CN113887126A - 焊点质量分析方法、装置、终端设备及介质 - Google Patents

焊点质量分析方法、装置、终端设备及介质 Download PDF

Info

Publication number
CN113887126A
CN113887126A CN202111045497.5A CN202111045497A CN113887126A CN 113887126 A CN113887126 A CN 113887126A CN 202111045497 A CN202111045497 A CN 202111045497A CN 113887126 A CN113887126 A CN 113887126A
Authority
CN
China
Prior art keywords
welding spot
data
quality
welding
analyzed
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.)
Pending
Application number
CN202111045497.5A
Other languages
English (en)
Inventor
王秋来
汤泽波
洪伟
孙震
陈蝶
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.)
Dongfeng Motor Corp
Original Assignee
Dongfeng Motor Corp
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 Dongfeng Motor Corp filed Critical Dongfeng Motor Corp
Priority to CN202111045497.5A priority Critical patent/CN113887126A/zh
Publication of CN113887126A publication Critical patent/CN113887126A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

本发明公开了一种焊点质量分析方法、装置、终端设备及介质，其中所述方法包括：获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。采用本发明，能解决现有技术中存在无法定量分析焊点质量、分析成本较高或分析效率较低等技术问题。

Description

焊点质量分析方法、装置、终端设备及介质
技术领域
本发明涉及终端技术领域，尤其涉及一种焊点质量分析方法、装置、终端设备及介质。
背景技术
焊接是现代机械制造业中的一种常用工艺方法，在汽车制造中的应用十分广泛。焊接工艺以焊枪为工具，以焊点的形式将两种或以上的同种/异种金属材料通过原子或分子之间的结合和扩散连接成一体，焊点质量的优劣将对汽车整体质量产生极大的影响。常见的焊点质量问题有例如：薄板焊接的电流太大易咬合、焊穿，气保焊主要是气孔、未焊透，焊接过程出现的飞溅等现象。
目前在工业制造领域，由于过去没有采集和存储足够多的焊点数据，人工智能AI知识掌握不足，因而现有技术中焊点质量的分析研究更多的是定性研究，没有达到定量研究。或者增加复杂的物理装置实时观测焊接发生过程，通过CAN卡将焊接时的电流、电压、电阻等信息传输到计算机上进行分析研究，同时拍照焊点飞溅图像进行分析研究等，这样会导致研究成本的增高、研究分析效率较低。
发明内容
本申请实施例通过提供一种焊点质量分析方法，解决了现有技术中存在无法定量分析焊点质量、分析成本较高或分析效率较低等技术问题。
一方面，本申请通过本申请的一实施例提供一种焊点质量分析方法，所述方法包括：
获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；
调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；
其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
可选地，所述调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析之前，所述方法还包括：
获取历史焊点数据，所述历史焊点数据包括至少一个样本焊点的焊点数据，且所述历史焊点数据采用数据索引文件和焊点数据文件关联的存储结构存储；
对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量，所述数据特征工程处理中至少包括交叉特征和衍生计算；
采用离群分位算法对所述特征计算变量进行焊点质量异常标记，并基于标记后的所述特征计算变量构建所述焊点质量评分卡模型。
可选地，所述数据特征工程处理还包括时间戳处理及数据分段处理，所述对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量包括：
对所述历史焊点数据进行时间戳处理，得到所述历史焊点数据对应的部分的特征计算变量；
对所述历史焊点数据进行数据分段处理，得到所述历史焊点数据对应的多个分段时刻；
根据多个所述分段时刻，对所述历史焊点数据中的功率表征数据进行交叉特征和衍生计算，得到多个所述分段时刻各自对应的特征计算变量；其中，所述功率表征参数包括以下中的至少一项：焊点电流、焊点电压、焊点电阻及焊点功率。
可选地，所述获取历史焊点数据包括：
获取初始焊点数据，所述初始焊点数据包括至少一个样本焊点的初始数据；
对所述初始焊点数据进行数据预处理，得到所述历史焊点数据；其中，所述数据预处理包括以下中的至少一项：删除时间不在预设时间范围内的焊点数据、删除预设中间位置中的预设功率表征参数为零的焊点数据、将焊点数据中的空值填充为上一行焊点数据、删除所述初始焊点数据中除最后一行为零数据值之外的其他多行零数据值、在所述焊点数据中新增所述焊点数据对应的采样时间及滤波处理。
可选地，所述获取初始焊点数据包括：
采用预设块大小的方式一次读取所述初始焊点数据；
采用预设软件基本语句对所述初始焊点数据进行数据探索，得到包括基础信息的所述初始焊点数据，所述基础信息包括所述初始焊点数据的基本数据、检测的缺失值及异常值。
可选地，所述基于标记后的所述特征计算变量构建所述焊点质量评分卡模型包括：
根据标记后的所述特征计算变量，统计焊点质量评分信息，所述焊点质量评分信息包括统计标记的正常焊点、异常焊点及焊点质量异常概率；
构建初始评分卡模型；
使用所述焊点质量评分信息对所述初始评分卡模型进行训练，得到所述焊点质量评分卡模型。
可选地，所述方法还包括：
采用模型评估指标AUC方式，对所述焊点质量评分卡模型进行模型评估；
若所述模型评估不达标，则对所述焊点质量评分卡模型中的模型参数进行更新。
另一方面，本申请通过本申请的一实施例提供一种焊点质量分析装置，所述装置包括获取模块和分析模块，其中：
所述获取模块，用于获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；
所述分析模块，用于调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；
其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
关于本申请实施例中未介绍或未阐述的内容可对应参考前述方法实施例中的相关介绍，这里不再赘述。
另一方面，本申请通过本申请的一实施例提供一种终端设备，所述终端设备包括：处理器、存储器、通信接口和总线；所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；所述存储器存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如上所述的焊点质量分析方法。
另一方面，本申请通过本申请的一实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序运行在终端设备时执行如上所述的焊点质量分析方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本申请通过获取待分析焊点数据，调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果，这样能够直接基于焊点质量评分卡模型对焊点质量自动进行快速地、便捷地分析，从而达到增效、节能、降成本的目的，同时也解决了现有技术中存在无法定量分析焊点质量、分析成本较高或分析效率较低等技术问题。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种焊点质量分析方法的流程示意图。
图2是本申请实施例提供的另一种焊点质量分析方法的流程示意图。
图3是本申请实施例提供的一种焊接数据的存储结构示意图。
图4是本申请实施例提供的一种焊点电阻-时间曲线示意图。
图5是本申请实施例提供的一种焊点电阻-时间曲线上的多个分段示意图。
图6是本申请实施例提供的一种焊点曲线飞溅点的判定示意图。
图7是本申请实施例提供的一种工作特征ROC曲线的示意图。
图8是本申请实施例提供的一种焊点质量分析装置的结构示意图。
图9是本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
本申请实施例通过提供一种焊点质量分析方法，解决了现有技术中存在的无法定量分析焊点质量、分析成本较高或分析效率较低等技术问题。
本申请实施例的技术方案为解决上述技术问题，总体思路如下：获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
申请人在提出本申请的过程中还发现：当下自动化的制造工厂采集并存储焊接过程的全部过程数据，为焊点质量研究提供了宝贵的原始数据，本申请利用人工智能(artificial intelligence，AI)手段，以采集的焊接过程数据为研究对象，通过数理统计方法，建立焊点质量评分卡模型，从中获得影响焊点质量的各种因素及特征重要度，并对影响重要度较高的因素提出有针对性的改善方案，从而提高焊点的焊接质量。
评分卡模型在银行、信用卡公司、个人消费信贷公司、电信公司、水电服务公司、保险公司等企业实体最核心的管理技术之一，被广泛应用于信用卡生命周期管理、汽车贷款管理、住房贷款管理、个人贷款管理、其他消费贷款管理等领域，在市场营销、信贷审批、风险管理、账户管理、客户关系管理等各个方面都发挥十分重要的作用。但在工业制造领域应用几乎空白。
本申请提出焊点质量评分卡思路，为焊点质量管控提供一种有效的管理工具。本申请以焊接机器人的焊接过程数据为研究对象，利用人工智能AI手段，对原焊接过程数据预处理、特征工程处理、线性建模、制定评分规则等，最终建立焊点质量评分卡模型，为后续的焊点质量进一步分析、焊接工艺改善等，提供行之有效的管控手段。
请参见图1，是本申请实施例提供的一种焊点质量分析方法的流程示意图。如图1所示的方法包括如下实施步骤：
S101、获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据。
本申请可获取待分析焊点数据，所述待分析焊点数据中包括一个或多个待分析焊点的焊点数据，其中每个所述待分析焊点的焊点数据均可采用数据索引文件和焊点主文件的关联存储结构进行存储。所述焊点数据包括但不限于焊接工艺、焊接时间、焊接电流、焊接电压、焊接电阻及焊接功率等数据信息。
S102、调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
本申请可调用预存的焊点质量评分卡模型对待分析焊点数据进行焊点质量分析，得到每个所述待分析焊点的分析质量结果，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣，例如为正常质量焊点，或为异常质量焊点等。
通过实施本申请，本申请通过获取待分析焊点数据，调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果，这样能够直接基于焊点质量评分卡模型对焊点质量自动进行快速地、便捷地分析，从而达到增效、节能、降成本的目的，同时也解决了现有技术中存在无法定量分析焊点质量、分析成本较高或分析效率较低等技术问题。
下面介绍焊点质量评分卡模型创建的相关实施例。请参见图2，是本申请实施例提供的另一种焊点质量分析方法的流程示意图。如图2所示的方法包括如下实施步骤：
S201、获取初始焊点数据。
本申请所述初始焊点数据采用数据索引文件和焊点主文件的存储结构进行存储。请参见图3示出一种可能的焊点数据存储结构的示意图，如图3中每个焊点索引文件对应一个焊点文件夹，所述焊点文件夹中包括至少一个焊点主文件。
需要说明的是，本申请需要统计的焊点数据是已积累了大量自动实时采集的焊接机器人的焊接工艺数据(例如半年、500G等)。焊点数据的采样周期为预设时长，例如1毫秒(ms)。每个焊点数据(也可称为焊点文件)中大约包括400条焊点记录。为方便数据整理和存储，本申请采用数据索引文件和焊点主文件关联的数据存储结构进行存储。
由于数据量巨大，本申请在统计分析时可采用预设块大小(python chunksize)的方式分块将初始焊点数据读取到数据框架(DataFrame)中，以避免一次性读取数据的用时较长等问题。
S202、对所述初始焊点数据进行数据探索，得到所述初始焊点数据的基础信息。
本申请可采用预设软件基本语句对获取的初始焊点数据进行数据探索(exploratory data analysis，EDA)，以获知所述初始焊点数据的基础信息，开入初始焊点数据的基本数据、检测到的缺失值及异常值等数据信息。其中，数据探索用到的预设软件(例如Python软件)的基本语句如下表1所示：
表1
Figure BDA0003251012800000081
S203、对所述初始焊点数据进行数据预处理，得到历史焊点数据。所述历史焊点数据包括至少一个样本焊点的焊点数据。
在大数据统计分析方法处理工业数据中，基于大数据统计分析结果，深度挖掘工业制造大数据的价值，数据预处理是数据挖掘的第一步。所述数据预处理包括但不限于数据清洗、数据滤波处理等等。
在数据清洗中可进行如下操作处理中的任一项或多项的组合，本申请不做限定。例如，根据先验知识删除时间不在预设时间范围内的焊点数据，例如删除时间超过第一预设时长(例如大于等于400ms)或短于第二预设时长(例如小于等于200ms)的焊点数据文件等，此类数据应为焊接失败的焊点数据。删除焊点数据文件中预设中间位置的预设功率表征参数(如电流、电压、电阻或功率等参数)均为0的焊点数据，此类数据应为焊接过程中由于突发事件导致焊枪断电。将焊点数据中的空值填充为前一行的焊点数据值，默认当前的焊点状态保持上一时刻的焊点状态。将焊点电阻曲线上的最后多行标记为0的数据删除，并保留第一行为0的焊点数据，其中多余的几行0数据值被认为是焊接结束，焊枪动作完成，但数据传输上位机的指令迟于焊枪动作完成指令。或根据焊点数据的采集时间，在焊点数据(或焊点数据文件)中增加相应的时间数据列，以将焊点数据的采样时间实时传送并增加到焊点数据中。
在滤波处理中，本申请通过绘制焊点电阻-时间曲线发现曲线上有很多毛刺，即存在很多噪声高然。本申请进一步对焊点数据进行滤波处理，例如采用滑动平均值滤波法对焊点电阻-时间曲线进行滤波。请参见图4示出一种可能的焊点电阻-时间曲线示意图。其中图4右侧为左侧黑线框所示区段的局部放大示意图。如图4中，曲线1表示原始的焊点电阻-时间曲线。曲线2表示滤波处理后的焊点电阻-时间曲线。
S204、对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量。
本申请特征工程是数据属性转换为数据特征的过程，属性代表数据维度。数据建模时，如果对原始数据属性机械能学习，并不能很好地找到数据潜在趋势，通过特征工程能减少受到噪声的干扰，从而更好地找出数据潜在趋势。所述特征工程处理包括但不限于以下中的任一项或多项的组合：时间戳处理、离散型变量处理、分段处理(也可称为分箱或分区处理)、交叉特征及衍生计算、特征缩放及其他用于特征提取的数据特征工程处理等。
本申请下文以所述特征工程处理包括时间戳处理、分段处理及交叉特征及衍生计算为例，进行相关内容的详述。具体地：
在时间戳处理中，时间戳即时间多尺度，将时间戳分离成多维度，例如年、月、日、小时、分钟、秒、季度、工作日等等时间戳分级。本申请可对历史焊点数据进行时间戳处理，得到所述历史焊点数据对应的部分的特征计算变量，具体可为每个焊点数据新增特征计算变量(也可称为新增特征变量)，例如特征变量字段为年(year)、月(month)、日(day)、周(weekday)、小时(hour)、分钟(min)、秒(second)及季节(season)等，其中weekday为1至7中的任一正整数。
在分段处理中，本申请可对历史焊点数据进行分段处理，得到历史焊点数据对应的多个分段时刻。其中，分段处理可将连续型变量转换成类别呈现，同时能使算法减少噪声的干扰，将一定范围的数值划分成确定的多个分区/分块。具体地：
本申请可通过分析历史焊点数据所对应的焊点电阻-时间曲线，找出符合焊点规律的焊接电阻相对低点和相对高点，将时间划分为三个区段(t1，t2，t3)。请参见图5示出一种焊点电阻-时间曲线上的多个分段时刻的示意图。其中，0-t1为阶段1，表示含金属贴合致密的阶段；t1-t2为阶段2，表示金属升温融化阶段；t3-后为阶段3，表示焊核形成焊接完毕。其中，t1、t2和t3为三个分段时刻。本申请基于t1、t2和t3三个分段时刻，还可进一步寻找其他极值点时刻。具体如图5中，A为求电阻R对时间t的一阶导数，找到一阶导数由小于0直到找到等于0的时间对应点。即A：
Figure BDA0003251012800000101
B为求电阻R对时间t的一阶导数，找到一阶导数由大于0直到找到等于0的时间对应点。即B：
Figure BDA0003251012800000102
C为焊点电阻-时间曲线中，第一个电流为0的时间对应点。
D为飞溅点，求电阻R对时间t的二阶导数和三阶导数，找到二阶导数为0、三阶导数绝对值最大时间对应点。即D：
Figure BDA0003251012800000111
在交叉特征及衍生计算中，交叉特征计算是特征工程中非常重要的方法之一。它将两个或更多的类别属性(例如电流、电压、电阻和功率等类别属性)组合为一个特征计算变量。数学上是对类别特征的所有值进行交叉相乘，例如将电流和电压各自的数值进行交叉相乘等。衍生计算是指通过数学计算取得的新增特征变量(也可称为特征计算变量)，例如求和、最大值、最小值、平均值、一阶导数、二阶导数及积分等。
本申请通过交叉特征和衍生计算获得的新增特征变量，具体可如下表2所示：
表2
Figure BDA0003251012800000112
Figure BDA0003251012800000121
Figure BDA0003251012800000131
其中，上表2中t1为4-10ms内的最小电阻(电阻对时间的一阶导数为0)所对应的时刻，t2为在t1后间隔大于2ms以上的第一个最大电阻(电阻对时间的一阶导数为0)所对应的时刻，t3为存在t1和t2后的电流为0的时刻。Ele_consump_T2为在t2阶段功率积分，采用辛普森算法得到。Ele_consump_T3为在t3阶段功率积分，采用辛普森算法得到。Ele_consump为在t1、t2和t3阶段功率积分，采用辛普森算法得到。
S205、采用离群分位算法对所述特征计算变量进行模型开发，以构建得到焊点质量评分卡模型。
本申请采用特征计算变量的离群分位算法进行焊点质量异常标记，基于异常标记后的特征计算变量构建焊点质量评分卡模型搭建工作。在异常标记中，针对交叉特征和衍生就散获得的特征计算变量，分别进行分位统计，获得三个分位区间(即异常判断的上限阈值和下限阈值)。进一步根据分为区间，将特征计算变量进行焊点质量标记，即正常或异常判断，例如正常可标记为0，异常可标记为1。进一步统计所有特征计算变量的异常标记累积得分(Score)，进行异常得分累积概率P计算。将异常累积概率得分P与焊点质量异常概率设定阈值(Pthrd)进行对比。如果P小于等于Pthrd，则焊点质量正常，将样本焊点标记为正常焊点；否则焊点质量异常，将样本焊点标记为异常焊点。其中，焊点质量优劣是一个相对概念，焊点质量异常概率阈值Pthrd的设定是关键，可根据对焊点质量的严格程度来确定。由此可获得焊点质量评分信息，也可称为评分卡模型评分表。
进一步可利用构建的初始评分卡模型(如logistic回归模型)开发构建获得焊点质量评分卡模型。具体可根据焊点质量评分卡模型评分表，将信息数据分割为训练集、测试集和预测集，进而搭建初始评分卡模型，例如调用Python的工具包sklearn.linear_modelLogisticRegression()，通过训练集(焊点质量评分信息)对初始评分卡模型进行训练，从而获得所述焊点质量评分卡模型。
下面对分位统计、焊点标记、异常得分累积、异常概率计算、焊点质量评分信息(评分表)及初始评分卡模型构建进行详细介绍。
在特征计算变量的分位统计中，分位数是以概率将一批数据进行分割。首先可对数据(具体可未特征计算变量)进行排序，然后用于一个随机变量的概率分布范围(即离散分位算法)分为好几个等分的数值点，其中常用的分位数有中位数(即二分位数，50％)、四分位数、百分位数等。以分位数为±2.5分位点为例，本申请可在每个特征计算变量的±2.5分位范围内将其标记为正常，否则标记为异常。
在异常标记中，本申请可对上述步骤S205中计算获得的47个特征计算变量分别进行分位数统计，每个特征计算变量分为三个区间：[0，2.5)、[2.5，97.5]和(97.5，100]。其中，[0，2.5)和(97.5，100]为异常区别，当特征计算变量处于这区间内可将特征计算变量标记为异常，例如标记为1，认为其为离群数据。[2.5，97.5]为正常区间，当特征计算变量处于该区间可将其标记为正常，例如0等。
需要说明的是，本申请中有12个特征计算变量的正常和异常标记，用作后续模型评估的参考，因为通过对历史焊点数据的衍生计算得出的这些特征计算变量是通过给定阈值判断得到的，比如t2和t3阶段的飞溅点个数统计。仅当给定飞溅参考阈值才能确定其它飞溅是否确定为飞溅。举例来说，请参见图6示出一种可能的焊点电阻-时间曲线上飞溅点的示意图。如图6中，飞溅点1(inflect1)和飞溅点2(inflect2)，飞溅点1的飞溅程度高于飞溅点2，飞溅点2是否为飞溅点是要根据事先给定的飞溅参考阈值确定。因此，与飞溅点个数统计类似衍生计算的特征计算变量，仅能作为焊点质量评分卡模型的参考。具体参见如下表3所示：
表3
序号 新增特征变量(特征计算变量) 变量描述
17 expt_num_T2 t2阶段拐点个数
18 inflect_num_T2 t2阶段飞溅点个数
19 Grad_sum_T2 t2阶段梯度和
20 expt_num_T3 t3阶段拐点个数
21 inflect_num_T3 t3阶段飞溅点个数
22 Grad_sum_T3 t3阶段梯度和
39 expt_num_T2_P t2阶段功率拐点个数
40 inflect_num_T2_P t2阶段功率飞溅点个数
41 Grad_sum_T2_P t2阶段功率梯度和
42 expt_num_T3_P t3阶段功率拐点个数
43 inflect_num_T3_P t3阶段功率飞溅点个数
44 Grad_sum_T3_P t3阶段功率梯度和
上表3示出的13个特征计算变量，用于后续焊点质量评分卡模型的模型评估。
在异常得分累积(Score)中，将35(47-12)个正常或异常标记的特征计算变量进行异常标记累积，迭代异常标记累积得分Score。然后基于该得分计算焊点质量异常概率P＝Score/35。如果P≤Pthrd(焊点质量异常概率阈值)，则焊点质量最终判定结果为正常，y＝0；反之，焊点质量判定为异常，y＝1。
在焊点质量评分卡模型统计表(焊点质量评分信息)中，本申请可将标记了正常或异常的特征计算变量所对应的焊点数据，其包括焊点基本信息(例如焊点ID、时间尺度字段、焊点文件路径等)、最终焊点异常概率等信息，将其统一保存为焊点质量评分拗口模型统计表。具体地，本申请焊接机器人实时采集n个焊点数据，计算处理得到每个焊点数据对应的r个特征计算变量，本例中r＝35；然后基于35个特征计算变量机，计算获得对应的结果数据，即焊点质量异常概率，进而基于这些信息构建获得对应的焊点质量评分卡模型统计表，具体可参见如下表4所示：
Figure BDA0003251012800000161
在焊点质量评分卡模型构建中，本申请采用Logistic回归模型计算焊点质量异常(y＝1)的概率，简称为焊点质量异常概率P，具体计算如下公式(1)所示：
Figure BDA0003251012800000162
其中，β0、β1…、βr均为模型参数。β0为截距项，常数。
在实际应用中，本申请将焊点质量评分卡模型统计表作为输入数据，将输入数据按照预设比例(例如2:7:1)将其划分为预测集、训练集和测试集。本申请采用70％的数据作为训练集，用来训练。20％的数据用来验证，10％的数据用于Logistic回归模型预测。
具体实现中，本申请可调用Python工具件包sklearn.linear_model，导入LogisticRegression；采用train_test_split()函数对输入数据进行分割；logisticRegression()进行训练，最终获得焊点质量评分卡逻辑回归模型(即焊点质量评分卡模型)。然后再通过逻辑回归模型的predict_proba()函数，预测样本的焊点质量异常概率P；最后通过引用二分类sigmoid()函数，确定焊点质量正常或异常，即获得焊点质量分析结果。
S206、对所述焊点质量评分卡模型进行模型评估。
本申请涉及的模型评估，是用于评估模型的区分能力、预测能力、稳定性，并形成模型评估报告，得出模型是否可以使用的结论。具体地，本申请可采用逻辑回归AUC对所述焊点质量评分卡模型进行模型评估。其中，AUC(Area Under Curve)被定义为ROC曲线下与坐标轴X围成的面积，即ROC曲线在时间上的积分，数值不会大于1，而ROC曲线一般都处于y＝x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高；等于0.5时，则真实性最低，无应用价值，即模型不可用。ROC曲线全称为受试者工作特征曲线(receiver operating characteristic curve)，它是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(敏感性)为纵坐标，假阳性率(1-特异性)为横坐标绘制的曲线。举例来说，请参见图7示出一种可能的ROC曲线示意图，图示示例性地示出3条ROC曲线。
具体实现时，本申请可直接调用roc_auc_score()函数，计算出所述焊点质量评分卡模型对应的AUC值，如果计算的AUC值大于预设阈值，则确定焊点质量评分卡模型的区分能力和预测能力较强，焊点质量评分卡模型达标；否则确定焊点质量评分卡模型的区分能力和预测能量较弱，模型不达标。
S207、在所述模型评估达标时，输出所述焊点质量评分卡模型。
本申请在模型评估到所述焊点质量评分卡模型达标时，可直接输出所述焊点质量评分卡模型；否则，继续使用焊点质量评分卡模型统计表对所述焊点质量评分卡模型中的模型参数进行更新，以输出预测能力更好的所述焊点质量评分卡模型。
采用本申请实施例，本申请采用基于人工智能的大数据统计方法为手段，对焊点数据进行数据探索、数据预处理、数据工程特征处理，并采用离群分位算法对焊点数据搭建焊点质量评分卡模型，通过该模型可以实现对焊点数据的焊点质量直接分析评价，并得出分数，同时根据焊点质量评价表可快速找到质量缺陷问题，查找影响质量异常的主要原因，从而实现质检、工艺等预测性维护，以达到增效、节能及降低成本的目的。
基于同一发明构思，本申请另一实施例提供一种实施本申请实施例中所述焊点质量分析方法的装置和终端设备。
请参见图8，是本申请实施例提供的一种焊点质量分析装置的结构示意图。如图8所示的装置包括：获取模块801和分析模块802，其中：
所述获取模块801，用于获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；
所述分析模块802，用于调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；
其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
可选地，所述装置还包括处理模块803和构建模块804，其中，
所述获取模块801，还用于获取历史焊点数据，所述历史焊点数据包括至少一个样本焊点的焊点数据，且所述历史焊点数据采用数据索引文件和焊点数据文件关联的存储结构存储；
所述处理模块803，用于对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量，所述数据特征工程处理中至少包括交叉特征和衍生计算；
所述构建模块804，用于采用离群分位算法对所述特征计算变量进行焊点质量异常标记，并基于标记后的所述特征计算变量构建所述焊点质量评分卡模型。
可选地，所述数据特征工程处理还包括时间戳处理及数据分段处理，所述处理模块803具体用于：
对所述历史焊点数据进行时间戳处理，得到所述历史焊点数据对应的部分的特征计算变量；
对所述历史焊点数据进行数据分段处理，得到所述历史焊点数据对应的多个分段时刻；
根据多个所述分段时刻，对所述历史焊点数据中的功率表征数据进行交叉特征和衍生计算，得到多个所述分段时刻各自对应的特征计算变量；其中，所述功率表征参数包括以下中的至少一项：焊点电流、焊点电压、焊点电阻及焊点功率。
可选地，所述获取模块801具体用于：
获取初始焊点数据，所述初始焊点数据包括至少一个所述样本焊点的初始数据；
对所述初始焊点数据进行数据预处理，得到所述历史焊点数据；其中，所述数据预处理包括以下中的至少一项：删除时间不在预设时间范围内的焊点数据、删除预设中间位置中预设功率表征参数为零的焊点数据、将所述初始焊点数据中的空值填充为上一行焊点数据、删除多行数据值为零，且保留最后一行零数据值的焊点数据、在所述初始焊点数据中新增所述初始焊点数据对应的采样时间、及数据滤波处理。
可选地，所述获取模块801具体用于：
采用预设块大小的方式，分块读取所述初始焊点数据；
采用预设软件基本语句对所述初始焊点数据进行数据探索，得到包括基础信息在内的所述初始焊点数据，所述基础信息包括所述初始焊点数据的基本数据、检测的缺失值及异常值。
可选地，所述构建模块804具体用于：
根据标记后的所述特征计算变量，统计获得焊点质量评分信息，所述焊点质量评分信息包括统计标记的正常焊点、异常焊点及焊点质量异常概率；
构建初始评分卡模型；
使用所述焊点质量评分信息对所述初始评分卡模型进行训练，得到所述焊点质量评分卡模型。
可选地，所述处理模块803还用于：
采用模型评估指标AUC方式，对所述焊点质量评分卡模型进行模型评估；
若所述模型评估不达标，则对所述焊点质量评分卡模型中的模型参数进行更新。
请一并参见9，是本申请实施例提供的一种终端设备的结构示意图。如图9所示的终端设备90包括：至少一个处理器901、通信接口902、用户接口903和存储器904，处理器901、通信接口902、用户接口903和存储器904可通过总线或者其它方式连接，本发明实施例以通过总线905连接为例。其中，
处理器901可以是通用处理器，例如中央处理器(Central Processing Unit，CPU)。
通信接口902可以为有线接口(例如以太网接口)或无线接口(例如蜂窝网络接口或使用无线局域网接口)，用于与其他终端或网站进行通信。本发明实施例中，通信接口902具体用于获取焊点数据。
用户接口903具体可为触控面板，包括触摸屏和触控屏，用于检测触控面板上的操作指令，用户接口903也可以是物理按键或者鼠标。用户接口903还可以为显示屏，用于输出、显示图像或数据。
存储器904可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random Access Memory，RAM)；存储器也可以包括非易失性存储器(Non-VolatileMemory)，例如只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；存储器904还可以包括上述种类的存储器的组合。存储器904用于存储一组程序代码，处理器901用于调用存储器904中存储的程序代码，执行如下操作：
获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；
调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；
其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
可选地，所述调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析之前，所述处理器901还用于：
获取历史焊点数据，所述历史焊点数据包括至少一个样本焊点的焊点数据，且所述历史焊点数据采用数据索引文件和焊点数据文件关联的存储结构存储；
对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量，所述数据特征工程处理中至少包括交叉特征和衍生计算；
采用离群分位算法对所述特征计算变量进行焊点质量异常标记，并基于标记后的所述特征计算变量构建所述焊点质量评分卡模型。
可选地，所述数据特征工程处理还包括时间戳处理及数据分段处理，所述对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量包括：
对所述历史焊点数据进行时间戳处理，得到所述历史焊点数据对应的部分的特征计算变量；
对所述历史焊点数据进行数据分段处理，得到所述历史焊点数据对应的多个分段时刻；
根据多个所述分段时刻，对所述历史焊点数据中的功率表征数据进行交叉特征和衍生计算，得到多个所述分段时刻各自对应的特征计算变量；其中，所述功率表征参数包括以下中的至少一项：焊点电流、焊点电压、焊点电阻及焊点功率。
可选地，所述获取历史焊点数据包括：
获取初始焊点数据，所述初始焊点数据包括至少一个样本焊点的初始数据；
对所述初始焊点数据进行数据预处理，得到所述历史焊点数据；其中，所述数据预处理包括以下中的至少一项：删除时间不在预设时间范围内的焊点数据、删除预设中间位置中的预设功率表征参数为零的焊点数据、将焊点数据中的空值填充为上一行焊点数据、删除多行数据值为零，且保留最后一行零数据值的焊点数据、在所述焊点数据中新增所述焊点数据对应的采样时间及滤波处理。
可选地，所述获取初始焊点数据包括：
采用预设块大小的方式一次读取所述初始焊点数据；
采用预设软件基本语句对所述初始焊点数据进行数据探索，得到包括基础信息的所述初始焊点数据，所述基础信息包括所述初始焊点数据的基本数据、检测的缺失值及异常值。
可选地，所述基于标记后的所述特征计算变量构建所述焊点质量评分卡模型包括：
根据标记后的所述特征计算变量，统计焊点质量评分信息，所述焊点质量评分信息包括统计标记的正常焊点、异常焊点及焊点质量异常概率；
构建初始评分卡模型；
使用所述焊点质量评分信息对所述初始评分卡模型进行训练，得到所述焊点质量评分卡模型。
可选地，所述处理器901还用于：
采用模型评估指标AUC方式，对所述焊点质量评分卡模型进行模型评估；
若所述模型评估不达标，则对所述焊点质量评分卡模型中的模型参数进行更新。
由于本实施例所介绍的终端设备为实施本申请实施例中焊点质量分析方法所采用的终端设备，故而基于本申请实施例中所介绍的焊点质量分析方法，本领域所属技术人员能够了解本实施例的终端设备的具体实施方式以及其各种变化形式，所以在此对于该终端设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中信息处理的方法所采用的终端设备，都属于本申请所欲保护的范围。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：本申请通过获取待分析焊点数据，调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果，这样能够直接基于焊点质量评分卡模型对焊点质量自动进行快速地、便捷地分析，从而达到增效、节能、降成本的目的，同时也解决了现有技术中存在无法定量分析焊点质量、分析成本较高或分析效率较低等技术问题。
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、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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一个流程或多个流程和/或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/或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/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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发明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 (10)

1.一种焊点质量分析方法，其特征在于，所述方法包括：
获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；
调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；
其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
2.根据权利要求1所述的方法，其特征在于，所述调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析之前，所述方法还包括：
获取历史焊点数据，所述历史焊点数据包括至少一个样本焊点的焊点数据，且所述历史焊点数据采用数据索引文件和焊点数据文件关联的存储结构存储；
对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量，所述数据特征工程处理中至少包括交叉特征和衍生计算；
采用离群分位算法对所述特征计算变量进行焊点质量异常标记，并基于标记后的所述特征计算变量构建所述焊点质量评分卡模型。
3.根据权利要求2所述的方法，其特征在于，所述数据特征工程处理还包括时间戳处理及数据分段处理，所述对所述历史焊点数据进行数据特征工程处理，得到所述历史焊点数据对应的特征计算变量包括：
对所述历史焊点数据进行时间戳处理，得到所述历史焊点数据对应的部分的特征计算变量；
对所述历史焊点数据进行数据分段处理，得到所述历史焊点数据对应的多个分段时刻；
根据多个所述分段时刻，对所述历史焊点数据中的功率表征数据进行交叉特征和衍生计算，得到多个所述分段时刻各自对应的特征计算变量；其中，所述功率表征参数包括以下中的至少一项：焊点电流、焊点电压、焊点电阻及焊点功率。
4.根据权利要求2所述的方法，其特征在于，所述获取历史焊点数据包括：
获取初始焊点数据，所述初始焊点数据包括至少一个所述样本焊点的初始数据；
对所述初始焊点数据进行数据预处理，得到所述历史焊点数据；其中，所述数据预处理包括以下中的至少一项：
删除时间不在预设时间范围内的焊点数据；
删除预设中间位置中预设功率表征参数为零的焊点数据；
将所述初始焊点数据中的空值填充为上一行焊点数据；
删除所述初始焊点数据中除最后一行为零数据值之外的其他行零数据值；
在所述初始焊点数据中新增所述初始焊点数据对应的采样时间；
数据滤波处理。
5.根据权利要求4所述的方法，其特征在于，所述获取初始焊点数据包括：
采用预设块大小的方式，分块读取所述初始焊点数据；
采用预设软件基本语句对所述初始焊点数据进行数据探索，得到包括基础信息在内的所述初始焊点数据，所述基础信息包括所述初始焊点数据的基本数据、检测的缺失值及异常值。
6.根据权利要求2所述的方法，其特征在于，所述基于标记后的所述特征计算变量构建所述焊点质量评分卡模型包括：
根据标记后的所述特征计算变量，统计获得焊点质量评分信息，所述焊点质量评分信息包括统计标记的正常焊点、异常焊点及焊点质量异常概率；
构建初始评分卡模型；
使用所述焊点质量评分信息对所述初始评分卡模型进行训练，得到所述焊点质量评分卡模型。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
采用模型评估指标AUC方式，对所述焊点质量评分卡模型进行模型评估；
若所述模型评估不达标，则对所述焊点质量评分卡模型中的模型参数进行更新。
8.一种焊点质量分析装置，其特征在于，所述装置包括获取模块和分析模块，其中：
所述获取模块，用于获取待分析焊点数据，所述待分析焊点数据包括待分析焊点的焊点数据；
所述分析模块，用于调用焊点质量评分卡模型对所述待分析焊点数据进行焊点质量分析，得到所述待分析焊点的分析质量结果；
其中，所述焊点质量评分卡模型为预先采用离群分位算法对历史焊点数据进行模型构建和训练所得的，所述分析质量结果用于指示所述待分析焊点的焊接质量的优劣。
9.一种终端设备，其特征在于，包括：处理器、存储器、通信接口和总线；所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；所述存储器存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如上权利要求1-7中任一项所述的焊点质量分析方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，当所述程序运行在终端设备时执行如上权利要求1-7中任一项所述的焊点质量分析方法。
CN202111045497.5A 2021-09-07 2021-09-07 焊点质量分析方法、装置、终端设备及介质 Pending CN113887126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111045497.5A CN113887126A (zh) 2021-09-07 2021-09-07 焊点质量分析方法、装置、终端设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111045497.5A CN113887126A (zh) 2021-09-07 2021-09-07 焊点质量分析方法、装置、终端设备及介质

Publications (1)

Publication Number Publication Date
CN113887126A true CN113887126A (zh) 2022-01-04

Family

ID=79008465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111045497.5A Pending CN113887126A (zh) 2021-09-07 2021-09-07 焊点质量分析方法、装置、终端设备及介质

Country Status (1)

Country Link
CN (1) CN113887126A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115351456A (zh) * 2022-08-25 2022-11-18 沈阳奇昊汽车配件有限公司 焊缝焊接质量判断方法
CN115618287A (zh) * 2022-10-14 2023-01-17 中国科学院沈阳自动化研究所 一种基于小样本数据的电阻点焊质量评价模型的构建方法
CN115759861A (zh) * 2022-11-30 2023-03-07 杭州凯棉科技有限公司 制药生产工艺评分方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115351456A (zh) * 2022-08-25 2022-11-18 沈阳奇昊汽车配件有限公司 焊缝焊接质量判断方法
CN115618287A (zh) * 2022-10-14 2023-01-17 中国科学院沈阳自动化研究所 一种基于小样本数据的电阻点焊质量评价模型的构建方法
CN115618287B (zh) * 2022-10-14 2023-04-11 中国科学院沈阳自动化研究所 一种基于小样本数据的电阻点焊质量评价模型的构建方法
CN115759861A (zh) * 2022-11-30 2023-03-07 杭州凯棉科技有限公司 制药生产工艺评分方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN113887126A (zh) 焊点质量分析方法、装置、终端设备及介质
JP6771751B2 (ja) リスク評価方法およびシステム
CN109598095B (zh) 评分卡模型的建立方法、装置、计算机设备和存储介质
TW201732662A (zh) 一種建立資料識別模型的方法及裝置
CN110991657A (zh) 一种基于机器学习的异常样本检测方法
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN111796957A (zh) 基于应用日志的交易异常根因分析方法及系统
CN106611023A (zh) 网站访问异常的检测方法及装置
CN112598294A (zh) 在线建立评分卡模型的方法、装置、机器可读介质及设备
CN117540826A (zh) 机器学习模型的优化方法、装置、电子设备及存储介质
CN117333012A (zh) 基于数据挖掘的金融风险跟踪管理系统、装置和存储介质
CN110196797B (zh) 适于信用评分卡系统的自动优化方法和系统
CN111949852A (zh) 一种基于互联网大数据的宏观经济分析方法及系统
Filz et al. Data-driven analysis of product property propagation to support process-integrated quality management in manufacturing systems
CN113610575B (zh) 一种产品销量的预测方法及预测系统
KR102543211B1 (ko) 비정형 기업 데이터를 이용한 기업성장 예측 시스템
KR102499182B1 (ko) 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템
Jimeno-García et al. The failure processes and their relation to the business interruption moment
CN114186644A (zh) 一种基于优化随机森林的缺陷报告严重程度预测方法
CN112712194A (zh) 一种用电成本智能优化分析的电量预测方法及装置
CN112506907A (zh) 基于大数据的工程机械营销策略推送方法、系统及装置
CN107783942A (zh) 一种异常行为检测方法及装置
CN117807545B (zh) 一种基于数据挖掘的异常检测方法及系统
García Trend of financial ratios in the business failure process
CN117807545A (zh) 一种基于数据挖掘的异常检测方法及系统

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