CN110866910B

CN110866910B - 一种焊缝质量预测方法及系统、装置、计算机可存储介质

Info

Publication number: CN110866910B
Application number: CN201911107675.5A
Authority: CN
Inventors: 娄云鸽; 陈伟伟; 钟臻怡; 徐胤
Original assignee: Shanghai Electric Group Corp
Current assignee: Shanghai Electric Group Corp
Priority date: 2019-11-13
Filing date: 2019-11-13
Publication date: 2022-04-12
Anticipated expiration: 2039-11-13
Also published as: CN110866910A

Abstract

本发明涉及焊接质量检测技术领域，公开了一种焊缝质量预测方法及系统、装置、计算机可存储介质，该方法包括对进行焊接时焊机的参数进行数据预处理，得到包含参数和参数影响因子的数据序列；将进行数据预处理之后的参数输入到灰色预测模型中，将数据序列和预设的残差值输入修正辅助预测模型，预设的残差值由对灰色预测模型进行训练过程中灰色预测模型输出的焊接处质量预测值和本次焊接的焊接结果真实值确定；根据焊接处质量预测值和残差预测值，确定焊接处质量最终预测值；将焊接处质量最终预测值以及焊接处质量检测信息作为用于调整焊机参数的参考信息。本发明通过图像检测方式和/或涡流检测方式对焊接的结果进行检测，检测效率更高。

Description

一种焊缝质量预测方法及系统、装置、计算机可存储介质

技术领域

本发明涉及焊接质量检测技术领域，特别涉及一种焊缝质量预测方法及系统、装置、计算机可存储介质。

背景技术

在带钢(指厚度在0.18mm～0.5mm之间的片状刚材)的生产过程中，前卷带钢的带尾和后卷带钢的带头需要通过焊接的方式进行连接，而焊缝质量的好坏对带钢能否顺利进行后序工艺处理至关重要，例如：焊接后的带钢进入电镀工艺后，需反复承受大张力弯曲，如果焊接连接的带钢发生断带，不仅会对工作辊产生损伤，还可能造成整个机组的停运、高温炉内的钢带报废、影响生产连续性，降低生产效率。因此，对带钢的焊缝质量进行检测，杜绝焊接不良的带钢进入后序工艺至关重要。然而，目前带钢焊缝质量的检测方法通常是人工鉴别焊缝质量的好坏，检测效率比较低。

发明内容

本发明提供了一种焊缝质量预测方法及系统、装置、计算机可存储介质，用于改善现有技术中人工鉴别焊缝质量好坏，检测效率比较低的问题。

第一方面，本发明实施例提供的一种焊缝质量预测方法，包括：

对进行焊接时焊机的参数进行数据预处理，得到包含所述参数和参数影响因子的数据序列；

将进行数据预处理之后的参数输入到灰色预测模型中，以及将所述数据序列和预设的残差值输入到修正辅助预测模型中，其中，所述预设的残差值是在对所述灰色预测模型进行训练过程中根据所述灰色预测模型输出的焊接处质量预测值和本次焊接的焊接结果真实值确定的；

根据所述灰色预测模型输出的焊接处质量预测值和所述修正辅助预测模型输出的残差预测值，确定焊接处质量最终预测值；

将所述焊接处质量最终预测值以及焊接处质量检测信息作为用于调整焊机参数的参考信息；

其中，所述焊接处质量检测信息包括外部缺陷检测值和/或内部缺陷检测值，所述外部缺陷检测值是通过图像检测方式对所述焊机进行本次焊接的结果进行检测得到的，所述内部缺陷检测值是通过涡流检测方式对所述焊机进行本次焊接的结果进行检测得到的。

通过上述方案，与现有技术中人工鉴别焊缝质量的好坏不同，通过图像检测方式和/或涡流检测方式对焊接的结果进行检测并输出焊接处质量检测信息，只需人工读取上述焊接处质量检测信息即可，省去了人工观测焊缝质量再确定焊接是否合格的过程，检测效率更高，检测可靠性更高。而且上述方案还可以通过灰色预测模型和修正辅助预测模型确定本次焊接时焊接处质量最终预测值，使用户能够根据焊接处质量最终预测值和焊接处质量检测信息综合考虑是否需要调整焊机参数以及如何调整焊机参数，能够降低甚至避免下一次焊接时出现焊接不良的可能性。

在一种可能的实现方式中，通过下列方式对所述灰色预测模型进行训练：

将训练使用的焊机的历史参数作为所述灰色预测模型的输入，并将焊接处质量预测值作为所述灰色预测模型的输出，对所述灰色预测模型进行训练。

上述方法中，以焊机的历史参数作为输入，以质量预测值作为输出，对灰色预测模型进行训练，使训练得到的灰色预测模型能够输出焊接处质量预测值的准确值。

在一种可能的实现方式中，通过下列方式对所述修正辅助预测模型进行训练：

将预设的残差值以及包含训练使用的焊机的历史参数和参数影响因子的数据序列输入到所述修正辅助预测模型中，并将残差预测值作为所述修正辅助预测模型的输出，对所述修正辅助预测模型进行训练。

上述方法中，以预设的残差值和数据序列作为输入，以残差预测值作为输出，对修正辅助预测模型进行训练，使训练得到的修正辅助预测模型能够输出残差预测值的准确值。

在一种可能的实现方式中，所述根据所述灰色预测模型输出的焊接处质量预测值和所述修正辅助预测模型输出的残差预测值，确定焊接处质量最终预测值，包括：

将所述焊接处质量预测值和所述残差预测值相加得到焊接处质量最终预测值。

上述方法，通过将焊接处质量预测值和残差预测值相加得到焊接处质量最终预测值，计算过程更为简化。

在一种可能的实现方式中，所述焊接结果真实值是通过图像检测方式和/或涡流检测方式确定的。

上述方法中，通过图像检测方式和/或涡流检测方式来确定焊接结果真实值，使得焊接结果真实值更加可靠。

第二方面，本发明实施例提供的一种焊缝质量预测系统，包括：

缺陷检测模块，用于通过图像检测方式对所述焊机进行本次焊接的结果进行检测得到外部缺陷检测值和/或通过涡流检测方式对所述焊机进行本次焊接的结果进行检测得到内部缺陷检测值，并将所述外部缺陷检测值和/或所述内部缺陷检测值作为焊接处质量检测信息；

质量预测模块，用于对进行焊接时焊机的参数进行数据预处理，得到包含所述参数和参数影响因子的数据序列；将进行数据预处理之后的参数输入到灰色预测模型中，以及将所述数据序列和预设的残差值输入到修正辅助预测模型中，其中，所述预设的残差值是在对所述灰色预测模型进行训练过程中根据所述灰色预测模型输出的焊接处质量预测值和本次焊接的焊接结果真实值确定的；根据所述灰色预测模型输出的焊接处质量预测值和所述修正辅助预测模型输出的残差预测值，确定焊接处质量最终预测值；

参数整合模块，用于将所述焊接处质量最终预测值以及所述焊接处质量检测信息作为用于调整焊机参数的参考信息。

在一种可能的实现方式中，所述质量预测模块具体用于，通过下列方式对所述灰色预测模型进行训练：

在一种可能的实现方式中，所述质量预测模块具体用于，通过下列方式对所述修正辅助预测模型进行训练：

在一种可能的实现方式中，所述质量预测模块具体用于：

第三方面，本发明实施例提供的一种焊缝质量预测装置包括：处理器和存储器；

其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行下列过程：

本发明实施例提供的一种焊缝质量预测装置用于上述焊缝质量预测方法的实现，能够达到上述焊缝质量预测方法所能够达到的有益效果，此处不再重复说明。

在一种可能的实现方式中，所述处理器还用于，通过下列方式对所述灰色预测模型进行训练：

在一种可能的实现方式中，所述处理器还用于，通过下列方式对所述修正辅助预测模型进行训练：

在一种可能的实现方式中，所述处理器具体用于：

将所述焊接处质量预测值和所述残差预测值相加，得到焊接处质量最终预测值。

第四方面，本发明实施例提供一种计算机可存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述方法的步骤。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为前卷带钢与后卷带钢焊接后的结构示意图；

图2为本发明实施例提供的一种神经网络的训练过程示意图；

图3为本发明实施例提供的一种神经网络的使用过程示意图；

图4为本发明实施例提供的一种焊缝质量预测方法的示意图；

图5为本发明实施例提供的一种焊缝质量管理流程的示意图；

图6为本发明实施例提供的一种检测工位的示意图；

图7为本发明实施例提供的一种焊缝质量检测系统的示意图；

图8为本发明实施例提供的一种焊缝质量检测装置的示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面对文中出现的一些词语进行解释：

本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

如图1所示，在带钢的生产过程中，需要将前卷带钢的带尾100和后卷带钢的带头101焊接在一起，焊接完成后会通过人工观测焊缝102的方式确定焊接是否合格，如果焊缝102质量不合格，则需要将焊接区域退至裁剪单元处，将不合格的焊缝区域裁剪掉，再重新进行焊接、检查，直至焊缝质量合格为止。然而，通过人工观测焊缝质量来确定焊接是否合格，效率比较低，越来越难以满足提高生产效率的需求。

同时，在焊接过程中，为了保证焊接质量，在焊接前会先通过上滚轮和下滚轮配合将待焊接的带钢夹紧，然后再进行焊接，焊缝缺陷的产生除了偶然因素所致外，大多情况下根本原因是滚轮发生了磨损，例如：随着时间的推移，上、下滚轮会发生磨损，滚轮磨损后电极间的压力值减小，将会导致初始设置的焊机参数，例如：焊接电流、电极间电压、焊接速度等不匹配而导致焊缝缺陷。所以，焊缝质量的变化是呈趋势性的。

因此，本发明实施例针对现有技术中，焊缝质量检测效率比较低的问题，提供了一种焊缝质量预测方法，该方法不但能够对焊接处进行检测，得到焊接处的外部缺陷检测值和/或内部缺陷检测值，大大提高检测的效率；还能够得到焊接处质量最终预测值，对当前正在进行焊接的焊缝的质量做出预测，从而为用户调整焊机参数提供多重参考，以在下一次焊接时，降低焊接缺陷产生的可能性、甚至避免焊接缺陷的产生。其中，采用神经网络模型得到焊接处质量最终预测值，使用神经网络模型之前先对神经网络模型进行训练，神经网络模型的训练如图2所示：

1、以焊机进行焊接的历史参数为样本数据。

可选地，可以以设定时长内焊机焊接的历史参数为样本数据，例如：以四个月内、半年内或者七个月内焊机焊接的历史参数为样本数据，历史参数包括但不限于下列参数中的部分或者全部：

焊接电流(I)：电阻焊就是利用电流通过接触点产生的电阻热进行焊接，焊接电流值得大小对焊接时间有着直接的影响；

焊接时间(T)：向被焊钢带通电加热形成熔核的时间，焊接时间受到焊接速度和焊接电流的影响；

焊接速度(V)：根据被焊接材料的厚度和材料不同设置的焊机焊枪的运动速度；

电极力(F)：上、下滚轮夹持被焊带钢的电极压力，电极力过小会引起电阻增加，焊缝的散热性能降低，影响焊接质量；

电极间电压(U)：与焊接电流和动态电阻有关；

动态电阻(R)：由于焊接材料的不均匀导致每一个焊缝的电阻值发生变化；

实时电压(U_r)：焊接电流和动态电阻得到实时电压值。

2、对焊机的历史参数(即样本数据)进行数据预处理，得到时序样本数据以及包含参数和参数影响因子的数据序列。

样本数据中的焊接电流值、焊接时间值、焊接速度、电极力、电极间电压、动态电阻值、实时电压值数据的区间范围差距较大，数据分布状态也不一样，例如，电极力值区间范围设定原始值为A，随着滚轮磨损，电极力值衰减至B，数值在区间[B，A]内分布均匀，但是动态电阻及电极间电压值在区间内分布存在不确定性，焊接时间、焊接电流、焊接速度等数值分布较为集中。且样本数据中有些是因为设备故障出现的突变数据(例如，焊接电流值远远超出设定的焊接电流值)，为确保焊缝质量预测的准确性，故需要对样本数据进行预处理。

数据预处理的步骤为：

第一步，设定焊机各参数值的区间范围，剔除由于设备故障导致的错误数据；

第二步，对样本数据进行z-score标准化处理，将焊接电流值、焊接时间值、焊接速度、电极力、电极间电压、动态电阻值、实时电压值初始化为平均数为0，方差为1的区间内分布，实现焊机参数所有不同量级的数据统一为统一量级，统一用计算出的z-score值来衡量，以保证数据之间的可比性。

3、将进行数据预处理之后得到的时序样本数据作为灰色预测模型的输入，将焊接处质量预测值作为灰色预测模型输出对灰色预测模型进行训练。

在许多领域中得到普遍应用的是GM(1，1)灰色预测模型，但紧采用GM(1，1)模型无法全面反映系统的真实特征。由于焊缝缺陷的预测受到多个因素的影响，因此，选取模型的维度为N维，且由于焊缝缺陷的类别比较稳定，因此，采用1阶预测模型对其进行描述，即采用了GM(1，N)灰色预测模型，灰色预测模型分为样本数据输入、模型参数确定、由灰色预测模型计算出焊接处质量预测值三个基本阶段。具体的，首先，构建样本数据的时间序列，即样本数据时序化得到时序样本数据，并通过时序样本数据来确定微分方程的参量(即模型参数)，具体做法是按照递推方法，把样本数据按照时间序列(分段)建立一个逐段分析的模型，输出焊接处质量预测值，焊接处质量预测值减去焊接结果真实值得到预设的残差值，将预设的残差值作为灰色预测模型的目标值。

4、将数据序列与在对灰色预测模型进行训练过程中根据灰色预测模型输出的焊接处质量预测值和本次焊接的焊接结果真实值确定的预设的残差值作为修正辅助预测模型的输入，将残差预测值作为修正辅助预测模型的输出，对修正辅助预测模型进行训练。上述焊接结果真实值可以是人为检测焊缝质量后输入的，也可以是通过以图像检测方式和/或涡流检测方式检测并处理后得到的。

对实际焊缝的质量分别和选取的7种焊机参数建立灰色预测模型，这样既可以得到焊缝质量的预测模型，又可以得到每一个参数的预测模型。修正辅助预测模型中的神经网络接收灰色预测模型的7种参数的预设的残差值，以及参数和参数的影响因子作为输入数据，将残差预测值作为目标值，并通过对神经网络进行训练开始下一步的预测，训练结束后，我们可以得到残差预测值，最终通过计算得到焊接处质量最终预测值，我们定义改进组合模型中输入层具有7个神经元节点，分别表示7种参数值，隐含层设定14个节点，输出层的神经元为1个，修正辅助预测模型中会将经过训练的神经网络中的阈值和权重值反馈到神经网络进行下一次的训练，直至得到比较理想的修正辅助预测模型；为了提高训练的效率和训练结果的稳定性，神经网络模型中只设一个隐含层。

焊接处质量预测值，和真实值初始化后数值区间一致，焊接处质量预测值给出两个表面质量和内部质量缺陷在[0,1]区间的数值。

焊接结果真实值是包括图像检测方法得到的表面缺陷和涡流检测方法得到的内部缺陷质量，将测量的真实值进行数值化，即将表面缺陷(焊穿的缺陷、突起、凹坑)计算面积进行数值化处理。涡流检测得到的焊缝的检测的电流值，根据历史数据确定涡流检测内部缺陷合格的电流区间，以及表面质量合格的面积区间，如果超出该区间则判断为不合理。

预设的残差值，焊缝质量预测值减去质量检测真实值，是历史数据训练后得到的残差值。

残差预测值是经过修正辅助预测模型训练以及多次修正后，得到的当前焊缝质量的残差预测值。

5、将灰色预测模型输出的焊接处质量预测值和修正辅助预测模型输出的残差预测值相加，确定焊接处质量最终预测值。

焊接处质量最终预测值和真实值初始化后数值区间一致，是焊接处质量预测值与残差预测值的和。

本实施例中，灰色预测模型可以采用GM(1，N)模型，GM(1，N)模型表示对N个变量用一阶微分方程建立的灰色模型；在许多领域中得到普遍应用的是GM(1,1)灰色预测模型，由于焊缝缺陷的预测受到多个因素的影响，紧紧采用GM(1,1)模型无法全面反映系统的真实特征，因此选取模型的维度为N维，且由于焊缝缺陷的类别比较稳定，因此采用1阶预测模型对其进行描述，即采用了GM(1，N)灰色预测模型，修正辅助预测模型可以为BP神经网络。

需要说明的是，GM(1，N)模型和BP神经网络只是举例说明，GM(1，1)模型和GM(0，N)模型也可以作为本发明实施例的灰色预测模型，GM(1，1)、GM(0，N)的模型也可以作为本发明实施例的修正辅助预测模型。

神经网络模型训练后使用的过程与训练的过程相似，如图3所示：

1、对进行本次焊接时焊机的参数进行数据预处理，得到时序样本数据以及包含参数和参数影响因子的数据序列；

2、将进行数据预处理之后得到的时序样本数据输入到灰色预测模型中，以使灰色预测模型输出焊接处质量预测值；

3、将数据序列与预设的残差值输入到修正辅助预测模型中，以使修正辅助预测模型输出残差预测值。

需要说明的是，预设的残差值是在对灰色预测模型进行训练过程中根据灰色预测模型输出的焊接处质量预测值和本次焊接的焊接结果真实值确定的。

4、将灰色预测模型输出的焊接处质量预测值和修正辅助预测模型输出的残差预测值相加，确定焊接处质量最终预测值。

5、将焊接处质量最终预测值以及焊接处质量检测信息作为用于调整焊机参数的参考信息。

用户可以结合焊接处质量最终预测值以及外部缺陷检测值和/或内部缺陷检测值综合考虑是否要在焊机进行下一次焊接之前对焊机的参数进行调整，以及对焊机的参数进行怎样的调整。

另一种实施方式中，给出通过焊接处质量最终预测值、外部缺陷检测值和/或内部缺陷检测值确定的调整焊机参数的建议，同时给出外部缺陷检测值和/或内部缺陷检测值，供用户参考。

焊接处质量最终预测值、外部缺陷检测值和/或内部缺陷检测值都会在的界面中显示，三组数据都是在[0,1]区间内的数值。可以根据三组数据在该区间内的分布情况给出参数调整建议，例如，当外部缺陷检测值和/或内部缺陷检测值出现缺陷时，而焊接处质量最终预测值在0附近，则可认定为并非是由于参数值的衰减导致的特殊情况出现的缺陷；系统会显示三个结果，不会给出调整建议，当外部缺陷检测值和/或内部缺陷检测值和焊接处质量最终预测值均靠近1时，则认定是由于参数衰减导致的焊缝质量缺陷，则会给出调整焊机参数的建议。

下面结合说明书附图对本发明实施例做进一步详细描述。

如图4所示，本发明实施例的一种焊缝质量预测方法，包括：

步骤400、对进行焊接时焊机的参数进行数据预处理，得到包含参数和参数影响因子的数据序列；

步骤401、将进行数据预处理之后的参数输入到灰色预测模型中，以及将数据序列和预设的残差值输入到修正辅助预测模型中，其中，预设的残差值是在对灰色预测模型进行训练过程中根据灰色预测模型输出的焊接处质量预测值和本次焊接的焊接结果真实值确定的；

步骤402、根据灰色预测模型输出的焊接处质量预测值和修正辅助预测模型输出的残差预测值，确定焊接处质量最终预测值；

步骤403、将焊接处质量最终预测值以及焊接处质量检测信息作为用于调整焊机参数的参考信息；

其中，焊接处质量检测信息包括外部缺陷检测值和/或内部缺陷检测值，外部缺陷检测值是通过图像检测方式对焊机进行本次焊接的结果进行检测得到的，内部缺陷检测值是通过涡流检测方式对焊机进行本次焊接的结果进行检测得到的。

通过上述方案，与现有技术中人工鉴别焊缝质量的好坏不同，通过图像检测方式和/或涡流检测方式对焊接的结果进行检测并输出焊接处质量检测信息，只需人工读取上述焊接处质量检测信息即可，省去了人工观测焊缝质量再确定焊接是否合格的过程，检测效率更高。而且上述方案还可以通过灰色预测模型和修正辅助预测模型确定本次焊接时焊接处质量最终预测值，使用户能够根据焊接处质量最终预测值和焊接处质量检测信息综合考虑是否需要调整焊机参数以及如何调整焊机参数，能够降低甚至避免下一次焊接时出现焊接不良的可能性。

通过分析不合格焊缝样本发现，主要的焊缝缺陷为烧穿和未融合，其中，烧穿缺陷是指在焊接时，熔身超过被焊件的厚度，融化的金属由焊缝背面流出，从而造成的穿孔性缺陷；未融合缺陷指焊缝金属之间未结合在一起的缺陷。

为了能够更全面地了解焊接后焊缝的质量情况，一种可选地技术方案中，向用户提供焊接处质量最终预测值以及外部缺陷检测值和内部缺陷检测值，以使用户能够更全面地考虑是否要在焊机进行下一次焊接之间对焊机的参数进行调整，以及对焊机的参数进行怎样的调整。

在另一种实施例中，可以向用户提供外部缺陷检测值和内部缺陷检测值中的一个以及焊接处质量最终预测值。

本实施例中以向用户提供焊接处质量最终预测值以及外部缺陷检测值和内部缺陷检测值为例进行说明。

外部缺陷检测值和内部缺陷检测值还可以用于判断焊缝质量是否合格，如图5所示，利用外部缺陷检测值和内部缺陷检测值判断焊缝质量的步骤如下：

步骤500、对焊缝的质量进行检测；

步骤501、采集外部缺陷检测值和采集内部缺陷检测值；

步骤502、对外部缺陷检测值和内部缺陷检测值进行分析处理；

步骤503、判断焊缝表面质量是否合格，如果焊缝表面质量合格，则执行步骤507，如果焊缝表面质量不合格，则依次执行步骤504；

步骤504、焊缝区域退至裁剪单元处；

步骤505、裁剪焊缝；

步骤506、重新焊接，并返回步骤500；

步骤507、判断焊缝内部质量是否合格，如果焊缝内部质量合格，则执行步骤508，如果焊缝表面质量不合格，则依次执行步骤504-506；

步骤508、进行后续工艺处理。

即只有当焊缝表面质量和内部质量均合格时，焊接后的带钢才进行后续的工艺处理；当焊缝表面质量或内部质量有一个不合格或者两者都不合格时，焊缝区域退至裁剪单元处，不合格的焊缝被裁剪掉，焊机重新焊接，然后再检测，直至焊缝质量合格。

需要说明的是，上述过程中，判断焊缝表面质量是否合格和判断焊缝内部质量是否合格可以是同时进行的，可以是先判断焊缝表面质量是否合格，然后再判断焊缝内部质量是否合格，还可以是先判断焊缝内部质量是否合格，然后再判断焊缝表面质量是否合格，本实施例中不做具体限定。

本实施提供的焊缝质量预测装置可以包括用于采集焊缝表面图像信息的图像检测单元和/或用于采集焊缝内部信息的涡流检测单元，处理器对上述焊缝表面图像信息和/或焊缝内部信息进行处理，输出相应的内部缺陷检测值和外部缺陷检测值。

焊机完成前后两卷带钢的焊接，被焊接的两卷带钢移动至检测工位后，焊缝的停止位置可能与设定位置存在一定偏差，为了适应焊缝位置偏差，如图6所示，焊缝检测工位可以包括三轴驱动部，例如：桁架机器人，三轴驱动部中Z轴驱动组件601与Y轴驱动组件602的动力输出端连接，图像检测单元中的相机603和涡流检测单元中的涡流传感器安装在Z轴驱动组件的动力输出端上，能够在Z轴驱动组件的带动下沿Z轴方向移动；橡胶支撑轴承604设置于Z轴驱动组件的动力输出端上，用于与带钢表面触带，起到缓冲、减小冲击损伤的作用，同时保证涡流传感器与焊缝之间的最佳提离间隙；Y轴驱动组件与X轴驱动组件605的动力输出端连接。当焊缝位置固定后，一种实现方式中，通过X轴驱动组件调整相机和涡流传感器与焊缝的相对位置，以使二者与焊缝的相对位置最利于检测；随后Y轴驱动组件带动Z轴驱动组件及相机和涡流传感器沿Y轴方向运动，使相机拍摄焊缝表面的图像，涡流传感器检测焊缝内部质量。

检测工位具体的工作过程如下：当无完成焊接的带钢位于焊接检测工位时，焊接检测工位处各组件处于休眠状态，三轴驱动部的Z轴驱动组件移动到Y轴方向最边缘位置；当带钢焊接完成后，同时发送信号给焊接检测工位的控制系统，启动三轴驱动部及相机和涡流传感器；当带钢焊缝移动至相机视野范围内后，X轴驱动组件驱动各组件及检测单元沿X轴方向移动，直至焊缝在最佳检测范围内；Z轴驱动组件带动其上的相机和涡流传感器向下运动，直至各橡胶支撑轴承(橡胶支撑轴承的数量可以为4个)接触到带钢表面，涡流传感器与带钢焊缝在最佳的提离间隙。随后，相机和涡流传感器及Z轴驱动组件在Y轴驱动组件的带动下沿Y轴运动，开始进行检测。

如图7所示，基于相同的发明构思，本发明实施例提供一种焊缝质量预测系统，包括：

缺陷检测模块701，用于通过图像检测方式对焊机进行本次焊接的结果进行检测得到外部缺陷检测值和/或通过涡流检测方式对焊机进行本次焊接的结果进行检测得到内部缺陷检测值，并将外部缺陷检测值和/或内部缺陷检测值作为焊接处质量检测信息；

质量预测模块702，用于对进行焊接时焊机的参数进行数据预处理，得到包含参数和参数影响因子的数据序列；将进行数据预处理之后的参数输入到灰色预测模型704中，以及将数据序列和预设的残差值输入到修正辅助预测模型705中，其中，预设的残差值是在对灰色预测模型进行训练过程中根据灰色预测模型输出的焊接处质量预测值和本次焊接的焊接结果真实值确定的；根据灰色预测模型输出的焊接处质量预测值和修正辅助预测模型输出的残差预测值，确定焊接处质量最终预测值；

参数整合模块703，用于将焊接处质量最终预测值以及焊接处质量检测信息作为用于调整焊机参数的参考信息。

由于该系统即是本发明实施例中的方法中的系统，并且该系统解决问题的原理与该方法相似，因此该系统的实施可以参见方法的实施，重复之处不再赘述。

可选地，质量预测模块具体用于，通过下列方式对灰色预测模型进行训练：

将训练使用的焊机的历史参数作为灰色预测模型的输入，并将焊接处质量预测值作为灰色预测模型的输出，对灰色预测模型进行训练。

可选地，质量预测模块具体用于，通过下列方式对修正辅助预测模型进行训练：

将预设的残差值以及包含训练使用的焊机的历史参数和参数影响因子的数据序列输入到修正辅助预测模型中，并将残差预测值作为修正辅助预测模型的输出，对修正辅助预测模型进行训练。

可选地，质量预测模块具体用于：

将焊接处质量预测值和残差预测值相加得到焊接处质量最终预测值。

可选地，焊接结果真实值是通过图像检测方式和/或涡流检测方式确定的。

如图8所示，基于相同的发明构思，本发明实施例提供一种焊缝质量预测装置包括：处理器800和存储器801；

需要说明的是，焊缝质量预测装置训练使用的处理器和使用模型中的处理器可以不同，也可以不在同一个设备中。

由于该装置即是本发明实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

可选地，一种具体实现方式中，焊缝质量预测装置包括用于采集焊缝表面图像信息的图像检测单元和/或用于采集焊缝内部信息的涡流检测单元，处理器对上述焊缝表面图像信息和/或焊缝内部信息进行处理，输出相应的内部缺陷检测值和外部缺陷检测值。

另一种实现方式中，用于采集焊缝表面图像信息的图像检测单元和/或用于采集焊缝内部信息的涡流检测单元位于焊缝质量预测装置的外部，焊缝质量预测装置获取焊缝表面图像信息和/或焊缝内部信息进行处理，输出相应的内部缺陷检测值和外部缺陷检测值。

可选地，所述处理器还用于，通过下列方式对所述灰色预测模型进行训练：

可选地，所述处理器还用于，通过下列方式对所述修正辅助预测模型进行训练：

可选地，所述处理器具体用于：

可选地，所述焊接结果真实值是通过图像检测方式和/或涡流检测方式确定的。

本发明实施例提供一种计算机可存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述焊缝质量预测方法的步骤。其中，可存储介质可以为非易失可存储介质。

以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。

相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种焊缝质量预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，通过下列方式对所述灰色预测模型进行训练：

3.根据权利要求1所述的方法，其特征在于，通过下列方式对所述修正辅助预测模型进行训练：

4.根据权利要求1所述的方法，其特征在于，所述根据所述灰色预测模型输出的焊接处质量预测值和所述修正辅助预测模型输出的残差预测值，确定焊接处质量最终预测值，包括：

5.根据权利要求1所述的方法，其特征在于，所述焊接结果真实值是通过图像检测方式和/或涡流检测方式确定的。

6.一种焊缝质量预测系统，其特征在于，包括：

缺陷检测模块，用于通过图像检测方式对焊机进行本次焊接的结果进行检测得到外部缺陷检测值和/或通过涡流检测方式对焊机进行本次焊接的结果进行检测得到内部缺陷检测值，并将所述外部缺陷检测值和/或所述内部缺陷检测值作为焊接处质量检测信息；

7.根据权利要求6所述的预测系统，其特征在于，所述质量预测模块具体用于，通过下列方式对所述灰色预测模型进行训练：

8.根据权利要求6所述的预测系统，其特征在于，所述质量预测模块具体用于，通过下列方式对所述修正辅助预测模型进行训练：

9.根据权利要求6所述的预测系统，其特征在于，所述质量预测模块具体用于：

10.根据权利要求6所述的预测系统，其特征在于，所述焊接结果真实值是通过图像检测方式和/或涡流检测方式确定的。

11.一种焊缝质量预测装置，其特征在于，包括：处理器和存储器；

其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1-5任一项所述方法的步骤。

12.一种计算机可存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。