CN113695713B - 一种热水器内胆焊接质量在线监测方法及装置 - Google Patents
一种热水器内胆焊接质量在线监测方法及装置 Download PDFInfo
- Publication number
- CN113695713B CN113695713B CN202111095405.4A CN202111095405A CN113695713B CN 113695713 B CN113695713 B CN 113695713B CN 202111095405 A CN202111095405 A CN 202111095405A CN 113695713 B CN113695713 B CN 113695713B
- Authority
- CN
- China
- Prior art keywords
- data
- welding
- water heater
- logistic regression
- regression model
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
- B23K9/0953—Monitoring or automatic control of welding parameters using computing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供一种热水器内胆焊接质量在线监测方法及装置,所述方法包括得到电流、电压数据;获取质量在线检测系统输入的工艺参数,采集气体流量数据;对热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段;对热水器内胆焊接工艺数据的各数据段提取特征,构建数据集;构建集成式逻辑回归模型,使用训练集对所述集成式逻辑回归模型进行训练;测试通过的训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型;由所述热水器内胆焊接质量判定模型对热水器内胆焊接质量进行实时在线监测。该方法克服了声音、光谱和图像等方法难以在焊接工业环境落地的难点,解决了热水器内胆焊接质量检测效率低、检测成本高等问题。
Description
技术领域
本发明涉及监测领域,尤其涉及一种热水器内胆焊接质量在线监测方法及装置。
背景技术
热水器内胆的种类很多,制造工艺差别较大,焊接工艺也不相同,主要焊接工艺是CO2气保焊、MIG焊、钎焊、电阻焊和TIG焊。其中太阳能热水器内胆薄板主要采用CO2气保焊和MIG焊;电热水器内胆、空气能热泵热水器内胆多采用CO2气保焊和MIG焊,个别小批量生产采用TIG焊手动填丝进行焊接;而燃气热水器内胆采用钎焊技术。
对于电热水器,电热水器内胆属于薄壁压力容器,其主要的生产工序是焊接,包括筒身纵缝的焊接、筒身与两端封头相连接的两条环焊缝的焊接以及镁棒座、水管座与内胆筒身接口的三条微型马鞍形焊缝的焊接,主要焊接方法采用MIG焊。
根据行业标准,焊接后的内胆不允许出现泄漏或渗漏,为了保证质量,焊接后的内胆必须通过泄漏检测,以检验其焊接密封性能。实际生产线上一般用两种质量检测方式同时控制,一是对热水器内胆进行气密性检测,全检;二是对热水器内胆进行脉冲压力试验,抽检。气密性检测是通过给热水器内胆通有一定压力的气体,保持规定时间,监测气体压力的变化来检测热水器内胆焊缝有无泄漏,此检测是对热水器内胆的最低要求。脉冲压力试验通过连续地给热水器内胆通有一定压力、一定脉冲频率的水来模拟内胆实际工作状况,被测内胆能承受的循环次数间接反映了生产线上规定批次内胆的质量。GB/T20289-2006《储水式电热水器》规定,热水器容器至少应承受8万次脉冲压力试验后,加热管和容器焊缝无渗漏,容器无明显变形。但基于传统焊接的气密性检测和脉冲压力实验,检测效率都比较低。
近年来,出现了焊接质量的智能在线检测,如陈凯的基于焊接参数及电弧声音的薄板CMT搭接质量监测研究,依据电弧能量的变化会产生缺陷,而电弧声音是由焊接电弧能量的周期性变化激励产生的,利用语音识别算法对电弧声音特征进行识别,并判断焊接质量。谷勇的MAG焊熔池在线监测实验系统的研制及实验研究,利用焊缝熔池图像,通过图像处理方法,提出熔池轮廓和熔池特征参数的方法。张志芬的基于多信息融合的铝合金脉冲GTAW过程焊接缺陷特征提取研究,电弧基于光谱、电压信号、声音信号和视觉信息,通过融合算法对焊缝质量进行综合判断。但上述方案难以工程化应用,如陈凯的研究主要是依据电弧声音与电弧能量变化的关系进行质量判断,但实际工业环境下,声音的干扰源很多,无法实现多场景的实际应用;谷勇的研究只提出图像识别焊缝熔池的方法,并未解决通过焊缝熔池图像判断焊缝质量。张志芬的研究多传感的信息系统复杂,且只是针对GTAW焊接的部分缺陷(气孔、未焊透及局部塌陷)进行研究。
发明内容
为解决上述技术问题,本发明提出了一种热水器内胆焊接质量在线监测方法及装置,所述方法及装置,用以解决现有技术中检测效率低、难于工程化应用的技术问题。
根据本发明的第一方面,提供一种热水器内胆焊接质量在线监测方法,所述方法包括以下步骤:
步骤S101:为焊机配置霍尔电流感应器和电压感应器,所述霍尔电流感应器的圆环套接于焊机的电流输出端的线缆上,所述霍尔电流感应器检测所述焊机的焊接回路的电流;所述电压感应器与所述焊机的电源并联,用于检测所述焊机的主回路的电压;所述霍尔电流感应器和电压感应器将检测得到的数据模拟成弱电模拟信号,由物联网关对所述弱电信号解码,解码得到电流、电压数据;获取所述质量在线检测系统输入的工艺参数,采集气体流量数据;将所述解码得到的电流、电压数据、气体流量数据以及实时焊接电流、实时焊接电压、实时送丝速度、实时气体流量、内胆数据作为热水器内胆焊接的工艺数据,所述工艺数据为时间序列数据;
步骤S102:对所述热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段;
步骤S103:对热水器内胆焊接工艺数据的各数据段提取时域特征、频域特征、统计特征、焊机主频频率、焊接熔池电流的短路过渡频率、实时焊接电流概率密度系数、实时焊接电压概率密度系数、内胆的材质、内胆的直径、内胆焊接的焊丝牌号,构建数据集,每个数据段中提取的特征数据及与该特征数据对应的标签做为数据集中的一条数据;将所述数据集划分为训练集及测试集;
步骤S104:构建集成式逻辑回归模型,所述集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mk,…,Mnum3}串联组成,其中1≤k≤num3,num3为逻辑回归模型个数;使用训练集对所述集成式逻辑回归模型进行训练;得到训练好的集成式逻辑回归模型,由测试集对所述训练好的集成式逻辑回归模型进行测试,测试通过的所述训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型;
步骤S105:由所述热水器内胆焊接质量判定模型对热水器内胆焊接质量进行实时在线监测。
根据本发明第二方面,提供一种热水器内胆焊接质量在线监测装置,所述装置包括:
数据获取模块:配置为为焊机配置霍尔电流感应器和电压感应器,所述霍尔电流感应器的圆环套接于焊机的电流输出端的线缆上,所述霍尔电流感应器检测所述焊机的焊接回路的电流;所述电压感应器与所述焊机的电源并联,用于检测所述焊机的主回路的电压;所述霍尔电流感应器和电压感应器将检测得到的数据模拟成弱电模拟信号,由物联网关对所述弱电信号解码,解码得到电流、电压数据;获取所述质量在线检测系统输入的工艺参数,采集气体流量数据;将所述解码得到的电流、电压数据、气体流量数据以及实时焊接电流、实时焊接电压、实时送丝速度、实时气体流量、内胆数据作为热水器内胆焊接的工艺数据,所述工艺数据为时间序列数据;
数据分段模块:配置为对所述热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段;
数据集生成模块:配置为对热水器内胆焊接工艺数据的各数据段提取时域特征、频域特征、统计特征、焊机主频频率、焊接熔池电流的短路过渡频率、实时焊接电流概率密度系数、实时焊接电压概率密度系数、内胆的材质、内胆的直径、内胆焊接的焊丝牌号,构建数据集,每个数据段中提取的特征数据及与该特征数据对应的标签做为数据集中的一条数据;将所述数据集划分为训练集及测试集;
模型构建模块:配置为构建集成式逻辑回归模型,所述集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mk,…,Mnum3}串联组成,其中1≤k≤num3,num3为逻辑回归模型个数;使用训练集对所述集成式逻辑回归模型进行训练;得到训练好的集成式逻辑回归模型,由测试集对所述训练好的集成式逻辑回归模型进行测试,测试通过的所述训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型;
监测模块:配置为由所述热水器内胆焊接质量判定模型对热水器内胆焊接质量进行实时在线监测。
根据本发明第三方面,提供一种热水器内胆焊接质量在线监测系统,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如前所述的热水器内胆焊接质量在线监测方法。
根据本发明第四方面,提供一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如前所述的热水器内胆焊接质量在线监测方法。
根据本发明的上述方案,本发明的方法,为现场弧焊质量检测提供了无人化的、实时的检测方案。本发明针对热水器内胆的数据特点、采用了适用于热水器内胆的集成式逻辑回归模型;在训练过程中,通过分析热水器内胆数据、工业需求,设计了有针对性的损失函数。本发明弥补了现有水检方法的不足,且仅需在原有的生产线上进行改造即可,不需要额外占用厂房内部的空间。对焊接过程电弧信号的数据采集,并结合工业智能算法形成落地应用,建立一套热水器内胆焊接质量智能在线监测方法。此方法是基于焊接设备高频物联采集,克服了电弧声音、光谱、图像等数据对环境要求严格,硬件成本投入高等问题,与现有研究技术相比,本发明提出的技术方案中建立了基于电信号高频数据智能在线质量监测方法,此方法克服了声音、光谱和图像等方法难以在焊接工业环境落地的难点,解决了热水器内胆焊接质量检测效率低、检测成本高等行业痛点问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明提供如下附图进行说明。在附图中:
图1为本发明一个实施方式的热水器内胆焊接质量在线监测方法流程示意图;
图2为本发明一个实施方式的热水器内胆焊接质量在线监测工艺整体流程示意图;
图3为本发明一个实施方式的数据采集装置示意图;
图4为本发明一个实施方式的结果矩阵示意图;
图5为本发明一个实施方式的热水器内胆焊接质量实时检测结果示意图;
图6为本发明一个实施方式的热水器内胆焊接质量在线监测装置结构框图;
图7为本发明一个实施方式的集成式逻辑回归模型示意图。
附图标记:
1:工业路由;2:电压感应器;3:电流感应器;4边缘计算网关;5:焊枪
具体实施方式
首先结合图1说明本发明一个实施方式的热水器内胆焊接质量在线监测方法流程。如图1-图2所示,所述方法包括以下步骤:
步骤S101:为焊机配置霍尔电流感应器和电压感应器,所述霍尔电流感应器的圆环套接于焊机的电流输出端的线缆上,所述霍尔电流感应器检测所述焊机的焊接回路的电流;所述电压感应器与所述焊机的电源并联,用于检测所述焊机的主回路的电压;所述霍尔电流感应器和电压感应器将检测得到的数据模拟成弱电模拟信号,由物联网关对所述弱电信号解码,解码得到电流、电压数据;获取所述质量在线检测系统输入的工艺参数,采集气体流量数据;将所述解码得到的电流、电压数据、气体流量数据以及实时焊接电流、实时焊接电压、实时送丝速度、实时气体流量、内胆数据作为热水器内胆焊接的工艺数据,所述工艺数据为时间序列数据;
所述焊机的焊接回路的电流为接时焊枪和内胆母材之间的通过电流,即电弧电流。本实施例中,霍尔感应器测得的数据是焊接回路的输出,作为在线检测系统的输入。
步骤S102:对所述热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段;
步骤S103:对热水器内胆焊接工艺数据的各数据段提取时域特征、频域特征、统计特征、焊机主频频率、焊接熔池电流的短路过渡频率、实时焊接电流概率密度系数、实时焊接电压概率密度系数、内胆的材质、内胆的直径、内胆焊接的焊丝牌号,构建数据集,每个数据段中提取的特征数据及与该特征数据对应的标签做为数据集中的一条数据;将所述数据集划分为训练集及测试集;
步骤S104:构建集成式逻辑回归模型,所述集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mk,…,Mnum3}串联组成,其中1≤k≤num3,num3为逻辑回归模型个数;使用训练集对所述集成式逻辑回归模型进行训练;得到训练好的集成式逻辑回归模型,由测试集对所述训练好的集成式逻辑回归模型进行测试,测试通过的所述训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型;
步骤S105:由所述热水器内胆焊接质量判定模型对热水器内胆焊接质量进行实时在线监测。
所述步骤S101,本实施例采用高频采集的方式,获取电流、电压、气体流量等工艺数据。如图3所示,为焊机配置霍尔电流感应器和电压感应器,所述霍尔电流感应器的输入圆环套接于焊机电流输出端的线缆圆环,所述霍尔电流感应器检测所述焊机的回路的电流;所述电压感应器与所述焊机的电源并联,用于检测所述焊机的主回路的电压。本实施例中,霍尔电流感应器为一种电流感应器,用于检测所述焊机的回路的电流。电压感应器的安装方式则为并联接在电源的正极和负极,利用并联电路电压与主回路电压相等的原理测出主回路电压。本实施例中,电流感应器的主要参数为:焊枪电源线缆直径为20mm,输入电流为0-500A,输出信号为0-5V。电压传感器的主要参数为:输入电压0-100V,输出信号:0-5V。
感应器将测得的数据模拟成0-5V的弱电信号传输给物联网关,物联网关根据收到的模拟弱电信号进行解码,输出最终测得的电流和电压数据。
本实施例通过为焊机配置霍尔感应器和电压感应器的方式,将检测得到的数据模拟成弱电信号,由物联网关对所述弱电信号解码,解码得到的电流、电压数据,通过对焊机外部进行改造,不需要额外占用厂房内部的空间。能够采集焊接过程中的电弧信号,作为热水器内胆焊接质量智能在线监测的基础数据,克服了电弧声音、光谱、图像等数据对环境要求严格,且设备投入较高的问题。
所述步骤S102:对所述热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段,包括:
步骤S1021:预设第一阈值,确定电压值小于该第一阈值的时间段为未进行焊接,删除该时间段对应的所有时序数据,得到删除无效数据后的工艺数据;
本实施例中,单个零件焊接的节拍约为60秒,相邻两个零件的上件时间约为20秒,因此电流与电压信号的时序数据会周期性的徘徊在0附近,这部分数据是没有焊接时感应器的测量数据,需要删除这部分数据。具体方法为,设置一个阈值,如阈值为3V,当电压小于3V时,确定此段时间没有焊接,删除此时间段所有时序数据。
步骤S1022:基于预设时长,将所述删除无效数据后的工艺数据划分为若干数据段;
本实施例中,时序数据在焊接时的采样频率为1000Hz,即每秒采样1000条,由于单个零件的数据量较大,例如为60秒,因此,在进一步处理前需要对所述删除无效数据后的工艺数据进行截断和切分,设置预设时长为3秒,以3秒为单位对所述删除无效数据后的工艺数据进行切分,不满3秒的以实际时间切分,形成若干数据小段,即不足预设时长的所述删除无效数据后的工艺数据按实际时长确定数据段。
步骤S1023:对划分后的全部数据段进行滤波处理;
本实施例中,获取的数据现场不可避免有噪音成分,噪音的频率一般比正常数据的频率高,因此对划分后的全部数据段中的数据使用傅里叶变换,傅里叶变换后会得到信号的频谱图,即时序数据各个频率成分的幅值,该频谱图的最低频率为0,最高频率为采样频率的一半,将高频成分置为0,所述高频的值在0.75*最高频率至最高频率之间;再用逆傅里叶变换还原数据的方法,对还原后的全部数据段进行高频滤波。
步骤S1024:检查滤波处理后的全部数据段,若数据段中的数据存在缺失,将缺失值统一补齐。
本实施例中,若测得的信号中存在缺失值,直接导入程序中会导致报错,可采用将缺失值统一置为0的方法进行处理。
本实施例中,采集的工艺数据是时间序列数据,需对原始信号做智能截断,获取焊接时稳定的有效数据作为最终分析数据,对缺失值进行填充,对原始信号使用滤波算法去除某些高频信号,得到处理之后的信号数据。
所述步骤S103,其中,特征是指能够区分不同类型样本的统计指标,对于时序数据,常用的特征为均值、最大值、最小值、标准差、偏度峰度等,除此之外,在本实施例中,还增加了焊机主频频率、短路频率、概率密度系数等特征。对切分后得到的数据段,例如,数据段均为对应三秒时长的数据段,对每一数据段,都提取、计算各项特征值,数据集中的每条数据,具有提取的特征及标签,标签用于标识该条数据是正常数据或异常数据,多维特征组成特征向量。
本实施例中,形成一个特征值与标签一一对应的数据宽表,如表1所示。
所述特征值包括电流电压方差、电流平均值、电流中位数、电流最大值、电流最小值、电流峰值、焊机主频频率、短路频率、概率密度系数等。本实施例中,电流电压方差,方差大代表电流电压波动大,容易出现烧穿;另外焊接时送丝卡顿会造成部分时间电流为0,从而导致电流均值偏小。
如表1所示,每一行代表一条3秒数据段,每一列代表一种特征,其中最后一列为该条数据段对应的标签,即该条焊缝正常或者缺陷的标识。
对数据集进行切分,随机选取其中80%的数据作为训练集,剩余20%的数据作为测试集,其中训练集用于进行训练,测试集用于对模型进行准确性评估,训练集与测试集分开后可使得模型准确性可行度更高。
表1
步骤S104:构建集成式逻辑回归模型,所述集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mk,…,Mnum3}串联组成,其中1≤k≤num3,num3为逻辑回归模型个数,其中:
所述集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mi,…,Mn}串联组成,其中1≤i≤n,n为逻辑回归模型个数,Mi=fi(xs),xs为第s个样本的特征向量;使用训练集对所述集成式逻辑回归模型进行训练,训练过程中,如图7所示,逻辑回归模型Mj的输入为与Mj串联的前一个逻辑回归模型Mj-1的输出及输入的样本的特征向量,2≤j≤n。
由于本实施例应用于工业生产领域,客户对于技术方案的可解释性要求比较高,要求在出现大量缺陷时,需要给出做出该判断的依据。但神经网络属于黑箱机制,可解释性差,不满足要求;相较于其他机器人学习算法,逻辑回归较为简单,易于理解,可解释性强,并且在处理热水器内胆数据时,其输入是根据业务机理提取的特征,例如短路频率、主频频率等,因此逻辑回归模型在处理热水器内胆数据时更加能够反映时序数据和焊接缺陷之间的关系。为解决热水器内胆焊接质量在线监测,本实施例设计了集成式逻辑回归模型。
本实施例中,所述集成式逻辑回归模型,本次训练建立在上一次训练的结果之上,也即下一次的训练是在本次训练的结果上进行微调,训练的次数越多,微调的幅度就越低,最终的结果也越准确,这样就能尽最大可能的接近算法和数据准确率指标的极限,既保留了逻辑回归模型简单可解释性强的优点,又避免了简单模型准确率性能低的缺点。
使用训练集对所述集成式逻辑回归模型进行训练,训练过程中,集成式逻辑回归模型的输出yt(xi)为上一次训练的集成式逻辑回归模型的输出yt-1(xi)与本次训练的集成式逻辑回归模型的输出ft(xi)之和,t为训练的次数;得到训练好的集成式逻辑回归模型,由测试集对所述训练好的集成式逻辑回归模型进行测试,测试通过的所述训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型。
得到训练好的集成式逻辑回归模型后,由测试集对所述训练好的集成式逻辑回归模型进行测试,测试通过的所述训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型,其中,
对于单独的逻辑回归模型,逻辑回归模型的计算方法为首先利用随机数初始化一个一维矩阵,一维矩阵的长度与特征数量一样,然后用特征矩阵与该一维矩阵进行相乘,得到一个结果矩阵,如图4所示。
将结果矩阵中的每个数都导入到sigmod函数,最终得到一个[0,1]的数字,这个数据即为逻辑回归模型对每个样本的输出,以上过程即为逻辑回归的输出函数,若取0.5为逻辑回归模型的决策边界,则当模型输出值大于0.5时,则认为该样本为缺陷焊缝,当输出值小于0.5时则认为该样本为正常焊缝。Sigmod函数的公式如下:
单独的逻辑回归模型,其损失函数的计算方式为:
其中,J(θ)为损失函数,其中yi为样本是否为有缺陷,即数据异常的标签,xi为样本的特征矩阵,hθ为逻辑回归的结果输出函数,m为样本的总数量。
得到了逻辑回归的结果矩阵后,便可以计算出损失函数的值,所谓损失函数,即模型的输出结果与真实值的差距。损失函数越小代表模型的输出越准确,损失函数越大,代表模型输出偏离的越厉害。
模型训练的过程就是将损失函数的值变得越来越小的过程,在损失函数中特征矩阵xi和yi为常数,可将损失函数视为以逻辑回归的权重矩系数为自变量,损失函数的值为因变量的函数。依次对损失函数在各个权重系数上求导,得到使损失函数变小的各个权重系数的变化方向(增大或减小),然后定义一个学习率(如0.0001),每次都对逻辑回归的各个权重系数在使损失函数变小的方向上微调(微调的幅度即为学习率),这样每次就能更新一组逻辑回归权重系数。如此循环往复,直到迭代后损失函数的值不再变小,训练即结束。
训练过程中,集成学习模型yt(xi)的输出为上一次训练的集成式逻辑回归模型的输出yt-1(xi)与本次训练的集成式逻辑回归模型的输出ft(xi)之和。即
其中,t为迭代次数,yt(xi)为第t次迭代时,集成学习模型的输出;ft(xi)为所述集成式逻辑回归模型在第t次迭代时的计算结果。
逻辑回归模型ft(xi)在第t次迭代时的模型结果为
其中S(x)为sigmod函数,j为特征数量,[xi1 … xij]即为所述数据宽表中特征值对应的数据,ft(xi)为各个样本输入到集合逻辑回归模型后,最后一个逻辑回归模型的输出值,为第num2个逻辑回归的模型参数矩阵。
本实施例中,第t次迭代时,损失函数公式如下所示。
t=1时,损失函数Obj为:
t≥2时,损失函数Obj为:
Obj=Obj1+Obj2
本实施例中,统计分析了热水器内胆焊接数据的特点,针对热水器内胆焊接数据的特点,构建了上述损失函数。α为训练集数据中负样本占总样本数量的比例,在构建的损失函数中用于修正训练时的样本不均衡问题,使得模型更加专注于少数类别数据的学习。实际工业领域的训练数据缺陷样本往往非常稀少,因此极易出现样本不均衡问题,影响模型性能表现。此项系数可极大消除样本不均衡所带来的影响。工业生产领域有较大的对于合格产品的误判容忍度,即产品是合格但是模型检测结果为不合格。但是不允许出现漏检,即不合格品判定为合格品。(1-f1(xi))2项可降低易分类样本的训练权重,提高难分类样本的训练权重。使得模型更加专注于学习难以识别的焊接缺陷,可进一步提升模型识别缺陷的能力,以满足现场应用要求。
其中n为样本数量,即上述特征宽表中的划分出的训练集的行数,每个样本包括特征向量及标签;α为训练集数据中负样本占总样本数量的比例,yi为第i个样本的标签,xi为第i个样本的特征向量,yt-1(xi)为第t-1次训练结束后得到集成学习模型的输出结果;f1(xi)为第一个逻辑回归模型在计算完第i个样本的特征向量后的输出值,ft(xi)为当前训练的逻辑回归模型在计算第i个样本的特征向量后的输出值。此时由于第t-1次已训练完毕,因此该项为一个常数。
集成学习模型的损失函数代表模型计算后样本的输出值与真实值之间的差距。模型的训练过程即为在不断的迭代过程中将损失函数的值不断变小的过程。经过上述推导,将下式带入到上述损失函数公式中,即可得到完全展开后的损失函数公式
在训练第t个逻辑回归模型时,除θt矩阵外,其他数据都为常数,因此,模型的训练过程即理解为找到合适的θt使得上式的值最小。
本实例中,使用的训练方法为梯度下降法,损失函数的梯度可表示为
由上式可知,梯度为损失函数对各个θ求偏导所得到的向量,从几何意义上可知,梯度向量的方向即代表损失函数的值增加最快的方向,因此,将逻辑回归参数矩阵减去该梯度,即可使损失函数的值变小。因此逻辑回归模型的训练过程即为利用梯度向量一步步迭代θt的值。如下式所示:
其中代表第t个逻辑回归模型的第k+1次迭代训练后的参数矩阵。α即为上文介绍的学习率,控制着每迭代一次参数矩阵的变化幅度。每次迭代都会对损失函数的变化值进行计算和前后比较,当连续五次迭代,损失函数的值都不再变小时,第t个逻辑回归模型的训练即完成了。损失函数最低时的参数矩阵θt即为该第t个逻辑回归模型的参数矩阵。
基于损失函数进行优化,这样每个迭代步骤都能得到一个逻辑回归模型,最终集成学习模型的输出结果即为所有逻辑回归模型输出结果之和。集成学习算法在单个算法的基础上进一步提高了模型的准确性。
使用训练集中的全部样本对集成式逻辑回归模型进行训练,得到训练好的集成式逻辑回归模型,由测试集对所述训练好的集成式逻辑回归模型进行测试,测试通过的所述训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型。
本实施例中,模型训练好后根据迭代训练的次数得到了若干个逻辑回归模型,此时每个逻辑回归模型的权重系数已经确定。随后,在测试集数据上进行测试,将测试集数据的特征矩阵与每个逻辑回归的权重系数进行点乘,然后将每个逻辑回归的输出结果进行相加,最终得到集成回归模型的输出结果,此时的输出结果为0-1的数字矩阵,矩阵的长度即为测试集样本的数量。取0.5为该模型的决策边界(即当数字矩阵中的数大于0.5时视为1,小于0.5时视为0),即可得到每个样本经模型计算后的最终输出标签。将模型最终的输出标签与实际真实标签进行计算统计,可得到模型的准确率与检出率指标。
如图5所示,所述步骤S105,将训练好的模型部署于网关内部,在实时焊接过程中,网关内部自动对检测到的数据进行3秒切分及滤波,随后再进行特征值计算,并最终导入到训练好的模型中输出结果。模型的输出结果以不同的颜色显示在电流与电压的波形上,获取异常焊缝的位置和焊接时间。
本发明实施例进一步给出一种热水器内胆焊接质量在线监测装置,如图6所示,所述装置包括:
数据获取模块:配置为为焊机配置霍尔电流感应器和电压感应器,所述霍尔电流感应器的圆环套接于焊机的电流输出端的线缆上,所述霍尔电流感应器检测所述焊机的焊接回路的电流;所述电压感应器与所述焊机的电源并联,用于检测所述焊机的主回路的电压;所述霍尔电流感应器和电压感应器将检测得到的数据模拟成弱电模拟信号,由物联网关对所述弱电信号解码,解码得到电流、电压数据;获取所述质量在线检测系统输入的工艺参数,采集气体流量数据;将所述解码得到的电流、电压数据、气体流量数据以及实时焊接电流、实时焊接电压、实时送丝速度、实时气体流量、内胆数据作为热水器内胆焊接的工艺数据,所述工艺数据为时间序列数据;
数据分段模块:配置为对所述热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段;
数据集生成模块:配置为对热水器内胆焊接工艺数据的各数据段提取时域特征、频域特征、统计特征、焊机主频频率、焊接熔池电流的短路过渡频率、实时焊接电流概率密度系数、实时焊接电压概率密度系数、内胆的材质、内胆的直径、内胆焊接的焊丝牌号,构建数据集,每个数据段中提取的特征数据及与该特征数据对应的标签做为数据集中的一条数据;将所述数据集划分为训练集及测试集;
模型构建模块:配置为构建集成式逻辑回归模型,所述集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mk,…,Mnum3}串联组成,其中1≤k≤num3,num3为逻辑回归模型个数;使用训练集对所述集成式逻辑回归模型进行训练;得到训练好的集成式逻辑回归模型,由测试集对所述训练好的集成式逻辑回归模型进行测试,测试通过的所述训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型;
监测模块:配置为由所述热水器内胆焊接质量判定模型对热水器内胆焊接质量进行实时在线监测。
本发明实施例进一步给出一种热水器内胆焊接质量在线监测系统,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如前所述的热水器内胆焊接质量在线监测方法。
本发明实施例进一步给出一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如前所述的热水器内胆焊接质量在线监测方法。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,实体机服务器,或者网络云服务器等,需安装Ubuntu操作系统)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (7)
1.一种热水器内胆焊接质量在线监测方法,其特征在于,方法包括以下步骤:
步骤S101:为焊机配置霍尔电流感应器和电压感应器,霍尔电流感应器的圆环套接于焊机的电流输出端的线缆上,霍尔电流感应器检测焊机的焊接回路的电流;电压感应器与焊机的电源并联,用于检测焊机的主回路的电压;霍尔电流感应器和电压感应器将检测得到的数据模拟成弱电信号,由物联网关对弱电信号解码,解码得到电流、电压数据;获取质量在线检测系统输入的工艺参数,采集气体流量数据;将解码得到的电流、电压数据、气体流量数据以及实时焊接电流、实时焊接电压、实时送丝速度、实时气体流量、内胆数据作为热水器内胆焊接的工艺数据,工艺数据为时间序列数据;
步骤S102:对热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段;
步骤S103:对热水器内胆焊接工艺数据的各数据段提取时域特征、频域特征、统计特征、焊机主频频率、焊接熔池电流的短路过渡频率、实时焊接电流概率密度系数、实时焊接电压概率密度系数、内胆的材质、内胆的直径、内胆焊接的焊丝牌号,构建数据集,每个数据段中提取的特征数据及与该特征数据对应的标签做为数据集中的一条数据;将数据集划分为训练集及测试集;
步骤S104:构建集成式逻辑回归模型,集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mk,…,Mnum3}串联组成,其中1≤k≤num3,num3为逻辑回归模型个数;使用训练集对集成式逻辑回归模型进行训练;得到训练好的集成式逻辑回归模型,由测试集对训练好的集成式逻辑回归模型进行测试,测试通过的训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型;
步骤S105:由热水器内胆焊接质量判定模型对热水器内胆焊接质量进行实时在线监测。
2.如权利要求1的热水器内胆焊接质量在线监测方法,其特征在于,步骤S102:对热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段,包括:
步骤S1021:预设第一阈值,确定电压值小于该第一阈值的时间段为未进行焊接,删除该时间段对应的所有时序数据,得到删除无效数据后的工艺数据;
步骤S1022:基于预设时长,将删除无效数据后的工艺数据划分为若干数据段;
步骤S1023:对划分后的全部数据段进行滤波处理;
步骤S1024:检查滤波处理后的全部数据段,若数据段中的数据存在缺失,将缺失值统一补齐。
4.一种热水器内胆焊接质量在线监测装置,其特征在于,装置包括:
数据获取模块:配置为为焊机配置霍尔电流感应器和电压感应器,霍尔电流感应器的圆环套接于焊机的电流输出端的线缆上,霍尔电流感应器检测焊机的焊接回路的电流;电压感应器与焊机的电源并联,用于检测焊机的主回路的电压;霍尔电流感应器和电压感应器将检测得到的数据模拟成弱电信号,由物联网关对弱电信号解码,解码得到电流、电压数据;获取质量在线检测系统输入的工艺参数,采集气体流量数据;将解码得到的电流、电压数据、气体流量数据以及实时焊接电流、实时焊接电压、实时送丝速度、实时气体流量、内胆数据作为热水器内胆焊接的工艺数据,工艺数据为时间序列数据;
数据分段模块:配置为对热水器内胆焊接的工艺数据进行预处理,得到多个热水器内胆焊接工艺数据的数据段;
数据集生成模块:配置为对热水器内胆焊接工艺数据的各数据段提取时域特征、频域特征、统计特征、焊机主频频率、焊接熔池电流的短路过渡频率、实时焊接电流概率密度系数、实时焊接电压概率密度系数、内胆的材质、内胆的直径、内胆焊接的焊丝牌号,构建数据集,每个数据段中提取的特征数据及与该特征数据对应的标签做为数据集中的一条数据;将数据集划分为训练集及测试集;
模型构建模块:配置为构建集成式逻辑回归模型,集成式逻辑回归模型由若干逻辑回归模型{M1,…,Mk,…,Mnum3}串联组成,其中1≤k≤num3,num3为逻辑回归模型个数;使用训练集对集成式逻辑回归模型进行训练;得到训练好的集成式逻辑回归模型,由测试集对训练好的集成式逻辑回归模型进行测试,测试通过的训练好的集成式逻辑回归模型即为热水器内胆焊接质量判定模型;
监测模块:配置为由热水器内胆焊接质量判定模型对热水器内胆焊接质量进行实时在线监测。
5.如权利要求4的热水器内胆焊接质量在线监测装置,其特征在于,数据分段模块,包括:
无效数据去除子模块:配置为预设第一阈值,确定电压值小于该第一阈值的时间段为未进行焊接,删除该时间段对应的所有时序数据,得到删除无效数据后的工艺数据;
数据分段子模块:配置为基于预设时长,将删除无效数据后的工艺数据划分为若干数据段;
滤波子模块:配置为对划分后的全部数据段进行滤波处理;
补齐数据子模块:配置为检查滤波处理后的全部数据段,若数据段中的数据存在缺失,将缺失值统一补齐。
7.一种计算机可读存储介质,存储介质中存储有多条指令;多条指令,用于由处理器加载并执行如权利要求1-3中任一项的热水器内胆焊接质量在线监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095405.4A CN113695713B (zh) | 2021-09-17 | 2021-09-17 | 一种热水器内胆焊接质量在线监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095405.4A CN113695713B (zh) | 2021-09-17 | 2021-09-17 | 一种热水器内胆焊接质量在线监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113695713A CN113695713A (zh) | 2021-11-26 |
CN113695713B true CN113695713B (zh) | 2023-05-26 |
Family
ID=78661105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095405.4A Active CN113695713B (zh) | 2021-09-17 | 2021-09-17 | 一种热水器内胆焊接质量在线监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113695713B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219306B (zh) * | 2021-12-16 | 2022-11-15 | 蕴硕物联技术(上海)有限公司 | 用于建立焊接质量检测模型的方法、设备、介质 |
CN114202224B (zh) * | 2021-12-16 | 2023-01-03 | 蕴硕物联技术(上海)有限公司 | 用于检测生产环境中焊接质量的方法、设备、介质 |
CN114799610B (zh) * | 2022-06-24 | 2022-10-04 | 苏芯物联技术(南京)有限公司 | 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统 |
CN116038076B (zh) * | 2023-03-28 | 2023-10-13 | 苏芯物联技术(南京)有限公司 | 一种基于场景匹配的焊接保护气体控制方法 |
CN116912204B (zh) * | 2023-07-13 | 2024-01-26 | 上海频准激光科技有限公司 | 一种用于光纤熔接的处理方法 |
CN116912201B (zh) * | 2023-07-13 | 2024-03-08 | 上海频准激光科技有限公司 | 一种光纤熔接质量预测系统 |
CN117436769A (zh) * | 2023-12-20 | 2024-01-23 | 山东方垠智能制造有限公司 | 一种结构件焊接质量监测方法、系统、存储介质及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8884177B2 (en) * | 2009-11-13 | 2014-11-11 | Lincoln Global, Inc. | Systems, methods, and apparatuses for monitoring weld quality |
CN108500498B (zh) * | 2018-03-26 | 2020-05-19 | 华中科技大学 | 一种焊缝成型质量监测方法 |
CN109332928B (zh) * | 2018-10-23 | 2021-07-23 | 江苏山扬智能装备有限公司 | 基于深度学习在线检测的路灯灯杆自动焊接系统及焊接方法 |
CN112487708A (zh) * | 2020-11-24 | 2021-03-12 | 山西三友和智慧信息技术股份有限公司 | 一种基于集成学习的电阻点焊质量预测方法 |
CN113255778A (zh) * | 2021-05-28 | 2021-08-13 | 广汽本田汽车有限公司 | 基于多模型融合的焊点质量检测方法、装置及存储介质 |
-
2021
- 2021-09-17 CN CN202111095405.4A patent/CN113695713B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113695713A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113695713B (zh) | 一种热水器内胆焊接质量在线监测方法及装置 | |
CN111044621B (zh) | 一种基于声音品质及声学特征的无损检测系统及方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN113878214B (zh) | 基于lstm与残差分布的焊接质量实时检测方法及系统 | |
CN112487708A (zh) | 一种基于集成学习的电阻点焊质量预测方法 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
KR102306269B1 (ko) | 실시간 아크 용접 결함 탐지/분류 방법 및 장치 | |
CN115673596B (zh) | 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
AU2020271967B2 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
Jin et al. | Prediction model for back-bead monitoring during gas metal arc welding using supervised deep learning | |
CN112183555B (zh) | 焊接质量的检测方法、系统、电子设备和存储介质 | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
CN113553762A (zh) | 基于焊接曲线进行焊点分析的神经网络及建立方法 | |
CN115983048B (zh) | 一种基于数字孪生的冷凝器质量检测方法及系统 | |
CN116618878A (zh) | 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 | |
CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN114839960A (zh) | 一种基于人工智能算法进行车辆故障检测方法及系统 | |
CN114647231A (zh) | 一种数据驱动的工业过程故障检测方法 | |
CN112183745A (zh) | 基于粒子群算法和dbn的高压电缆局部放电模式识别方法 | |
CN109239301B (zh) | 一种锚链闪光焊质量在线评估方法 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN115935241B (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
US20220308018A1 (en) | Method for determining the geometry of an object based on data from non-destructive measuring methods |
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 |