本项目面向新能源汽车动力电池包电阻点焊质量检测问题，针对传统人工目检和离线抽检效率低、实时性差、难以反映焊接过程动态变化等痛点，开展点焊过程多源信号采集与智能质量预测研究。项目在机器人点焊平台基础上，集成压力传感器、激光位移传感器模块，构建包含力、位移、电学信号与焊点图像的多源数据体系；同时结合图像模态与时序信号模态，开展深度学习和多模态融合建模，为电池包焊点质量在线监测、缺陷识别和智能制造提供技术支撑。

项目目标是建立一套面向电池包电阻点焊的多源数据采集、处理与质量预测方法。首先，完成机器人点焊平台改造，实现焊接过程中压力、位移、电流、电压、动态电阻等过程信号以及焊后图像的同步采集与统一管理。其次，围绕电流、压力、板材间隙、油污、边缘焊、重叠焊等因素设计缺陷诱导工况，完成数据清洗、焊点切分、时间窗口对齐和特征提取。最后，构建图像单模态模型、信号单模态模型和图像—时序信号融合模型，提升焊点质量分类的准确性、稳定性和鲁棒性。

项目完成了电池包点焊多源信号采集平台搭建，形成覆盖22组缺陷诱导工况的数据集，并实现焊点图像与焊接过程时序信号的一一匹配。实验分析表明，不同缺陷工况在多源信号中具有可区分特征：虚焊样本通电阶段位移变化量低于正常样本，边缘焊动态电阻曲线易出现局部尖峰，重叠焊与高电流工况在部分电学曲线形态上具有相似性。算法方面，完成基于ResNet18的图像分类模型、一维卷积信号模型以及多模态融合模型构建，验证了图像信息与过程信号互补融合可有效提升焊点质量分类性能。