CN112270335A - 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质 - Google Patents

一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN112270335A
CN112270335A CN202010923517.3A CN202010923517A CN112270335A CN 112270335 A CN112270335 A CN 112270335A CN 202010923517 A CN202010923517 A CN 202010923517A CN 112270335 A CN112270335 A CN 112270335A
Authority
CN
China
Prior art keywords
window
effective
welding
data
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010923517.3A
Other languages
English (en)
Other versions
CN112270335B (zh
Inventor
陈苗苗
祁学豪
陈刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Network Communication and Security Zijinshan Laboratory
Original Assignee
Network Communication and Security Zijinshan Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Network Communication and Security Zijinshan Laboratory filed Critical Network Communication and Security Zijinshan Laboratory
Priority to CN202010923517.3A priority Critical patent/CN112270335B/zh
Publication of CN112270335A publication Critical patent/CN112270335A/zh
Application granted granted Critical
Publication of CN112270335B publication Critical patent/CN112270335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)

Abstract

本发明公开一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质，该方法首先收集焊接生产过程中焊接电参数和质量缺陷标签以及焊缝中心偏移焊丝中心的标签作为训练库；对收集到的电参数时序数据进行有效窗口提取，对提取的数据进行希尔伯特变换，分别对电参数实数值和复数值做特征提取；使用梯度提升树学习样本焊缝中心是否偏移焊丝中心；将预测到的焊缝中心是否偏移焊丝中心标签作为特征，使用最大最小标准化和包装法中的递归特征消除法挑选特征，使用决策树模型进行焊接质量缺陷分类；实时采集焊接电参数，进行窗口提取和相应的特征变换和提取，代入焊缝中心是否偏移焊丝中心模型预测，将预测结果作为特征，代入焊接质量预测模型得到焊接质量是否有缺陷。

Description

一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读 存储介质
技术领域
本发明涉及工业焊接产品质量检测技术领域，尤其是一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质。
背景技术
随着制造技术的快速发展，焊接制造自动化与智能化已成为必然趋势。因焊接机器人拥有较强的通用性和工作可靠性等优点，已成为焊接自动化技术现代化的主要手段。如果焊接接头存在严重的焊接缺陷，在恶劣的环境下，就有可能造成部分结构断裂，甚至引起重大事故。焊接产品的质量方面存在的主要问题就是焊缝质量的缺陷。因此，焊接质量检验尤为重要，做到及早发现焊接缺陷，对焊接接头的质量做出客观的评价，把焊接缺陷限制在一定的范围内，以确保设备安全和人命财产安全。
目前焊缝质量缺陷检测主要基于焊接电流和电压等电参数上的特征变换，当电参数较稳定时认为焊接质量较好，然而实际过程中当焊缝中心偏移焊丝中心较大时，焊接参数波动也较稳定，这会带来焊接缺陷的误判。
发明内容
针对上述技术问题，本发明旨在提供一种搭接接头焊接质量缺陷预测的方法，删除了焊接开头和结尾因受起弧和收弧控制而导致的不置信数据，在电参数基础上，增加了焊缝偏移焊丝中心的预测标签，极大提高了焊接质量预测的精度。
为解决上述技术问题，本发明提供一种搭接接头焊接质量缺陷预测的方法，该方法包括以下步骤：
1)训练数据库收集模块：通过工业网关收集焊接机器人的电弧电压和焊接电流数据，对焊缝中心偏移焊丝中心人工打标签，当偏上板时记为a＝1，当偏下板时记为a＝2，无偏时记为a＝0，同时对焊接质量进行人工打标签，当有焊接缺陷时记为y＝1，否则记为y＝0，将所有数据和标签作为训练库；
2)数据有效窗口选择和特征提取模块：对收集到的电弧电压和焊接电流数据根据进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据，采用希尔伯特变换方法计算时变，分别对有效窗口内的电参数的实数值和复数值做均值、标准偏差、变异系数、峰度、一阶差分均值、形状因子、波峰因子、间隙系数、脉冲因子、前后窗平均值处理，以及对前后窗皮尔逊相关系数的特征提取；
3)焊缝偏移模型训练模块：对提取到的特征和焊缝中心偏移焊丝中心标签进行梯度提升树进行三分类模型进行训练；
4)焊接质量缺陷训练模块：除了对提取的44个特征使用最大最小标准化，还加入焊缝中心是否偏移焊丝中心预测标签，后用L1正则和递归特征消除法筛选特征，最终得到无多重共线性特征，根据焊接质量标签，使用决策树模型训练；
5)焊接质量预测模块：通过工业网关实时采集焊接机器人的电弧电压和焊接电流数据，进行窗口提取和相应的特征变换和提取，代入焊缝中心是否偏移焊丝中心模型预测，将预测结果作为特征，代入焊接质量预测模型。
针对在实际应用中发现的选择合适的数据有效窗对检测算法的准确度影响较大，对所述步骤2)数据有效窗口提取优化如下，具体步骤为：
2.1)对一条焊缝电参数数据按时间序列从小到大排序，对于有缺失的采样点采用相邻点向后填充的方法，统计数据点数N，则初始有效窗口为[0,N-1]；
2.2)前窗选择：从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点
Figure BDA0002667528690000021
和采样点i+1,i+2,i+3的均值
Figure BDA0002667528690000022
和标准偏差σ，得到阈值
Figure BDA0002667528690000023
若采样点i不在阈值内，而i+1,i+2,i+3采样点都在阈值内，则有效窗口更新为[i+1,N-1]；若采样点i和i+1,i+2,i+3采样点都在阈值内且i点取值与均值
Figure BDA0002667528690000024
范围不超过整个阈值范围的1/3，则有效窗口更新为[i,N-1]；否则继续选择有效窗口；令此时有效前窗序号为i*；
2.3)后窗选择：从有效窗口[i*,N-1]结束时刻开始，依次计算有效窗口除当前采样点
Figure BDA0002667528690000025
和接下来的4个采样点j-1,j-2,j-3,j-4取值的均值
Figure BDA0002667528690000026
和标准偏差σ′，得到阈值
Figure BDA0002667528690000027
若采样点j取值不在阈值内，而j-1,j-2,j-3,j-4值都在阈值内，则有效窗口更新为[i*,j-1]；若采样点j和j-1,j-2,j-3,j-4采样点都在阈值内且采样点j值与均值
Figure BDA0002667528690000028
范围不超过整个阈值范围的1/3，则有效窗口更新为[i*,j]；否则继续选择；令此时有效后窗序号为j*；
2.4)重新更新前窗序号：根据2.2)、2.3)得有效窗口为[i*,j*]，计算有效窗口的均值
Figure BDA0002667528690000031
和标准偏差σ*，得有效阈值
Figure BDA0002667528690000032
当前窗删除样本数大于数据点的预设占比，则依次计算采样点
Figure BDA0002667528690000033
的取值是否在阈值
Figure BDA0002667528690000034
内，若取值在阈值内，则继续；否则，找到第一个不满足数据点l*，则停止，此时有效窗口为[l*+1,j*]；当前窗删除样本数不超过数据点的预设占比时，则依次计算采样点
Figure BDA0002667528690000035
的取值和l+1,l+2,l+3的取值，找到第一个这4个点取值都在有效阈值内的采样点，则停止，设有效前窗序号为l*，此时有效窗口为[l*,j*]；令此时有效前窗序号为t*；
2.5)重新更新后窗序号：当后窗删除样本数大于数据点的预设占比，则依次计算采样点
Figure BDA0002667528690000036
的取值是否在有效阈值内，若取值在阈值内，则继续；否则，找到第一个不满足数据点k*，则停止，此时有效后窗序号为k*-1，此时有效窗口为[t*,k*-1]；当后窗删除样本数不超过数据点的预设占比，则依次计算采样点
Figure BDA0002667528690000037
的取值和接下来的4个点k-4,k-3,k-2,k-1的取值，找到第一个这5个点取值都在有效阈值内，则停止，此时有效前窗序号为k*，此时有效窗口为[t*,k*]；令此时有效前窗序号为T*；
2.6)确定有效窗口：对电压和电流数据分别运用2.1)-2.5)，令电压有效窗口为[v,V]，电流有效窗口为[i,I]，则最终有效窗口为[max(i,v),min(I,V)]；
本发明与现有技术相比较，本发明的实施效果如下：
本发明提出了一种搭接接头焊接质量缺陷预测的方法，有效删除了焊接开头和结尾因受起弧和收弧控制而导致的不置信数据，预测搭接接头焊接质量缺陷分成两步，先预测焊缝中心是否偏移焊丝中心，再将预测的焊缝中心是否偏移焊丝中心的标签作为预测焊接质量缺陷的主要特征，加入因偏移带来的焊接缺陷特征，有效增强焊接质量缺陷的识别能力。
附图说明
图1为本发明电参数时序数据的有效窗口提取方法流程示意图；
图2为采用现有技术与本发明方法确定有效窗口中电压数据对比图；
图3为采用现有技术与本发明方法确定有效窗口中电流数据对比图。
具体实施方式
下面结合附图和具体实例对本发明做更进一步的解释：
本方法除了根据电弧工业网关采集的电参数，还增加一个焊缝中心偏移焊丝中心的预测标签作为焊接质量缺陷的主要特征，提高人工对焊缝质量检测的精度。
本发明公开了一种搭接接头焊接质量缺陷预测的方法，具体步骤如下：首先，收集实际焊接生产过程中焊接电参数和质量缺陷标签以及焊缝中心偏移焊丝中心的标签作为训练库。其次，对收集到的电参数的时序数据进行有效窗口的提取，对提取后的数据进行希尔伯特变换，分别对电参数实数值和复数值做特征提取。再次，使用梯度提升树学习样本焊缝中心是否偏移焊丝中心。从次，将预测到的焊缝中心是否偏移焊丝中心标签作为特征，使用最大最小标准化和包装法中的递归特征消除法挑选特征，使用决策树模型进行焊接质量缺陷分类。最后，实时采集焊接电参数，进行窗口提取和相应的特征变换和提取，代入焊缝中心是否偏移焊丝中心模型预测，将预测结果作为特征，代入焊接质量预测模型得到焊接质量是否有缺陷。本发明将预测搭接接头焊接质量缺陷分成两步，先预测焊缝中心是否偏移焊丝中心，再将预测的焊缝中心是否偏移焊丝中心的标签作为预测焊接质量缺陷的主要特征，加入因偏移带来的焊接缺陷特征，显著地提高了焊接质量缺陷预测的精度。
实施例1
如图1所示，为本发明所述的一种预测焊缝偏移方法流程示意图。
本发明所述的一种预测焊缝偏移方法，所述提高预测焊缝偏移方法包括下列步骤：
1)训练数据库收集模块：通过工业网关收集210条焊接机器人的电弧电压和焊接电流数据，对焊缝中心偏移焊丝中心人工打标签，当偏上板时记为a＝1，当偏下板时记为a＝2，无偏时记为a＝0，同时对焊接质量进行人工打标签，当有焊接缺陷时记为y＝1，否则记为y＝0，将所有数据和标签作为训练库；
2)提取数据有效窗口和特征：对收集到的电弧电压和焊接电流数据根据自身数据特点进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据。
2.1)对一条焊缝电参数数据按时间序列从小到大排序，对于有缺失的采样点采用相邻点向后填充的方法，统计数据点数N，则初始有效窗口为[0,N-1]。
2.2)前窗选择：从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点
Figure BDA0002667528690000041
和采样点i+1,i+2,i+3的均值
Figure BDA0002667528690000042
和标准偏差σ，得到阈值
Figure BDA0002667528690000051
若采样点i不在阈值内，而i+1,i+2,i+3采样点都在阈值内，则有效窗口更新为[i+1,N-1]；若采样点i和i+1,i+2,i+3采样点都在阈值内且i点取值与均值
Figure BDA0002667528690000052
范围不超过整个阈值范围的1/3，则有效窗口更新为[i,N-1]；否则继续选择有效窗口；令此时有效前窗序号为i*。
2.3)后窗选择：从有效窗口[i*,N-1]结束时刻开始，依次计算有效窗口除当前采样点
Figure BDA00026675286900000513
和接下来的4个采样点j-1,j-2,j-3,j-4取值的均值
Figure BDA0002667528690000053
和标准偏差σ′，得到阈值
Figure BDA0002667528690000054
若采样点j取值不在阈值内，而j-1,j-2,j-3,j-4值都在阈值内，则有效窗口更新为[i*,j-1]；若采样点j和j-1,j-2,j-3,j-4采样点都在阈值内且采样点j值与均值
Figure BDA0002667528690000055
范围不超过整个阈值范围的1/3，则有效窗口更新为[i*,j]；否则继续选择；令此时有效后窗序号为j*。
2.4)重新更新前窗序号：根据2.2)、2.3)得有效窗口为[i*,j*]，计算有效窗口的均值
Figure BDA0002667528690000056
和标准偏差σ*，得有效阈值
Figure BDA0002667528690000057
当前窗删除样本数大于数据点的预设占比，本例中预设占比为总样本的5％，则依次计算采样点
Figure BDA0002667528690000058
的取值是否在阈值
Figure BDA0002667528690000059
内，若取值在阈值内，则继续；否则，找到第一个不满足数据点l*，则停止，此时有效窗口为[l*+1,j*]；当前窗删除样本数不超过数据点的5％时，则依次计算采样点
Figure BDA00026675286900000510
的取值和l+1,l+2,l+3的取值，找到第一个这4个点取值都在有效阈值内的采样点，则停止，设有效前窗序号为l*，此时有效窗口为[l*,j*]；令此时有效前窗序号为t*。
2.5)重新更新后窗序号：当后窗删除样本数大于数据点的5％，则依次计算采样点
Figure BDA00026675286900000511
的取值是否在有效阈值内，若取值在阈值内，则继续；否则，找到第一个不满足数据点k*，则停止，此时有效后窗序号为k*-1，此时有效窗口为[t*,k*-1]；当后窗删除样本数不超过数据点的5％，则依次计算采样点
Figure BDA00026675286900000512
的取值和接下来的4个点k-4,k-3,k-2,k-1的取值，找到第一个这5个点取值都在有效阈值内，则停止，此时有效前窗序号为k*，此时有效窗口为[t*,k*]；令此时有效前窗序号为T*。
2.6)确定有效窗口：对电压和电流数据分别运用2.1)-2.5)，令电压有效窗口为[v,V]，电流有效窗口为[i,I]，则最终有效窗口为[max(i,v),min(I,V)]。
如图2和图3所示，方框为被筛选的受起弧和收弧控制导致的不置信数据窗，由图可知被删除的样本与正常样本分布差异较大，认为该方法较为有效。
由于输入电弧电压和焊接电流总是以单一频率提供，因此采用希尔伯特变换方法计算时变，分别对提取的有效窗口内的电参数的实数值和复数值分别做如下特征提取：
①均值
②标准偏差
③变异系数
④峰度
⑤一阶差分均值
⑥形状因子
Figure BDA0002667528690000061
⑦波峰因子
Figure BDA0002667528690000062
⑧间隙系数
Figure BDA0002667528690000063
⑨脉冲因子
Figure BDA0002667528690000064
⑩前后窗平均值(前一半数据为前窗，后一半数据为后窗)
Figure BDA0002667528690000065
11前后窗皮尔逊相关系数
Figure BDA0002667528690000066
3)焊缝偏移模型训练：对提取到的特征和焊缝中心偏移焊丝中心标签进行梯度提升树进行三分类模型进行训练，当我们构建好梯度提升树后，当有新的样本发送时，我们利用已有的多颗决策树逻辑对新的信息结构进行判断，最后进行融合计算得到样本的预测标签，保存焊缝中心是否偏移焊丝中心模型。
4)焊接质量缺陷训练：将训练库中的210条样本中电参数进行2)的特征提取和3)的焊缝中心是否偏移焊丝中心标签预测，对所得样本进行分层抽样，按8：2分成训练样本和验证样本，则训练样本共168个，验证样本共42个，分别计算电参数特征的1％和99％分位点数，对于小于1％分位点的取值设为0，大于99％的分位点数的取值设为1，对在1％和99％分位点数之间的数据点采用最大最小标准化，作为新训练样本数据并记录每个特征的1％和99％分位点数。对训练样本使用L1正则和递归特征消除法挑选特征以消除多重共线性，删选出14个有用特征。用筛选出的特征和标签特征，
采用基尼指数划分节点数据集，构建决策树模型。当我们构建好决策树后，当有新的样本发送时，我们利用已有的决策树逻辑对新的信息结构进行判断。当样本的内容与决策树一致时，就进入下一分支进行判断，并通过叶子节点获得分类的结果，保存焊接质量缺陷模型。为了证明此方法的有效性，使用同样的训练数据，仅用挑选出的电参数特征进行焊接质量缺陷训练，在验证集上，其准确度比除了加入电参数特征还增加焊缝中心偏移焊丝中心的预测标签的决策树模型准确度提高15％。
5)焊接质量预测模块：通过工业网关实时采集焊接机器人的电弧电压和焊接电流数据，进行窗口提取和相应的特征变换和提取，代入焊缝偏移模型预测，将预测结果作为特征，最终代入焊接质量预测模型，若获得的分类结果为1，说明出现焊缝偏移，则给予提醒，由人工审核，对于预测错误的样本重新作为训练库，丰富步骤1)，重新进行特征选择和树模型构建即步骤2)-4)。
本实施例提出的一种提高搭接接头焊接质量缺陷预测的方法，有效删除了焊接开头和结尾因受起弧和收弧控制而导致的不置信数据，预测搭接接头焊接质量缺陷分成两步，先预测焊缝中心是否偏移焊丝中心，再将预测的焊缝中心是否偏移焊丝中心的标签作为预测焊接质量缺陷的主要特征，加入因偏移带来的焊接缺陷特征，有效增强焊接质量缺陷的识别能力。
实施例2
本实施例公开一种搭接接头焊接质量缺陷预测的系统，所述系统包括：
训练数据库模块，所述训练数据库模块包含通过工业网关收集的焊接机器人的电弧电压和焊接电流数据，所述训练数据模块包括对焊缝中心偏移焊丝中心的情况的标签数据，以及焊接质量的标签数据，所述训练数据模块中还包括全部电参数数据；
数据有效窗口和特征提取模块，所述数据有效窗口和特征提取模块对收集到的电弧电压和焊接电流数据根据进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据，采用希尔伯特变换方法计算时变，分别对有效窗口内的参数进行特征提取；
焊缝偏移模型训练模块，所述焊缝偏移模型训练模块对提取的特征和焊缝中心偏移焊丝中心标签进行梯度提升树分类模型进行训练；
焊接质量缺陷训练模块，所述焊接质量缺陷训练模块使用最大最小标准化以消除量纲不一致的影响，后用L1正则和递归特征消除法筛选特征，最终得到无多重共线性的特征，根据焊接质量标签，使用决策树模型训练；
焊接质量缺陷预测模块，所述焊接质量缺陷预测模块通过工业网关实时采集焊接机器人的电弧电压和焊接电流数据，进行窗口提取和相应的特征变换和提取，代入所述训练焊缝偏移模型进行预测，再将预测结果作为特征代入焊接质量预测模型，计算得到焊接质量缺陷的预测结果。
其中，所述数据有效窗口和特征提取模块包括：
初始窗口统计单元，所述初始窗口统计单元对一条焊缝电参数数据按时间序列从小到大排序，对于有缺失的采样点采用相邻点向后填充的方法，统计数据点数N，则初始有效窗口为[0,N-1]；
前窗选择单元：从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点
Figure BDA0002667528690000081
和采样点i+1,i+2,i+3之外的其他采样点的均值
Figure BDA0002667528690000082
和标准偏差σ，得到阈值
Figure BDA0002667528690000083
若采样点i不在阈值内，而i+1,i+2,i+3采样点都在阈值内，则有效窗口更新为[i+1,N-1]；若采样点i和i+1,i+2,i+3采样点都在阈值内且i点取值与均值
Figure BDA0002667528690000084
范围不超过整个阈值范围的1/3，则有效窗口更新为[i,N-1]；否则继续选择有效窗口；令此时有效前窗序号为i*；
后窗选择单元：从有效窗口[i*,N-1]结束时刻开始，依次计算有效窗口除当前采样点
Figure BDA0002667528690000085
和该采样点之前的4个采样点j-1,j-2,j-3,j-4之外的其他采样点的均值
Figure BDA0002667528690000086
和标准偏差σ′，得到阈值
Figure BDA0002667528690000087
若采样点j取值不在阈值内，而j-1,j-2,j-3,j-4值都在阈值内，则有效窗口更新为[i*,j-1]；若采样点j和j-1,j-2,j-3,j-4采样点都在阈值内且采样点j值与均值
Figure BDA0002667528690000088
范围不超过整个阈值范围的1/3，则有效窗口更新为[i*,j]；否则继续选择；令此时有效后窗序号为j*；
重新更新前窗序号单元：根据2.2)、2.3)得有效窗口为[i*,j*]，计算有效窗口的均值
Figure BDA0002667528690000091
和标准偏差σ*，得有效阈值
Figure BDA0002667528690000092
当前窗删除样本数大于数据点的预设占比，则依次计算采样点
Figure BDA0002667528690000093
的取值是否在阈值
Figure BDA0002667528690000094
内，若取值在阈值内，则继续；否则，找到第一个不满足数据点l*，则停止，此时有效窗口为[l*+1,j*]；当前窗删除样本数不超过数据点的预设占比时，则依次计算采样点
Figure BDA0002667528690000095
的取值和l+1,l+2,l+3的取值，找到第一个这4个点取值都在有效阈值内的采样点，则停止，设有效前窗序号为l*，此时有效窗口为[l*,j*]；令此时有效前窗序号为t*；
重新更新单元：当后窗删除样本数大于数据点的预设占比，则依次计算采样点
Figure BDA0002667528690000096
的取值是否在有效阈值内，若取值在阈值内，则继续；否则，找到第一个不满足数据点k*，则停止，此时有效后窗序号为k*-1，此时有效窗口为[t*,k*-1]；当后窗删除样本数不超过数据点的预设占比，则依次计算采样点
Figure BDA0002667528690000097
的取值和接下来的4个点k-4,k-3,k-2,k-1的取值，找到第一个这5个点取值都在有效阈值内，则停止，此时有效前窗序号为k*，此时有效窗口为[t*,k*]；令此时有效前窗序号为T*；
确定有效窗口单元：对电压和电流数据分别依次执行上述各单元，令电压有效窗口为[v,V]，电流有效窗口为[i,I]，则最终有效窗口为[max(i,v),min(I,V)]。
所述焊接质量缺陷训练模块中所述有效窗口内的特征包括：电参数的实数值和复数值做均值、标准偏差、变异系数、峰度、一阶差分均值、形状因子、波峰因子、间隙系数、脉冲因子、前后窗平均值以及前后窗皮尔逊相关系数。
所述焊接质量缺陷训练模块中的所述全量特征包括：所述有效窗口内的全部特征和焊缝偏移模型预测的标签。
本实施例提出的一种提高搭接接头焊接质量缺陷预测的系统，是一种提高准确度的系统，相对于现有的焊接质量缺陷预测系统多嵌套一层模块，准确度有很大程度提高，有效删除了焊接开头和结尾因受起弧和收弧控制而导致的不置信数据，预测搭接接头焊接质量缺陷分成两步，先预测焊缝中心是否偏移焊丝中心，再将预测的焊缝中心是否偏移焊丝中心的标签作为预测焊接质量缺陷的主要特征，加入因偏移带来的焊接缺陷特征，有效增强焊接质量缺陷的识别能力。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。

Claims (10)

1.一种搭接接头焊接质量缺陷预测的方法，其特征在于：包括如下步骤：
1)收集训练数据库：收集焊接机器人的电弧电压和焊接电流数据，对焊缝中心偏移焊丝中心的情况和焊接质量打标签，将所有电参数数据和标签作为训练库；
2)提取数据有效窗口和特征：对收集到的电弧电压和焊接电流数据进行有效窗口提取，采用希尔伯特变换方法计算时变，分别对有效窗口内的参数进行特征提取；
3)训练焊缝偏移模型：对提取的特征和焊缝中心偏移焊丝中心标签进行梯度提升树分类模型进行训练；
4)训练焊接质量缺陷模型：统一量纲之后用L1正则和递归特征消除法筛选全量特征，最终得到无多重共线性的特征，根据焊接质量标签，使用决策树模型训练；
5)预测焊接质量缺陷：采集焊接机器人的电弧电压和焊接电流数据，进行窗口提取和相应的特征变换和提取，代入所述焊缝偏移模型进行预测，再将预测结果作为特征代入焊接质量预测模型，计算得到焊接质量缺陷的预测结果。
2.根据权利要求1所述的一种搭接接头焊接质量缺陷预测的方法，其特征在于：所述的2)提取数据有效窗口的步骤如下：
2.1)对一条焊缝电参数数据按时间序列从小到大排序，对于有缺失的采样点采用相邻点向后填充的方法，统计数据点数N，则初始有效窗口为[0,N-1]；
2.2)前窗选择：从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点之外的其他采样点的均值
Figure FDA0002667528680000011
和标准偏差σ，得到第一阈值，根据采样点在所述第一阈值内的分布情况开更新有效前窗；
2.3)后窗选择：依次计算有效窗口除当前采样点和该采样点之前的4个采样点之外的其他采样点的均值
Figure FDA0002667528680000012
和标准偏差σ′，得到第二阈值，根据采样点在所述第二阈值内的分布情况开更新有效后窗；
2.4)重新更新前窗序号：根据步骤2.2)、步骤2.3)得有效窗口，计算有效窗口的均值
Figure FDA0002667528680000013
和标准偏差σ*，得有效阈值，根据当前窗删除样本数与数据点的预设占比的大小，以及判断采样点与所述有效阈值的大小关系，来重新更新有效前窗；
2.5)重新更新后窗序号：根据当前窗删除样本数与数据点的预设占比的大小，以及判断采样点与所述有效阈值的大小关系，重新更新有效后窗；
2.6)确定有效窗口：对电压和电流数据分别运用步骤2.1)-2.5)进行处理，令电压有效窗口为[v,V]，电流有效窗口为[i,I]，则最终有效窗口为[max(i,v),min(I,V)]。
3.根据权利要求2所述的一种搭接接头焊接质量缺陷预测的方法，其特征在于：所述步骤2.2的具体过程为：
从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点i,
Figure FDA0002667528680000021
N-4和采样点i+1,i+2,i+3之外的其他采样点的均值
Figure FDA0002667528680000022
和标准偏差σ，得到第一阈值
Figure FDA0002667528680000023
若采样点i不在第一阈值内，而i+1,i+2,i+3采样点都在第一阈值内，则有效窗口更新为[i+1,N-1]；若采样点i和i+1,i+2,i+3采样点都在第一阈值内且i点取值与均值
Figure FDA0002667528680000024
范围不超过整个阈值范围的1/3，则有效窗口更新为[i,N-1]；否则继续选择有效窗口；令此时有效前窗序号为i*。
4.根据权利要求2所述的一种搭接接头焊接质量缺陷预测的方法，其特征在于：所述步骤2.3的具体过程为：从有效窗口[i*,N-1]结束时刻开始，依次计算有效窗口除当前采样点j,
Figure FDA0002667528680000025
N-1,Λ,i+5和该采样点之前的4个采样点j-1,j-2,j-3,j-4之外的其他采样点的均值
Figure FDA0002667528680000026
和标准偏差σ′，得到第二阈值
Figure FDA0002667528680000027
若采样点j取值不在第二阈值内，而j-1,j-2,j-3,j-4值都在第二阈值内，则有效窗口更新为[i*,j-1]；若采样点j和j-1,j-2,j-3,j-4采样点都在第二阈值内且采样点j值与均值
Figure FDA0002667528680000028
范围不超过整个阈值范围的1/3，则有效窗口更新为[i*,j]；否则继续选择；令此时有效后窗序号为j*。
5.根据权利要求2所述的一种搭接接头焊接质量缺陷预测的方法，其特征在于：所述步骤2.4的具体过程为：根据2.2)、2.3)得有效窗口为[i*,j*]，计算有效窗口的均值
Figure FDA0002667528680000029
和标准偏差σ*，得有效阈值
Figure FDA00026675286800000210
当前窗删除样本数大于数据点的预设占比，则依次计算采样点l,
Figure FDA00026675286800000211
i*-1,Λ,0的取值是否在有效阈值
Figure FDA00026675286800000212
内，若取值在有效阈值内，则继续；否则，找到第一个不满足数据点l*，则停止，此时有效窗口为[l*+1,j*]；当前窗删除样本数不超过数据点的预设占比时，则依次计算采样点l,
Figure FDA00026675286800000213
i*+1,Λ,j*-1的取值和l+1,l+2,l+3的取值，找到第一个这4个点取值都在有效阈值内的采样点，则停止，设有效前窗序号为l*，此时有效窗口为[l*,j*]；令此时有效前窗序号为t*。
6.根据权利要求2所述的一种搭接接头焊接质量缺陷预测的方法，其特征在于：所述步骤2.5的具体过程为：
当后窗删除样本数大于数据点的预设占比，则依次计算采样点k,
Figure FDA0002667528680000031
j*+1,Λ,N-1的取值是否在有效阈值内，若取值在阈值内，则继续；否则，找到第一个不满足数据点k*，则停止，此时有效后窗序号为k*-1，此时有效窗口为[t*,k*-1]；当后窗删除样本数不超过数据点的预设占比，则依次计算采样点k,
Figure FDA0002667528680000032
j*-1,Λ,t*的取值和接下来的4个点k-4,k-3,k-2,k-1的取值，找到第一个这5个点取值都在有效阈值内，则停止，此时有效前窗序号为k*，此时有效窗口为[t*,k*]；令此时有效前窗序号为T*。
7.根据权利要求1或2所述的一种搭接接头焊接质量缺陷预测的方法，其特征在于：步骤2)中分别对有效窗口内的参数进行特征提取，所述有效窗口内的特征包括：电参数的实数值和复数值做均值、标准偏差、变异系数、峰度、一阶差分均值、形状因子、波峰因子、间隙系数、脉冲因子、前后窗平均值以及前后窗皮尔逊相关系数。
8.根据权利要求3所述的一种搭接接头焊接质量缺陷预测的方法，其特征在于：步骤4)训练焊接质量缺陷模型，所述全量特征包括：所述有效窗口内的全部特征和焊缝偏移模型预测的标签。
9.一种搭接接头焊接质量缺陷预测的系统，其特征在于：所述系统包括：
训练数据库模块，所述训练数据库模块包含通过工业网关收集的焊接机器人的电弧电压和焊接电流数据，所述训练数据模块包括对焊缝中心偏移焊丝中心的情况的标签数据，以及焊接质量的标签数据，所述训练数据模块中还包括全部电参数数据；
数据有效窗口和特征提取模块，所述数据有效窗口和特征提取模块对收集到的电弧电压和焊接电流数据根据进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据，采用希尔伯特变换方法计算时变，分别对有效窗口内的参数进行特征提取；
焊缝偏移模型训练模块，所述焊缝偏移模型训练模块对提取的特征和焊缝中心偏移焊丝中心标签进行梯度提升树分类模型进行训练；
焊接质量缺陷训练模块，所述焊接质量缺陷训练模块使用最大最小标准化以消除量纲不一致的影响，后用L1正则和递归特征消除法筛选特征，最终得到无多重共线性的特征，根据焊接质量标签，使用决策树模型训练；
焊接质量缺陷预测模块，所述焊接质量缺陷预测模块通过工业网关实时采集焊接机器人的电弧电压和焊接电流数据，进行窗口提取和相应的特征变换和提取，代入所述训练焊缝偏移模型进行预测，再将预测结果作为特征代入焊接质量预测模型，计算得到焊接质量缺陷的预测结果。
10.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行权利要求1～8中任意一项所述搭接接头焊接质量缺陷预测的方法。
CN202010923517.3A 2020-09-04 2020-09-04 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质 Active CN112270335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010923517.3A CN112270335B (zh) 2020-09-04 2020-09-04 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010923517.3A CN112270335B (zh) 2020-09-04 2020-09-04 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112270335A true CN112270335A (zh) 2021-01-26
CN112270335B CN112270335B (zh) 2024-10-01

Family

ID=74349856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010923517.3A Active CN112270335B (zh) 2020-09-04 2020-09-04 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112270335B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692677A (zh) * 2022-03-07 2022-07-01 电子科技大学 一种基于多目标特征选择的焊接缺陷识别方法
CN115255566A (zh) * 2022-09-26 2022-11-01 苏芯物联技术(南京)有限公司 一种基于高质量时域特征的焊偏实时智能检测方法
CN115373325A (zh) * 2022-10-20 2022-11-22 苏芯物联技术(南京)有限公司 一种高速无线数据采集周期控制方法及系统
CN116151470A (zh) * 2023-03-06 2023-05-23 联宝(合肥)电子科技有限公司 一种产品质量预测方法、装置、设备及存储介质
CN117542048A (zh) * 2024-01-05 2024-02-09 中信戴卡股份有限公司 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016107408A1 (zh) * 2014-12-30 2016-07-07 江苏科技大学 窄间隙焊缝偏差的红外视觉传感检测方法及装置
CN109900706A (zh) * 2019-03-20 2019-06-18 易思维（杭州）科技有限公司 一种基于深度学习的焊缝及焊缝缺陷检测方法
CN110866910A (zh) * 2019-11-13 2020-03-06 上海电气集团股份有限公司 一种焊缝质量预测方法及系统、装置、计算机可存储介质
CN111178156A (zh) * 2019-12-10 2020-05-19 网络通信与安全紫金山实验室 一种应用于机器学习的时序特征有效窗口提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016107408A1 (zh) * 2014-12-30 2016-07-07 江苏科技大学 窄间隙焊缝偏差的红外视觉传感检测方法及装置
CN109900706A (zh) * 2019-03-20 2019-06-18 易思维（杭州）科技有限公司 一种基于深度学习的焊缝及焊缝缺陷检测方法
CN110866910A (zh) * 2019-11-13 2020-03-06 上海电气集团股份有限公司 一种焊缝质量预测方法及系统、装置、计算机可存储介质
CN111178156A (zh) * 2019-12-10 2020-05-19 网络通信与安全紫金山实验室 一种应用于机器学习的时序特征有效窗口提取方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692677A (zh) * 2022-03-07 2022-07-01 电子科技大学 一种基于多目标特征选择的焊接缺陷识别方法
CN115255566A (zh) * 2022-09-26 2022-11-01 苏芯物联技术(南京)有限公司 一种基于高质量时域特征的焊偏实时智能检测方法
CN115373325A (zh) * 2022-10-20 2022-11-22 苏芯物联技术(南京)有限公司 一种高速无线数据采集周期控制方法及系统
CN115373325B (zh) * 2022-10-20 2023-01-31 苏芯物联技术(南京)有限公司 一种高速无线数据采集周期控制方法及系统
CN116151470A (zh) * 2023-03-06 2023-05-23 联宝(合肥)电子科技有限公司 一种产品质量预测方法、装置、设备及存储介质
CN117542048A (zh) * 2024-01-05 2024-02-09 中信戴卡股份有限公司 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法
CN117542048B (zh) * 2024-01-05 2024-03-22 中信戴卡股份有限公司 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法

Also Published As

Publication number Publication date
CN112270335B (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
CN112270335A (zh) 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质
CN108569607B (zh) 基于双向门控循环神经网络的电梯故障预警方法
CN110861987B (zh) 一种电梯故障判断逻辑验证方法、系统及存储介质
CN113870260B (zh) 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN110703214B (zh) 一种气象雷达状态评估和故障监测方法
CN111178156B (zh) 一种应用于机器学习的时序特征有效窗口提取方法
CN111994137B (zh) 一种基于铁路信号集中监测的报警分析方法
CN117421684B (zh) 基于数据挖掘和神经网络的异常数据监测与分析方法
CN112487708A (zh) 一种基于集成学习的电阻点焊质量预测方法
CN110276385B (zh) 基于相似性的机械部件剩余使用寿命预测方法
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN110825798A (zh) 一种电力应用数据维护方法及装置
CN112184667A (zh) 缺陷检测、修复方法、装置以及存储介质
CN112434390B (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN115454778A (zh) 大规模云网络环境下的时序指标异常智能监控系统
CN106355314A (zh) 一种汽车发动机气门质量流式数据处理方法及装置
CN116166983A (zh) 一种基于机器学习的列车弓网故障检测方法
CN112529109A (zh) 一种基于无监督多模型的异常检测方法及系统
TWI707299B (zh) 光學檢測二次圖像分類方法
CN113361939A (zh) 卷包机型质量与设备管理的动态关联方法及系统
CN116596301A (zh) 基于零次学习法的电缆多状态变量评估模型设计方法及装置
CN114970977A (zh) 数字化城市空气质量监测数据的异常数据检测方法及系统
CN112861443B (zh) 一种融入先验知识的深度学习故障诊断方法
CN114912678A (zh) 电网调控异常操作在线自动检测预警方法及系统
CN117667495B (zh) 一种关联规则与深度学习集成的应用系统故障预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant