本發(fā)明涉及超聲波金屬焊接技術領域，特別是涉及一種超聲波金屬焊接質(zhì)量評估方法、超聲波金屬焊接質(zhì)量評估裝置以及超聲波金屬焊接機。

背景技術：

超聲波金屬焊接是一種固相焊接技術。在焊接過程中，焊接工具頭向待焊金屬施加壓力和高頻率超聲振動，使金屬界面產(chǎn)生劇烈摩擦和塑性變形進而促使界面形成良好連接。目前超聲波金屬焊接技術已成為鋰電池制造過程中主要的焊接方法，但由于該焊接方法對焊接工藝參數(shù)十分敏感，許多外界因素會對焊接質(zhì)量造成不良影響，致使鋰電池質(zhì)量一致性較差。

隨著超聲波焊接技術在電池制造等行業(yè)應用越來越廣泛，人們對焊接質(zhì)量的可靠性和一致性的要求也越來越高，但是目前實際生產(chǎn)過程中多采用焊點離線質(zhì)量檢測方法對焊接質(zhì)量進行評估，該方法工作量大、效率低下，存在一定的誤差，不適合大規(guī)模自動化工業(yè)生產(chǎn)線應用。

技術實現(xiàn)要素：

基于此，有必要針對上述問題，提供一種超聲波金屬焊接質(zhì)量評估方法、裝置和超聲波金屬焊接機，能夠?qū)崿F(xiàn)準確、快速和無損的焊接質(zhì)量評估。

為了達到上述目的，本發(fā)明采取的技術方案如下：

一種超聲波金屬焊接質(zhì)量評估方法，包括步驟：

對待焊金屬進行超聲波金屬焊接，獲取實際生產(chǎn)過程中的焊接過程信息；

提取實際生產(chǎn)過程中的焊接過程信息的特征參數(shù)；

將實際生產(chǎn)過程中的特征參數(shù)輸入所述待焊金屬對應的超聲波焊接質(zhì)量評估模型；所述質(zhì)量評估模型以焊接過程信息的特征參數(shù)為輸入，焊接質(zhì)量評估值為輸出；

由所述超聲波焊接質(zhì)量評估模型計算出本次超聲波金屬焊接的焊接質(zhì)量評估值。

一種超聲波金屬焊接質(zhì)量評估裝置，包括：

第一焊接過程信息獲取模塊，用于對待焊金屬進行超聲波金屬焊接，獲取實際生產(chǎn)過程中的焊接過程信息；

第一特征參數(shù)提取模塊，用于提取實際生產(chǎn)過程中的焊接過程信息的特征參數(shù)；

特征參數(shù)輸入模塊，用于將實際生產(chǎn)過程中的特征參數(shù)輸入所述待焊金屬對應的超聲波焊接質(zhì)量評估模型；所述質(zhì)量評估模型以焊接過程信息的特征參數(shù)為輸入，焊接質(zhì)量評估值為輸出；

拉伸強度獲得模塊，用于由所述超聲波焊接質(zhì)量評估模型計算出本次超聲波金屬焊接的焊接質(zhì)量評估值。

一種超聲波金屬焊接機，包括所述的超聲波金屬焊接質(zhì)量評估裝置。

本發(fā)明超聲波金屬焊接質(zhì)量評估方法、裝置和超聲波金屬焊接機，針對各個焊接對象，進行大樣本量的焊接試驗，對獲得的焊接過程信息進行深入分析，提取出與焊接質(zhì)量聯(lián)系密切的信息特征并建立各個焊接對象對應的超聲波焊接質(zhì)量評估模型，在實際生產(chǎn)中，獲取待焊金屬的焊接過程信息并提取出特征參數(shù)，將該特征參數(shù)輸入對應的超聲波焊接質(zhì)量評估模型，即可以得到焊接質(zhì)量評估值，實現(xiàn)了焊接質(zhì)量的實時無損評估，大大提高了產(chǎn)品質(zhì)量的穩(wěn)定性，減小監(jiān)測的人力物力投入，提高了生產(chǎn)效率。經(jīng)過驗證，本發(fā)明預測的焊接質(zhì)量評估值在合理的誤差范圍內(nèi)，所以本發(fā)明實現(xiàn)了焊接質(zhì)量的準確評估。

附圖說明

圖1為本發(fā)明超聲波金屬焊接質(zhì)量評估方法實施例的流程示意圖；

圖2為本發(fā)明超聲波金屬焊接過程信息采集分析系統(tǒng)實施例的結構示意圖；

圖3為本發(fā)明建立的神經(jīng)網(wǎng)絡模型實施例的示意圖；

圖4為本發(fā)明神經(jīng)網(wǎng)絡訓練方差的示意圖；

圖5為本發(fā)明神經(jīng)網(wǎng)絡預測值與實際值的對比示意圖；

圖6為本發(fā)明神經(jīng)網(wǎng)絡預測值與實際值的線性擬合結果示意圖；

圖7為本發(fā)明超聲波金屬焊接質(zhì)量評估裝置實施例的結構示意圖。

具體實施方式

為更進一步闡述本發(fā)明所采取的技術手段及取得的效果，下面結合附圖及較佳實施例，對本發(fā)明的技術方案，進行清楚和完整的描述。

如圖1所示，一種超聲波金屬焊接質(zhì)量評估方法，包括步驟：

S110、對待焊金屬進行超聲波金屬焊接，獲取實際生產(chǎn)過程中的焊接過程信息；

S120、提取實際生產(chǎn)過程中的焊接過程信息的特征參數(shù)；

S130、將實際生產(chǎn)過程中的特征參數(shù)輸入所述待焊金屬對應的超聲波焊接質(zhì)量評估模型；所述質(zhì)量評估模型以焊接過程信息的特征參數(shù)為輸入，焊接質(zhì)量評估值為輸出；

S140、由所述超聲波焊接質(zhì)量評估模型計算出本次超聲波金屬焊接的焊接質(zhì)量評估值。

本發(fā)明方法可以根據(jù)相應的程序或芯片實現(xiàn)，程序或芯片運行在超聲波金屬焊接機中，實現(xiàn)焊接質(zhì)量的準確實時評估。為了更好地理解本發(fā)明，下面對本發(fā)明的各個步驟進行詳細介紹。

在步驟S110中，待焊金屬可以為銅等金屬，例如，待焊金屬為C1100純銅板，純銅板的材料狀態(tài)為半硬態(tài)，尺寸規(guī)格為50mm(毫米)×25mm×0.6mm等。在實際生產(chǎn)過程中，按照常規(guī)的焊接方法對待焊金屬進行超聲波金屬焊接，獲取焊接過程信息，其中焊接過程信息包括超聲波電流信號和超聲波電壓信號等等，焊接過程信息可以使用相應的傳感器獲取。

如圖2所示，為超聲波金屬焊接過程信息采集分析系統(tǒng)的結構示意圖。試樣(待焊金屬)焊接前不需要進行任何表面處理，試樣放置于砧板上進行焊接，焊接接頭為搭接形式，搭接長度可以為25mm等，砧板上還設置有限位塊，防止在焊接過程中由于工具頭的震動而使試樣產(chǎn)生較大偏移，保證焊點位于搭接區(qū)域中心。在焊接過程中，選擇電流互感器測量超聲波電流信號，電阻分壓測量超聲波電壓信號，激光位移傳感器測量工具頭下壓位移信號。各傳感器獲得的信號經(jīng)過信號調(diào)理電路處理后，轉化為0～10V(伏)的電壓信號輸入數(shù)據(jù)采集卡，然后對電壓信號進行數(shù)據(jù)還原(還原成電流信號、電壓信號和工具頭下壓位移信號等)，在數(shù)據(jù)分析系統(tǒng)中進行數(shù)據(jù)分析，獲得焊接接頭的拉伸強度的預測值。

需要說明的是，本發(fā)明并不限制于圖2所示的器件采集焊接過程信息，用戶還可以根據(jù)需要選擇其它器件獲取焊接過程信息，對采集的焊接過程信息數(shù)據(jù)處理的過程也不限制于上述處理過程，用戶還可以根據(jù)需要對采集的過程信息進行其他處理。

在步驟S120中，對獲取到的焊接過程信息進行深入分析，提取焊接過程信息的特征參數(shù)組，在一個實施例中，提取實際生產(chǎn)過程中的焊接過程信息的特征參數(shù)的步驟包括以下的任意一種或多種：

S1201、對獲取的換能器的超聲波電流信號和超聲波電壓信號分別進行Hilbert(希爾伯特)變換，獲得所述超聲波電流信號的電流解析信號和所述超聲波電壓信號的電壓解析信號，根據(jù)所述電流解析信號和所述電壓解析信號獲得焊接過程中消耗的總能量；

圖2中傳感器采集的超聲波電流信號和超聲波電壓信號即為換能器的超聲波電流信號和超聲波電壓信號。在一個實施例中，根據(jù)所述電流解析信號和所述電壓解析信號獲得焊接過程中消耗的總能量的步驟可以包括：

根據(jù)所述電流解析信號和所述電壓解析信號獲得電流信號的幅值包絡線、電壓信號的幅值包絡線以及電流信號與電壓信號之間的相位差；

根據(jù)電流信號的幅值包絡線、電壓信號的幅值包絡線以及所述相位差，獲得焊接過程中的有功功率P(n)；可以根據(jù)現(xiàn)有技術中已有的方法獲得有功功率；

對所述有功功率P(n)進行積分，獲得焊接過程中消耗的總能量E1。

S1202、根據(jù)焊接過程的超聲波功率最大值P_max和超聲波信號的有效值的平均值P_m的差值，獲得功率差值ΔP；即：

ΔP＝P_max-P_m (1)

超聲波功率最大值P_max和超聲波信號的有效值的平均值P_m可以根據(jù)用戶的需要設置。

S1203、根據(jù)獲取的工具頭下壓位移信號獲得焊接開始后預設時間內(nèi)的工具頭下壓的平均速度V_m；

在一個實施例中，根據(jù)獲取的工具頭下壓位移信號獲得焊接開始后預設時間內(nèi)的工具頭下壓的平均速度的步驟可以包括：

根據(jù)工具頭下壓位移信號獲得每個t時間段內(nèi)的工具頭下壓平均速度V(i)，t時間段為對焊接開始后預設時間分割的子時間段；例如，預設時間為100ms(毫秒)，將100ms劃分為50段，每個時間段t為2ms；

計算所有t時間段內(nèi)的工具頭下壓平均速度的平均值，獲得焊接開始后預設時間內(nèi)的工具頭下壓的平均速度V_m。

為了更好地理解V_m的獲得過程，以計算焊接開始后前100ms工具頭下壓平均速度V_m為例進行說明。

首先利用式(2)計算每2ms內(nèi)工具頭下壓平均速度，獲得速度曲線V(i)。然后根據(jù)式(3)計算V(i)的平均值，獲得前100ms工具頭下壓平均速度V_m。

$V\left(i\right)=\frac{D(i*2000)-D\[(i-1)*2000+1\]}{2},i=(1,2...50)---\left(2\right)$

$V_m=\frac{1}{50}{\mathrm{\Σ}}_{i=1}^{50}V\left(i\right)---\left(3\right)$

其中，D(i)為工具頭下壓的位移信號。另外，由于位移信號D(i)的采樣頻率為1Mhz，所以公式(2)中的2ms對應2000，當位移信號D(i)的采樣頻率為其它數(shù)值時，公式(2)中的2000相應改變。

S1204、對獲取的換能器的超聲波電流信號依次進行小波包分解和信號重構，獲得各個重構信號，根據(jù)各個重構信號計算各個頻段的信號能量以及所有頻段的信號總能量，根據(jù)各個頻段的信號能量以及所述信號總能量獲取各個頻段的信號能量比例。

小波包分解和信號重構可以通過MATLAB(Matrix Laboratory，矩陣實驗室)軟件實現(xiàn)。小波包分解的層數(shù)以及進行信號重構的頻段可以根據(jù)實際情況確定。例如，在一個具體實施例中，使用MATLAB軟件對超聲波電流信號以db10小波進行5層小波包分解，超聲波電流信號中不同頻率成分的波形被分解到32個不同頻段，然后選擇前8個頻段進行信號重構，得到重構信號x50，x51，x52，x53，x54，x55，x56，x57。

得到重構信號后，根據(jù)式(4)和式(5)確定各個頻段的信號能量{Ej}以及信號總能量E2：

$E_j={\mathrm{\Σ}}_{n=1}^N|x_{5j}{|}^2---\left(4\right)$

$E2=\sqrt{{\mathrm{\Σ}}_0^7|E_j{|}^2}---\left(5\right)$

其中，式(4)中的n表示信號持續(xù)強度，N表示信號持續(xù)總長度。

根據(jù)各個頻段的信號能量{Ej}以及信號總能量E2，獲得各個頻段信號能量比例向量w＝[w₅₀，w₅₁，w₅₂，w₅₃，w₅₄，w₅₅，w₅₆，w₅₇]，其中w_5j根據(jù)式(6)確定：

w_5j＝E_j/E2(j＝0，1，…7) (6)

需要說明的是，為了保證焊接接頭的拉伸強度評估的準確性，優(yōu)選為提取三種或三種以上的特征參數(shù)。

在步驟S130中，本發(fā)明預先構建有基于RBF(Radial basis function，徑向基函數(shù))神經(jīng)網(wǎng)絡的各個待焊金屬對應的超聲波焊接質(zhì)量評估模型。在進行質(zhì)量評估時，根據(jù)待焊金屬的類型選取對應的超聲波焊接質(zhì)量評估模型，將提取的特征參數(shù)輸入選取的超聲波焊接質(zhì)量評估模型。

為了實現(xiàn)焊接質(zhì)量的實時快速評估，一般在實際生產(chǎn)前，就針對各個焊接對象進行大樣本量的焊接試驗，建立各個焊接對象對應的超聲波焊接質(zhì)量評估模型。所以，在一個實施例中，對待焊金屬進行超聲波金屬焊接之前，還可以包括步驟：

S070、對待焊金屬進行超聲波金屬焊接試驗，獲取不同試驗條件下的焊接過程信息；

不同試驗條件可以是焊接過程中的焊接壓力、焊接時間和焊接界面狀態(tài)等因素中的一種或幾種不同。在某試驗條件下獲取焊接過程信息，然后改變試驗條件，獲取試驗條件改變后的焊接過程信息，重復操作，直至獲取足夠的樣本數(shù)據(jù)。

S080、提取不同試驗條件下的焊接過程信息的特征參數(shù)；

提取試驗條件下焊接過程信息的特征參數(shù)與提取實際生產(chǎn)過程中的焊接過程信息的特征參數(shù)的方法相同。即在一個實施例中，提取不同試驗條件下的焊接過程信息的特征參數(shù)的步驟包括以下的任意一種或多種：

S0801、對獲取的換能器的超聲波電流信號和超聲波電壓信號分別進行Hilbert變換，獲得所述超聲波電流信號的電流解析信號和所述超聲波電壓信號的電壓解析信號，根據(jù)所述電流解析信號和所述電壓解析信號獲得焊接過程中消耗的總能量；

S0802、根據(jù)焊接過程的超聲波功率最大值和超聲波信號的有效值的平均值的差值，獲得功率差值；

S0803、根據(jù)獲取的工具頭下壓位移信號獲得焊接開始后預設時間內(nèi)的工具頭下壓的平均速度；

S0804、對獲取的換能器的超聲波電流信號依次進行小波包分解和信號重構，獲得各個重構信號，根據(jù)各個重構信號計算各個頻段的信號能量以及所有頻段的信號總能量，根據(jù)各個頻段的信號能量以及所述信號總能量獲取各個頻段的信號能量比例。

為了保證焊接接頭的拉伸強度評估的準確性，優(yōu)選為提取三種或三種以上的特征參數(shù)。

S090、獲取不同試驗條件下的焊接接頭的最大拉伸強度；

在獲得焊接接頭的最大拉伸強度時，可以使用萬能拉伸實驗機對焊接接頭進行拉伸實驗。將焊接接頭的最大拉伸強度作為焊接質(zhì)量評價參數(shù)，建立不同試驗條件下的各個特征參數(shù)組(總能量E1、功率差值、工具頭下壓平均速度和能量比例向量等特征參數(shù)中的任意三種或三種以上)與焊接接頭的最大拉伸強度的對應關系。

S100、以不同試驗條件下的特征參數(shù)作為神經(jīng)網(wǎng)絡的輸入，所述焊接接頭的最大拉伸強度作為所述神經(jīng)網(wǎng)絡的輸出，構建所述待焊金屬的超聲波焊接質(zhì)量評估模型。

使用所獲得的各個試驗條件下的特征參數(shù)組作為神經(jīng)網(wǎng)絡輸入，對應的焊接接頭的最大拉伸強度作為神經(jīng)網(wǎng)絡輸出，利用大樣本量數(shù)據(jù)進行模型訓練、檢驗，建立神經(jīng)網(wǎng)絡模型，即超聲波焊接質(zhì)量評估模型。如圖3所示，為根據(jù)四個特征參數(shù)建立的神經(jīng)網(wǎng)絡模型，其中，圖3中的E1、ΔP、V_m和w_5j為輸入的特征參數(shù)，φ(x,c_k)為神經(jīng)元，ω_ik為對應神經(jīng)元的權值，F(xiàn)為焊接接頭的最大拉伸強度。

可以使用MATLAB神經(jīng)網(wǎng)絡工具箱的newrb()函數(shù)構建RBF神經(jīng)網(wǎng)絡，網(wǎng)絡在創(chuàng)建過程中完成訓練，即從0個神經(jīng)元開始，根據(jù)設定誤差不斷向隱藏層添加神經(jīng)元，直到輸出結果的均方誤差達到設計要求或隱含層神經(jīng)元節(jié)點的數(shù)量達到設定值后停止訓練，因此所構建RBF神經(jīng)網(wǎng)絡有結構自適應確定，輸出與初始權值無關的特點。

使用MATLAB神經(jīng)網(wǎng)絡工具箱的newrb()函數(shù)構建RBF神經(jīng)網(wǎng)絡具體操作為：net＝newrb(P，T，goal，spread，mn)，其中，net為新建立的神經(jīng)網(wǎng)絡模型；P為輸入向量，即各個試驗條件下的特征參數(shù)組；T為目標組向量，即焊接接頭的最大拉伸強度；goal為均方誤差；spread為擴展速度；mn為最大神經(jīng)元數(shù)目。首先對神經(jīng)網(wǎng)絡的初始化參數(shù)進行設定，例如，均方誤差goal設定為0.005，徑向基函數(shù)的擴展速度spread初始設定值為0.8，隨后根據(jù)實際情況進行調(diào)整。設定擴展速度spread由初始值0.8開始逐漸增加0.1，當spread為0.8、0.9、1、1.1時，預測結果的平均誤差分別為10.1％、9.8％、7.7％、9.6％。當spread為1時網(wǎng)絡的誤差最小，因此spread＝1為適合的徑向基函數(shù)的擴展速度。圖4為RBF神經(jīng)網(wǎng)絡的訓練過程，其中圖4中的虛線表示訓練值，實線表示目標值。根據(jù)圖4可以看出網(wǎng)絡經(jīng)過24步訓練后達到預設的均方誤差要求。

在步驟S140中，所述焊接質(zhì)量評估值可以為焊接接頭的最大拉伸強度。將所選擇的過程信息特征作為RBF神經(jīng)網(wǎng)絡輸入層節(jié)點，輸出接點1個，RBF神經(jīng)網(wǎng)絡輸出一個0到1之間的數(shù)值，該數(shù)值代表焊接接頭的強度，對輸出值經(jīng)過反歸一化處理后得到焊接接頭的最大拉伸強度的預測值。

使用經(jīng)過歸一化處理后的180組數(shù)據(jù)樣本作為RBF神經(jīng)網(wǎng)絡的訓練和測試數(shù)據(jù)，其中150組作為網(wǎng)絡訓練數(shù)據(jù)，其余的30組作為驗證數(shù)據(jù)來測試所建立網(wǎng)絡的性能。用來訓練神經(jīng)網(wǎng)絡的150個數(shù)據(jù)樣本包括正常質(zhì)量接頭60個，焊接壓力過低接頭45個，界面有雜質(zhì)焊點15個、輸入能量過低焊點15個、輸入能量過大焊點15個。

使用以上數(shù)據(jù)對訓練好的神經(jīng)網(wǎng)絡進行測試。如圖5所示，為神經(jīng)網(wǎng)絡的預測結果與實測結果的對比結果，可以看出神經(jīng)網(wǎng)絡的預測值與實測值的趨勢基本一致。如圖6所示，為神經(jīng)網(wǎng)絡的預測結果和實測結果的線性擬合結果，兩者的相關系數(shù)r＝0.92，說明預測結果與實測有較好的相關性。神經(jīng)網(wǎng)絡預測結果與實際測量值的最大誤差為16.4％，最小誤差為0.36％，平均誤差為7.7％。測試結果表明在合理的誤差范圍內(nèi)，本發(fā)明所建立的神經(jīng)網(wǎng)絡經(jīng)訓練后可以較好地預測焊接接頭的拉伸強度。

基于同一發(fā)明構思，本發(fā)明還提供一種超聲波金屬焊接質(zhì)量評估裝置，下面結合附圖對本發(fā)明裝置的具體實施方式進行詳細介紹。

如圖7所示，一種超聲波金屬焊接質(zhì)量評估裝置，包括：

第一焊接過程信息獲取模塊110，用于對待焊金屬進行超聲波金屬焊接，獲取實際生產(chǎn)過程中的焊接過程信息；

第一特征參數(shù)提取模塊120，用于提取實際生產(chǎn)過程中的焊接過程信息的特征參數(shù)；

特征參數(shù)輸入模塊130，用于將實際生產(chǎn)過程中的特征參數(shù)輸入所述待焊金屬對應的超聲波焊接質(zhì)量評估模型；所述質(zhì)量評估模型以焊接過程信息的特征參數(shù)為輸入，焊接質(zhì)量評估值為輸出；

拉伸強度獲得模塊140，用于由所述超聲波焊接質(zhì)量評估模型計算出本次超聲波金屬焊接的焊接質(zhì)量評估值。所述焊接質(zhì)量評估值可以為焊接接頭的最大拉伸強度。

在一個實施例中，本發(fā)明裝置還可以包括：

第二焊接過程信息獲取模塊070，用于對待焊金屬進行超聲波金屬焊接試驗，獲取不同試驗條件下的焊接過程信息；

第二特征參數(shù)提取模塊080，用于提取不同試驗條件下的焊接過程信息的特征參數(shù)；

最大拉伸強度獲取模塊090，用于獲取不同試驗條件下的焊接接頭的最大拉伸強度；

評估模型構建模塊100，用于以不同試驗條件下的特征參數(shù)作為神經(jīng)網(wǎng)絡的輸入，所述焊接接頭的最大拉伸強度作為所述神經(jīng)網(wǎng)絡的輸出，構建所述待焊金屬的超聲波焊接質(zhì)量評估模型。

在一個實施例中，所述第一特征參數(shù)提取模塊120包括以下的任意一個單元或多個單元：

總能量獲得單元，用于對獲取的換能器的超聲波電流信號和超聲波電壓信號分別進行Hilbert變換，獲得所述超聲波電流信號的電流解析信號和所述超聲波電壓信號的電壓解析信號，根據(jù)所述電流解析信號和所述電壓解析信號獲得焊接過程中消耗的總能量；

功率差值獲得單元，用于根據(jù)焊接過程的超聲波功率最大值和超聲波信號的有效值的平均值的差值，獲得功率差值；

平均速度獲得單元，用于根據(jù)獲取的工具頭下壓位移信號獲得焊接開始后預設時間內(nèi)的工具頭下壓的平均速度；

信號能量比例獲得單元，用于對獲取的換能器的超聲波電流信號依次進行小波包分解和信號重構，獲得各個重構信號，根據(jù)各個重構信號計算各個頻段的信號能量以及所有頻段的信號總能量，根據(jù)各個頻段的信號能量以及所述信號總能量獲取各個頻段的信號能量比例。

在一個實施例中，所述第二特征參數(shù)提取模塊080包括以下的任意一個單元或多個單元：

總能量獲得單元，用于對獲取的換能器的超聲波電流信號和超聲波電壓信號分別進行Hilbert變換，獲得所述超聲波電流信號的電流解析信號和所述超聲波電壓信號的電壓解析信號，根據(jù)所述電流解析信號和所述電壓解析信號獲得焊接過程中消耗的總能量；

功率差值獲得單元，用于根據(jù)焊接過程的超聲波功率最大值和超聲波信號的有效值的平均值的差值，獲得功率差值；

平均速度獲得單元，用于根據(jù)獲取的工具頭下壓位移信號獲得焊接開始后預設時間內(nèi)的工具頭下壓的平均速度；

信號能量比例獲得單元，用于對獲取的換能器的超聲波電流信號依次進行小波包分解和信號重構，獲得各個重構信號，根據(jù)各個重構信號計算各個頻段的信號能量以及所有頻段的信號總能量，根據(jù)各個頻段的信號能量以及所述信號總能量獲取各個頻段的信號能量比例。

在一個實施例中，所述總能量獲得單元包括：

幅值包絡線和相位差獲得子單元，用于根據(jù)所述電流解析信號和所述電壓解析信號獲得電流信號的幅值包絡線、電壓信號的幅值包絡線以及電流信號與電壓信號之間的相位差；

有功功率獲得子單元，用于根據(jù)電流信號的幅值包絡線、電壓信號的幅值包絡線以及所述相位差，獲得焊接過程中的有功功率；

總能量獲得子單元，用于對所述有功功率進行積分，獲得焊接過程中消耗的總能量。

在一個實施例中，所述平均速度獲得單元包括：

第一平均速度獲得子單元，用于根據(jù)工具頭下壓位移信號獲得每個t時間段內(nèi)的工具頭下壓平均速度，t時間段為對焊接開始后預設時間分割的子時間段；

第二平均速度獲得子單元，用于計算所有t時間段內(nèi)的工具頭下壓平均速度的平均值，獲得焊接開始后預設時間內(nèi)的工具頭下壓的平均速度。

本發(fā)明裝置其它技術特征與本發(fā)明方法相同，在此不予贅述。

本發(fā)明還提供一種超聲波金屬焊接機，所述超聲波金屬焊接機包括上述的超聲波金屬焊接質(zhì)量評估裝置。

本發(fā)明對獲得的焊接過程信息進行深入分析，提取出與焊接質(zhì)量聯(lián)系密切的信息特征并建立神經(jīng)網(wǎng)絡預測焊接接頭的拉伸強度，實現(xiàn)對焊接質(zhì)量的自動在線監(jiān)測與評估，從而在生產(chǎn)過程中可以有效識別質(zhì)量較差的焊接接頭，如此將大大提高產(chǎn)品質(zhì)量的穩(wěn)定性，減小監(jiān)測的人力物力投入，提高生產(chǎn)效率。

以上所述實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發(fā)明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發(fā)明構思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應以所附權利要求為準。