CN114700587B - 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 - Google Patents
一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 Download PDFInfo
- Publication number
- CN114700587B CN114700587B CN202210572527.6A CN202210572527A CN114700587B CN 114700587 B CN114700587 B CN 114700587B CN 202210572527 A CN202210572527 A CN 202210572527A CN 114700587 B CN114700587 B CN 114700587B
- Authority
- CN
- China
- Prior art keywords
- welding
- missing
- reliability
- real
- fuzzy
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 122
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011897 real-time detection Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
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
- B23K9/0953—Monitoring or automatic control of welding parameters using computing means
-
- 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
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/02—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to soldering or welding
-
- 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
- B23K9/0956—Monitoring or automatic control of welding parameters using sensing means, e.g. optical
-
- 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)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Theoretical Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统,该检测方法包括:首先采集正常焊接和存在漏焊异常的时序数据,而后进行特征提取和PCA降维;利用降维后的样本特征构建模糊推理系统,得到漏焊可信度;根据样本标签与漏焊可信度之间的关联性,确定漏焊可信度的异常阈值;对于新的焊接时序数据,通过模糊推理得到新的漏焊可信度,并与异常阈值进行对比,实现漏焊缺陷的实时检测。本发明使用PCA降维结合模糊推理构建了漏焊缺陷的实时智能检测方法,在降低模糊推理规则书写复杂性的同时保持了较高的识别精度,大大降低了硬件资源要求,同时具备高性价比和强实时性,具有显著的实用价值。
Description
技术领域
本发明涉及一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统,属于自动化焊接技术领域。
背景技术
焊接作为一种重要的制造技术,被广泛应用于工业生产中。焊接过程属于典型的不确定性、非线性系统过程,在焊接过程中会发生复杂的物理化学反应,同时焊接工艺的复杂性导致了不可避免的会出现焊接质量缺陷。现阶段主要的缺陷检测手段为人眼观测或使用一些无损探伤的设备进行检测,近几年随着机器学习以及深度学习的发展,结合机器学习以及深度学习进行焊接质量检测的方法也在不断涌现。
通常基于人工经验或使用专业检测设备进行焊接质量检测,专业依赖性高、检测效率低、检测成本高,且缺陷的检测具有较强的滞后性。而利用机器学习及深度学习进行焊接质量检测主要通过采集焊接过程中的数据进行标注后建模,完全基于数据来进行焊接异常诊断,如:专利202011535834.4公开了一种焊接缺陷识别模型训练方法、装置和计算机终端,通过提取焊接数据样本的时域特征(如均值、中位数、最大值、最小值、方差、标准差、分位数)和频域特征(傅里叶变换系数等)以获取特征集合,而后进行模型构建识别焊接异常。此类方法往往具有处理时间长、复杂度高、无法做到实时检测的缺点,同时缺乏专家经验知识的参与,后期迭代模型需要大量数据进行重新训练。
发明内容
发明目的:针对现有技术所存在的问题,本发明提供一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统,首先通过信号分析对焊接时序数据进行特征提取,进而利用PCA算法进行降维,将多维数据降低至二维数据,大大减少特征数量,最后利用优化后的二维数据构建模糊推理规则系统,从而实现漏焊异常的准确、实时诊断。
该算法可以运行在资源高度受限的低成本硬件上,而且因为有效避免了复杂的机器学习数据训练,具备了更显著的实用价值,可以广泛应用在广大的焊接工业生产中。
技术方案:为实现上述目的,本发明提供一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法,包括以下步骤:
步骤1:采集正常焊接和存在漏焊异常的时序数据,并进行滑窗构造样本,而后根据真实焊接情况对样本进行异常标注,生成样本数据集;
步骤2:对各个样本数据进行特征提取以获取特征集合,所述特征集合包括时域特征、频域特征及时频域特征;
步骤3:利用PCA(Principal Components Analysis,主成分分析)算法对提取的特征集合进行降维处理,构造二维样本特征;
步骤4:利用二维样本特征与漏焊可信度或正常可信度之间的关系构建模糊推理系统,解模糊后得到漏焊可信度的输出值;
步骤5:根据样本标签与漏焊可信度或正常可信度之间的关联性,确定漏焊可信度或正常可信度的异常阈值;
步骤6:实时采集新的焊接时序数据,经过滑窗构造、特征提取及降维处理后输入模糊推理系统得到新的漏焊可信度或正常可信度,并与异常阈值进行对比,实现漏焊缺陷的实时检测。
进一步的,所述步骤1具体包括:
步骤1.1:采集正常焊接和存在漏焊异常的时序数据,并按照设定窗长进行滑窗构造样本;
步骤1.2:根据真实焊接情况对样本进行异常标注,存在漏焊异常则标注为1,否则标注为0;
步骤1.3:将生成的所有样本随机乱序,并按照设定比例划分训练集和测试集。
进一步的,所述时域特征包括但不限于均值、中位数、最大值、最小值、方差、标准差、分位数、方根幅值、均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲指数等;
进一步的,通过傅里叶变换进行频域特征的提取,所述频域特征包括但不限于均值、中位数、最大值、最小值、方差、标准差、分位数以及频谱高阶特征等;
步骤2.3:通过VMD(Variational Mode Decomposition,变分模态分解)变换进行时频域特征的提取,所述时频域特征包括但不限于模态分量IMF1、IMF2的过零率、过五率、均值、方差、分位数等。相较于EMD(Empirical Mode Decomposition,经验模态分解),VMD可以指定拆分模态分量的个数,大幅度提高计算速度。
进一步的,所述步骤4具体包括:
步骤4.1:选取二维样本特征PCAFea1、PCAFea2作为输入变量,漏焊可信度或正常可信度作为输出变量,构建模糊推理系统;
步骤4.2:利用三角形隶属度函数对输入变量进行模糊化处理,得到两个输入模糊集:{PCAFea1_lower,PCAFea1_low,PCAFea1_middle,PCAFea1_high,PCAFea1_higher}和{PCAFea2_lower,PCAFea2_low,PCAFea2_middle,PCAFea2_high,PCAFea2_higher};
步骤4.3:根据设定的模糊规则进行模糊推理,得到输出模糊集:{A_lower,A_low,A_middle,A_high,A_higher};
步骤4.4:根据梯形隶属度函数和质心解模糊方法对输出模糊集进行解模糊处理,得到漏焊可信度或正常可信度的输出值。
进一步的,所述步骤5具体包括:
步骤5.1:根据样本标签将输出的漏焊可信度或正常可信度分为两类:正常标签对应的可信度集合TA和异常标签对应的可信度集合FA;
步骤5.2:分析TA和FA的整体分布,若TA的整体分布高于FA(即模糊推理的输出变量为正常可信度,输出的可信度越高,焊接正常的概率越高),则取集合TA的最小值和集合FA的最大值,记为h1和h2;若TA的整体分布低于FA(即模糊推理的输出变量为漏焊可信度,输出的可信度越高,存在漏焊异常的概率越高),则取集合FA的最小值和集合TA的最大值,记为h1和h2;
步骤5.3:对h1和h2之间的数值h进行迭代,计算每个数值h对应的分类准确率,找到最高分类准确率对应的数值H,即为漏焊可信度或正常可信度的异常阈值。
此外,本发明还提供了一种基于模糊推理和边缘计算的漏焊缺陷实时检测系统,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漏焊缺陷实时检测方法,根据数据采集模块所采集的焊接时序数据进行漏焊缺陷的实时预测。
进一步的,所述数据采集模块包括但不限于电流传感器、电压传感器、送丝传感器及送气传感器等至少一种,且数据处理模块采用嵌入式终端,用于部署上述模糊推理系统,根据所采集的高频时序数据进行漏焊缺陷的实时检测。
有益效果:本发明所提供的一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统,相对于现有技术,具有以下优点:
1、传统用于提取时频域特征的小波变换及EMD变换,具有计算时间长、实时性差、对内存等硬件资源要求高的特点,而本发明使用VMD变换替换小波变换及EMD变换来提取时频域特征,一方面能够准确描述漏焊缺陷,另一方面大大减少了特征提取时间,显著降低了算法相关CPU和内存等硬件成本。
2、利用模糊推理系统进行决策的设计框架下,需要结合专家知识构建极大规模的模糊推理规则,这在专家知识不足且数据特征较多的前提下,让模糊推理规则的构建极为困难。围绕这一难题,本发明进一步使用PCA算法进行特征降维,最终得到对漏焊现象具有显著描述能力的推理特征,在降低模糊推理规则书写复杂性的同时保持了较高的识别精度,实现对整个算法的系统优化。这一组合设计具有建模简单、数据核心信息利用率高的特点,大大降低了算法的硬件资源要求,同时具备了高性价比和实时性强的特点,从而实现“实时检测,实时停机,实时降本”。
3、本发明基于真实工业漏焊数据的核心特点,建立起准确的判定规则,且后续可以根据漏焊数据积累添加相应规则,实现对模型的更新,具有建模快速、更新方便的特点,可以快速适应工业现场应用。
附图说明
图1为本发明实施例中漏焊缺陷实时检测方法的流程图;
图2为本发明实施例中特征PCAFea1的隶属度函数图像;
图3为本发明实施例中特征PCAFea2的隶属度函数图像;
图4为本发明实施例中漏焊可信度A的隶属度函数图像;
图5为本发明实施例中测试结果的混淆矩阵图;
图6为本发明实施例中测试结果的F1分数图。
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所示为一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法,包括以下步骤:
步骤1:采集正常焊接和存在漏焊异常的焊接时序数据(包括但不仅限于电流、电压、送丝、送气等)。
步骤2:按照设定窗长Window_Size=10s(步幅为1s)进行滑窗构造样本,即每个窗长时间序列数据作为一个样本,并根据真实焊接缺陷情况对样本进行数据标注(正常:0,漏焊:1)。
步骤3:将生成的所有样本随机乱序,并按照比例7:3划分为训练集Train和测试集Test,其中训练集用于确定异常阈值,测试集用于验证阈值合理性。
步骤4:对样本数据进行时域特征的提取:在传统时域特征如均值、中位数、最大值、最小值、方差、标准差、分位数的基础上,进一步提取方根幅值、均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲指数等时域特征,构成样本的时域特征库。
步骤5:对样本数据进行频域特征的提取:通过傅里叶变换得到样本数据的频谱,并在相关统计特征(如频率的均值、中位数、最大值、最小值、方差、标准差、分位数等)的基础上,进一步提取频谱高阶特征(如振幅大于80的频率的均值、振幅大于80的频率最小值、振幅大于80的频率的1/4分位值、振幅大于80的频率的3/4分位值、振幅第二大的频率、振幅最大值处的频率等强相关特征),构建样本的频域特征库。
步骤6:对样本数据进行时频域特征的提取:通过VMD变换得到样本数据的时频谱,进而提取相关特征(如模态分量IMF1、IMF2的过零率、过五率、均值、方差、分位数等),构建样本的时频域特征库。相较于EMD,VMD可以指定拆分模态分量的个数,大幅度提高计算速度。
步骤7:对于模糊推理来说,越多的特征就意味着需要构建极其庞大的模糊推理规则库。为了解决这个问题,利用PCA算法对提取的特征集合进行降维处理,将多维数据降低至二维数据。
步骤8:选取降维后的样本特征作为输入变量,漏焊可信度作为输出变量,构建模糊推理系统,具体过程如下:
步骤8.1:对于输入变量(经过PCA降维后的特征PCAFea1、PCAFea2),论域为[Min(Train[Fea]),Max(Train[Fea])],其中Min(Train[Fea])、Max(Train[Fea])分别表示训练集样本对应的降维特征集合中的最小值和最大值,利用三角形隶属度函数进行模糊化处理,得到输入模糊集如下:
如图2、3所示,特征PCAFea1、PCAFea2的隶属度函数公式如下(公式F1(x)-F5(x)为特征PCAFea1的隶属度函数,分别对应图2中编号1-5的函数图像;公式P1(x)-P5(x)为特征PCAFea2的隶属度函数,分别对应图3中编号1-5的函数图像):
其中公式F1(x)-F5(x)对应的参数值为:
,公式P1(x)-P5(x)对应的参数值为:
步骤8.2:对于输出变量(漏焊可信度),设定论域为[0,1],输出模糊集为{A_lower,A_low,A_middle,A_high,A_higher},分别代表漏焊可信度极低、漏焊可信度低、漏焊可信度中等、漏焊可信度高、漏焊可信度极高。
步骤8.3:书写模糊规则:
步骤8.4:根据上述模糊规则进行模糊推理,得到输出模糊集:{A_lower,A_low,A_middle,A_high,A_higher}。
步骤8.5:利用梯形隶属度函数以及质心解模糊方法对输出模糊集进行解模糊处理,得到漏焊可信度的输出值。
如图4所示,漏焊可信度A的隶属度函数如下(公式A1(x)-A5(x)分别对应图中编号1-5的函数图像):
步骤9:将训练集样本传入模糊系统中,解模糊后得到漏焊可信度,对比真实标签,确定异常阈值,具体过程如下:
步骤9.1:根据样本标签将训练集样本的漏焊可信度分为两类:正常标签对应的漏焊可信度集合TA和异常标签对应的漏焊可信度集合FA;
步骤9.2:由于TA的整体分布低于FA(漏焊可信度越高,存在漏焊异常的概率越高),则取集合FA的最小值和集合TA的最大值,记为h1和h2;
步骤9.3:对h1和h2之间的数值h进行递增或递减迭代,计算每个数值h对应的分类准确率,找到最高分类准确率对应的数值H,即为漏焊可信度的异常阈值(本实施例中H=0.24)。
步骤13:利用测试集样本来测试异常阈值H的准确度:如图5、6所示,测试结果中0的查准率(precision)为0.97,查全率(recall)为0.94,F1分数(f1-score)为0.96,1的查准率为0.99,查全率为0.99,F1分数为0.99,所有测试样本的准确率(accuracy)为0.98,宏平均(macro avg)为0.97,加权平均(weighted avg)为0.98。
步骤14:硬件终端部署模糊推理系统,实时采集新的焊接时序数据,经过同样的滑窗构造、特征提取及降维处理后输入模糊推理系统得到新的漏焊可信度,并与异常阈值进行对比(大于异常阈值则表示存在漏焊异常,否则表示焊接正常),由此实现漏焊缺陷的实时检测。
此外,本发明还提供了一种基于模糊推理和边缘计算的漏焊缺陷实时检测系统,包括数据采集模块和数据处理模块,其中数据采集模块包括但不限于电流传感器、电压传感器、送丝传感器及送气传感器等,数据处理模块采用嵌入式硬件终端,用于部署上述模糊推理系统,根据所采集的高频时序数据进行漏焊缺陷的实时检测。
本发明基于低成本、高普适的时序传感器进行数据采集,经真实工业数据验证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),避免了远距离数据传输和云端处理,实现了漏焊异常的准确、实时诊断。
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)
1.一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法,其特征在于,包括以下步骤:
步骤1:采集正常焊接和存在漏焊异常的时序数据,并进行滑窗构造样本,而后根据真实焊接情况对样本进行异常标注,以生成样本数据集;
步骤2:对各个样本数据进行特征提取以获取特征集合,所述特征集合包括时域特征、频域特征及时频域特征;
步骤3:利用PCA算法对提取的特征集合进行降维处理,构造二维样本特征;
步骤4:利用二维样本特征与漏焊可信度或正常可信度之间的关系构建模糊推理系统,解模糊后得到漏焊可信度或正常可信度的输出值;
步骤5:根据样本标签与漏焊可信度或正常可信度之间的关联性,确定漏焊可信度或正常可信度的异常阈值;
步骤6:实时采集新的焊接时序数据,经过滑窗构造、特征提取及降维处理后输入模糊推理系统得到新的漏焊可信度或正常可信度,并与异常阈值进行对比,实现漏焊缺陷的实时检测;
所述时频域特征通过VMD变换进行特征提取,所述时频域特征包括模态分量IMF1、IMF2的过零率、过五率、均值、方差、分位数中的至少一种;
所述步骤4具体包括:
步骤4.1:选取二维样本特征PCAFea1、PCAFea2作为输入变量,漏焊可信度或正常可信度作为输出变量,构建模糊推理系统;
步骤4.2:利用三角形隶属度函数对输入变量进行模糊化处理,得到输入模糊集;
步骤4.3:根据设定的模糊规则进行模糊推理,得到输出模糊集;
步骤4.4:根据梯形隶属度函数和质心解模糊方法对输出模糊集进行解模糊处理,得到漏焊可信度或正常可信度的输出值;
所述步骤5具体包括:
步骤5.1:根据样本标签将输出的漏焊可信度或正常可信度分为两类:正常标签对应的可信度集合TA和异常标签对应的可信度集合FA;
步骤5.2:分析TA和FA的整体分布,若TA的整体分布高于FA,则取集合TA的最小值和集合FA的最大值,记为h1和h2;若TA的整体分布低于FA,则取集合FA的最小值和集合TA的最大值,记为h1和h2;
步骤5.3:对h1和h2之间的数值h进行迭代,计算每个数值h对应的分类准确率,找到最高分类准确率对应的数值H,即为漏焊可信度或正常可信度的异常阈值。
2.根据权利要求1所述的一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法,其特征在于,所述步骤1具体包括:
步骤1.1:采集正常焊接和存在漏焊异常的时序数据,并按照设定窗长进行滑窗构造样本;
步骤1.2:根据真实焊接情况对样本进行异常标注,存在漏焊异常则标注为1,否则标注为0;
步骤1.3:将生成的所有样本随机乱序,并按照设定比例划分训练集和测试集。
3.根据权利要求1所述的一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法,其特征在于,所述时域特征包括均值、中位数、最大值、最小值、方差、标准差、分位数、方根幅值、均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲指数中的至少一种。
4.根据权利要求1所述的一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法,其特征在于,所述频域特征通过傅里叶变换进行特征提取,所述频域特征包括频率的均值、中位数、最大值、最小值、方差、标准差、分位数以及频谱高阶特征中的至少一种。
5.根据权利要求1所述的一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法,其特征在于,所述输入模糊集设定为:{PCAFea1_lower,PCAFea1_low,PCAFea1_middle,PCAFea1_high,PCAFea1_higher}和{PCAFea2_lower,PCAFea2_low,PCAFea2_middle,PCAFea2_high,PCAFea2_higher},所述输出模糊集设定为:{A_lower,A_low,A_middle,A_high,A_higher}。
6.一种基于模糊推理和边缘计算的漏焊缺陷实时检测系统,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焊接时序数据进行漏焊缺陷的实时检测。
7.根据权利要求6所述的漏焊缺陷实时检测系统,其特征在于,所述数据采集模块包括电流传感器、电压传感器、送丝传感器及送气传感器中的至少一种,且数据处理模块采用嵌入式终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572527.6A CN114700587B (zh) | 2022-05-25 | 2022-05-25 | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572527.6A CN114700587B (zh) | 2022-05-25 | 2022-05-25 | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114700587A CN114700587A (zh) | 2022-07-05 |
CN114700587B true CN114700587B (zh) | 2022-08-19 |
Family
ID=82176491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210572527.6A Active CN114700587B (zh) | 2022-05-25 | 2022-05-25 | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114700587B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115106615B (zh) * | 2022-08-30 | 2022-12-02 | 苏芯物联技术(南京)有限公司 | 一种基于工况智能识别的焊偏实时检测方法及系统 |
CN115255566B (zh) * | 2022-09-26 | 2022-12-16 | 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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992898B (zh) * | 2017-12-14 | 2019-07-23 | 哈尔滨工业大学(威海) | 一种电子元件焊点缺陷检测方法 |
CN112733884A (zh) * | 2020-12-23 | 2021-04-30 | 树根互联技术有限公司 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
CN113128781B (zh) * | 2021-04-30 | 2021-12-10 | 大连理工大学 | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 |
CN114062490B (zh) * | 2021-06-29 | 2023-12-08 | 北京交通大学 | 基于GAN的钢轨焊缝Lamb波模态分解与裂纹损伤监测方法 |
CN114140669B (zh) * | 2022-02-07 | 2022-04-26 | 南昌工程学院 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
-
2022
- 2022-05-25 CN CN202210572527.6A patent/CN114700587B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114700587A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
CN114700587B (zh) | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 | |
Yan et al. | Multiscale cascading deep belief network for fault identification of rotating machinery under various working conditions | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
US20210365342A1 (en) | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
CN115187527A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
He et al. | Intelligent Fault Analysis With AIOps Technology | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
CN116087647A (zh) | 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 | |
CN104499001B (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
Gao et al. | Weak fault detection with a two-stage key frequency focusing model | |
Li et al. | Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions | |
CN109784279A (zh) | 基于多小波分析及svm的x射线高压电源故障诊断方法 | |
Nguyen et al. | Feature Selection based on EEMD-LaS and Optimized BSO-LSSVM Classifier Model in Bearing Fault Diagnosis. | |
Mikołajczyk et al. | Global explanations for discovering bias in data |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Real time Detection Method and System for Missing Weld Defects Based on Fuzzy Inference and edge computing Effective date of registration: 20231214 Granted publication date: 20220819 Pledgee: Jiangsu Zijin Rural Commercial Bank Co.,Ltd. Xuanwu Branch Pledgor: SUXIN IOT SOLUTIONS (NANJING) Co.,Ltd. Registration number: Y2023980070535 |