1.基于多传感器数据决策融合的超声焊接质量预测方法，其特征在于：包括以下步骤：步骤一：信号采集、获取数据：使用激光测振仪实时采集超声焊头的振幅数据，记为H；

通过焊接机导出焊接过程中关键参数的变换情况，其中W表示功率、P表示压力、D表示深度；

通过回路电流发生器，测量焊接样本的电阻值；

步骤二：数据预处理：将H、W、P、D四类数据用0值填充至等长，并将其转化为二维图像数据，其中H需要先经过降采样以及SE‑VMD处理；

步骤三：特征提取与电阻值预测：提取步骤二获取的数据，分别放入Mobile net V2模型中提取特征，然后将提取到的四组特征经过全连接层网络预测电阻值，对比不同传感器数据预测的结果；

步骤四：传感器数据融合：验证H、W、P、D四类数据之间的不同组合方式，在数据融合、特征融合和决策融合三种融合策略上取得的效果，选取最优的数据组合方式和对应的融合策略，所述步骤二具体包括：

步骤2.1：使用焊接过程中的四种关键数据，分别为激光传感器测得的超声焊头振幅H，通过焊接机内部导出的压力P、深度D和功率W变化曲线，并将这三类数据进行归一化处理使数据分布在[0,1]之间：式中，三类数据中任意一类数据X＝{x1，x2，x3，…，xn}，xi表示某一类数据中第i个样本数据，n表示该类数据的长度，max(X)表示这类数据中的最大值，min(X)表示这类数据中的最小值；

步骤2.2：截取有效数据长度，并每隔100个点保留1个点进行降采样，将数据降维，并用

0值将振幅数据和步骤2.1中的三类数据填充至等长；

步骤2.3：基于SE‑VMD将振幅数据进行分解与重构，通过变分模态分解VMD来消除多模态混叠对预测效果带来的影响，采用最小样本熵(SE)准则确定最优K值，评估VMD分解后序列的复杂性，获取最优的分解层数K，引入样本熵SE，应用VMD分解振幅后，计算每个子序列的SE值，SE最小的序列为振幅数据的趋势项，趋势项SE趋于稳定的转折点的K值被视为VMD的最优分解次数；

在确定K之后，振幅数据经过VMD处理后，获得K个模态分量，在K个模态分量中，挑选出在超声工作频率范围内的模态分量，并通过累加的方式重构振幅数据，以去除噪声干扰；

步骤2.4：将步骤2.3处理后的振幅数据转化为68×68×1的三维图像。

2.根据权利要求1所述的基于多传感器数据决策融合的超声焊接质量预测方法，其特征在于：所述步骤三具体包括：步骤3.1：分别将步骤2.4获取的四类图像数据放入Mobile net V2中进一步提取数据特征，Mobile net V2设置了17层Bottleneck，每层Bottleneck包含深度可分离卷积，并通过线性瓶颈和反向残差结构优化网络，每层Bottleneck设置了不同的卷积核个数与步长，以获得不同尺度的特征向量；

步骤3.2：将步骤3.1中获得的四组特征向量，分别放入三层全连接网络进行电阻值预测，全连接网络最后一层神经元输出预测电阻值。

3.根据权利要求2所述的基于多传感器数据决策融合的超声焊接质量预测方法，其特征在于：所述步骤四具体包括：将步骤2.4获取的四组图像数据进行组合，分别验证数据融合、特征融合、决策融合这三种融合策略，在上述数据组合上取得的预测效果；

步骤4.1：在数据融合阶段，先将数据进行堆叠，堆叠后数据维度变为68×68×N，N为融合的传感器数据个数；将融合后的数据放入Mobile Net V2提取特征，再经过全连接层网络输出预测电阻值；

步骤4.2：在特征融合阶段，分别将每一类传感器数据放入Mobile Net V2中，经过网络前14层的特征提取，每类数据维度变为3×3×160，再堆叠成维度为3×3×(160×N)的图像特征，放入Mobile Net V2的后三层网络中得到三组特征，最后将特征合并放入全连接层输出电阻预测值；

步骤4.3：在决策融合阶段，将每类传感器数据放入Mobile Net V2中，经过17层网络的特征提取，振幅数据维度变为1000×1的一维向量，功率、压力和深度数据变为512×1的一维向量，再拼接成长度为一维特征，将拼接后的特征放入全连接层输出电阻预测值。