在汽车白车身的制造工艺中,电阻点焊是最主要的连接工艺,因此为了使白车身的质量达到法律法规的要求,就要保障焊点的质量。破坏性检测方法只能抽取部分样本进行检测,无法保障每个焊点的质量。超声波检测技术是一种应用广泛的无损检测技术,具有检测成本低、操作简单等优势,可以全覆盖地对白车身焊点的质量进行检测。支持向量机(SVM)是一种基于统计学习理论和结构风险最小化的智能分类算法,可以对超声回波序列中包含的反映焊点质量的大量信息进行学习,然后对焊点的质量进行智能识别。而且在实际生产中,大部分的焊点都是合格的,只有少量的焊点是不合格的,因此焊点质量的识别问题是一个不平衡数据集的分类问题。本文针对焊点质量识别问题的特点进行了研究。首先,对超声波焊点检测基本理论、支持向量机的理论基础以及不平衡数据集的一般处理方法进行了介绍,为本文后面的研究内容提供了理论支持。其次,根据焊点质量类型的特点基于SVM建立了焊点分类模型,分析了影响SVM焊点分类模型性能的主要参数,采用了遗传算法对SVM焊点分类模型的参数进行优化选择(GA-SVM):对SVM焊点分类模型的惩罚因子C和高斯核函数g进行二进制编码,随机产生初始化种群,然后执行选择、交叉、变异等操作以产生新一代种群,并开始新一代的遗传,直到满足遗传算法的停止准则并输出最优的C值和g值。实验结果表明,遗传算法能够有效降低SVM分类模型传统参数选择方法的随机性和耗时性。然后,介绍了K-Means算法的基本原理,分析了合成少数类过采样技术(SMOTE)算法的优缺点,并针对其存在的可能会破坏焊点数据集样本的分布特点以及模糊合格焊点与不合格焊点边界的问题,采用了K-Means算法进行优化:对不合格焊点数据使用K-Means算法进行预处理,以聚类中心为基准,用改进的插值公式代替原有的插值公式,将新生成的不合格焊点数据控制在相应的不合格焊点聚类范围内。实验结果表明,基于K-Means改进的SMOTE算法(KM-SMOTE)能够有效提升分类模型处理不平衡数据集的性能。最后,分析了超声波焊点检测技术的特点,选取衰减率、底面回波间距、底面回波个数以及中间回波个数作为焊点质量识别的特征值。模拟真实焊接环境制作了5000个的焊接样件,并用专业的焊点超声波探伤仪进行数据采集,对采集到的超声波数据进行分析和整理。实验结果表明,本文的KM-SMOTE-GA-SVM方法可以有效识别焊点的质量类型。