carbon/aluminum composite collector and their application in lithium battery[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2024.
[2] 王臣, 袁美蓉, 马茵婷, 等. 集流体在锂电池中的研究进展和应用[J]. 化工管理, 2023, 36: 151 − 155. Wang Chen, Yuan Meirong, Ma Yinting, et al. Research progress and application of current collectors in lithium-ion batteries[J]. Chemical Engineering Management, 2023, 36: 151 − 155.
[3] Das A, Li D Z, Williams D, et al. Joining technologies for automotive battery systems manufacturing[J]. World Electric Vehicle Journal, 2018, 9(2): 22. doi: 10.3390/wevj9020022
[4] 杨彪, 刘福运, 檀财旺, 等. 动力电池激光焊接技术的应用现状与展望[J]. 机械制造文摘(焊接分册), 2023(2): 1 − 9. Yang Biao, Liu Fuyun, Tan Caiwang, et al. Current application status and prospects of laser welding technology for power battery[J]. Welding Digest of Machinery Manufacturing, 2023(2): 1 − 9.
[5] 徐东辉, 孟范鹏, 孙鹏, 等. 基于深度学习的GMAW焊接缺陷在线监测[J]. 焊接学报, 2024, 45(3): 114 − 119. Xu Donghui, Meng Fanpeng, Sun Peng, et al. On-line monitoring of GMAW welding defect based on deep learning[J]. Transactions of the China Welding Institution, 2024, 45(3): 114 − 119.
[6] 白子键, 李治文, 张志芬, 等. 基于电弧光谱的核电堵管TIG焊接质量在线监测[J]. 焊接学报, 2024, 45(5): 8 − 19. Bai Zijian, Li Zhiwen, Zhang Zhifen, et al. On-line monitoring of TIG welding quality of nuclear power plug tube based on arc spectrum[J]. Transactions of the China Welding Institution, 2024, 45(5): 8 − 19.
[7] Zhang Y, Gao X, You D, et al. Online judgment of laser welding process based on time-frequency analyses of in-situ high-speed optical signals[J]. Optik, 2022, 265: 169552. doi: 10.1016/j.ijleo.2022.169552
[8] Wu D, Zhang P, Yu Z, et al. Progress and perspectives of in-situ optical monitoring in laser beam welding: Sensing, characterization and modeling[J]. Journal of Manufacturing Processes, 2022, 75: 767 − 791. doi: 10.1016/j.jmapro.2022.01.044
[9] Wang B, Hu S J, Sun L, et al. Intelligent welding system technologies: State-of-the-art review and perspectives[J]. Journal of Manufacturing Systems, 2020, 56: 373 − 391. doi: 10.1016/j.jmsy.2020.06.020
[10] Li X, Shi Y, Jian Y, et al. Research on welding penetration status monitoring based on Residual-Group convolution model[J]. Optics & Laser Technology, 2023, 163: 109322.
[11] Liu L, Wu J, Li D, et al. Fractional wavelet scattering network and applications[J]. IEEE Transactions on Biomedical Engineering, 2018, 66(2): 553 − 563.
[12] Yu Y, Si X, Hu C, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural computation, 2019, 31(7): 1235 − 1270. doi: 10.1162/neco_a_01199