随着物联网的快速发展,基于传感器数据和机器学习的产品质量检测方法,能够以较低的成本获取精确的质量检测结果。由于实际生产环境复杂、产品切换频繁等原因,空调冷凝管胀管工序中的管口质量检测面临着数据获取困难和检测效率低、成本高等问题。针对上述情况,将胀管工序的管口质量状态识别问题转换为数据驱动的模式识别问题,采用了SOM-BP模型和CNN-TL模型,在四种不同规模样本量的产品数据集上取得较好的识别效果。主要研究内容如下:首先,基于胀管工序生产过程原理,搭建数据采集平台,采用压力传感器获取胀管过程支撑座所受压力,作为间接反映管口质量状态的数据指标,采用视觉传感器进行管口尺寸识别,用于数据分析的质量状态标定和验证,最终获取四种产品不同规模的实验数据集。其次,结合胀管工序特性进行数据降噪、分段等预处理,并对于提出的两种不同的模型,分别采用不同的方法从分段数据中提取多维特征值。一是用于SOM-BP模型的常规特征提取方法,包括提取压力数据的时域、频域和时频特征,并使用皮尔森相关分析进行特征筛选;二是用于CNN-TL模型的特征提取方法,基于小波变化将压力数据转换为小波尺度谱图像,然后提取图像特征。再者,进一步采用SOM-BP模型解决胀管工序中的管口质量状态识别问题,该模型兼顾了SOM神经网络收敛速度快和BP网络学习能力及自适应能力强的优点,在四种产品的数据集上具有较好的识别效果。但实验结果表明,本模型在其中两种较小样本量产品的数据集上识别效果不如与其相似的另两种较大样本量产品的数据集。最后,利用CNN-TL模型来解决较小样本量产品数据集中识别结果不足够好的问题,即先利用较大样本量产品数据集训练CNN模型,再在较小样本量的产品数据集进行迁移学习,从而解决小样本量情况下训练不足和过拟合等问题。实验结果证明该模型可以取得更好的识别效果。