臺灣博碩士論文加值系統

電阻點焊廣泛運用於汽車鈑金的接合，焊點品質會直接影響到汽車的安全性。檢測點焊品質的方法分為兩種：破壞性檢測和非破壞性檢測。破壞性檢測主要有抗拉剪斷檢驗、抗拉檢驗、疲勞檢驗、硬度檢驗、剝離檢驗等，其中最簡單的是以人力破壞焊點的手法，並以目測方式檢測焊點的好壞，除了費時也增加焊件的成本；非破壞性檢驗則有超音波檢測以及熱影像監測等方法，大多需要昂貴的設備，且檢驗人員須經過長期的訓練。為了節省成本、時間以及方便性，Shih-Fu Ling & Lixue Wan(2000，[1])量測焊接過程中的電壓及電流訊號，藉由數學的運算得到阻抗曲線，擷取阻抗曲線上的特徵點訓練類神經網路，運用類神經網路達到線上檢測焊點好壞。本論文以阻抗曲線和阻抗微分曲線，這兩條曲線的特徵值來訓練類神經網路，建立點焊線上檢測系統。並進一步於實際生產線上所會遇到的各種狀況，以不同的鈑材條件，以及不同的先端徑條件進行測試。達到線上即時檢測焊點好壞的系統。

Resistance Spot Welding (RSW) is broadly used in automobile sheet metal joining. The quality of the welding spot nugget directly affects the safety of the car.
There are two methods for monitoring the quality: destructive testing (DT) and non-destructive testing (NDT). There are several ways to perform the destructive testing, including tensile test, fatigue test, hardness test, delamination peel test, etc. Among all the options, the easiest way is to artificially destroy the welding spot and observe the welding spot by visual inspection. However, not only it is time consuming but also the cost is high. In the case of non-destructive testing, including Ultrasonic testing and thermography testing, etc., expensive equipments and well-trained inspectors is required. In order to reduce the cost and time as well as increase the convenience, Shih-Fu Ling & Lixue Wan(2000[1]) measured the signal of voltage and current during the welding, utilized the measured values to obtain the impedance curve, and used the eigenvalues of the curve to train a neural network, achieved the goal of creating an online monitoring system for welding spot.
This thesis used the eigenvalues of impedance curve and impedance differential curve to train the neural network to obtain the online monitoring system, and the system is experimented under different weldment conditions and tip diameters, in order to simulate actual conditions of the production line.

摘要 i
Abstract ii
誌謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
符號說明 ix
第一章 緒論 1
1.1 研究目的與動機 1
1.2 文獻回顧 1
1.3 研究方法 2
1.4 論文架構 3
第二章 電阻點焊阻抗變化之量測 4
2.1 RSW(Resistance Spot Welding) 4
2.2電阻點焊等效電路 5
2.3 硬體架構 6
2.3.1感應線圈(Rogowski coil，羅氏線圈) 7
2.3.2積分器 8
2.3.3低通濾波器 10
2.3.4放大器 13
2.3.5 DSK(DSP Started Kit)簡介 15
2.3.6 ADC 規格 16
第三章 數位訊號處理 17
3.1數位帶通濾波器 17
3.2希爾伯特轉換(Hilbert Transform) 20
3.3阻抗曲線 20
第四章 類神經網路 23
4.1類神經網路(Artificial Neural Network，ANN) 23
4.2網路架構 25
4.3激勵函數(Activation Function) 25
4.4倒傳遞類神經網路(Back-Propagation Neural Network) 27
4.4演算法則 28
第五章 焊接實驗規劃 35
5.1板材種類 35
5.2先端徑種類 37
第六章 類神經網路訓練及判斷成效 40
6.1點焊品質鑑別流程 40
6.2焊接火花判別網路(網路1) 43
6.2.1網路1選取特徵 44
6.2.2網路1網路架構 45
6.2.3網路1判別結果 46
6.2.4修改後之網路1特徵擷取 47
6.2.5修改後之網路1網路架構 48
6.2.6修改後之網路1判別結果 49
6.3無火花情況之焊點好壞品質鑑別網路(網路2) 49
6.3.1網路2選取特徵 49
6.3.2網路2網路架構 52
6.3.3網路2判別結果 53
6.4有火花情況之焊點好壞品質鑑別網路(網路3) 54
6.4.1網路3選取特徵 55
6.4.2網路3網路架構 57
6.4.3網路3判別結果 58
第七章 結論與建議 59
7.1結論 59
7.2建議 59
參考文獻 61

[1] Shih-Fu Ling & Lixue Wan，2000，Monitoring a spot welding process via electrical input impedance， in Proceeding of the 19th International Conference on Experimental Mechanics，pp. 348–351
[2] 謝宗賢，2002，DSP於阻抗監測之應用，雲林科技大學機械所，碩士論文。
[3] 鄭守益，2003，類神經網路之點焊品質鑑別，雲林科技大學機械所
碩士論文。
[4] 林志偉，2004，焊接品質鑑別之研究，雲林科技大學機械所碩士論
文。
[5] Alan V. Oppenheim & Ronald W. Schafer，2011，Discrete-time signal processing，3rd Edition，Prentice Hall。
[6] Simon Haykin，2008，Neural networks and learning machines，3rd Edition，Prentice Hall。
[7] 周鵬程，2002，類神經網路入門，全華科技圖書股份有限公司。
[8] OKAWA Electric Design：
http://sim.okawadenshi.jp/en/OPseikiLowkeisan.htm。
[9] The Lab Book Pages：
http://www.labbookpages.co.uk/audio/firWindowing.html。
[10] MISCELLANY：
http://www.arc.id.au/FilterDesign.html。