CN114282689A - 一种普适焊接起弧实时智能检测方法及系统 - Google Patents

Abstract

本发明公开了一种普适焊接起弧实时智能检测方法及系统，该方法包括：首先对采集的高频电流数据进行滑窗采样以及样本筛选，并对筛选出的样本进行起弧状态标注，从而生成数据样本集；针对生成的数据样本进行特征构造，以获取各个样本的特征集合；结合构造的特征集合，利用机器学习分类算法进行模型训练，得到起弧事件的检测模型；最后通过训练好的检测模型对新的高频电流数据进行起弧事件的实时检测。本发明采用低成本电流传感器实时采集焊接过程中的电流数据，并基于对真实工业焊接起弧数据的细致研究，设计了一种基于起弧信号机理的特征算法，可以实现在电焊机超过百种的复杂状态中准确描述起弧状态，具有较高的普适性、准确性和实用性。

Description

一种普适焊接起弧实时智能检测方法及系统

技术领域

本发明涉及一种普适焊接起弧实时智能检测方法及系统，属于智能化焊接技术领域。

背景技术

智能化焊接是智能制造领域中最重要的研究课题之一。而传感技术及其信息处理则是实现焊接过程智能化及自动化的关键要素。近年来，具有小型化、无接触式及大传输量等特点的传感技术更多地被应用到焊接过程及质量实时控制中，但更多的关注点集中在焊接的缺陷检测方面，目前还没有通过传感数据进行焊接起弧事件的检测技术。

真实工业焊接中，起弧事件的检测具有非常重要的作用，直接关系到焊接质量、连续性、计件和效率统计等，因此进行准确的起弧数量、状态以及频次检测非常有必要。在焊接质量方面，频繁起弧会造成焊接一致性问题，导致焊接接头过多，更容易存在缺陷隐患；另一方面，起弧过程能够反映出焊工的能力问题，对工艺和人员绩效评价都具有非常重要意义。

目前的起弧检测方法普遍依赖电焊机或者机器人专属硬件，而存量巨大的中低端焊机如果没有类似硬件，则无法做到准确起弧检测。

发明内容

发明目的：针对现有技术所存在的问题，本发明提供一种普适焊接起弧实时智能检测方法及系统，基于采集到的高频电流数据构造用于建模的强特征，由此降低模型的复杂度，使得轻量级模型也同样具备高准确率，得以直接运行在资源高度受限硬件上，进行起弧事件的实时预测，具有较高的普适性、准确性和实用性。

技术方案：为实现上述目的，本发明提供一种普适焊接起弧实时智能检测方法，包括以下步骤：

步骤1：对采集的高频电流数据进行预处理，生成数据样本集；

步骤2：针对生成的数据样本进行特征构造，以获取各个样本的特征集合；

步骤3：结合构造的特征集合，利用机器学习分类算法进行模型训练，得到起弧事件的检测模型；

步骤4：通过训练好的检测模型对新的高频电流数据进行起弧事件的实时检测。

进一步的，所述步骤1中的数据预处理过程具体包括：

步骤1.1：将采集的高频电流数据按照设定窗长进行滑窗构造样本，并从中筛选出存在焊接的样本；

步骤1.2：对筛选出的样本进行标注，存在起弧状态的样本标注为1，反之标注为0；

步骤1.3：将生成的所有样本随机乱序，并按比例划分为训练集、测试集和验证集。

进一步的，所述步骤1.1中通过阈值设定I_75_percent>α或I_max≥β筛选出存在焊接的样本，其中I_75_percent为样本电流序列（序列长度即为窗长）的75%分位数，I_max为样本电流序列（序列长度即为窗长）的最大值。

进一步的，所述步骤2中所构造的特征集合包括：

2.1、时域特征，包含但不限于电流的最大值、最小值、分位数、均值、最大一阶差分值、中位数以及从样本中截取的序列段的最大值、最小值、分位数、均值、中位数等一种或多种；

2.2、频域特征，包含但不限于傅里叶变换系数、小波变换系数中的一种或多种；

2.3、考虑时间前后依赖关系的特征，包括但不限于以下特征的一种或多种：

A、前一秒的焊接状态，存在焊接为1，待机为0；

B、最大一阶差分值对应电流点之前N个点的中位数；

C、最大一阶差分值对应电流点之前M个点中，电流瞬时值小于θ的点个数；

D、前一秒最后K个点电流的最大值。

进一步的，所述步骤3中所采用的机器学习分类算法包括xgboost、lightGBM、随机森林、支持向量机、朴素贝叶斯等一种独立算法或多种融合算法。

此外，本发明还提供了一种普适焊接起弧实时智能检测系统，包括数据采集模块和数据处理模块，其中数据处理模块利用上述起弧实时智能检测方法，根据数据采集模块所采集的高频电流数据进行起弧事件的实时预测。

进一步的，所述数据采集模块采用高精度电流传感器，数据处理模块采用嵌入式终端，用于根据所采集的高频电流数据进行起弧事件的实时检测，具体包括以下模式：

1）模型直接部署在嵌入式终端，进行本地实时预测；

2）特征计算部署在嵌入式终端，模型部署到云端，在云端进行实时预测。

有益效果：本发明所提供的一种普适焊接起弧实时智能检测方法及系统，相对于现有技术，具有以下优点：

1、本发明采用低成本电流传感器实时采集焊接过程中的电流数据，并基于对真实工业焊接起弧数据的细致研究，设计了一种基于起弧信号机理的特征算法，可以实现在电焊机超过百种的复杂状态中准确描述起弧状态，具有较高的普适性；

2、依赖电弧特征描述算法，本发明将其与机器学习结合，实现了一套完整、高准确度的起弧状态识别算法，准确程度显著优于常见的电流特征算法和机器学习算法；

3、为增强普适性和实际部署价值，本发明对整个算法进行了系统优化，显著降低了算法的CPU和内存需求，可以成功运行在主频200MHz、内存512KB的嵌入式处理器上（例如常见的百元边缘网关），避免了信号通信和云端处理，让焊接实时检测成为可能。

附图说明

图1为本发明实施例中起弧实时智能检测方法的流程图；

图2为单次起弧事件对应的电流图像；

图3为多次起弧事件对应的电流图像；

图4为起弧中断再次起弧事件对应的电流图像；

图5为频繁起弧事件对应的电流图像；

图6为本发明实施例中所构造的部分特征集合；

图7为本发明实施例中仅包含时频域特征的预测结果图；

图8为本发明实施例中加入考虑时间前后依赖关系特征的预测结果图。

具体实施方式

下面将结合附图对本发明的优选实施方式进行描述，更加清楚、完整地阐述本发明的技术方案。

如图1所示为一种普适焊接起弧实时智能检测方法，包括以下步骤：

步骤1：数据标注：

步骤1.1：将采集的高频电流按照1s（采样频率为F）进行滑窗构造样本，并通过阈值设定I_75_percent>α或I_max>=β筛选出存在焊接的样本（满足两个条件之一即可），其中I_75_percent为样本电流序列（序列长度为F）的75%分位数，I_max为样本电流序列（序列长度为F）的最大值，这里α优选为1，β优选为100；

步骤1.2：在存在焊接的样本中通过电流图像进行标注，存在起弧状态的样本标注为1，反之标注为0；

步骤1.3：将生成的所有样本随机shuffle（乱序），设定训练样本的比例train_size=0.6，验证样本的比例dev_size=0.2，按照比例截取训练样本train_data、dev_data，剩下的即为测试集test_data。

图2-图5分别展示了单次起弧事件、多次起弧事件、起弧中断再次起弧事件以及频繁起弧事件对应的电流图像。其中图2为单次起弧事件图，其展示了一次完整的由起弧到熄弧的焊接过程；图3为连续多次起弧事件图，其展示了3次完整的起弧到熄弧过程以及一次起弧焊接过程；图4为起弧中断再次起弧事件图，图中第一次起弧失败，未焊接，紧接着再次起弧正常焊接；图5所示为频繁起弧事件图，图中在18:07:15至18:07:17期间，起弧事件持续将近2s，且频繁波动超过600A，为频繁尝试起弧。

可以看出，焊接过程中的起弧事件有多种情况，判断方法包括：首先必须要有电流从零到瞬间起弧的状态，其次，判断它跟前一次熄弧的间隔，若间隔过近，例如小于0.5s，则不作为一次新的起弧事件等。基于起弧事件的复杂性，样本的标注需要结合焊接工艺工程师的经验进行。

步骤2：特征构造：

针对生成的数据样本进行特征构造，以获取各个样本的特征集合，具体包括：

2.1、时域特征，包含但不限于电流的最大值、最小值、分位数、均值、最大一阶差分值、中位数以及从样本中截取的某一段或几段序列的最大值、最小值、分位数、均值、中位数等一种或多种（截取样本中的某一段或几段序列来计算最大值或者中位数等，得到的特征可能比整段序列的最大值、中位数更具代表性）；

2.2、频域特征，包含但不限于傅里叶变换系数、小波变换系数中的一种或多种；

2.3、考虑时间前后依赖关系的特征，包括但不限于以下特征的一种或多种：

A、前一秒的焊接状态，存在焊接为1，待机为0；

B、最大一阶差分值对应电流点索引idx之前N个点的中位数，实例中优选N=20，当idx<N时，截取上一秒电流的最后N-idx个点补齐；

C、最大一阶差分值对应电流点索引idx之前M个点中，电流瞬时值小于θ的点个数，实例中优选M=500，θ=60，当idx<M时，截取上一秒电流的最后M-idx个点补齐；

D、前一秒最后K个点电流的最大值，实施例中优选K=200。

图6展示了实施例中所构造的部分特征，具体包括：

c_max：电流最大值；

c_min：电流最小值；

c_diff_max：电流一阶差分最大值；

welding_before：前一秒的焊接状态，存在焊接为1，待机为0；

c_15point_first_mean：样本前15个点的均值；

c_200point_last_max：前一秒最后200个点电流的最大值；

point_count_less_60：最大一阶差分值对应电流点索引idx之前500个点中，电流瞬时值小于60A的点个数；

Before_max_diff_20point_medain：最大一阶差分值对应电流点索引idx之前20个点的中位数。

步骤3：模型训练：

结合构造的特征集合，选择任意机器学习分类算法，包含xgboost、lightGBM、随机森林、支持向量机、朴素贝叶斯等一种独立算法或多种算法融合进行模型训练。本实施例中使用xgboost模型，最优的模型参数设置如下：n_estimators设置为50，max_depth设置为2，min_child_weight设置为8。

步骤4：起弧事件实时预测：

模型部署后，对新的高频电流数据进行起弧事件的实时检测。

图7、图8分别展示了测试中仅包含时频域特征和加入考虑时间前后依赖关系特征的预测结果图，由两个混淆矩阵可知，仅包含时频域特征的检测模型查准率约为92.28%，加入考虑时间前后依赖关系特征的检测模型查准率高达99.46%。可以看出，仅依靠时频域特征不足以精确地进行起弧时间的智能检测，而考虑时间前后依赖关系特征的加入对起弧检测的准确性有着显著的提升。

因此，本发明在时频域特征的基础上，加入了考虑时间前后依赖关系的特征，正是这些新的强特征的加入，降低了模型的复杂度，使得轻量级模型也同样具备高准确率，得以直接运行在资源高度受限硬件上，在嵌入式端直接进行实时预测。

此外，还有基于上述检测方法的普适焊接起弧实时智能检测系统，包括数据采集模块和数据处理模块，其中数据采集模块采用高精度电流传感器，数据处理模块采用嵌入式终端，用于根据所采集的高频电流数据进行起弧事件的实时检测，具体包括以下模式：

1）模型直接部署在嵌入式终端，进行本地实时预测；

2）特征计算部署在嵌入式终端，模型部署到云端，在云端进行实时预测。

本发明首先采用高精度电流传感器，实时采集焊接过程中的电流数据，适用于高端、中端、低端焊机，不需要焊机本身具有数字通信能力，具有普适性；其次基于采集到的数据构造特征，进行机器学习建模，模型部署后进行起弧事件的实时智能检测。

本发明的智能检测技术包含两种运行模式：一是包含智能边缘检测，由于本发明中所构造的强特征，降低了模型的复杂度，使得轻量级模型也同样具备较高准确率，因此可将模型直接运行在资源高度受限的硬件上（例如GD32F450ZIT6 MCU，这款MCU采用Cortex-M4内核，主频200MHZ，具有512KB RAM和256KB FLASH），在嵌入式端直接进行实时预测；另一方面，可将特征计算部署在边缘侧，模型部署在云端进行预测，并在云端对预测结果进行一些统计分析与可视化展示。

上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。

Claims (7)

1.一种普适焊接起弧实时智能检测方法，其特征在于，包括以下步骤：

步骤1：对采集的高频电流数据进行预处理，生成数据样本集；

步骤2：针对生成的数据样本进行特征构造，以获取各个样本的特征集合；

步骤3：结合构造的特征集合，利用机器学习分类算法进行模型训练，得到起弧事件的检测模型；

步骤4：通过训练好的检测模型对新的高频电流数据进行起弧事件的实时检测。

2.根据权利要求1所述的一种普适焊接起弧实时智能检测方法，其特征在于，所述步骤1中的数据预处理过程具体包括：

步骤1.1：将采集的高频电流数据按照设定窗长进行滑窗构造样本，并从中筛选出存在焊接的样本；

步骤1.2：对筛选出的样本进行标注，存在起弧状态的样本标注为1，反之标注为0；

步骤1.3：将生成的所有样本随机乱序，并按比例划分为训练集、测试集和验证集。

3.根据权利要求2所述的一种普适焊接起弧实时智能检测方法，其特征在于，所述步骤1.1中通过阈值设定I_75_percent>α或I_max≥β筛选出存在焊接的样本，其中I_75_percent为样本序列的75%分位数，I_max为样本序列的最大值。

4.根据权利要求1所述的一种普适焊接起弧实时智能检测方法，其特征在于，所述步骤2中所构造的特征集合包括：

2.1、时域特征，包括电流的最大值、最小值、分位数、均值、最大一阶差分值以及中位数中的一种或多种；

2.2、频域特征，包括傅里叶变换系数、小波变换系数中的一种或多种；

2.3、考虑时间前后依赖关系的特征，包括以下特征的一种或多种：

A、前一秒的焊接状态，存在焊接为1，待机为0；

B、最大一阶差分值对应电流点之前N个点的中位数；

C、最大一阶差分值对应电流点之前M个点中，电流瞬时值小于θ的点个数；

D、前一秒最后K个点电流的最大值。

5.根据权利要求1所述的一种普适焊接起弧实时智能检测方法，其特征在于，所述步骤3中所采用的机器学习分类算法包括xgboost、lightGBM、随机森林、支持向量机、朴素贝叶斯中的一种独立算法或多种融合算法。

6.一种普适焊接起弧实时智能检测系统，其特征在于，包括数据采集模块和数据处理模块，其中数据处理模块利用权利要求1~5任一所述检测方法，根据数据采集模块所采集的高频电流数据进行起弧事件的实时检测。

7.根据权利要求6所述的一种普适焊接起弧实时智能检测系统，其特征在于，所述数据采集模块采用电流传感器，且数据处理模块采用嵌入式终端。

Images