压痕深度是指焊件表面至压痕底部的距离。压痕深度的测量采用了独特的自动对零专用表，消除了人工对零所带来的测量误差。总试验力的施加、保持、卸除实现了自动化，消除了手动操作所带来的误差。电阻点焊的焊点压痕深度与其质量密切相关，它对焊件的强度、承载能力和外观质量有很大的影响。无压痕或压痕太浅，表明接头无形核或熔核太小，则其抗剪强度必不能达标；压痕太深，实际生产中往往将其判定为一种点焊接头外观缺陷。

电阻点焊的焊点压痕深度与其质量密切相关，它对焊件的强度、承载能力和外观质量有很大的影响。无压痕或压痕太浅，表明接头无形核或熔核太小，则其抗剪强度必不能达标；压痕太深，实际生产中往往将其判定为一种点焊接头外观缺陷。因此，焊点压痕深度直接或间接地都可作为评价电阻点焊接头质量的重要参数指标。目前，汽车生产企业主要用焊后人工目测或显微镜测量的方法检查压痕深度。这种检查方法效率低，受人为因素影响大，无法满足自动化生产的需要。研究表明，焊接过程中电极位移信号提供了丰富的熔核形成的信息，可作为在线监测、评判焊点质量状态的信息源。基于电极位移信号特征提取，探索了一种焊点压痕深度实现人工智能在线预测的方法。

借助激光位移传感器能够精确测量微小位移的特点，搭建了焊点压痕深度计算机测量系统。将焊件水平放置在载物台上，调节传感器旋钮改变激光传感器到载物台的距离，使被测试件在激光传感器的测量范围内； 通过调节载物台旋钮使载物台平行移动， 可实现试件的不同位置的测量。试件焊点表面区域在焊接时受到电极压力的影响，金属热塑性变形，焊点表面呈现了4个不同特征区域环。1 环区为焊点的中心区，是在上下电极头电、热、力多种作用和拘束状态下的熔核区表面呈像， 是焊点的压痕区域；2环区是表面金属被高温氧化烧损形成的， 是焊点的热影响区域；3 环区是母板上为测量压痕深度划定的区域。焊点压痕深度(hT)是指焊接工件在电、热、力耦合作用下, 焊接结束后电极在工件表面留下的凹坑深度。测量时，首先获取压痕区域(1 环区)相对于激光传感器探头间的高度值，然后获取母板(3 环区)与激光传感器的相对高度值，那么，二者的差值即为焊点的实际压痕深度。由于母板受到加工精度与焊接过程的影响，可能存在翘曲或不平整。为了消除母板对测量结果的影响， 采用多次重复测量求取的平均值hT作为该焊点压痕深度的实际评定值。

通过大量焊接工艺试验与实际压痕深度的相关分析表明，随着焊接电流的增大，其热输入量增多，形成的熔核体积也会增大，在同样的电极压力下，可挤压的体积变大，所形成的压痕就会更深。而当焊接电流一定时，随着电极压力的增大，焊点熔核形成时受到的束缚增加，形成的压痕深度同样也越深。另外，有些焊点压痕出现了不同程度的陡降或陡升，这是由于对于一定的电流，当电极压力过大时，会将塑性环挤破，发生喷溅；反之，当电极压力过小时，膨胀的液态金属会冲破塑性环，发生喷溅，最终都会损失一部分金属，形成较深的压痕；当焊接电流和电极压力匹配时，很少发生喷溅，形成相对较浅的压痕。故焊接电流、电极压力是影响焊点压痕深度的主要因素，应作为预测焊点压痕深度的主要表征参量。

采用高精度ZLDS102 激光位移传感器搭建了电极位移信号实时采集系统。传感器通过专用装置非接触获取电极位移信号， 上电极头与反射板固定在一起，传感器安装在下电极头上。激光位移传感器发射的激光束经反射板反射， 被内部CMOS 线性阵列接收，根据反射光与阵列的角度及已知的激光源和阵列之间的距离， 即可利用三角测量原理计算出反射板的位移。通过提取焊接过程激光位移传感器检测到的反射板的位移， 获得电极位移信号。采用VC++ 开发的信号采集系统软件，实现了电极位移信号采集、实时电极位移曲线显示、数据保存和分析等功能。

对获取的电极位移信号进行消噪、去干扰等预处理，通过大量的点焊试验和电极位移曲线的对比分析表明，采集的电极位移曲线可实时监测焊点熔核形成过程。

对于每个焊点所获取的h 和hT之间都存在大约100 μm 幅度的恒定变化值， 这个变化值主要是由于相变体积力与电极压力的合力加速度产生的。而压痕深度反映的是焊点已成为稳定固态下的表面变化量。因此，从电极位移信号获取的h 能够作为表征焊点压痕深度的特征参量。

支持向量机(support vector machine, SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法，它较好地解决了小样本、非线性和高维模式识别、以及传统神经络模式识别方法中难以解决的网络结构选择和局部极小点等实际问题， 已被成功应用于模式识别与故障诊断。SVM 的基本思想是通过定义适当的内积函数， 将训练数据从输入空间非线性的映射到一个更高维的空间里， 使得样本在该空间内线性可分，之后求取最优线性分类面。SVM 的性能主要受核参数和误差惩罚因子C 的影响。惩罚因子C 用于确定数据子空间中置信范围和经验风险的比例， 通过调整特征空间中经验误差水平来影响学习机的推广能力。

选取焊点压痕深度的特征参量h、焊接电流I、电极压力F 作为输入向量，焊点实际压痕深度hT为目标向量，建立了压痕深度的SVM 评判模型。输入向量中各特征参量数据具有不同的物理意义和不同的量纲。这样会造成在机器学习开始时各输入分量地位重要性不等同，而使得训练误差变大。为了克服该问题在机器学习开始前采用最大最小值方法对输入向量在[10～20]区间进行归一化，使得所有分量只表示相对大小。选取56 个焊点作为模型的训练样本，提取各个焊点的h、I 和F，构造模型输入向量P=[56×3]。提取各个焊点的hT，构造模型输出向量T=[56×1]。选择RBF 核函数g 为0.005524、惩罚因子C 为22.6274 时进行网络训练，获得了压痕深度的回归预测模型。利用测试样本集对模型进行验证。压痕深度的回归预测值hp和实际值hT的线性相关系数为0.9118，表明所建立的SVM 评判模型可以实现焊点压痕深度的预测。

（1） 搭建的激光测量系统可以实现电极位移信号的实时采集和处理， 获取的电极位移信号可以作为监测熔核形成过程的信号源。焊点压痕深度反映了熔核形成过程导致焊件表面的体积形态变化量。基于电极位移信号提取的特征参数可以作为焊点压痕深度的表征参数。

（2） 以实际测定的焊点压痕深度值hT为目标向量，通过实验和相关性分析确定的特征参量h、焊接电流I、电极压力F 作为输入向量，建立了焊点压痕深度的SVM 回归预测模型。模型输出的压痕深度预测值和实际测定值间的线性相关度达到了91.18%。实际验证表明，采用熔核形成过程监测参数可以实现焊点压痕深度的预测。