CN102513650B - 一种噪声、相关、时耗三因素耦合维归约方法 - Google Patents

Abstract

本发明涉及工业对象的自适应监测领域，特别涉及一种噪声、相关、时耗三因素耦合维归约方法，其步骤为：（1）采集信号样本；（2）计算特征的值和所消耗时间；（3）设置噪信比正态概率密度分布参数；（4）设置监测信号采集时间，计算此采集时长情况下每一个特征的时耗；（5）设置总时耗限制值、实评等级；（6）设置无关特征阈值，计算单个特征的识别率，删除无关特征；（7）设置冗余特征阈值，计算每两个特征之间的相关系数，删除冗余特征；（8）进行第1轮三因素耦合维归约并选出候选队列；（9）从候选队列首部中取出集合进行第二轮以上的维归约，读取最优集合及其识别率。本发明能实现对工业对象的自适应监测，识别准确率高。

Description

一种噪声、相关、时耗三因素耦合维归约方法

技术领域

本发明涉及工业对象的自适应监测领域，特别涉及一种噪声、相关、时耗三因素耦合维归约方法。

背景技术

在工业生产的过程中，单靠操作员对机器及产品进行人工观察分析，很可能会因为某些人为因素，比如主观性、疲劳等，而做出错误的评价，从而导致生产效率低、资源浪费、不合格产品增加甚至是安全威胁。因此，引入自动化的监测方法是大势所趋。相应的监测方法或系统数不胜数，比如张明岐等发明的一种电液束加工穿透监测处理方法，杨峰发明的半导体加工工艺的监测系统和方法。然而，现代的生产技术发展迅速，各行业内，新的生产设备或工艺不断涌现。这给自动化监测工作带来了严峻的考验——为了适应设备的更新或工艺的改变，监测方法和系统要同期调整甚至重新研制。这将要花费大量的人力物力资源。

例如，近年来随着市场竞争的日趋激烈，各焊接生产企业不断研发生产新型的弧焊机，提高自身技术竞争力。而人工智能技术、计算机视觉技术、数字化信息处理技术、机器人技术等现代高新技术的融入，也促使电弧焊技术正向着焊接电源动特性多样化、焊接工艺高效化、焊接质量控制智能化、焊接生产过程机器人化的方向发展。就在弧焊电源日新月异的同时，其监测技术的发展遭遇了严重的困难。在实际生产应用中，对弧焊电源动特性好坏的评定，长期以来，由有经验的焊工经试焊后做出评价，所谓动特性好，一般指焊接过程稳定、飞溅小、焊缝成形好。这种方法具有很大的个人主观成分，人力成本高，判断速度慢，已无法适应焊机出厂流水线质量检测、自动化焊接监测等的应用要求。引入智能化方法进行自动化评定，是必由之路。按惯常思路，总是针对具体型号的焊机，详细研究并建立监测系统。然而，随着弧焊技术的飞速发展，面向不同应用场合的新型号层出不穷。若按该思路，需要不断地对新的型号进行深入研究，建立与之适应的监测系统。这种做法需要持续消耗大量的人力物力，严重背离经济原则，脱离现实。

发明内容

本发明提供一种噪声、相关、时耗三因素耦合维归约方法，其目的在于：当面对一个具体的监测对象时，对其采集一定量的数据样本组成训练集和测试集。以训练和测试实验为依据，从一个较为完备的特征库中，自动化选择出能有效判定该对象等级的若干关键特征，从而实现对多样化对象的自适应监测。

本发明的目的通过下述技术方案实现：

一种噪声、相关、时耗三因素耦合维归约方法，包括如下步骤：

(1)消除干扰，采集每一个监测过程的信号样本；

(2)根据噪信比向量NSR，对每个监测过程的数据样本，计算每一种噪声噪信比情况下的每一个特征的值和所消耗的时间t(i)；

(3)设置噪信比正态概率密度分布参数μ和σ；

(4)设置监测信号采集时间T，然后计算此采集时长情况下，每一个特征的时耗T(i)；

(5)设置总时耗限制值AMTC、实评等级；

(6)设置无关特征阈值，计算单个特征的识别率，删除无关特征；

(7)设置冗余特征阈值，计算每两个特征之间的相关系数，删除冗余特征；

(8)根据步骤(2)中的NSR和特征值、步骤(3)中的μ和σ、步骤(4)中的时耗T(i)、步骤(5)中的总时耗限制值和实评等级进行第1轮三因素耦合维归约并选出候选队列；

(9)从候选队列首部中取出集合进行第二轮以上的维归约，直至候选队列中的集合全部计算完毕或者连续进行10轮都没有算出更优的集合，读取最优集合及其识别率。

所述步骤(2)包括：

(21)设置噪信比列表参数NSR；

(22)对监测信号进行小波滤波，消除谐波干扰；

(23)根据步骤(21)中的NSR，向步骤(22)中处理后的无干扰信号添加高斯白噪声后再进行小波滤波；

(24)对步骤(23)中处理后的信号提取各个特征值和记录提取该特征所消耗的时间t(i)。

所述步骤(4)包括：

(41)设置监测信号采集时间T；

(42)测试并记录采集频率F；

(43)计算出采集的监测信号的序列长度L，L＝F*T；

(44)将步骤(1)中采集的信号样本，随机选择一部分组成训练集，剩余部分组成测试集，根据这两个集合中每一个监测过程信号样本的序列长度和每个特征的时耗t(i)，插值计算出序列长度为L时该特征的时耗T(i)。

所述步骤(8)中的第1轮三因素耦合维归约步骤如下：

——(81)包含，其步骤包括：

(81.1)找出最优特征j：

式中，CS指当前特征子集；

Value(x)指集合x的评价值；

——(82)检验，其步骤包括：

(82.1)在当前特征子集CS中找出特征u：

$\underset{u}{\arg }{\mathrm{Max}}_{u\∈\mathrm{CS}}\left(\mathrm{Value}(\mathrm{CS}-\{u\left\}\right)\right);$

(82.2)计算CS删除u后所得特征子集的Future₁，即Future(CS-{u})；在集合CS中删除掉除u以外的任意一个特征v，计算Future₂，即Future(CS-{v})；比较Future₁与Future₂的大小，若Future₂大于Future₁，则将集合(CS-{v})存入候选队列；

按上述规则逐个找出特征v，把所有的集合(CS-{v})都存入候选队列；

(82.3)判断u与步骤(81.1)中的j是否相等；是，重复步骤(81)；否则删除u，转向步骤(83)；

——(83)排除，其步骤包括：

(83.1)在CS中寻找特征y：

$\underset{y}{\arg }{\mathrm{Max}}_{y\∈\mathrm{CS}}\left(\mathrm{Value}(\mathrm{CS}-\{y\left\}\right)\right);$

(83.2)计算CS删除y所得特征子集的Future₁，即Future(CS-{y})；在集合CS中删除掉除y以外的任意一个特征v，计算Future₂，即Future(CS-{v})；比较Future₁与Future₂的大小，若future₂＞future₁，则将集合(CS-{v})存入候选队列；按上述规则逐个找出特征v，把所有的集合(CS-{v})都存入候选队列；

(83.3)寻找特征子集otherSubset，若满足：

Value(otherSubset)≥Value(CS-{y})&&Future(otherSubset)≥Future(CS-{y})，

则重复步骤(81)；否则删除y；

(83.4)若CS中只剩下1个特征，重复步骤(81)，否则重复步骤(83)。

所述步骤(9)中进行的第二轮及以上的三因素耦合维归约，其步骤如下：

——(91)包含，其步骤包括：

(91.1)找出最优特征j：

——(92)检验，其步骤包括：

(92.1)在当前特征子集CS中找1个最不重要的特征u：

$\underset{u}{\arg }{\mathrm{Max}}_{u\∈\mathrm{CS}}\left(\mathrm{Value}(\mathrm{CS}-\{u\left\}\right)\right);$

(92.3)判断u与步骤(81.1)中的j是否相等；是，重复步骤(91)；否则删除u，转向步骤(93)；

——(93)排除，其步骤包括：

(93.1)在CS中寻找特征y：

$\underset{y}{\arg }{\mathrm{Max}}_{y\∈\mathrm{CS}}\left(\mathrm{Value}(\mathrm{CS}-\{y\left\}\right)\right);$

(93.3)寻找特征子集otherSubset，若满足：

Value(otherSubset)≥Value(CS-{y})&&Future(otherSubset)≥Future(CS-{y})，则重复步骤(91)；否则删除y；

(93.4)若CS中只剩下1个特征，重复步骤(91)，否则重复步骤(93)。

所述步骤(9)中的最优集合即Value值最大的特征子集。

所述步骤(81.1)中Value(x)的计算步骤如下：

(81.11)把特征集x输入到支持向量机，基于训练集，根据步骤(5)中每个样本的实评等级，采用交叉检验的方法，修正支持向量机的内部参数；

(81.12)根据步骤(5)中每个样本的实评等级，计算测试集的自动评定的准确率，即噪信比为NSR(k)情况下的准确率accuracy(k)，形成accuracy向量；

(81.13)把NSR向量进行均匀的线性插值，得到新向量NSR_split；

(81.14)利用正态概率密度分布函数计算新向量NSR_split的概率密度向量normpdfArray后再进行归一化；

(81.15)对向量NSR、向量accuracy和向量NSR_split，进行三次样条插值后得到支持向量机识别准确率的估计值向量accuracy_spline；

(81.16)计算特征集x输入到支持向量机后所得的识别准确率的统计平均值Value(x)，Value＝accuracy_spline·normpdfArray。

所述步骤(82.2)中的Future(x)的计算方法为：把库中所有特征，按时耗T(i)从小到大排列，形成一个时耗队列；从时耗队列的队首选取不属于特征集x的特征填充至特征集x中，当特征集x的总时耗大于总时耗限制值AMTC则停止；所述Future即为所增加的特征的个数。

本发明的原理是：现有的维归约方法面向的是特征值数据列表，每一个特征都有了具体的值，称为面向数据的维归约。因此本发明提出一种面向工业监测对象的维归约方法。首先，在工业环境中，往往存在着噪声干扰，使得从原始采集的物理信号中提取的各个特征受到影响，且程度各不相同。再者，这些特征难免存在一定的相关性。第三，这些特征的提取过程需要消耗大小不等的时间。为了能实现在线测评，务必确保整个算法的时效性，也即所有特征提取时间的总和应限制在一个可接受的范围。本发明综合考虑噪声、相关、时耗三个因素，基于工业生产环境采集监测信号，从特征全集中选择出了有效评价生产过程或产品质量的特征子集。

本发明与现有技术相比，具有如下优点和有益效果：

(1)可用于实现同一大类生产过程或产品的自适应在线测评。比如，对于电弧焊接过程，采用不同规格型号的焊机，或不同种类的熔滴过渡方式，就有不同的特点。当要监测一个具体的焊机及特定的熔滴过渡形式时，对其采集一定量的数据样本组成训练集和测试集；以训练和测试实验为依据，从一个较为完备的特征库中，自动化选择出能有效判定该对象等级的若干关键特征；从而实现对多样化对象的自适应监测。而这个工作只需由工厂内的普通操作人员完成，无需专业科研人员的参与。科研人员只需统一地建立和完善特征库，便可使得该方法适应大多数的监测对象。

(2)该方法也可以用于工业环境下的监测系统的研制过程，可辅助科研人员选择出有价值的特征，从而科学地实现高准确率的自动化决策。

具体实施方式

下面结合实施例对本发明的实施作进一步描述，但本发明的实施不限于此。

一种噪声、相关、时耗三因素耦合维归约方法，包括如下步骤：

Step1：在近似无干扰环境下采集每一个监测过程的信号样本。在本实施例中，具体的应用对象是弧焊电源，采集的是每一个焊接过程的电压电流信号数据。

Step2：设置噪信比向量NSR。例如NSR＝[0 0.05 0.1 0.15 0.2]。NSR(1)等于0，表示第1种情形下，噪信比为0，没有噪声。NSR(5)等于0.2，表示第5种情形下，噪信比为0.2。本实施例考虑的噪信比的变化范围是0至0.2，因为当出现更大的噪信比时，信号已遭到极大破坏，任何特征都已失去价值，自动判定的正确率非常低。所以，只考虑噪信比为0.2以下的范围，切实可行。

Step3：自动计算不同程度噪声干扰时，每个特征值大小，并一同计算其消耗时间，存储。

Step4：设置噪信比正态概率密度分布参数。参数值根据应用现场的情况设定。正态概率密度分布的函数为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}},$ -∞＜x＜+∞，

例如设定μ＝0；σ＝0.04。把上述NSR值代入该函数，并进行归一化后，即可得到其概率密度分布。

Step5：读入监测信号采集时间。如在本实施例中，把该值设置为3秒。在实际应用中可设置多个常用的采集时间长度。每一个值形成了一个“时间档次”，对每一个“时间档次”，运用本发明找到一个最优特征集合。

Step6：计算每个特征时耗，并存储。

Step7：设置总时耗限制值。例如，在本实施例中，所有特征的总时耗限制值被设为1.5秒。总时耗限制值与监测信号采集时间一一对应。

Step8：读入特征值。这些值在Step3中计算并存储。

Step9：设置实评等级。例如，每一个焊接过程，可从弧光、电弧声、焊缝等多方面，综合评价这时弧焊电源所表现的动特性的优劣。实评等级是维归约的教师信号，即类的标签。

Step10：特征值归一化。

Step11：求单个特征的识别率。把单个特征输入支持向量机，计算其识别正确率。

Step12：读入无关特征阈值。

Step13：删除无关特征。当单个特征识别率小于无关特征阈值时，删除该特征。

Step14：读入冗余特征阈值。

Step15：删除冗余特征。计算每两个特征之间的相关系数，当它大于冗余特征阈值时，删除单个特征识别率较小的那个特征。

Step16：第1轮三因素耦合维归约。

Step17：输出缓存区和候选队列。

Step18：候选队列为空？若是，转向Step22，否则，转向Step19。

Step19：从候选队列首部取出1集合为初始集合进行下1轮维归约。其详细子步骤见“2.6第2轮及其以后轮次的维归约的子过程”。

Step20：更新缓存区。

Step21：连续10轮都没有算出更优的集合？若是，转向Step22，否则，转向Step18。

Step22：从缓存区读出最优的集合及其识别率。当候选队列中的集合全部计算完毕，也就是所有轮次计算完毕之后，在缓冲区cache中找到Value最大的特征子集。该集合就是复合维归约的最终结果。

Step23：结束。

Step3中不同噪信比下特征提取子过程的步骤如下：

Step3.1：设置噪信比列表参数NSR。

Step3.2：读入一个焊接过程的电压电流离散时间信号数据。

Step3.3：对电压电流离散时间信号进行小波滤波，消除电路系统中常带有的谐波干扰。把消噪后所得的信号，近似看成无干扰信号。

Step3.4：设置k＝1。

Step3.5：在无干扰信号的基础上，模拟添加非谐波噪声，具体是向信号添加高斯白噪声，噪信比为NSR(k)。

Step3.6：判断是否单极性采集模式？若是，转向Step3.7，否则，转向Step3.8。

Step3.7：检查添加噪声后的信号值，若有小于0，则置为0。

Step3.8：小波滤波。

Step3.9：顺序提取每一个特征的值，期间，判定k是否为1，若是，记录提取每一特征所消耗时间。对于提取特定的某一个特征而言，其消耗的时间取决于电压电流离散时间信号数据的长度。因此，只需把其中一种噪声情形下的特征提取时间作为从该电压电流离散时间信号数据中提取该特征的时间消耗值，

Step3.10：k＝k+1。

Step3.11：k大于NSR列表的长度？若是，转向Step3.12，否则，转向Step3.5。

Step3.12：所有焊接过程的电信号数据都处理完？若是，转向Step3.13，否则，转向Step3.2。

Step3.13：返回每一个焊接过程每一种噪声噪信比情况下每一个特征的值，以及提取每一个特征所消耗的时间。

Step6中计算每个特征时耗的子过程的步骤如下：

Step6.1：从主过程接受该档次下电弧焊采集时间长度T。

Step6.2：测试并记录采集频率F。

Step6.3：计算出采集的电压和电流离散时间信号的序列长度L。L＝F*T。

Step6.4：从训练集和测试集中，读入每一个焊接过程的离散时间信号的序列长度以及每一个特征的时耗。

Step6.5：设置i＝1。

Step6.6：用训练集和测试集中每一个焊接过程的序列长度和第i个特征的时耗，插值计算出序列长度为L时该特征的时耗。

Step6.7：i＝i+1。

Step6.8：i是否已大于特征总数？若是，转向Step6.9，否则，转向Step6.6。

Step6.9：返回序列长度为L时每一个特征的时耗。

Step16中第1轮三因素耦合维归约的子过程的步骤如下：

Step16.1：包含。它包括如下步骤：

Step16.1.1：输出当前的特征子集CS(currentSubset，简称为CS)及其Value(通过Value(x)计算而来，下面将详细阐述)。该步骤是向研究人员报告当前计算的情况。

Step16.1.2：先判断当前的特征子集CS和上一个循环开始进行“包含”步骤时的特征子集是否相同，若是，则结束。

Step16.1.3：在前向登记表(forwardRecord)中查询集合CS，若能查到，则输出信息“曾经试过在这个集合的基础上加特征了”，退出，结束本轮的维归约。若无，把CS存入前向登记表以作登记。

Step16.1.4：加1个特征。具体为：先按(式1)，找出最优新特征j。然后再把它加入到当前特征中来，并记下这个新特征。

(式1)

其中CS指当前特征子集，AMTC是指允许消耗的最大时间allowedMaxTimeConsume。T(x)函数读出特征值x的时耗，也就是从原始电压电流数字信号序列中提取x特征所要消耗的时间值。该值由Step6计算并存储。

Value(x)是集合x的评价值。每一次获取Value(x)函数值的过程如下：先查询缓冲区cache是否有记录了特征集x及其Value，若有，直接读出。

否则，则要综合计算函数值。

设噪信比列表NSR的长度为NSR_Length。定义一个整数变量k，初始化为1。

由于在“不同噪信比下特征值提取过程”中，已经存储了每一个焊接过程每一种噪声噪信比情况下每一个特征的值。读入噪信比为NSR(k)时，训练集和测试集的所有特征值数据。

把特征集x输入到支持向量机，基于训练集，采用交叉检验的方法，修正支持向量机的内部参数，然后，对于测试集，计算其自动评定的准确率。这是噪信比为NSR(k)情况下的准确率accuracy(k)。

重复NSR_Length次，全部计算出所有的NSR_Length个accuracy(k)，形成accuracy向量。

把NSR向量进行均匀的线性插值，即在NSR(k)和NSR(k+1)之间，加入9个值，使得新向量NSR_split的间隔为原向量的十分之一。

假定出现这些噪信比的情形是符合正态概率密度分布的。其函数为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}},$ -∞＜x＜+∞，

正态概率密度分布函数的参数μ和σ，由用户根据应用现场的情况调整设置。

把向量NSR_split代入正态概率密度分布函数中，计算其概率密度向量normpdfArray。接着，让normpdfArray(k)＝normpdfArray(k)/sum(normpdfArray)，k＝1、2、3……normpdfArrayLength，来对normpdfArray向量的值进行归一化。

把向量NSR、向量accuracy和向量NSR_split，进行三次样条插值。其中，向量NSR、向量accuracy分别包含着对应的原始的自变量值和函数值，而向量NSR_split则包含需要插值的自变量值。经过插值后，得到accuracy_spline。它的每一个值，分别是向量NSR_split每一个值的函数值。也就是说，accuracy_spline(k)，被认为是当噪信比为NSR_split(k)时，支持向量机识别准确率的估计值。

计算Value＝accuracy_spline·normpdfArray。“·”表示向量点乘。

由此可见，Value(x)就是特征集x输入到支持向量机后所得的识别准确率的统计平均值。

最后把该特征集及其Value，存入缓冲区cache，并返回Value值。特别注意的是，后续步骤中还要多次求集合的价值Vaule，均是用到此Value(x)函数。补充说明：由于在每次求取Value(x)时，向量NSR_split和normpdfArray均是保持不变。在实际实现时可优化为：先在Value(x)函数外预先算好这两个向量，再以参数的形式读入。

Step16.1.4的核心思想是：在保证不超时的前提下，在库中顺序试探不属于当前特征子集的每一个特征，计算加入该特征所得新集合的价值。从而找到一个使得评价增加量最大的新特征j。真正把j加入到当前特征集合CS，并记录这个刚加入的特征j。

Step16.2：检验。它包括如下步骤：

Step16.2.1：在当前特征子集CS中找1个最不重要的特征u，按(式2)。

$\underset{u}{\arg }{\mathrm{Max}}_{u\∈\mathrm{CS}}\left(\mathrm{Value}(\mathrm{CS}-\{u\left\}\right)\right)$ (式2)

即找到一个u特征，与其他特征相比，若将它从CS中删除，Value的减少量最小。

Step16.2.2：计算CS删除u后所得特征子集的Future₁，即Future(CS-{u})；在集合CS中删除掉除u以外的任意一个特征v，计算Future₂，即Future(CS-{v})；比较Future₁与Future₂的大小，若Future₂大于Future₁，则将集合(CS-{v})存入候选队列。按上述规则逐个找出这样的特征v，把所有的集合(CS-{v})都存入候选队列。

Future是指当前集合最多还可以添加特征的数量，指前途之意。求Future，也即计算Future(x)函数时，把库中所有特征，按时耗T(i)从小到大排列，形成一个时耗队列；从时耗队列的队首选取不属于特征集x的特征填充至特征集x中，当特征集x的总时耗大于总时耗限制值AMTC则停止；所述Future即为所增加的特征的个数。

Step16.2.3：判断u是不是刚才加入的j，若是，不删除u，转向Step16.1，否则，从CS真正删除u，更新CS，然后转向Step16.3。

Step16.3：排除。它包括如下步骤：

Step16.3.1：在CS中寻找最不重要的特征y。按(式3)。

$\underset{y}{\arg }{\mathrm{Max}}_{y\∈\mathrm{CS}}\left(\mathrm{Value}(\mathrm{CS}-\{y\left\}\right)\right)$ (式3)

Step16.3.2：计算CS删除y所得特征子集的Future₁，即Future(CS-{y})；在集合CS中删除掉除y以外的任意一个特征v，计算Future₂，即Future(CS-{v})；比较Future₁与Future₂的大小，若future₂＞future₁，则将集合(CS-{v})存入候选队列。按上述规则逐个找出这样的特征v，把所有的集合(CS-{v})都存入候选队列。

Step16.3.3：如果能在缓存区中找到一个特征子集otherSubset，满足：Value(otherSubset)≥Value(CS-{y})&&Future(otherSubset)≥Future(CS-{y})(式4)则不删除y，直接转向Step16.1。

Step16.3.4：从CS中真正删除y，更新CS。

Step16.3.5：如果CS中只剩下1个特征，转向Step16.1，否则，转向Step16.3。

Step19中第2轮及其以后轮次的维归约的子过程的步骤如下；

上述Step16.1至Step16.3组成了第1轮的复合维归约。第2及以后轮次，从候选队列中取1个特征集作为初始集合，按上述Step16.1至Step16.3删除Step16.2.2和Step16.3.2后得到的流程，进行复合维归约。

本发明以逆变焊机的开发及其自动化检测的研究为例，利用小波分析仪测试焊接过程中的电流电压信号，其硬件部分的功能主要是将采集信号调理到合适的线性范围内，软件部分的功能包括小波分析、FFT、UI关系分析、输入能量分析等。使用小波分析仪，不但能够得到精确的原始电流电压波形，还可以通过小波滤波的功能，将采集过程中的干扰滤除，提取到所需要的波形信息和其他分析结果。小波分析仪与数据采集卡之间采用同轴电缆连接，这也有效消除了噪声的干扰。

采用该平台，对三台焊机(NBC250、NBC350、自行研制的多功能数字化焊机)进行实测评定。气体流量为16L/min，随机选用1.0mm、1.2mm及1.6mm的焊丝。其干伸长为12mm，试件为Q235钢板。共进行189次焊接测试。对于每一个焊接过程，用自行研制的小波分析仪采集其电压电流信号并存储，积累了189个数据样本。根据焊接现场的情况，综合评测，把弧焊电源的动特性优劣分别归入A、B、C、D、E五个等级之一。随机选择150个焊接数据样本组成训练集，剩余39个组成测试集。评级依据如下：

A级：焊接过程稳定，几乎没有飞溅，焊缝成形好，焊缝表面光洁、致密，有鱼鳞状波纹。

B级：焊接过程稳定，飞溅较小，焊缝成形好。

C级：焊接过程不太稳定，飞溅较大，焊缝表面不光洁。

D级：焊接过程能顺利进行，但焊接过程不太稳定，存在大量的飞溅，焊缝成形不太好。

E级：焊接过程不能顺利进行，存在较多断弧现象；或焊接过程能顺利进行，但焊接过程不稳定，存在大量的飞溅。

本发明的核心思想是从特征库中选择出最佳的若干特征。本实施例选取57个特征，分别是：

(1)燃弧时间平均值，(2)燃弧时间变异系数，(3)短路时间平均值，(4)短路时间变异系数，(5)短路时刻电流平均值，(6)短路时刻电流变异系数，(7)峰值电流平均值，(8)峰值电流变异系数，(9)燃弧能量平均值，(10)燃弧能量变异系数，

(11)燃弧功率平均值，(12)燃弧功率变异系数，(13)短路能量平均值，(14)短路能量变异系数，(15)短路功率平均值，(16)短路功率变异系数，(17)燃弧电阻平均值，(18)燃弧电阻变异系数，(19)短路电阻平均值，(20)短路电阻变异系数，

(21)周期功率平均值，(22)周期功率变异系数，(23)周期电阻平均值，(24)周期电阻变异系数，(25)断弧率，(26)正态周期重复率，(27)正态周期重复率-系数*断弧率，(28)瞬时短路频率，(29)短路频率(包括正常和瞬时)，(30)平均电流，

(31)平均电压，(32)短路中期电流上升率平均值，(33)短路中期电流上升率变异系数，(34)电压自相关函数峰值间距变异系数，(35)电流自相关函数峰值间距变异系数，(36)功率自相关函数峰值间距变异系数，(37)电阻自相关函数峰值间距变异系数，(38)正常短路频率，(39)周期平均值，(40)周期变异系数，

(41)各周期燃弧时间与短路时间之比的平均值，(42)各周期燃弧时间与短路时间之比的变异系数，(43)燃弧时间平均值与短路时间平均值之比，(44)燃弧功率平均值与短路功率平均值之比，(45)燃弧能量平均值与短路能量平均值之比，(46)平均燃弧电压，(47)平均燃弧电流，(48)平均短路电压，(49)平均短路电流，(50)最大电压，

(51)短路末期功率平均值，(52)短路末期功率变异系数，(53)起弧平均功率，(54)起弧功率变异系数，(55)电压自相关函数峰值间距变异系数第二版，(56)电流自相关函数峰值间距变异系数第二版，(57)功率自相关函数峰值间距变异系数第二版。

注：57个特征中既有(34)电压自相关函数峰值间距变异系数，又有(55)电压自相关函数峰值间距变异系数第二版。

在第1轮的步骤Step16.1.1中，输出了当前特征子集CS及其识别准确率的统计平均值Value。第2及其以后的轮次也包含该步骤。以下就是进行第1轮维归约所输出信息。6

38.9393％

6 11

51.4023％

6 9 11

54.1523％

6 9 11 43

57.1432％

6 11 16 43

57.8122％

6 11 16 28 43

61.6377％

6 11 16 28 43 50

62.2731％

6 11 16 28 31 43 50

63.2112％

6 11 16 28 30 31 43 50

65.3133％

56 11 16 28 30 43 50

67.7031％

5 6 11 16 28 30 33 43 50

69.6351％

5 6 11 16 28 30 33 35 43 50

69.6351％

5 6 11 16 28 30 33 35 43 50 56

69.6351％

5 6 11 16 28 30 33 35 43 50 56 57

68.7117％

5 6 11 16 28 30 33 34 35 43 50 56 57

66.5421％

3 5 6 11 16 28 30 34 35 43 50 56 57

68.8312％

3 5 6 11 16 17 28 30 34 43 50 56 57

68.915％

3 5 6 11 16 17 28 30 34 35 43 50 56 57

68.915％

3 5 6 11 16 17 28 30 33 34 35 43 50 56 57

67.8943％

3 5 6 11 16 17 19 28 30 33 34 43 50 56 57

68.2362％

3 5 6 11 16 17 19 28 30 33 34 35 43 50 56 57

68.2362％

3 5 6 11 16 17 19 22 28 30 33 34 35 43 50 56 57

65.466％

3 5 6 11 16 17 19 22 28 30 34 35 40 43 50 56 57

65.7393％

3 5 6 11 16 17 19 22 28 30 34 40 43 50 55 56 57

67.9089％

5 6 11 16 17 22 28 30 34 40 43 44 50 55

71.1046％

5 6 11 16 17 19 22 28 30 34 40 43 44 50 55

71.6877％

5 6 11 16 17 19 22 28 30 34 40 43 44 50 51 55

72.1148％

5 6 16 19 22 28 30 34 40 43 44 46 50 51 55

72.8523％

5 6 11 16 19 22 28 30 34 40 43 44 46 50 51 55

73.142％

5 6 11 16 17 19 22 28 30 34 40 43 44 46 50 51 55

73.1757％

综合各种信息，可以看出，单个最优的特征是(6)，其识别准确率统计平均值是38.9393％。由此可见，在经受噪声的情况下，每个特征的识别率是比较低的。在这个基础上，本发明最终找到的最优特征子集为[5 6 11 16 17 19 22 28 30 34 40 43 44 46 5051 55]，其识别准确率统计平均值为73.1757％。相对于单个特征值，集合的准确率有了大幅提高，这说明本发明有效可行。下一步是继续探寻在噪声干扰情况下依然能保持较高识别准确率的特征。

在本实施例中，把弧焊电源的动特性优劣分为A、B、C、D、E五个等级。而在大多数实际应用场合，只需分为合格、不合格两个等级。在此，不妨把A、B合并为合格等级，C、D、E合并为不合格等级。重新进行实验，其最优的特征子集是[9 16 17 18 20 23 41 4450]，其识别准确率统计平均值达90.151％。该值接近实际应用的要求。考虑到这是一个噪声干扰条件下的识别准确率统计平均值，该值已具有较高的指导意义。

与此同时还发现：在当前特征子集中多加1个特征，其识别准确率统计平均值并不一定会提升或不变，有时反而会下降。如上述部分输出信息，

3 5 6 11 16 17 19 28 30 33 34 35 43 50 56 57

68.2362％

3 5 6 11 16 17 19 22 28 30 33 34 35 43 50 56 57

65.466％

在原集合中加入特征(22)，其识别准确率统计平均值反而下降。这证明了，特征并非越多越好。

实际上，57个特征全集一起输入到支持向量机时的识别准确率统计平均值较低，5类只有50.7227％，2类只有73.1639％。这也再一次证实了本发明所阐述的维归约的重要性。

弧焊电源型号推陈出新，逐个研究并构建监测系统费时费力。而噪声、相关、时耗三因素耦合维归约方法较好地解决了弧焊电源自适应在线监测的问题。其特征选择的运算过程，实现了弧焊电源多种型号的自适应。

在CO₂弧焊电源的在线五类评定实验中，本发明找到的特征子集的识别准确率统计平均值为73.1757％。相对于单个特征值，集合的准确率有了大幅提高。二类评定实验中，找到的特征子集的识别准确率统计平均值达90.151％，接近实际应用的要求。

Claims (8)

1.一种噪声、相关、时耗三因素耦合维归约方法，其特征在于包括如下步骤：

（1）消除干扰，采集每一个监测过程的信号样本；

（2）根据噪信比向量NSR，对每个监测过程的数据样本，计算每一种噪声噪信比情况下的每一个特征的值和所消耗的时间t(i)；

（3）设置噪信比正态概率密度分布参数μ和σ；

（4）设置监测信号采集时间T，然后计算此采集时长情况下，每一个特征的时耗T(i)；

（5）设置总时耗限制值AMTC、实评等级；

（6）设置无关特征阈值，计算单个特征的识别率，删除无关特征；

（7）设置冗余特征阈值，计算每两个特征之间的相关系数，删除冗余特征；

（8）根据步骤（2）中的NSR和特征值、步骤（3）中的μ和σ、步骤（4）中的时耗T(i)、步骤（5）中的总时耗限制值和实评等级进行第1轮三因素耦合维归约并选出候选队列；

（9）从候选队列首部中取出集合进行第二轮以上的维归约，直至候选队列中的集合全部计算完毕或者连续进行10轮都没有算出更优的集合，读取最优集合及其识别率。

2.根据权利要求1所述的一种噪声、相关、时耗三因素耦合维归约方法，其特征在于，

所述步骤（2）包括：

（21）设置噪信比向量NSR；

（22）对监测信号进行小波滤波，消除谐波干扰；

（23）根据步骤（21）中的NSR，向步骤（22）中处理后的无干扰信号添加高斯白噪声后再进行小波滤波；

（24）对步骤（23）中处理后的信号提取各个特征值和记录提取该特征所消耗的时间t(i)。

3. 根据权利要求1所述的一种噪声、相关、时耗三因素耦合维归约方法，其特征在于，所述步骤（4）包括：

（41）设置监测信号采集时间T；

（42）测试并记录采集频率F；

（43）计算出采集的监测信号的序列长度L，L=F*T；

（44）将步骤（1）中采集的信号样本，随机选择一部分组成训练集，剩余部分组成测试集，根据这两个集合中每一个监测过程信号样本的序列长度和每个特征的时耗t(i)，插值计算出序列长度为L时该特征的时耗T(i)。

4.根据权利要求1所述的一种噪声、相关、时耗三因素耦合维归约方法，其特征在于，所述步骤（8）中的第1轮三因素耦合维归约步骤如下：

-——（81）包含，其步骤包括：

（81.1）找出最优特征j：

，

式中，CS指当前特征子集；

Value(x)指集合x的评价值；

——（82）检验，其步骤包括：

（82.1）在当前特征子集CS中找出特征u：

；

（82.2）计算CS删除u后所得特征子集的Future₁，即；在集合CS中删除掉除u以外的任意一个特征v，计算Future₂，即；比较Future₁ 与Future₂的大小，若Future₂ 大于Future₁，则将集合存入候选队列；按上述规则逐个找出特征v，把所有的集合都存入候选队列；

（82.3）判断u与步骤（81.1）中的j 是否相等；是，重复步骤（81）；否则删除u，转向步骤（83）；

——（83）排除，其步骤包括：

（83.1）在CS中寻找特征y：

；

（83.2）计算CS删除y所得特征子集的Future₁，即；在集合CS中删除掉除y以外的任意一个特征v，计算Future₂，即；比较Future₁ 与Future₂的大小，若future₂ >future₁，则将集合存入候选队列；按上述规则逐个找出特征v，把所有的集合都存入候选队列；

（83.3）寻找特征子集otherSubset，若满足：

，

则重复步骤（81）；否则删除y；

（83.4）若CS中只剩下1个特征，重复步骤（81），否则重复步骤（83）。

5.根据权利要求1所述的一种噪声、相关、时耗三因素耦合维归约方法，其特征在于，所述步骤（9）中进行的第二轮及以上的三因素耦合维归约，其步骤如下：

-——（91）包含，其步骤包括：

（91.1）找出最优特征j：

；

——（92）检验，其步骤包括：

（92.1）在当前特征子集CS中找1个最不重要的特征u：

；

（92.3）判断u与步骤（81.1）中的j 是否相等；是，重复步骤（91）；否则删除u，转向步骤（93）；

——（93）排除，其步骤包括：

（93.1）在CS中寻找特征y：

；

（93.3）寻找特征子集otherSubset，若满足：

，

则重复步骤（91）；否则删除y；

（93.4）若CS中只剩下1个特征，重复步骤（91），否则重复步骤（93）。

6.根据权利要求1所述的一种噪声、相关、时耗三因素耦合维归约方法，其特征在于，

所述步骤（9）中的最优集合即Value值最大的特征子集。

7.根据权利要求4所述的一种噪声、相关、时耗三因素耦合维归约方法，其特征在于，

所述步骤（81.1）中Value(x)的计算步骤如下：

（81.11）把特征集x输入到支持向量机，基于训练集，根据步骤（5）中每个样本的实评等级，采用交叉检验的方法，修正支持向量机的内部参数；

（81.12）根据步骤（5）中每个样本的实评等级，计算测试集的自动评定的准确率，即噪信比为NSR(k)情况下的准确率accuracy(k)，形成accuracy向量；

（81.13）把NSR向量进行均匀的线性插值，得到新向量NSR_split；

（81.14）利用正态概率密度分布函数计算新向量NSR_split的概率密度向量normpdfArray后再进行归一化；

（81.15）对向量NSR、向量accuracy和向量NSR_split，进行三次样条插值后得到支持向量机识别准确率的估计值向量accuracy_spline；

（81.16）计算特征集x输入到支持向量机后所得的识别准确率的统计平均值Value(x)，Value=accuracy_spline·normpdfArray。

8.根据权利要求4所述的一种噪声、相关、时耗三因素耦合维归约方法，其特征在于，所述步骤（82.2）中的的计算方法为：把库中所有特征，按时耗T（i）从小到大排列，形成一个时耗队列；从时耗队列的队首选取不属于特征集x的特征填充至特征集x中，当特征集x的总时耗大于总时耗限制值AMTC则停止；所述Future即为所增加的特征的个数。