CN102985211B - 用于检查焊接点的质量的方法 - Google Patents

Abstract

一种用于监测焊接点质量的方法的特征在于该方法实施了一种概率统计模型，这种概率统计模型确定了对焊接点质量的评级。

Description

用于检查焊接点的质量的方法

技术领域

本发明涉及一种用于监测焊接件的质量的方法以及一种允许实施所述方法的装置。本发明还涉及一种实施此类用于监测焊接件的质量的方法的装置。本发明进一步涉及一种适合用于实施该方法的计算机程序。

背景技术

当正确地产生时，焊接件或焊缝是在工业中广泛使用的用于实现在两个零件之间、特别是两个金属或热塑性零件之间强有力的和可靠的接合的一种手段。为了确保通过焊接件而实现的这种接合的高水平的性能和可靠性，对焊接件的严格并且严谨的监测是必不可少的。

存在着两种形成对比的监测类别，即：破坏性监测，其中焊接的接合在进行监测之后是不可使用的；以及非破坏性监测，其中焊接的接合在进行监测之后仍然是可使用的。

在非破坏性监测中，以一种已知方式由一位操作者通过视觉检查、或者由一种所谓的轮廓测量法监测器以自动方式通过光学检查来对焊缝进行监测。轮廓测量法是一种测量方案，它包括在焊接件的表面的情况下确定表面的轮廓。轮廓测量法监测是有效的，但它提供的信息仅仅是关于焊缝的外观。这种外观并不足以证实一个激光焊缝的合格性。此外，在焊接热塑性零件的情况下，并不存在外观的改变。

对焊接件的温度的分析(高温测量法)，或更准确地说，在焊接过程中对材料温度的分析，同样允许对焊接件的质量进行监测。为了检测焊接件中可能的缺陷、或的确为了识别所涉及的这种所产生缺陷的类型，对代表温度的信号(以下称为温度信号)进行分析。使之有可能对焊接件的温度进行测量的不同手段是已知的。第一种已知手段涉及红外热相机，这种相机提供了代表所观测区的温度的图像，为了在焊接件中辨别出可能的缺陷而对这种图像进行分析和处理。使之有可能采集焊缝的熔融金属的温度的第二种已知手段是光学高温计。这种光学高温计是这样一种装置，它能够通过传感器来感测由一个元件发射的热辐射并且提供代表所述元件温度的信号。

为了实施上述两种类型的非破坏性监测方法，通过对焊接件的不同特征设置报警阈值来完成焊接件合格性的确定。报警阈值的定义并未使之有可能以一种稳健的方式来将焊接件划分为“合格的”、“不确定的”和“不合格的”类别。

例如，从文献EP1275464和EP1361015中已知多种用于监测焊接件的质量的方法，其中获取了热数据并且然后进行处理，以便确定是否焊接件是合格的或是不合格的。

同样，从文献EP1767308中已知一种用于监测焊接件的质量的方法，其中检测了焊接件区中产生的辐射，并且使用平均值和标准偏差来对焊接件的质量进行评级。然后对每一个新焊接件进行检查以便根据其平均值和标准偏差来确定应当如何对其进行评级。应当注意的是，在这种方法中，必须由一位焊接专家来提供参数。另外，在这种方法中并没有进行培训，因此它要求实施该方法的操作者一方具有良好的知识。每个焊接件现在仅通过一组平均值和标准偏差来进行表征。这种方法仅适用于金属材料的焊接。

此外，从文献EP1555082中已知一种用于监测焊接件质量的方法，其中对在焊接件区中产生的辐射进行检测。通过分析该信号的傅立叶变换来完成对焊接件质量的评级，这使之有可能确定表示孔的存在的寄生频率(若存在的话)。这种方法仅适用于金属材料的焊接。另外，该方法难以在工业上实施。

发明内容

本发明的目的是提供一种用于监测焊接件的质量的方法，从而使之有可能补救上述问题并且改进从现有技术中已知的这些用于监测焊接件质量的方法。具体来说，本发明提出了一种用于监测质量的方法，从而使之有可能改进对焊接件的质量进行评级的稳健性，并且该方法可以在不同类型的材料(不仅是金属材料)上实施。本发明进一步涉及一种用于监测质量的装置，从而使之有可能实施此类方法。更具体来说，本发明涉及一种用于实时监测的装置，从而使之有可能评估焊接件内部的质量。本发明进一步涉及一种允许实施这种方法的计算机程序。

根据本发明，这种用于监测焊接件的质量的方法的特征在于该方法实施了一种概率性统计模型，用于确定对焊接件的质量的评级。

这种统计模型可以是逻辑回归型的模型。

这种模型的实施可以使之有概率将焊接件的质量评定为“合格的”或“不合格的”或者有概率将焊接件的质量评定为“不确定的”。

这种模型可以包括：第一模块，该第一模块被实施为将焊接件的质量评级为“不合格的”或者“也许合格的”；以及第二模块，该第二模块被实施为将焊接件的质量评级为“合格的”或者“不确定的”。

这种方法可以包括：第一阶段，该第一阶段定义了用于对焊接件的质量进行评级的模型；以及第二阶段，该第二阶段使用该评级模型来对焊接件的质量进行评级。

该第一阶段可以使用针对焊接件的轮廓测量法数据和/或焊接件的温度数据，并且该第二阶段可以使用针对焊接件的轮廓测量法数据和/或焊接件的温度数据。

该第一阶段可以包括以下步骤中的至少一个：

进行多次焊接试验的步骤，

获取与这些焊接件相关的数据的步骤，

对焊接试验的质量进行评级的步骤，

对这些数据进行平滑处理的步骤，这种平滑例如是通过平均值断点来进行的，

对这种经过平滑的数据进行压缩并提取解释性变量的步骤，这些变量例如是对应于这种经过平滑的数据的经验分布函数的分位数特征，

使用这些解释性变量来定义该模型的多个参数的步骤。

该第二阶段可以包括以下步骤中的至少一个：

产生焊接件的步骤，

获取与该焊接件相关的数据的步骤，

对这些数据进行平滑处理的步骤，这种平滑例如是通过平均值断点来进行的，

对这种经过平滑的数据进行压缩并提取多个解释性变量的步骤，这些变量例如是对应于这种经过平滑的数据的经验分布函数的分位数特征，

使用该模型的步骤，以及

对该焊接件的质量进行评级的步骤。

本发明还涉及一种可以由计算装置读取的数据记录媒质，在该数据记录媒质上记录有计算机程序，该计算机程序包括用于实施以上定义的方法的这些步骤的计算机程序代码装置。

根据本发明，这种用于监测焊接件质量的装置包括用于实施以上定义的方法的硬件和/或软件装置。

根据本发明，这种焊接设施包括以上定义的监测装置和焊接装置。

本发明还涉及一种计算机程序，该计算机程序包括计算机程序代码装置，该计算机程序代码装置被适配成用于当该程序在计算机上运行时执行以上定义的方法的这些步骤。

附图说明

附图通过举例表示了根据本发明的用于监测质量的方法的一种执行模式以及根据本发明的用于监测质量的装置的一个实施方案。

图1是一个简图，它展现了多种统计条件的一个特定实例，从而使之有概率将多个焊接试验分为合格的、不合格的或不确定的；

图2是一组曲线图，它们展现了通过实施根据本发明的用于监测质量的方法的实施方案的一个步骤对这些特征数据获得的一个焊接件的数据特征以及多个平台区；

图3是一个曲线图，它展现了通过实施根据本发明用于监测质量的方法的实施方案的步骤的数据以及针对这些数据获得的平台区；

图4是另一个曲线图，它展现了通过实施根据本发明用于监测质量的方法的实施方案的步骤的轮廓测量数据以及针对这些数据获得的平台区；

图5是又一个曲线图，它展现了通过实施根据本发明用于监测质量的方法的实施方案的步骤的数据以及针对这些数据获得的平台区；

图6是一个曲线图，它示出了用于对经过平滑的数据进行压缩的技术，这种压缩是通过线性插值来进行的；

图7是一个曲线图，它示出了图6的用于对经过平滑的数据进行压缩的技术被应用于图4的经过平滑的数据；

图8是一个决策流程图，它解释了用于判别焊接件的质量的逻辑；

图9是一系列的10个观测值以及通过这个逻辑模型与这10个观测值相关联的响应的一个实例；

图10和图11是曲线图，它们示出了一种用于焊缝质量的训练技术，这是通过对一次焊接操的不同因子的作用的抛物线插值的方案来证实的；

图12是根据本发明用于监测质量的方法的第一阶段的示例性执行的流程图；

图13是根据本发明用于监测质量的方法的第二阶段的示例性执行的流程图；

图14是根据本发明用于监测质量的装置的实施方案的简图。

具体实施方式

根据本发明，这种用于监测焊接件质量的方法包括两个阶段：

定义了用于对一个焊接件的质量进行评级的一种逻辑或者一个模型的第一阶段，以及

使用了该评级逻辑或者模型来对焊接件的质量进行评级的第二阶段。

以下详细说明了根据本发明的用于监测焊接件的质量的方法的一个实施方案。

为了使这种用于监测焊接件质量的方法工业化，必要的是使用于实施该方案的装置对于两种类型的使用者而言都是可以使用的，即：

工程师-技师，他负责上述第一阶段，也就是说定义该评级逻辑以便对焊接件进行评级，或者换句话说，定义一个用于判别焊接件的模型；

该方法的使用者，他实施上述第二阶段，也就是说他使用该评级逻辑或者该判别模型。这位使用者通常是在生产现场，例如工厂。

在第一阶段的第一步骤中，在已经进行了多次焊接试验之后，将这些焊接试验分类为以下三个类别之一，即：“合格的”、“不确定的”和“不合格的”，这是基于机械强度的测量值T_i,j，如由规范给出的拉伸强度以及机械强度的指标CdC的测量值。

这些焊接试验的分类存在着三种概率，例如：

1)试验i合格的焊缝j：VjTi,j>CdC并且Pr(Ti,j<CdC)<<θ＝10％

2)试验i不确定的(这些焊缝是极限值并且所估算的非符合性评级TNC>10％)焊缝j：VjTi,j>CdC并且Pr(Ti,j<CdC)>θ＝10％

3)试验i不合格的焊缝j：VjTi,j<CdC。

图1中示出了这三个类别。

基于每次试验的n＝5个测量值(或者优选更多)的样本：

试验i被宣告为合格的，前提是：

$\left\{\begin{array}{c}{T}_{i,j}>CdC\\ CdC-T_{10\%}^{-1}(n-1)\&times;s_i\&le;\stackrel{\&OverBar;}{x_i}\end{array}\right.$

$\begin{array}{cc}{s}_i=\sqrt{\frac{1}{n-1}\underset{j=1}{\overset{n=5}{\&Sigma;}}(x_{i,j}-\stackrel{\&OverBar;}{x_i})}& \stackrel{\&OverBar;}{x_i}=\frac{1}{n}\underset{j=1}{\overset{n=5}{\&Sigma;}}{x}_{i,j}\end{array}$

处的分位数＞(n-1)自由度的学生法则的情况

$T_{10\%}^{-1}\left(4\right)=-1.533$

试验i被宣告为不确定的，前提是所估算的非符合性评级TNC是大于10％，即前提是：

$\left\{\begin{array}{c}{T}_{i,j}>CdC\\ CdC-T_{10\%}^{-1}(n-1)\&times;s_i>\stackrel{\&OverBar;}{x_i}\end{array}\right.$

试验i被宣告为不合格的，前提是：

VjT_i,j＜CdC。

在第二步骤中，对该方案(例如Hinkley测试)进行实施以便通过平均值断点来执行平滑处理。

通过断点进行平滑处理的目的是检测在焊接过程中实时测量的高温测量特征和轮廓测量特征的信号中的异常(例如，孔)。例如，这种测量是通过激光相机来执行的。

对于焊缝，通过断点的分析(见图2)涉及：

1)在轮廓测量法中的焊缝的测量信号特征，例如熔融池的深度或宽度；

2)在高温测量法中的温度i的测量值X_i(以℃为单位)。

通过检测由激光相机测得的轮廓测量和高温测量信号的平均值断点进行平滑的目的是通过在生产现场的质量控制监测器对诸如可以用眼睛来观看的孔洞等可能的异常进行诊断，然后对信号的寄生性(spurious)“自然可变性”进行过滤。信号测量值的数目取决于焊缝的长度，以及取样频率。

Hinkley方案是基于在n个观测值窗口内对于检测到一个平均值断点的最大似然性(假定为高斯性的)。

考虑具有平均值μ_o和方差σ²的n个观测值{X₁,....,X_n}(假定为高斯性的)的一个窗口。Hinkley测试法测试了在观测值X_r处出现的一个假定为具有恒定方差的平均值断点。

$H_o\&ForAll;i\&Element;\{1,\mathrm{..},n\}{X}_i=N({\mathrm{\&mu;}}_o,{\mathrm{\&sigma;}}^2)$

$H_a\&Exists;r\&Element;\{2,..,n\}\left\{\begin{array}{c}\&ForAll;i\&Element;\{1,..,r-1\}{X}_i=N({\mathrm{\&mu;}}_1,{\mathrm{\&sigma;}}^2)\\ \&ForAll;i\&Element;\{r,..,n\}{X}_i=N({\mathrm{\&mu;}}_2,{\mathrm{\&sigma;}}^2)\end{array}\right.$

标准偏差σ是先前在n个观测值{X₁,....,X_n}上估算的，例如是作为两个独立估算量的平均值：

1)两个连续测量值{X_2i,X_2i-1}的跨度W_i＝|X_2i-X_2i-1|的平均值，相对于从简化的、有中心的高斯法则(稳健估算量)得出的两个观测值的平均跨度(1.128)而取得；

2)两个连续测量值{X_2i,X_2i-1}的方差的平均值的平方根。

然后找到最可能的潜在断点r。

可以在窗口{X₁,....,X_n}内写出似然比RV：

$PV=\frac{V\left(H_a\right)}{V\left(H_o\right)}=\frac{{\mathrm{\&Pi;}}_{i=1}^{u-1}\frac{1}{\mathrm{\&sigma;}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{1}{2}{\left(\frac{X_i-{\mathrm{\&mu;}}_1}{\mathrm{\&sigma;}}\right)}^2)\&times;{\mathrm{\&Pi;}}_{i=r}^n\frac{1}{\mathrm{\&sigma;}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{1}{2}{\left(\frac{X_i-{\mathrm{\&mu;}}_2}{\mathrm{\&sigma;}}\right)}^2)}{{\mathrm{\&Pi;}}_{i=1}^n\frac{1}{\mathrm{\&sigma;}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{1}{2}{\left(\frac{X_i-{\mathrm{\&mu;}}_o}{\mathrm{\&sigma;}}\right)}^2)}$

$Log\left(RV\right)=\underset{i=1}{\overset{r}{\&Sigma;}}-\frac{1}{2}{\left(\frac{X_i-{\mathrm{\&mu;}}_1}{\mathrm{\&sigma;}}\right)}^2+\underset{i=r}{\overset{n}{\&Sigma;}}-\frac{1}{2}{\left(\frac{X_i-{\mathrm{\&mu;}}_2}{\mathrm{\&sigma;}}\right)}^2+\underset{i=1}{\overset{n}{\&Sigma;}}\frac{1}{2}{\left(\frac{X_i-{\mathrm{\&mu;}}_o}{\mathrm{\&sigma;}}\right)}^2$

$Log\left(RV\right)=\frac{({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_o)}{{\mathrm{\&sigma;}}^2}\underset{i=1}{\overset{r-1}{\&Sigma;}}(X_i-\frac{({\mathrm{\&mu;}}_o+{\mathrm{\&mu;}}_1)}{2})+\frac{({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_o)}{{\mathrm{\&sigma;}}^2}\underset{i=r}{\overset{n}{\&Sigma;}}(X_i-\frac{({\mathrm{\&mu;}}_o+{\mathrm{\&mu;}}_2)}{2})$

$Log\left(RV\right)=\&lsqb;(r-1)\&times;\frac{{({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_o)}^2}{2.{\mathrm{\&sigma;}}^2}+(n-(r-1\left)\right)\&times;\frac{{({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_o)}^2}{2.{\mathrm{\&sigma;}}^2}\&rsqb;$

为了补偿在这n个测量值的窗口的边缘处的这些断点，可对这个似然比进行加权：

$Log\left(RVP\right)=\left(\frac{r-1}{n}\right)\&times;(1-\frac{r-1}{n})\&times;Log\left(RV\right)$

$Log\left(RVP\right)=\left(\frac{r-1}{n}\right)\&times;(1-\frac{r-1}{n})\&times;\&lsqb;(r-1)\&times;\frac{{({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_o)}^2}{2.{\mathrm{\&sigma;}}^2}+(n-(r-1\left)\right)\&times;\frac{{({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_o)}^2}{2.{\mathrm{\&sigma;}}^2}\&rsqb;$

$\begin{array}{ccc}{\mathrm{\&mu;}}_o=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{X}_i& {\mathrm{\&mu;}}_1=\frac{1}{r-1}\underset{i=1}{\overset{r-1}{\&Sigma;}}{X}_i& {\mathrm{\&mu;}}_2=\frac{1}{n-(r-1)}\underset{i=r}{\overset{n}{\&Sigma;}}{X}_i\end{array}$

这使之有可能有利于在长的平台区上(而不是窗口的中心处)的断点并排除由于测量误差或边远数据造成的劣质断点，这些误差或数据将导致没有意义的大小为1的平台区。

使量Log(RVP)最大化的潜在断点2≤r≤n得以保持。这里总是存在一个断点，然后的问题是要知道它是否相关。

因此，安排了一个证实该断点的步骤。

通过对平均值的相等性(μ₁＝μ₂)进行测试，就可以接受或拒绝潜在断点r处的平均值相等性的假设Ho。

根据

如果我们拒绝Ho，则存在断点

如果我们接受Ho，则不存在断点

即，如果 $\left|T\right|>U^{-1}\left(1-\frac{\mathrm{\&alpha;}}{2}\right)=3$

U＝简化的、有中心的正态法则

随后通过附加k个测量值，例如k＝5，来继续检测。

如果断点被证实(H_o被拒绝)，那么平台区在序列{1,…,r-1}上结束，并且通过附加k＝5个测量值的新序列{X_n+1,…X_n+k}来重复检测程序，换句话说，在系列{X_r,…X_n,X_n+1,…X_n+k}中寻找新断点，直到数据的结束。

如果断点未被证实(H_o被接受)，通过附加k＝5个测量值的新序列{X_n+1,…X_n+k}来重复检测程序，换句话说，在系列{X₁,…X_n,X_n+1,…X_n+k}中寻找新断点，直到数据的结束。

以下说明了以上步骤的一个示例性实施方式。

考虑n＝11个观测值{X₁,....,X_n}(假定为高斯)的一个系列，这些观测值概括在下表之中。

我们采用σ＝0.531作为标准偏差的两个独立估算的平均估算量：

两个连续测量值{X_2i,X_2i-1}的跨度W_i的平均值，相对于从简化的、有中心的高斯法则(0.515)带来的两个观测值的平均跨度(1.128)而取得；

两个连续测量值{X_2i,X_2i-1}的方差的平均值的平方根(0.548)。

分析了k个测量值的一个第一窗口，k＝5。

即，n＝5个观测值{X₁,....,X_n}的第一窗口：

在r＝5处确定了潜在断点r，其中经加权似然比LPRV的最大值＝0.6347。

于是测试值为2.8167，对平均值的相等性的假设(不存在断点)H_o于是被接受(T<U^-1(1-α/2)＝3)。

此后分析了k个测量值的一个第二窗口，k＝5。

第二窗口包括n＝10个观测值{X₁,....,X_n}：

在r＝5处确定了潜在断点r，其中经加权似然比LPRV的最大值＝4.9243。

于是测试值为6.405，对平均值的相等性的假设(不存在断点)H_o于是被拒绝(T>>U^-1(1-α/2)＝3)。

平台区在序列{1,…,r-1}上结束，已经在μ₁＝-1.26处进行估算了其平均值。

此后在附加k个测量值(k＝1)之后基于点r＝5分析了一个第三窗口。

通过附加k＝1个测量值(最后一个){X_n+1}来重复该检测程序，换句话说，在7个测量值的系列{X_r,…X_n,X_n+1}中寻找一个新断点。

在r＝6处确定了潜在断点r，其中经加权似然比LPRV的最大值＝0.0675。

于是测试值为1.0504，对平均值的相等性的假设(不存在断点)H_un于是被接受(T<U^-1(1-α/2)＝3)。

于是平台区的平均值为H_o＝0.932，并且终止平滑处理。

图3的曲线图中表示了这些观测值X_i和所获得的平台区。

图4的曲线图示出了焊缝特征的另一实例，其中已经对焊缝轮廓测量法的一系列123个测量值X_i按照断点已经进行了平滑处理。显示了这些特征的测量值以及按照平台区的平滑处理。

图5的曲线图示出在具有真实标准偏差σ＝0.5的85个高斯测量值的模拟中用于检测断点的又另一个计算实例，对此平台区的真实平均值自然是已知的。应注意到估算的平台区与真实平台区的相似性。

如以上描述的断点检测是在对应于焊缝的高温测量信号和轮廓测量信号上进行的。更具体来说，优选的是排除不代表焊缝的所有数据，也就是说，将焊接这个焊缝之前或之后的所有数据都考虑在内。在实践中并且对于连续使用来说，这个排除阶段是不必要的。确实，只是在焊接过程中记录了高温测量和轮廓测量的信号。

在按照断点的平滑处理后，对高温测量或轮廓测量信号进行压缩，以便提取逻辑判别模型的多个解释性变量{X_1％,X_5％,....,X_95％,X_99％}。

考虑对应于先前通过检测这些测量值{X₁,....,X_n}的断点而进行平滑的高温测量或轮廓测量信号的平台区(如图4平台区中的曲线示出)的这些平均值的n个观测值{_X₁,....,_X_n}(假定为高斯)的窗口：

为了压缩通过断点{_X₁,....,_X_n}而进行平滑的信号：

1.我们构造了通过断点{_X₁,....,_X_n}而进行平滑的这些数据的一个经验分布函数CdFE：

1.1我们以升序对n个观测值{_X₁,....,_X_n}进行分类，

1.2我们计算其中i是在分类之后观测值_X_i的秩。

2.我们通过在p％水平下经验分布函数的概率p^-％和p⁺％的分位数[X_p-％,X_p+％]之间的线性插值来提取概率p＝1％,5％,....,99％的分位数{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％}。

实例：对于阈值p＝70％，在纵坐标[p^-％,p⁺％]＝[69.45％,70.26％]处采用了横坐标点[X_p-％,X_p+％]＝[X_69.45％,X_70.26％]＝[-0.19075,-0.10694]，在此基础上通过线性插值来估算分位数X_70％＝-0.1204，如图6所示。

因此，这些分位数{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％}在CdFE的基础上的提取是以先前描述的方式进行的，并且在图7中示出。换句话说，进行了对经验分布函数CdFE的“压缩”。

在下一步骤中定义了对用于判别这些焊接件的逻辑模型。

因此，该逻辑模型是属于逻辑回归型。逻辑回归是一种统计技术，其目的是基于一列n个观测值而产生一个模型，使之有可能基于一系列的连续解释性变量{X₁,X₂,…,X_p}而预测一个(通常是)二进制类别变量Y所采取的值。

逻辑回归是在与本发明的领域相距很远的技术部门中使用：

在银行部门中，它用来在分配信用时检测处于风险中的群组；

在计量经济学中，用来解释选举时的投票意图；

在医学中，用来基于根据医疗分析(当它们使之有可能相对于健康受试者而鉴别生病受试者时)而获得的判据来建立一个诊断。

相对于在回归中、特别是线性回归中已知的技术，逻辑回归本质上区别在于以下事实，即：所解释变量Y是属类性的。作为一种预测方案，逻辑回归与判别式分析是可比的。

其目的是在从焊缝的高温测量和轮廓测量信号的压缩中得到的21个定量变量{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％}的帮助下来预测：

a)相对于拉伸机械强度而言，响应Y_NC/C为是(1：该焊缝是不合格)或否(0：该焊缝是也许合格)的概率，以及

b)相对于拉伸机械强度而言，响应Y_I/C为是(1：焊缝是不确定)或否(0：焊缝是合格)的概率。

这对应于将二进制响应变量Y(1：焊缝是不合格的/0：焊缝是合格的)建模为21个变量{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％}和一个常数项的函数，即，具有p+1＝22个参数β_i的模型：

Y_i＝β_o+β₁.X_1％+β₂.X_5％+…+β₂₁.X_99％+ε_iY_i＝0或1，i＝1,…,n且ε_i＝N(0,²)。

这种逻辑建模带来良好结果。解释性变量{X_1％,X_5％,X_10％,X_15％,…,X_95％,X_99％}此处被比作表示焊缝的长度的大约5％的值。

这种逻辑模型包括例如两个逻辑子模型{Y_NC/C,Y_I/C}。这种逻辑模型还可包括少于两个逻辑子模型或者多于两个逻辑子模型。

然后将这个逻辑模型应用于焊缝的特征性信号，这些信号通过以上定义的先前方案而进行压缩，即：高温测量法信号或者轮廓测量法信号。

有关于焊缝的合格性或不合格性的决策规则先前已描述并且由图8的流程图示出。

逻辑回归在根本上不同于常规的线性回归。在常规的线性回归模型中：

Y_i＝X_i.B+ε_iY_i＝0或1，i＝1,…,n，ε_i＝N(0,σ²)，

由于E(ε_i)＝0，则E(Y_i)＝X_i.β，其中E是数学期望。

当响应Y_i是二进制并且遵循贝努利法则B(p)时，我们还得到：

P(Y_i＝1)＝p_i并且P(Y_i＝0)＝1-p_i，其中p_i∈[0,1]

因此，E(Y_i)＝1xp_i+0x(1-p_i)＝p_i因此E(Y_i)＝X_i.β＝p_i

在线性建模的情况下对于一个是/否响应，我们面临的问题是，E(Y_i)＝X_i.β并不受限于采取0与1之间的值，而p_i表示一个概率，它必须采取区间[0,1]中的值。已知是在对二进制响应变量Y进行建模时，这种关系的形式常常是非线性的；我们提倡逻辑型的非线性函数，因为它给出良好结果并且操纵起来在数值上是简单的。

事实上并且恰如线性回归，这种逻辑回归模型是如下定义的：

P(Y_i＝1|X_i)＝P(Y_i>0)＝P(X_i.β>-ε_i)＝F(X_iβ)，其中F是-ε_i的逻辑分布函数

$\left\{\begin{array}{c}P(Y=1/X=X_i)=\mathrm{\&pi;}\left(x_i\right)=F(X_i.\mathrm{\&beta;})=\frac{e^{X_i.\mathrm{\&beta;}}}{1+e^{X_i.\mathrm{\&beta;}}}=\frac{1}{1+e^{-X_i.\mathrm{\&beta;}}}\\ P(Y=0/X=X_i)=1-\mathrm{\&pi;}\left(x_i\right)=\frac{1}{1+e^{X_i.\mathrm{\&beta;}}}\end{array}\right.$

应注意到，如果是准零的，即如果Xβ是强正值(>10)，那么Y＝1，并且如果是准零的，即如果Xβ是强负值(<-10)，那么Y＝0。

为了使用该模型用于描述关系或者用于预测的目的(基于这些测量值X的新焊缝的评级Y)，我们需要估算该模型的这些参数β。为了做到这一点，有可能使用以下详细描述的最大似然方案(也就是说，最大概率方案)来估算向量β。(以并行方式，对于线性回归，典型地使用最小平方方案)。

V(β)＝Π_i＝1,nP(Y_i＝y_i|X_i＝x_i)＝ΠP(Y_i＝1|X_i＝x_i).ΠP(Y_i＝0|X_i＝x_i)

其中

$\left\{\begin{array}{c}P(Y=1/X=X_i)=\mathrm{\&pi;}\left(x_i\right)=\frac{1}{1+e^{-X_i.\mathrm{\&beta;}}}\\ P(Y=0/X=X_i)=1-\mathrm{\&pi;}\left(x_i\right)=\frac{1}{1+e^{X_i.\mathrm{\&beta;}}}\end{array}\right.$

对数似然可以写为：

通过将这些偏导数设定为零而获得最大值：

d(ln(V(β)))/dβ＝0

通过数值过程(基于梯度的优化)获得估算量β，因为不存在分析式。

基于泰勒展开式的梯度方案

如果那么解是最大值

H：赫斯矩阵如果β包括待估计的p个参数

G：梯度向量

这是复杂性为p²的方案，因为它在每次迭代都要求p个参数β_i，

函数的计算

函数的p次计算，用来估算导数

函数的p(p+1)/2次计算，用来估算二阶导数： $H_{i,j}={\lim }_{h_i,h_j\&RightArrow;0}\frac{{\mathrm{\&delta;}}^{2}f}{{\mathrm{\&delta;\&beta;}}_i{\mathrm{\&beta;}}_j}$

在具有k＝2个连续解释性变量X1、X2和p＝k+1个参数的类型 $Y_{NC/C}=\frac{1}{1+\exp -({\mathrm{\&beta;}}_o+{\mathrm{\&beta;}}_1.X1+{\mathrm{\&beta;}}_2.X2)}$ 的示例性逻辑子模型的情况下

考虑n＝10个观测值，对此两个连续解释性变量X1、X2以及二进制响应Y_NC/C可供使用，以及两个互补观测值，对此我们试图预测响应Y_NC/C，如下表中表明以及图9中表示：

为了构造逻辑回归模型执行以下步骤：

在一个第一步骤中，我们检查解释性变量X＝[1,X1,X2]的矩阵是否为满秩的。为了做到这一点，执行多重线性回归Y＝βo+β1.X1+β2.X2+ε。p＝3个参数β的向量是通过以下分析公式给出：β＝(X'X)^-1.X'Y。

维度(n＝10,p＝3)的矩阵X为：

其解为：

如果矩阵X'X是不可逆的，这是因为一个或多个解释性变量X1、X2是其他变量的线性组合。然后收集新测量值[X1,X2,Y_NC/C]，直到线性回归允许对这些参数进行估算为止。

在一个第二步骤中，执行逻辑模型的第一次迭代。

考虑训练样本的n＝10个观测值，以解来对用于使对数似然最大的过程进行初始化。

函数因为对于任何观测值，P(Y＝1|X＝X_i)＝P(Y＝0|X＝X_i)＝0.5。

在收敛下并且似然函数的最佳值

参数的初始向量为：

解f(β)＝ln(似然)＝ln(V(β))＝-n.Ln(2)＝-10.ln(2)＝-6.93147

梯度(一阶导数)的参数的p＝3个向量是以h_i＝0.001来估算的。

赫斯矩阵(二阶导数)的参数的p(p+1)/2＝6个向量是以h_i＝h_j＝0.001来估算的。

函数f(β)＝Σ_iln(P(Y＝Y_i))，根据响应Y_NC/C的值1/0，基于解释性变量X1、X2，关于这些先前系数向量来估算梯度G(β)的分量和赫斯H(β)的分量。

通过以下公式对3个参数计算了梯度向量G(β)的分量：

如果向量G(β)的范数为零或小于10^-6，或者如果赫斯矩阵的行列式为准零的(|D|<10^-180)，则实现了收敛(并且因此似然的最大化)。

在第一次迭代中，梯度G(β)具有范数：1.6562。

由以下公式计算具有赫斯H(β)的维度(p,p)的对称方阵：

它是不可逆的(|Det(H)|<10^-180)，因此我们估算项H^-1.G，基于该项，我们计算参数的新向量β＝βH^-1.G。

最终参数β

在一个第三步骤中，执行逻辑模型的第二次迭代。

$Y_{NC/C}=\frac{1}{1+\exp -({\mathrm{\&beta;}}_o+{\mathrm{\&beta;}}_1.X1+{\mathrm{\&beta;}}_2.X2)}$

我们从前一个解(以上的表格)开始，用它我们估算出函数f(β)＝ln(Likelihood)＝ln(V(β))＝-1.5288。

似然f(β)大于前一估算(ln(V(β))＝-n.ln(2)＝-6.93147)。

如前：

梯度(一阶导数)的参数的p＝3个向量是以h_i＝0.001来估算的；

赫斯矩阵(二阶导数)的参数的p(p+1)/2＝6个向量是以h_i＝h_j＝0.001来估算的。

函数f(β)＝Σ_iln(P(Y＝Y_i))，基于根据响应Y_NC/C的值1/0作为先前系数向量的函数的数据来估算梯度G(β)的分量和赫斯H(β)的分量。

通过以下公式对3个参数计算梯度向量G(β)的分量：

如果向量G(β)的范数为零或小于10^-5，则实现了收敛(并且因此似然的最大化)。

在第二次迭代中，梯度具有范数：0.44452。

通过以下公式计算具有赫斯H(β)的维度(p,p)的对称方阵：

如果它是不可逆的(|Det(H)|<10^-180)，则我们估算项H^-1.G，在此基础上我们计算参数的新向量β＝βH^-1.G。

执行逻辑模型的新迭代，直到收敛(实例中的迭代17处)为止。

于是找到的模型是：

$Y_{NC/C}=\frac{1}{1+\exp -(-8.148111892+\mathrm{76.18875899.}X1-\mathrm{0.622678219.}X2)},$ 于是有可能对观测值对(X1,X2)进行预测：

如果 $\frac{1}{1+\exp -(-8.148111892+\mathrm{76.18875899.}X1-\mathrm{0.622678219.}X2)}>0.5,$ 响应Y_NC/C＝1，

并且如果 $\frac{1}{1+\exp -(-8.148111892+\mathrm{76.18875899.}X1-\mathrm{0.622678219.}X2)}<=0.5,$ 响应0，

因此，有可能预测与最后两个观测值相关的响应Y_NC/C，如下表中表明：

如先前所见，在第一阶段的开端中，进行了多次焊接试验。

这些焊接试验使之有可能对模型进行训练。这些试验必须以一种结构化的方式来进行，这样使得经过训练的模型代表了在连续阶段过程中所遇到的这些参数。

例如，有可能依赖于实验设计L9＝3³。这种类型的实验设计在三个或四个因子变化时是可适用的：在零件、功率、速度之间进行调整。

在这个实例中，为了对焊接操作进行微调并且构造一个焊缝训练数据样本(轮廓测量法数据和高温测量法数据)，必须进行九次试验，这是通过包含在这些试验品上进行的机械测试(特别是拉伸测试)以便将这些焊接试验品的质量分类或评级为“合格的”、“不合格的”或“不确定的”来完成的。

实验设计的每次试验可以带来最少k＝5个训练试样，以便建立一个数据库，从该数据库中将构建多个分类函数，将证实试样添加到该数据库以测试一个后验模型。

已经确保了在估算逻辑模型的参数β之前轮廓测量法和高温测量法数据(从这些分布函数构造的压缩简档{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％})的协方差矩阵X'X确实是满秩的，如果不是这样，那么例如用第二系列的9次试验(第2设计L9)来补充已经获取的数据。

在完成实验设计时，执行通过逻辑回归的建模，并且基于每次试验的试样(k+1)来进行证实，如果逻辑回归模型未将任何实际上“不合格的”焊缝评级或预测为“合格的”，那么该模型就得到证实。

可以用以下参数来将该实验设计参数化：

因子的选择(名称)，

它们在使用者单元中的可能值(-1,0,1)(-1：最小值，0：(最小值+最大值)/2，1：最大值)

焊接接合的类型，

对于焊接件的机械强度合格规范，

在每次试验中焊接的试样的数目(最少k＝5)，加上证实试样。

关于符合规范的机械强度的指标CdC的值的修改提示了用于对焊缝的质量进行评级的统计指标的一种新计算。

可以使用对实验设计的两个响应：

平均拉伸强度响应

由田口(Taguchi)信噪比(SN比)SN_i所估算的拉伸强度稳健性响应。

$\begin{array}{cc}{s}_i=\sqrt{\frac{1}{n-1}\underset{j=1}{\overset{n}{\&Sigma;}}{(t_{i,j}-\stackrel{\&OverBar;}{t_i})}^2}& \stackrel{\&OverBar;}{t_i}=\frac{1}{n}\underset{j=1}{\overset{n}{\&Sigma;}}{t}_{i,j}\&RightArrow;{\mathrm{SN}}_i=10\&times;Log10\left({\left(\frac{\stackrel{\&OverBar;}{t_i}}{s_i}\right)}^2\right)\end{array}$

将对这两个响应的因子的作用E的曲线图表示为该因子的三个可能值-1、0、1的函数。

有可能使用针对这3个可能值(-1,0,1)的每一个因子(每个因子3个可能值)的作用E_i的抛物线插值，其形式如下：

E_Fi＝a.(X+b)²+c

其中

$\begin{array}{cc}\left\{\begin{array}{c}a=\frac{3\&times;(E_1^i-E_{-1}^i)}{2}\\ b=\frac{(E_1^i-E_{-1}^i)}{6\&times;(E_1^i+E_{-1}^i)}\\ c=E_0^i-\frac{{(E_1^i-E_{-1}^i)}^2}{24\&times;(E_1^i+E_{-1}^i)}\end{array}\right.& E_k^i=\stackrel{\&OverBar;}{X_k^i}-\stackrel{\&OverBar;}{\stackrel{\&OverBar;}{X^i}}\end{array}$

在图10和11中表示了抛物线插值的实例。

优选地，默认地采用使稳健性(SN)最大的解作为最佳解(也就是说，作为这些因子的可能值的最佳组合)。还有可能选择使平均响应最大并且同时使稳健性的降级最小的解。响应SN和“平均值”的预测是基于以下等式来定义：

如果必须进行第二系列的试验，那么作为整体来分析这些实验设计的这两个系列的试验以找到最佳设置。

可以使用不同类型的实验设计。为此目的可以参阅AFNOR的JacquesAlexis的著作“PratiqueindustrielledelaméthodeTaguchiLesplansd’expériences”[田口方法实验设计的工业实践]。

已经构造了训练基础后，对应于压缩简档{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％}和质量评级(符合/不符合/不确定)的21个解释性变量可用于每次试验i的每个试样k，基于轮廓测量数据和/或高温测量数据可以构建4个逻辑子模型。

基于每次试验的这些试样(k+1)对模型进行证实，如果模型未将任何实际上不合格的焊缝预测为“合格的”，那么宣告监测装置是得到确认的。在相反情况下，对第二系列的试验重复该过程，并且作为整体来分析实验设计的2x9次试验以找到最佳设置。

在上述第二阶段中，将这种先前定义的评级模型例如在大规模生产设施上使用、特别是在焊接操作过程中实时地使用。

因此，在焊接过程中或在焊接之后，基于高温测量法和轮廓测量法数据的压缩简档{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％}，根据图8的流程图来预测焊接件的质量：

建模

使用轮廓测量和高温测量数据库以及响应Y_NC/C和Y_IC而无证实试样的对数建模

相对于证实试样对模型预测的证实，如果预测非顺应物中误差为0％，则OK

焊缝合格，

焊缝不合格，或

焊缝的“不确定合格”。

优选地，如果三个连续焊缝被预测为“不确定合格”的焊缝，那么将这三个焊缝视为是不合格的。

优选地，可以查看最后50个焊缝的通过断点进行平滑的高温测量和轮廓测量简档以及压缩简档(基于分布函数而构造的分位数{X_1％,X_5％,X_10％,X_15％,....,X_95％,X_99％})。同样可以在数据库中保存压缩和带时戳的简档以及符合性预测。

以下参见图12描述根据本发明的用于监测焊接件的质量的方法的第一阶段的实施方案。

在第一步骤10中，在多个焊接试验过程中制作多个试样。

在第二步骤20中，获取与这些焊接试验相关的数据。

在第三步骤30中，对先前获取的数据进行平滑处理。这种平滑处理例如是通过平均值断点来进行的。

在第四步骤40中，基于先前经过平滑的数据来提取多个解释性变量。

在例如与步骤20到40并行进行的步骤60中，通过验证这些试样以及因此这些焊接件关于在规范中定义的一项指标是否合格或不合格来对焊接试验的质量进行评级。这个指标可以是机械强度指标，并且该评级可以规定对这些试样进行一种机械强度试验，例如拉伸试验。

在步骤50中，使用步骤40和60的结果来定义这些焊接件的质量评级模型的多个参数。保存这些参数和模型。

以下参见图13描述根据本发明的用于监测焊接件的质量的方法的第二阶段的实施方案。

在第一步骤110中，产生一个焊接件。

在第二步骤120中，获取与这个焊接件相关的数据。

在第三步骤130中，对先前获取的数据进行平滑处理。这种平滑处理例如是通过平均值断点来进行的。

在第四步骤140中，基于先前经平滑的数据而提取多个解释性变量。

在步骤150中，使用步骤140的结果以及在步骤50中定义的模型。

因此，在步骤160中，获得了该焊接件质量的评级。

以下参见图14描述根据本发明的用于监测焊接件的质量的装置的实施方案。

监测装置1主要包括传感器7和逻辑处理单元8。这个传感器可以属于任何种类。优选地，该传感器使之有可能测量轮廓测量数据和/或热数据。该传感器具体可以包括相机，例如激光相机。该传感器优选是一个高温计。将由该传感器收集的数据传送给逻辑处理单元8。这个单元有利地包括一个微控制器和多个存储器。该单元整合了在先前描述的监测方法的第一阶段的步骤50完成时所定义的模型。优选地，该处理单元包括硬件和/或软件装置，使之有可能依据根据本发明的方法、特别是依据根据本发明的方法的第二阶段来控制用于监测质量的装置的操作。该软件装置可以具体包括计算机程序。

另外，监测装置1可以形成焊接设施11的一部分。该设施还包括焊接装置12和控制单元6，该焊接装置包括焊接装置5，例如激光焊接装置。这个控制单元特别使之有可能定义多个焊接参数，例如激光束4的前进、功率、聚集度、等等。该焊接装置使之有可能将两个元件2和3(例如，板)焊接在一起。

通过本发明，有可能在线或实时地监测通过激光(或通过另一种技术，例如电弧焊)焊接的焊缝。本发明同样良好地适用于焊接金属和塑料或热塑性塑料。另外，还能够以用于表征焊接件质量的其他类型和数目的类别以及任何其他大小的焊缝来进行根据本发明的用于监测质量的方法。

另外，根据本发明的方法使之有可能：

得到用于金属和塑料焊接应用的一种有效处理，

仅研究可感知的变化，同时保持所有必要的信息(平滑处理)，

得到非常显著的质量评级的稳健性(使用21个解释性变量)，

得到一个“智能”系统：这里不存在必须由操作者确定或修改的阈值，

得到一种可以随着时间而改进(数据库的丰富)的方法，

限制存储空间(所要求的存储：仅为先前提到的21个解释性变量)，

允许在不同生产场所与同一数据库一起使用(通过用于校准传感器的适当过程)。

Claims (20)

1.一种用于监测焊接件质量的方法，其特征在于该方法实施了一种概率性统计模型来确定对该焊接件的质量的评级，该方法包括：第一阶段，该第一阶段定义了这个用于对该焊接件的质量进行评级的模型；以及第二阶段，该第二阶段使用该评级模型来对该焊接件的质量进行评级，其中通过多个平均值断点来对获取的与这些焊接件相关的数据进行平滑处理。

2.如权利要求1所述的方法，其特征在于该统计模型是逻辑回归型的模型。

3.如权利要求1或2所述的方法，其特征在于该模型的实施使之有概率将该焊接件的质量评级为“合格的”或“不合格的”或者有概率将该焊接件的质量评级为“不确定的”。

4.如权利要求1或2所述的方法，其特征在于该模型包括：第一模块，该第一模块被实施为将该焊接件的质量评级为“不合格的”或者“合格的”；以及第二模块，该第二模块被实施为将该焊接件的质量评级为“合格的”或者“不确定的”。

5.如权利要求1所述的方法，其特征在于该第一阶段使用了针对该焊接件的轮廓测量法数据和/或针对该焊接件的温度数据，并且该第二阶段使用了针对该焊接件的轮廓测量法数据和/或针对该焊接件的温度数据。

6.如权利要求1所述的方法，其特征在于该第一阶段包括以下步骤：

进行多次焊接试验的步骤，

获取与这些焊接件相关的数据的步骤，

对这些焊接试验的质量进行评级的步骤，

对这些数据进行平滑处理的步骤，

对这种经过平滑的数据进行压缩并提取出多个解释性变量的步骤，

使用这些解释性变量来定义该模型的多个参数的步骤。

7.如权利要求6所述的方法，其中通过多个平均值断点对这些数据进行平滑处理。

8.如权利要求6所述的方法，其中这些变量是对应于这种经过平滑的数据的经验分布函数的分位数特征。

9.如权利要求1所述的方法，其特征在于该第二阶段包括以下步骤：

产生出焊接件的步骤，

获取与该焊接件相关的数据的步骤，

对这些数据进行平滑处理的步骤，

对这种经过平滑的数据进行压缩并提取出多个解释性变量的步骤，

使用该模型的步骤，以及

对该焊接件的质量进行评级的步骤。

10.如权利要求9所述的方法，其中通过多个平均值断点对这些数据进行平滑处理。

11.如权利要求9所述的方法，其中这些变量是对应于这种经过平滑的数据的经验分布函数的分位数特征。

12.一种用于监测焊接件质量的装置(1)，其特征在于该装置包括用于实施如权利要求1到7之一所述的方法的硬件装置。

13.一种焊接设施(11)，其特征在于该焊接设施包括如权利要求12所述的装置以及焊接装置(12)。

14.一种用于监测焊接件质量的装置，其特征在于该装置包括用于实施一种概率性统计模型来确定对该焊接件的质量的评级的部件，该装置进一步包括：用于实施第一阶段的部件，该第一阶段定义了这个用于对该焊接件的质量进行评级的模型；以及用于实施第二阶段的部件，该第二阶段使用该评级模型来对该焊接件的质量进行评级，其中通过多个平均值断点来对获取的与这些焊接件相关的数据进行平滑处理。

15.如权利要求14所述的装置，其特征在于该统计模型是逻辑回归型的模型。

16.如权利要求14或15所述的装置，其特征在于该模型的实施使之有概率将该焊接件的质量评级为“合格的”或“不合格的”或者有概率将该焊接件的质量评级为“不确定的”。

17.如权利要求14或15所述的装置，其特征在于该模型包括：第一模块，该第一模块被实施为将该焊接件的质量评级为“不合格的”或者“合格的”；以及第二模块，该第二模块被实施为将该焊接件的质量评级为“合格的”或者“不确定的”。

18.如权利要求15所述的装置，其特征在于该第一阶段使用了针对该焊接件的轮廓测量法数据和/或针对该焊接件的温度数据，并且该第二阶段使用了针对该焊接件的轮廓测量法数据和/或针对该焊接件的温度数据。

19.如权利要求15所述的装置，其特征在于该用于实施第一阶段的部件包括以下部件：

用于进行多次焊接试验的部件，

用于获取与这些焊接件相关的数据的部件，

用于对这些焊接试验的质量进行评级的部件，

用于通过多个平均值断点对这些数据进行平滑处理的部件，

用于对这种经过平滑的数据进行压缩并提取出多个解释性变量的部件，这些变量是对应于这种经过平滑的数据的经验分布函数的分位数特征，

用于使用这些解释性变量来定义该模型的多个参数的部件。

20.如权利要求15所述的装置，其特征在于该用于实施第二阶段的部件包括以下部件：

用于产生出焊接件的部件，

用于获取与该焊接件相关的数据的部件，

用于通过多个平均值断点对这些数据进行平滑处理的部件，

用于对这种经过平滑的数据进行压缩并提取出多个解释性变量的部件，这些变量是对应于这种经过平滑的数据的经验分布函数的分位数特征，

用于使用该模型的部件，以及

用于对该焊接件的质量进行评级的部件。