Development and Optimization of Parameter Recommendation Model for Automotive Resistance Spot Welding
本研究提出了一种用于汽车电阻点焊的智能代理模型，该模型集成了一个异构集成学习框架与一种新型物理启发式加热强度约束，旨在提高参数预测精度、确保解的唯一性，并提升在多种板材叠层组合下的泛化能力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代汽车制造的核心领域，一种无声而强大的工艺将金属板连接在一起，构成了每辆汽车的骨架。这就是电阻点焊工艺：沉重的电极将两块钢板压在一起，同时大量的电流通过它们。电流与金属之间的摩擦产生剧烈的热量，熔化出一个被称为“熔核”的小型圆形金属块，从而将钢板熔合为一个坚固的整体。几十年来，工程师们一直依赖试错法来寻找这一工艺的最佳设置。他们会测试不同的压力大小、变化的持续时间以及不同的电流水平，希望能找到既能创造完美焊缝，又不会烧坏金属或导致强度过低的组合。这种方法虽然有效，但速度慢、成本高，且难以跟上汽车设计的快速变化——因为新的钢材类型和不同的厚度正在不断被引入。
挑战在于，实现完美焊接往往不止一种途径。通过高电流配合极短的时间，或者通过低电流配合较长的时间，都可以实现强力的连接。这两种方法都能产生相同的结果，但它们的路径本质上是不同的。传统的计算机模型通过观察历史数据进行学习，往往会对这种情况感到困惑。它们可能会对这些不同的路径取平均值，从而导致推荐的设置在数学上是正确的，但在应用于新车型时，在物理上却是不可能实现或不稳定的。当制造商试图更换生产线或引入新材料时，这种不确定性成为了一个主要的瓶颈，因为旧的规则不再适用。
上海交通大学的研究人员与汽车制造商蔚来（NIO）合作，开发了一种新方法来解决这个问题。他们没有仅仅依赖历史数据，而是创建了一个理解热力学物理原理的智能系统。他们引入了一个被称为“加热强度”的概念，将其作为引导焊接过程中热量传递方式的指南。可以将这个概念想象成一个旋钮，控制着热量是以尖锐、集中的爆发形式传递，还是以温和、持久的流动形式传递。通过教导计算机模型遵循这个“旋钮”，研究人员迫使系统为每一次焊接选择一条特定的、一致的路径，而不是进行猜测性的平均。
团队使用来自两款不同车型（一款轿车和一款运动型多用途车/SUV）的数据对新模型进行了测试。这些车辆使用了多种不同的钢板，从标准的低碳钢到用于安全笼的高强度超高强度材料。研究人员整理了一个包含数百种独特金属板组合的海量数据集。对于每种组合，他们都记录了用于制造焊缝的确切设置，包括电极施加的压力、电脉冲的时长以及生成的熔核尺寸。随后，他们训练计算机模型，使其能够针对任何给定的钢板组合和期望的熔核尺寸，预测出正确的设置。
结果显示，这种基于物理学的新方法具有明显的优势。当模型在训练过的同一款车型上进行测试时，其表现略优于传统的纯数据驱动模型，在所有设置下的预测准确率提升了约 1.35 个百分点。然而，真正的突破出现在模型测试另一款车型的场景中，即所谓的“跨车型迁移”。在这种测试中，传统模型表现得非常吃力，其准确率大幅下降，尤其是在预测预热电流时。而受“加热强度”约束引导的新模型则保持了高准确度，其整体预测成功率比旧方法提高了多达 15.6 个百分点。这证明了该模型学习到的是热量在金属中行为的底层规律，而不仅仅是记住了某条特定生产线的习惯。
研究人员还展示了这一新系统为工程师提供了强大的控制工具。由于加热强度是一个用户可以调节的变量，模型可以被引导去生成“硬”焊接程序（使用高电流配合短时间以提高生产速度），或者“软”焊接程序（使用较低电流配合较长时间以防止金属飞溅等缺陷）。这种灵活性使制造商能够根据特定需求定制焊接工艺，无论是为了追求效率最大化，还是为了确保精密材料具有最高的质量。这项研究证实，通过将物理定律嵌入人工智能，我们可以创造出不仅更精确，而且在复杂的现代制造业中更具适应性和可靠性的系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。