CN113076817B - 焊缝气孔缺陷实时检测方法及系统 - Google Patents
焊缝气孔缺陷实时检测方法及系统 Download PDFInfo
- Publication number
- CN113076817B CN113076817B CN202110286077.XA CN202110286077A CN113076817B CN 113076817 B CN113076817 B CN 113076817B CN 202110286077 A CN202110286077 A CN 202110286077A CN 113076817 B CN113076817 B CN 113076817B
- Authority
- CN
- China
- Prior art keywords
- welding
- detection
- defect
- air hole
- data set
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000011148 porous material Substances 0.000 title claims abstract description 29
- 238000011897 real-time detection Methods 0.000 title claims description 38
- 238000003466 welding Methods 0.000 claims abstract description 182
- 238000001514 detection method Methods 0.000 claims abstract description 131
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000011800 void material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种焊缝气孔缺陷实时检测方法及系统，其中方法包括：步骤一，采集焊缝焊接过程中的焊接数据组；步骤二，分别计算所述焊接数据组的时域特征和频域特征；步骤三，根据所述焊接数据组的时域特征和频域特征采用气孔检测模型，获取焊缝气孔缺陷的检测结果，根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷，如果是，则发出实时警报；如果否，则重复步骤一至步骤二。其优点表现为：可以实现检测过程的自动化在线运行，保证了缺陷检测的实时性和准确性，提高了焊接品质和产品质量，同时大大节省了焊接缺陷检测的时间、人力、物力等生产成本。
Description
【技术领域】
本发明涉及焊接缺陷实时检测技术领域，具体地说，是一种焊缝气孔缺陷实时检测方法及系统。
【背景技术】
在现代工业制造业中，焊接是一个非常重要的环节，焊接质量的好坏直接影响了焊接工件以至于产品整体的性能。其中，焊接缺陷的检测至关重要，尤其是焊缝中气孔缺陷的检测，正是一个业界共通的亟待解决的问题。
当前针对焊接气孔的各类缺陷检测方法，仍然存在检测结果的精确度和实时性无法达到高效检测的要求。目前主流的能够实现高精确度检测的解决方案以焊后检测为主，这种方法存在检测结果滞后的缺陷，无法保证实时在线获取检测结果，并对气孔缺陷进行及时预警。部分新兴的焊接气孔检测方法中采用激光传感器来保证实时性，但是，激光传感器等配件价格昂贵，不能够在工业制造领域得到大规模普适性的推广和落地。因此，针对焊接中焊缝气孔缺陷的检测，如何实现低成本、高精度、实时在线检测的最理想的可实施方案仍是本领域中需要突破的技术。
【发明内容】
本发明的目的是针对现有技术中的不足，提供一种焊缝气孔缺陷实时检测方法及系统，通过实时采集焊接过程中的焊接数据，并对焊接数据进行处理，采用基于异常检测算法的气孔检测模型对焊接数据进行缺陷实时检测和预警，可实现检测过程的自动化在线运行，保证了缺陷检测的实时性和准确性，提高了焊接品质和产品质量，同时大大节省了焊接缺陷检测的时间、人力、物力等生产成本。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
第一方面，本发明提供了一种焊缝气孔缺陷实时检测方法，包括以下步骤：
步骤一，采集焊缝焊接过程中的焊接数据组；
步骤二，分别计算所述焊接数据组的时域特征和频域特征；
步骤三，根据所述焊接数据组的时域特征和频域特征采用气孔检测模型，获取焊缝气孔缺陷的检测结果，根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷，如果是，则发出实时警报；如果否，则重复步骤一至步骤二。
优选地，所述步骤一中的所述焊接数据包括焊接电流和/或焊接电压。
优选地，所述步骤二中计算时域特征的方法包括：对所述焊接数据组的所有统计量特征进行评分，选取得分符合统计标准的统计量作为所述数据组的时域特征。
优选地，所述气孔检测模型的训练方法包括：
采集无气孔缺陷的焊缝在焊接过程中的至少两组正常焊接数据组；
分别计算所述正常焊接数据组的时域特征和频域特征；
利用所述正常焊接数据组的时域特征和频域特征采用异常检测算法进行模型训练，得到所述气孔检测模型。
优选地，所述步骤三中检测结果判断的步骤包括：
利用所述气孔检测模型获取若干无气孔缺陷焊缝的检测结果；
计算所有无气孔缺陷焊缝检测结果的平均值和方差，并代入公式计算气孔缺陷阈值，计算公式为：threshold＝μ+nσ，其中，threshold表示为气孔缺陷阈值，μ表示为无气孔缺陷焊缝检测结果的平均值，σ表示为无气孔缺陷焊缝检测结果的方差，n表示为变量；判断实时获取的焊缝气孔缺陷的检测结果是否大于所述气孔缺陷阈值，如果是，则该焊缝存在气孔缺陷，发出实时警报；如果否，则该焊缝不存在气孔缺陷，重复进行下一个周期内的数据检测。
优选地，所述变量n的取值步骤包括：
选取若干无气孔焊缝的检测结果和有气孔焊缝的检测结果构成一个正实数区间；
循环赋予所述变量n位于所述正实数区间内的一个取值，将该取值代入所述气孔缺陷阈值计算公式，计算气孔缺陷阈值；
将所述变量n被赋予不同取值时计算得到的所述气孔缺陷阈值分别与该若干无气孔焊缝的检测结果和有气孔焊缝的检测结果进行对比，采用二元分类准确度评估算法选取变量n的最优取值。
第二方面，本发明提供了一种焊缝气孔缺陷实时检测系统，所述系统包括：
数据采集模块，用于采集焊缝焊接过程中的焊接数据组；
数据处理模块，用于计算所述焊接数据组的时域特征和频域特征；
缺陷检测模块，用于根据所述焊接数据组的时域特征和频域特征采用气孔检测模型，获取焊缝气孔缺陷的检测结果，根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷。
优选地，所述数据处理模块包括：
第一计算单元，用于对所述焊接数据组的所有统计量特征进行评分，选取得分符合统计标准的统计量作为所述数据组的时域特征；
第二计算单元，用于计算所述焊接数据组的频域特征。
优选地，所述缺陷检测模块包括：
模型预测单元，用于训练所述气孔检测模型，并根据所述焊接数据组的时域特征和频域特征获取焊缝气孔缺陷的检测结果；
结果分析单元，用于根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷；
预警单元，用于对被判定为焊缝存在气孔缺陷的情况，向焊接操作端发出实时警报。
第三方面，本发明提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面中任一所述的焊缝气孔缺陷实时检测方法。
本发明优点在于：
1、本发明通过实施采集焊接过程中的焊接数据，并对焊接数据进行处理，采用基于异常检测算法的气孔检测模型对焊接数据进行缺陷实时检测和预警，可实现检测过程的自动化在线运行；
2、本发明通过采集焊接过程中的电压电流数据，仅需要在焊接电路中接入电压传感器和电流传感器，周期性读取电压电流数据，实现对焊接数据的实时检测，配件接入成本低，可采集的数据量丰富，保证了缺陷检测的实时性和准确性。
3、本发明使用费舍尔准则对焊接数据进行处理计算时域特征和频域特征，使用异常检测算法训练得到的气孔检测模型对焊缝数据进行预测，使用二元分类准确度评估计算气孔缺陷阈值进行检测结果判断，提高焊缝数据检测的准确性。同时算法模型能够实现检测过程的自动化，提高检测效率和检测结果的准确性。
【附图说明】
为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，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。
附图1是本发明焊缝气孔缺陷实时检测方法在一实施例中的流程示意图；
附图2是本发明焊缝气孔缺陷实时检测系统在一实施例中的示意框图；
附图3是焊缝气孔缺陷实时检测方法及系统在一实施例中数据采集模块的电路示意图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
本发明的焊缝气孔缺陷实时检测方法及系统，主要用于在机器人与焊机配合进行焊接操作的场景中，通过采集焊接操作过程中机器人以及焊机的数据信号存储到线上数据库中，并对焊接数据信号进行实时线上预测分析，不需要将数据下载到本地后进行线下分析检测，由此可以实现检测过程的自动化周期性运行。
参照附图1所示的本发明焊缝气孔缺陷实时检测方法的流程示意图，在本实施例中所使用的“时域特征”、“频域特征”、“统计量特征”等概念属于信息处理技术领域，其中时域特征可以理解为：信号强度随时间的变化规律；频域特征可以理解为：合成某一信号的单一频率的集合；统计量特征主要包括：平均值、标准差、均方根、偏度、峰度、最大值、最小值、峰间值。本发明智能排班方法包括以下步骤：
步骤一、采集焊缝焊接过程中的焊接数据组。
作为一种优选的实施方式，所述焊接数据组通常包括焊缝焊接过程中焊机与焊接机器人之间的焊接电流数据组和焊接电压数据组中的其中一组数据或同时获取电流电压两组数据组。参照附图3所示的数据采集模块所对应的硬件设备电路示意图，在焊机负极接线上套设电流传感器，用于采集焊接过程中的焊接电流信号并转化为数据信息存储到线上数据库中，优选的，选用基于霍尔效应的电流传感器；根据需要同时在焊机与机器人之间并联电压传感器，用于采集焊接过程中的焊接电压信号并转化为数据信息存储到线上数据库中，具体的，本步骤中数据采集的过程可具体包括：将电流传感器和电压传感器的信号采集频率设定为不低于1000Hz，即1秒钟1000次，同时将从传感器中读取数据的频率为设置为1Hz(即读取周期为1s)，每次读取一个周期(1s)内传感器采集到的全部数据，并将数据实时存储到数据库进入后续的数据处理步骤。需要说明的是，如果仅采集电流数据进行焊缝气孔检测则只需要接入电流传感器或者虽然同时接入电流电压传感器但只读取电流数据；同理，如果仅采集电压数据，则只需要接入电压传感器或者虽然同时接入电流电压传感器但只读取电压数据。
步骤二、分别计算所述焊接数据组的时域特征和频域特征。
本步骤主要是对步骤一中采集的数据组进行处理，在一个数据读取周期内，每一组数据中包括多个数值，如一个电流数据组中包含若干个电流数值，一个电压数据组中包含若干个电压数值，对于读取到的电流数据组，计算其时域特征和频域特征；同时对读取到的电压数据组计算其时域特征和频域特征。
实际应用中，时域特征中包含多个统计量特征，主要有平均值、标准差、均方根、偏度、峰度、最大值、最小值、峰间值；可以使用全部统计量特征作为时域特征进行气孔缺陷检测模型的数据输入，也可以根据应用场景选择最优的几个或某一个统计量特征作为时域特征进行气孔缺陷检测模型的数据输入。通常，若已知采集到的数据组中同时含有无气孔焊缝的正常焊接数据组与有气孔焊缝的异常焊接数据组的情况下，依据费舍尔准则对步骤一中采集到的所述焊接数据组的所有统计量特征进行评分，选取得分符合统计标准的统计量特征作为所述数据组的时域特征。其中，统计量特征的分数计算公式可以表达为：
其中μ1为无气孔焊缝的正常焊接数据的平均值，μ2为有气孔焊缝的异常焊接数据的平均值，σ1为无气孔焊缝的正常焊接数据的方差，σ2为有气孔焊缝的异常焊接数据的方差，得分符合统计标准的统计量特征应当是通过上述公式计算得到的分数大于1。
所述所述焊接数据组的频域特征的计算方法为：实际中，频域特征对应不同区间的频谱密度，因此可以通过频谱密度的计算公式计算焊缝数据组的频域特征，计算公式为：
其中，
为时域信号经傅里叶变换后所得到的频域信号函数，再根据选定的频谱区间(10-30Hz,20-40Hz,30-50Hz,40-60Hz)，计算每个区间的频谱密度值的均方根作为所述焊接数据组的频域特征。
步骤三、根据所述焊接数据组的时域特征和频域特征采用气孔检测模型，获取焊缝气孔缺陷的检测结果，根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷，如果是，则发出实时警报；如果否，则重复步骤一至步骤二。
本实施例中采用的气孔检测模型是通过异常检测算法(如PCA-SPE)进行模型训练得到的，该气孔检测模型的训练方法包括以下具体步骤：
1.对于已经通过现有的焊后检测方式确知无气孔缺陷焊缝，读取其在焊接过程中采集的焊接数据，即正常焊接数据，此处的正常焊接数据组也应当包括至少两组，最优选择也是焊缝焊接过程中焊机与焊接机器人之间的焊接电流数据组和焊接电压数据组。需要说明的是，气孔检测模型的训练过程中选择的焊接数据组类型应当与实时检测时一致，如采用电流电压作为模型训练中的焊接数据，则，实时检测时采集的焊接数据也是电流和电压。
2.分别计算步骤1中获取到的所述正常焊接数据组的时域特征和频域特征。此处，时域特征和频域特征的计算方法与步骤二中所描述的计算方法相同，故不再赘述。
3.利用所述正常焊接数据组的时域特征和频域特征采用异常检测算法进行模型训练，得到所述气孔检测模型。
通过上述方式训练得到气孔检测模型后，将计算得到的所述焊接数据组的时域特征和频域特征作为气孔检测模型的输入量，得到模型预测值，然后根据模型预测值计算焊缝气孔缺陷的检测结果。该焊缝气孔缺陷的检测结果计算公式表达为：
其中，e表示为检测结果，X表达为所述输入量所对应的某一信号的真实值，例如一个数据采集周期采集到电流数据组的时域特征对应该采集周期内若干个电流数据值，该采集周期内每一个电流数据值都是该周期电流数据组时域特征作为输入量的真实值，
表达为所述输入量的模型预测值。
在一个具体的实施例中，步骤三中根据所述检测结果e判断是否存在气孔缺陷的步骤包括：
利用训练好的所述气孔检测模型获取若干无气孔缺陷焊缝的检测结果；
计算所有无气孔缺陷焊缝检测结果的平均值和方差，并代入公式计算气孔缺陷阈值，计算公式为：threshold＝μ+nσ，其中，threshold表示为气孔缺陷阈值，μ表示为无气孔缺陷焊缝检测结果的平均值，σ表示为无气孔缺陷焊缝检测结果的方差，n表示为变量；
判断实时获取的焊缝气孔缺陷的检测结果e是否大于所述气孔缺陷阈值threshold，如果是，则该焊接数据组对应的周期内焊接的焊缝存在气孔缺陷，发出实时警报；如果否，则不存在气孔缺陷，重复进行下一个周期内的数据检测。
上述气孔缺陷阈值计算公式中的变量n，根据实际场景的变化以及检测结果采用二元分类准确度评估算法，选取最适合实际操作场景和最符合检测结果的最优取值。具体步骤包括：
选取若干无气孔焊缝的检测结果和有气孔焊缝的检测结果构成一个正实数区间；
循环赋予所述变量n位于所述正实数区间内的一个取值，将该取值代入所述气孔缺陷阈值计算公式，计算气孔缺陷阈值；
将所述变量n被赋予不同取值时计算得到的所述气孔缺陷阈值分别与该若干无气孔焊缝的检测结果和有气孔焊缝的检测结果进行对比，采用二元分类准确度评估算法选取变量n的最优取值。
基于与本发明焊缝气孔缺陷实时检测方法的上述各个实施例相同的构思，下面对本发明实施例提供的焊缝气孔缺陷实时检测系统进行介绍，下文描述的焊缝气孔缺陷实时检测系统与上文描述的焊缝气孔缺陷实时检测方法可相互对应参照。请参考图2示出的本发明焊缝气孔缺陷实时检测系统在一实施例中的示意框图，如附图2所示本实施例中的焊缝气孔缺陷实时检测包括：数据采集模块、数据处理模块和缺陷检测模块。
其中，数据采集模块，用于采集焊缝焊接过程中的焊接数据组；数据处理模块，用于计算所述焊接数据组的时域特征和频域特征；缺陷检测模块，用于根据所述焊接数据组的时域特征和频域特征采用气孔检测模型，获取焊缝气孔缺陷的检测结果，根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷。
在一个优选的实施例中，所述数据处理模块包括：第一计算单元和第二计算单元，其中，所述第一计算单元用于对所述焊接数据组的所有统计量特征进行评分，选取得分符合统计标准的统计量作为所述数据组的时域特征；所述第二计算单元，用于计算所述焊接数据组的频域特征。所述缺陷检测模块包括：模型预测单元、结果分析单元和预警单元，其中，所述模型预测单元；用于训练所述气孔检测模型，并根据所述焊接数据组的时域特征和频域特征获取焊缝气孔缺陷的检测结果；所述结果分析单元，用于根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷；所述预警单元，用于对被判定为焊缝存在气孔缺陷的情况，向焊接操作端发出实时警报。
本实施例的焊缝气孔缺陷实时检测系统用于实现前述的焊缝气孔缺陷实时检测方法，因此，焊缝气孔缺陷实时检测系统所对应的具体实施方式可参考前文中的焊缝气孔缺陷实时检测方法的实施例部分，例如：数据采集模块用于实现上述焊缝气孔缺陷实时检测方法的步骤一；数据处理模块用于实现上述焊缝气孔缺陷实时检测方法的步骤二；缺陷检测模块用于实现上述焊缝气孔缺陷实时检测方法的步骤三。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的焊缝气孔缺陷实时检测方法。
上述实施例阐明的系统、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和系统的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程和方框、以及流程图和方框图中的流程和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图中一个流程或多个流程和方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (9)
1.一种焊缝气孔缺陷实时检测方法，其特征在于，包括以下步骤：
步骤一，采集焊缝焊接过程中的焊接数据组；
步骤二，分别计算所述焊接数据组的时域特征和频域特征；
步骤三，根据所述焊接数据组的时域特征和频域特征采用气孔检测模型，获取焊缝气孔缺陷的检测结果，根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷，如果是，则发出实时警报；如果否，则重复步骤一至步骤二；
所述气孔检测模型的训练方法包括：
采集无气孔缺陷的焊缝在焊接过程中的至少两组正常焊接数据组；
分别计算所述正常焊接数据组的时域特征和频域特征；
利用所述正常焊接数据组的时域特征和频域特征采用异常检测算法进行模型训练，得到所述气孔检测模型。
2.根据权利要求1所述的焊缝气孔缺陷实时检测方法，其特征在于，所述步骤一中的所述焊接数据包括焊接电流和/或焊接电压。
3.根据权利要求1或2所述的焊缝气孔缺陷实时检测方法，其特征在于，所述步骤二中计算时域特征的方法包括：对所述焊接数据组的所有统计量特征进行评分，选取得分符合统计标准的统计量作为所述数据组的时域特征。
4.根据权利要求3所述的焊缝气孔缺陷实时检测方法，其特征在于，所述步骤三中检测结果判断的步骤包括：
利用所述气孔检测模型获取若干无气孔缺陷焊缝的检测结果；
计算所有无气孔缺陷焊缝检测结果的平均值和方差，并代入公式计算气孔缺陷阈值，计算公式为：threshold＝μ+nσ，其中，threshold表示为气孔缺陷阈值，μ表示为无气孔缺陷焊缝检测结果的平均值，σ表示为无气孔缺陷焊缝检测结果的方差，n表示为变量；
判断实时获取的焊缝气孔缺陷的检测结果是否大于所述气孔缺陷阈值，如果是，则该焊缝存在气孔缺陷，发出实时警报；如果否，则该焊缝不存在气孔缺陷，重复进行下一个周期内的数据检测。
5.根据权利要求4所述的焊缝气孔缺陷实时检测方法，其特征在于，所述变量n的取值步骤包括：
选取若干无气孔焊缝的检测结果和有气孔焊缝的检测结果构成一个正实数区间；
循环赋予所述变量n位于所述正实数区间内的一个取值，将该取值代入所述气孔缺陷阈值计算公式，计算气孔缺陷阈值；
将所述变量n被赋予不同取值时计算得到的所述气孔缺陷阈值分别与该若干无气孔焊缝的检测结果和有气孔焊缝的检测结果进行对比，采用二元分类准确度评估算法选取变量n的最优取值。
6.一种焊缝气孔缺陷实时检测系统，其特征在于，所述系统包括：
数据采集模块，用于采集焊缝焊接过程中的焊接数据组；
数据处理模块，用于计算所述焊接数据组的时域特征和频域特征；
缺陷检测模块，用于根据所述焊接数据组的时域特征和频域特征采用气孔检测模型，获取焊缝气孔缺陷的检测结果，根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷，其中气孔检测模型的训练方法包括：
采集无气孔缺陷的焊缝在焊接过程中的至少两组正常焊接数据组；
分别计算所述正常焊接数据组的时域特征和频域特征；
利用所述正常焊接数据组的时域特征和频域特征采用异常检测算法进行模型训练，得到所述气孔检测模型。
7.根据权利要求6所述的焊缝气孔缺陷实时检测系统，其特征在于，所述数据处理模块包括：
第一计算单元，用于对所述焊接数据组的所有统计量特征进行评分，选取得分符合统计标准的统计量作为所述数据组的时域特征；
第二计算单元，用于计算所述焊接数据组的频域特征。
8.根据权利要求6或7所述的焊缝气孔缺陷实时检测系统，其特征在于，所述缺陷检测模块包括：
模型预测单元，用于训练所述气孔检测模型，并根据所述焊接数据组的时域特征和频域特征获取焊缝气孔缺陷的检测结果；
结果分析单元，用于根据所述检测结果判断所述焊接数据组所对应的焊缝中是否存在气孔缺陷；
预警单元，用于对被判定为焊缝存在气孔缺陷的情况，向焊接操作端发出实时警报。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至5中任一项所述的焊缝气孔缺陷实时检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110286077.XA CN113076817B (zh) | 2021-03-17 | 2021-03-17 | 焊缝气孔缺陷实时检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110286077.XA CN113076817B (zh) | 2021-03-17 | 2021-03-17 | 焊缝气孔缺陷实时检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113076817A CN113076817A (zh) | 2021-07-06 |
| CN113076817B true CN113076817B (zh) | 2022-11-04 |
Family
ID=76612944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110286077.XA Active CN113076817B (zh) | 2021-03-17 | 2021-03-17 | 焊缝气孔缺陷实时检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113076817B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113751921A (zh) * | 2021-09-28 | 2021-12-07 | 长春一汽宝友钢材加工配送有限公司 | 激光拼焊板气孔缺陷自动检测系统 |
| CN114137009B (zh) * | 2021-10-15 | 2024-03-29 | 山东钢铁股份有限公司 | 一种螺旋埋弧焊钢管焊缝是否出现气孔缺陷的判断方法 |
| CN114167189B (zh) * | 2021-12-08 | 2023-11-03 | 华中科技大学鄂州工业技术研究院 | 一种焊接缺陷检测方法、电子设备及存储介质 |
| CN114414631A (zh) * | 2021-12-22 | 2022-04-29 | 重庆大学 | 基于电脉冲信号时频域分析的焊层烧结质量无损评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103968256A (zh) * | 2014-05-19 | 2014-08-06 | 税爱社 | 油库管道泄漏检测方法 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2811427B1 (fr) * | 2000-07-06 | 2002-10-25 | Aerospatiale Matra Ccr | Procede de detection et d'identification de defauts dans un cordon de soudure realise par faisceau laser |
| US6847900B2 (en) * | 2001-12-17 | 2005-01-25 | Agilent Technologies, Inc. | System and method for identifying solder joint defects |
| US8626459B2 (en) * | 2008-09-25 | 2014-01-07 | The Regents Of The University Of California | Defect detection in objects using statistical approaches |
| EP3329433A1 (en) * | 2015-07-29 | 2018-06-06 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
| JP6883476B2 (ja) * | 2016-06-21 | 2021-06-09 | 日立造船株式会社 | 溶接欠陥検出システムおよびこれを備える溶接欠陥検出装置 |
| CN106501368B (zh) * | 2016-12-30 | 2019-09-10 | 华中科技大学 | 一种用于基桩检测声波透射法的声测管弯曲现象识别方法 |
| CN107589174A (zh) * | 2017-10-19 | 2018-01-16 | 广东工业大学 | 一种焊缝缺陷检测系统 |
| CN109270071A (zh) * | 2018-07-23 | 2019-01-25 | 广州超音速自动化科技股份有限公司 | 一种极耳上涂层异常检测方法及极耳焊接检测系统 |
| CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
| CN109783906B (zh) * | 2018-12-29 | 2023-07-07 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
| US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
| CN110405383A (zh) * | 2019-06-25 | 2019-11-05 | 上海展湾信息科技有限公司 | 用于机器人焊接工艺的焊接气孔实时检测方法及系统 |
| CN110405384A (zh) * | 2019-06-26 | 2019-11-05 | 上海展湾信息科技有限公司 | 用于机器人焊接过程中实时检测熔深不足的方法及系统 |
| CN110470729B (zh) * | 2019-07-31 | 2022-12-02 | 浙江树人学院（浙江树人大学） | 一种基于电涡流的油田套管缺陷无损检测方法 |
| CN110695562A (zh) * | 2019-09-26 | 2020-01-17 | 广东工业大学 | 一种焊接质量在线检测系统及方法 |
| CN112207482A (zh) * | 2020-09-23 | 2021-01-12 | 上海交通大学 | 一种用于焊接质量控制的多元信息监控和控制系统及方法 |
-
2021
- 2021-03-17 CN CN202110286077.XA patent/CN113076817B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103968256A (zh) * | 2014-05-19 | 2014-08-06 | 税爱社 | 油库管道泄漏检测方法 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113076817A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113076817B (zh) | 焊缝气孔缺陷实时检测方法及系统 | |
| TW202036353A (zh) | 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質 | |
| CN114646665A (zh) | 电弧焊焊接缺陷实时检测方法及系统 | |
| CN114354639B (zh) | 一种基于3d点云的焊缝缺陷实时检测方法及系统 | |
| CN109723609B (zh) | 一种风电机组变桨系统的故障预警方法及系统 | |
| CN105302123A (zh) | 在线测量数据的监控方法 | |
| CN114789307B (zh) | 一种基于数字孪生的板件焊接质量实时监控方法 | |
| CN112181758A (zh) | 一种基于网络拓扑及实时告警的故障根因定位方法 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| CN112557445B (zh) | 一种基于增材制造的缺陷在线检测方法、装置和系统 | |
| CN114445746A (zh) | 模型训练方法、铁路接触网异常检测方法及相关装置 | |
| CN118023791B (zh) | 一种精密壳体的焊接方法及系统 | |
| CN114648245A (zh) | 一种基于人工智能的设备巡检优先度评估方法及系统 | |
| KR101910268B1 (ko) | 반도체 gp 예측 방법 및 시스템 | |
| CN114266286B (zh) | 一种焊接过程信息的在线检测方法及装置 | |
| CN113269780B (zh) | 基于深度学习的压铸件表面缺陷测量系统 | |
| CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
| KR20190131329A (ko) | 학습 데이터 생성 시스템 | |
| CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
| CN110780198B (zh) | 一种伺服焊接系统运动的波形识别方法及设备 | |
| CN111932531A (zh) | 模型训练方法、焊点缺陷检测方法、装置及电子设备 | |
| CN116050249A (zh) | 一种回流焊焊点形貌预测方法 | |
| Vater et al. | Development of a Cloud-and Edge-Architecture for adaptive model weight optimization of a CNN exemplified by optical detection of hairpin welding | |
| CN113393450B (zh) | 用于数字线划图的数据质检方法、系统及可读存储介质 |
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 |