一种密度感知采样方法，用于锂离子CTM蓄电池壳盖密封焊接中的质量预测

锂离子电池的功率质量对新能源车的安全和品牌信誉至关重要，从而推动行业迈向零缺陷制造。在锂电池生产中，壳盖焊接是决定密封完整性和结构稳定性的关键工艺。然而，焊接数据表现出高维冗余、严重的类失衡和序数质量等级。这些特性使传统软传感器在保持低误报率的情况下，无法在关键缺陷中获得高召回率。为解决这些限制，提出了一个密度感知的门控集合学习框架。该框架将基于密度的样本加权与渐进式课程学习相结合，以管理复杂的数据分布，同时将特征稀疏化应用于序数质量预测，以实现关键参数的可解释识别。对真实锂电池生产数据的验证表明，该方法实现了0.9578的F1、0.9483的最小召回率和0.9868的G平均值，显著优于最先进的方法。该方法还实现了零失误检测，并大幅降低了特征维度。这些结果显示其在工业质量监测和工艺优化方面具有强大潜力。

简介

动力锂离子电池是新能源汽车（NEVs）的关键部件，直接影响车辆的可靠性和运行安全。2024年，中国因火灾风险召回了380,700辆NEVs，其中283,000起直接与电池系统缺陷相关，占74.34%（《中国证券杂志》，2025）。这些数据表明，电池制造的不足已成为削弱车辆安全和市场信任的主要因素，从而对新能源汽车行业的可持续发展构成重大挑战。行业报告进一步指出，此类风险往往源于关键组装阶段质量控制不当。例如，2023年韩国京畿道一家电池制造厂发生的一起重大火灾事件，部分原因是弹壳组装不当。壳盖密封焊接的缺陷可能导致电解液泄漏、内部短路或热失控，已成为电池制造行业的核心问题。因此，本研究特别聚焦于如何选择关键工艺参数，建立高度准确的质量预测模型，以实现锂离子电池壳盖密封焊接的主动质量控制和近零缺陷制造。
现有研究主要集中在利用计算机视觉技术进行工艺后缺陷检测或焊接参数的实验优化（Hwang和Lee，2024;Racewicz和Fijalkowski，2023;Trinh和Lee，2024;Yuan等，2024;Zhang等，2020）。虽然这些方法提供了有用的见解，但它们主要限于最终阶段的检查或孤立参数分析。因此，它们未能捕捉焊接过程中工艺参数的累积影响，也无法支持主动的质量控制。
随着工业物联网（IIoT）技术的采用，焊接过程中高频采集多源传感器数据变得可行（Ahmed 等，2025）。功率、散焦和PET膜膜长度等参数现在可以持续监控，为数据驱动的质量预测、关键工艺参数识别和主动过程控制奠定基础。然而，关于锂离子电池壳盖密封焊接质量预测的研究仍然稀少（Diez-Olivan 等，2019）。
本研究使用了2025年3月一家大型锂离子电池制造商生产线升级期间收集的生产数据。数据显示，电池壳盖密封焊接的首次缺陷率达到8.54%，其中严重缺陷占1.75%。这相当于严重缺陷样品与合格样品之间的约1：52.38比。因此，主动的质量控制，借助预测性监测和参数识别，推动零缺陷制造，已成为行业紧迫的任务。
尽管基于数据的质量预测方法已被广泛应用于复杂的工业流程中，但其在壳帽密封焊接中的有效性仍受工业数据的若干固有特性所限制。首先，样本呈长尾分布，类别极度不平衡。激光焊接过程中产生的热辐射和电磁干扰会引入传感器噪声，降低了在低信噪比条件下缺陷特征提取的稳定性。传统的平衡方法，如SMOTE和GAN，主要依赖特征空间的插值，这可能违反可行参数范围并引入系统偏置。其次，密封焊接质量分为四个等级：合格、次要、中等和严重。这种设定涉及高度不对称的误分类成本，因为假阴性的代价是假阳性的100到10,000倍，且遗漏严重缺陷可能导致热失控。然而，大多数传统模型既未能有效利用序数信息，也未能区分错误分类成本，这增加了遗漏关键缺陷的风险。第三，密封焊接过程涉及59个工艺参数，跨越多个制造阶段，从PET薄膜包裹到焊接滚轮压制。顺序操作之间的物理耦合往往会诱导潜在的参数冗余，加剧过拟合并削弱模型的可解释性，从而限制过程工程师的可操作指导。
为应对这些挑战，本研究提出了一个协作优化框架，用于壳盖密封焊接中的序数质量预测和特征选择。该框架从数据和模型两个角度设计。在数据层面，引入了多视角、密度感知的样本加权机制，以强调边界关键的工作条件样本，同时抑制噪声。在模型层面，得出的样本权重被纳入加权采样表和课程学习策略中，以指导改进随机配置网络（ISCN）的训练。此外，采用门控集合结构以确保稳健的序数质量预测。还采用了基于包装器的四维特征评估方案，以显式评估特征重要性。通过这一集成设计，所提框架提升了复杂工业质量预测任务的泛化能力和可解释性。
本研究的主要贡献总结如下：

• 1.
  提出了一种密度感知样本加权策略，以增强稀疏、噪声和长尾焊接数据建模的鲁棒性，有效缓解类别失衡和数据质量下降。
• 2.
  开发了一种序数质量预测机制，明确建模质量等级之间的序数关系及其相关的非对称风险成本，从而降低安全关键场景中高风险漏检的可能性。
• 3.
  建立了协作优化框架，结合特征选择与质量预测，实现端到端学习，避免因分级建模导致的信息丢失，同时保持关键工艺参数的可解释性，支持工业决策。