CN114818997B - 一种基于高频焊接时序数据的烧穿故障预测方法 - Google Patents

一种基于高频焊接时序数据的烧穿故障预测方法 Download PDF

Info

Publication number
CN114818997B
CN114818997B CN202210739975.0A CN202210739975A CN114818997B CN 114818997 B CN114818997 B CN 114818997B CN 202210739975 A CN202210739975 A CN 202210739975A CN 114818997 B CN114818997 B CN 114818997B
Authority
CN
China
Prior art keywords
burn
sequence data
time sequence
frequency welding
seconds
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
Application number
CN202210739975.0A
Other languages
English (en)
Other versions
CN114818997A (zh
Inventor
田慧云
李波
朱毛赛
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.)
Suxin Iot Solutions Nanjing Co ltd
Original Assignee
Suxin Iot Solutions Nanjing Co ltd
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 Suxin Iot Solutions Nanjing Co ltd filed Critical Suxin Iot Solutions Nanjing Co ltd
Priority to CN202210739975.0A priority Critical patent/CN114818997B/zh
Publication of CN114818997A publication Critical patent/CN114818997A/zh
Application granted granted Critical
Publication of CN114818997B publication Critical patent/CN114818997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • B23K13/00—Welding by high-frequency current heating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于高频焊接时序数据的烧穿故障预测方法，包括：采集正常焊接和烧穿故障发生时的高频焊接时序数据，并以N秒为窗口进行滑窗采样，以每个窗口的未来两秒是否发生烧穿故障为标签进行样本标注，生成数据样本集；而后以TCN为主体结构搭建FPN特征融合网络模型，利用生成的数据样本集进行训练；对于新的实时高频焊接时序数据，按照N秒进行滑窗输入到模型中进行实时预测。本发明不需要人工构建特征，针对新的高频焊接时序数据，仅通过并行的矩阵运算即可实时给出预测结果，具有强实时性，更具实用价值。另外，相较于单独的TCN网络，加入了FPN特征金字塔结构之后，能够有效提高模型预测的准确率。

Description

一种基于高频焊接时序数据的烧穿故障预测方法
技术领域
本发明涉及一种基于高频焊接时序数据的烧穿故障预测方法，属于自动化焊接技术领域。
背景技术
随着我国科学技术的进步，焊接已成为—门独立的技术，应用于各种工业生产中，尤其是航空、核工业、造船、建筑和机械制造等。焊接技术是一种不可缺少的加工手段，但是焊接缺陷直接影响着机械的安全运行。焊接缺陷的种类很多，根据其在焊缝中的位置可分为表面焊接缺陷和内部焊接缺陷。常见的表面焊接缺陷有焊缝的尺寸和形状不符合要求、咬边、焊瘤、弧坑、烧穿、表面气孔、表面裂纹等，常见的内部焊接缺有气孔、夹渣、裂纹、未熔合和未焊透等。
而烧穿是焊接缺陷中比较常见的一种，烧穿是指焊接过程中，熔深超过工件厚度，熔化金属自焊缝背面流出，形成穿孔性缺。烧穿是锅炉压力容器产品上不允许存在的缺陷，它完全破坏了焊缝，使接头丧失联接性，影响承载能力，因此能够在焊接过程中事先预测烧穿故障的发生，并及时反控减小电流电压，对于避免烧穿缺陷的发生，具有十分重要的意义。
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高频焊接时序数据的烧穿故障预测方法，以TCN为主体结构搭建FPN特征融合网络模型，通过输入一段时间窗内的焊接时序数据，能够事先对未来2S是否发生烧穿故障进行预测，从而有效避免烧穿缺陷的发生，大大提高焊接质量和效率。
技术方案：为实现上述目的，本发明提供一种基于高频焊接时序数据的烧穿故障预测方法，包括以下步骤：
步骤1：采集正常焊接和烧穿故障发生时的高频焊接时序数据，并以N秒为窗口进行滑窗采样，以每个窗口的未来两秒是否发生烧穿故障为标签进行样本标注，生成数据样本集；
步骤2：以TCN为主体结构搭建FPN特征融合网络模型，并利用生成的数据样本集进行训练，得到烧穿故障预测模型；
步骤3：对于新的实时高频焊接时序数据，按照N秒进行滑窗，将每个窗口的数据输入到训练好的烧穿故障预测模型中进行预测，预测每个窗口的未来两秒是否会发生烧穿故障，并进行实时反馈控制，如调低电流电压等，从而及时避免发生烧穿故障。
进一步的，由于焊穿样本数量相对于正常样本数量较少，因此进行焊穿样本数量的扩充：假设每次烧穿故障的开始时间为t1，结束时间为t2，采样频率为Fs，则从区间[(t1-2-N)*Fs，(t2-2-N)*Fs]中随机不放回采样k个数值（避开整秒数值），作为扩充样本的起始点start_index，则终止点end_index=start_index+N*Fs，由此每次烧穿故障所对应的样本数量扩充了k个。
进一步的，所述步骤2中搭建的FPN特征融合网络模型包括若干堆叠的TCN网络块，每个TCN网络块的输出特征经过一维卷积神经网络层的卷积操作后进行相加融合，融合后的特征经过Flatten层和两个全连接层的处理后得到最终输出。
进一步的，所述TCN网络块包括两个一维膨胀卷积层、两个BN层和两个激活函数层，且TCN网络块的输入输出之间通过一维卷积层跳跃连接。
有益效果：本发明以TCN为主体结构搭建FPN特征融合网络模型，通过输入一段时间窗内的焊接时序数据，能够事先对未来2S是否发生焊接进行预测。本发明不需要人工构建特征，在模型推理的时候，针对新的实时高频焊接时序数据，仅通过并行的矩阵运算即可实时给出预测结果，具有强实时性，更具实用价值。另外，相较于单独的TCN神经网络，加入了FPN特征金字塔结构之后，能够有效提高模型预测的准确率。
附图说明
图1为本发明实施例的预测方法流程图；
图2为本发明实施例中数据预处理过程的示意图；
图3为本发明实施例中烧穿故障预测模型的网络结构图；
图4为本发明实施例中TCN网络块的网络结构图；
图5为本发明实施例中烧穿故障预测模型测试结果的混淆矩阵图。
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所示为一种基于高频焊接时序数据的烧穿故障预测方法，包括以下步骤：
步骤1：数据预处理；
步骤1.1：采集正常焊接和烧穿故障发生时的高频焊接时序数据（包括但不限于电流数据、电压数据、气流速度、送丝速度等），并按照N秒为窗口进行滑窗（步长为1秒），构造数据样本集，具体包括：
如图2所示，取T-2-N至T-2时刻的焊接时序数据来预测T时刻的标签（标签为T时刻是否发生烧穿缺陷，若已发生烧穿则标签为1，若没有烧穿则标签为0），实施例中N=6。
进一步的，由于焊穿样本数量相对于正常样本数量较少，因此进行焊穿样本数量的扩充：假设每次烧穿故障的开始时间为t1，结束时间为t2，采样频率为Fs，则从区间[(t1-2-N)*Fs，(t2-2-N)*Fs]中随机不放回采样k个数值（避开整秒数值），作为扩充样本的起始点start_index，则终止点end_index=start_index+N*Fs，由此每次焊穿所对应的样本数量由(t2-t1+1)个扩充为（t2-t1+k+1）个。
步骤1.2：将生成的所有样本随机shuffle（乱序），并按照比例6:2:2截取样本，以获得训练集、测试集和验证集。
步骤2：网络搭建；
如图3所示，所搭建的网络模型包括；
（1）TCN网络块TCNBlock1（输出维度为channel1，膨胀系数为d1），输出为x1；
（2）一维卷积神经网络层（卷积核大小为1*1，输出维度为channel1），输入为x1，输出为feat1；
（3）TCN网络块TCNBlock2（输出维度为channel2，膨胀系数为d2），输入为x1，输出为x2；
（4）一维卷积神经网络层（卷积核大小为1*1，输出维度为channel1），输入为x2，输出为feat2；
（5）TCN网络块TCNBlock3（输出维度为channel3，膨胀系数为d3），输入为x2，输出为x3；
（6）一维卷积神经网络层（卷积核大小为1*1，输出维度为channel1），输入为x3，输出为feat3；
（7）将feat1、feat2、feat3对应的维度相加（特征融合），作为输出；
（8）Flatten（展平）层；
（9）全连接层（n1个神经元）；
（10）全连接层（2个神经元）；
其中channel1、channel2、channel3是逐渐增大的，实施例中分别为32、64、128；d1、d2、d3呈2的倍数递增，实施例中分别为1、2、4。
如图4所示，所述TCN网络块包括（输入输出之间通过一维卷积层跳跃连接）：
a.一维膨胀卷积层；
b.Batch Normalization（批量标准化）层；
c.Leaky ReLU（激活函数）层；
d.一维膨胀卷积层；
e.Batch Normalization层；
f.Leaky ReLU层。
步骤3：网络训练；
设定learning_rate（学习率）=α，batch_size（一次训练所抓取的样本数量）=β，利用训练集样本进行模型训练，实施例中α=0.001，β=32。
如图5所示，通过训练好的检测模型对测试集样本进行预测，并根据其预测结果与真实结果来构建混淆矩阵，由该混淆矩阵可知，该检测模型的查准率约为98.87%。
步骤4：烧穿故障实时预测；
实时采集新的高频焊接时序数据，按照N秒进行滑窗，将每个窗长的数据输入到模型中进行预测，预测每个窗口的未来两秒是否会发生烧穿故障，并进行实时反馈控制，如调低电流电压等，从而及时避免发生烧穿故障。
此外，本发明还提供了一种基于高频焊接时序数据的烧穿故障预测系统，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、速度传感器、送丝传感器等，数据处理模块利用上述烧穿故障预测方法，根据数据采集模块所采集的高频焊接时序数据进行烧穿故障的实时预测。
本发明不需要人工构建特征，在模型推理的时候，针对新的实时高频焊接时序数据，仅通过并行的矩阵运算即可实时给出预测结果，具有强实时性，更具实用价值。另外，相较于单独的TCN神经网络，加入了FPN特征金字塔结构之后，能够有效提高模型预测的准确率。
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 (3)

1.一种基于高频焊接时序数据的烧穿故障预测方法，其特征在于，包括以下步骤：
步骤1：采集正常焊接和烧穿故障发生时的高频焊接时序数据，并以N秒为窗口进行滑窗采样，以每个窗口的未来两秒是否发生烧穿故障为标签进行样本标注，生成数据样本集；
步骤2：以TCN为主体结构搭建FPN特征融合网络模型，并利用生成的数据样本集进行训练，得到烧穿故障预测模型；
步骤3：对于新的实时高频焊接时序数据，按照N秒进行滑窗，并将每个窗口的数据输入到训练好的烧穿故障预测模型中进行预测，预测每个窗口的未来两秒是否会发生烧穿故障；
所述步骤2中搭建的FPN特征融合网络模型包括若干堆叠的TCN网络块，每个TCN网络块的输出特征经过一维卷积神经网络层的卷积操作后进行相加融合，融合后的特征经过Flatten层和两个全连接层的处理后得到最终输出。
2.根据权利要求1所述的一种基于高频焊接时序数据的烧穿故障预测方法，其特征在于，所述步骤1还包括过采样过程：
假设每次烧穿故障的开始时间为t1，结束时间为t2，采样频率为Fs，则从区间[(t1-2-N)*Fs，(t2-2-N)*Fs]中随机不放回采样k个数值，作为扩充样本的起始点start_index，则终止点end_index=start_index+N*Fs，由此每次烧穿故障所对应的样本数量扩充了k个。
3.根据权利要求1所述的一种基于高频焊接时序数据的烧穿故障预测方法，其特征在于，所述TCN网络块包括两个一维膨胀卷积层、两个BN层和两个激活函数层，且TCN网络块的输入输出之间通过一维卷积层跳跃连接。
CN202210739975.0A 2022-06-28 2022-06-28 一种基于高频焊接时序数据的烧穿故障预测方法 Active CN114818997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210739975.0A CN114818997B (zh) 2022-06-28 2022-06-28 一种基于高频焊接时序数据的烧穿故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210739975.0A CN114818997B (zh) 2022-06-28 2022-06-28 一种基于高频焊接时序数据的烧穿故障预测方法

Publications (2)

Publication Number Publication Date
CN114818997A CN114818997A (zh) 2022-07-29
CN114818997B true CN114818997B (zh) 2022-09-16

Family

ID=82522871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210739975.0A Active CN114818997B (zh) 2022-06-28 2022-06-28 一种基于高频焊接时序数据的烧穿故障预测方法

Country Status (1)

Country Link
CN (1) CN114818997B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115647687B (zh) * 2022-12-29 2023-03-17 苏芯物联技术(南京)有限公司 融合残差网络及自注意力机制的焊接异常实时检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160229A (zh) * 2019-12-26 2020-05-15 北京工业大学 基于ssd网络的视频目标检测方法及装置
CN111340282A (zh) * 2020-02-21 2020-06-26 山东大学 基于da-tcn的设备剩余使用寿命的估计方法及系统
CN112257911A (zh) * 2020-10-13 2021-01-22 杭州电子科技大学 基于并行时空注意力机制的tcn多元时间序列预测方法
US11169288B1 (en) * 2017-12-07 2021-11-09 Triad National Security, Llc Failure prediction and estimation of failure parameters
CN113870260A (zh) * 2021-12-02 2021-12-31 苏芯物联技术(南京)有限公司 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN114126701A (zh) * 2019-05-31 2022-03-01 阿比奥梅德公司 主动脉内压预测

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8134619B2 (en) * 2007-07-02 2012-03-13 Samsung Electronics Co., Ltd. Column noise reduction device and method thereof
CN109599126B (zh) * 2018-12-29 2022-04-19 广州丰石科技有限公司 一种基于mel能量谱和卷积神经网络的声音故障识别方法
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11169288B1 (en) * 2017-12-07 2021-11-09 Triad National Security, Llc Failure prediction and estimation of failure parameters
CN114126701A (zh) * 2019-05-31 2022-03-01 阿比奥梅德公司 主动脉内压预测
CN111160229A (zh) * 2019-12-26 2020-05-15 北京工业大学 基于ssd网络的视频目标检测方法及装置
CN111340282A (zh) * 2020-02-21 2020-06-26 山东大学 基于da-tcn的设备剩余使用寿命的估计方法及系统
CN112257911A (zh) * 2020-10-13 2021-01-22 杭州电子科技大学 基于并行时空注意力机制的tcn多元时间序列预测方法
CN113870260A (zh) * 2021-12-02 2021-12-31 苏芯物联技术(南京)有限公司 一种基于高频时序数据的焊接缺陷实时检测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Deep Concept-wise Temporal Convolutional Networks for Action Localization;Xin Li 等;《https://arxiv.org/pdf/1908.09442.pdf》;20190826;第1-13页 *
MS-TCN: Multi-Stage Temporal Convolutional Network for Action Segmentation;Yazan Abu Farha、Juergen Gall;《2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20200109;第3570-3579页 *
基于卷积神经网络的焊接缺陷识别技术及应用;杨志超 等;《武汉理工大学学报(信息与管理工程版)》;20190228;第41卷(第1期);第17-21页 *
基于多尺度注意力融合的知识追踪方法;段建设 等;《南京大学学报（自然科学）》;20210731;第57卷(第4期);第591页摘要、593页2.1节 *
基于时域卷积网络的多尺度双线性天气预测模型;孔震 等;《图学学报》;20201031;第41卷(第5期);第764-770页 *

Also Published As

Publication number Publication date
CN114818997A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN113870260B (zh) 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN109933004B (zh) 基于边缘计算和云协同的机床故障诊断与预测方法及系统
CN114818997B (zh) 一种基于高频焊接时序数据的烧穿故障预测方法
CN114722883B (zh) 基于高频时序数据的焊接质量实时检测方法及系统
CN104390657B (zh) 一种发电机组运行参数测量传感器故障诊断方法及系统
CN113762240B (zh) 一种基于深度学习的熔覆层几何特征预测方法及系统
CN114559133B (zh) 一种普适焊接起弧连续性实时检测方法及系统
CN111015006B (zh) 基于光谱信息的激光电弧复合焊接质量在线监测方法
CN114354639B (zh) 一种基于3d点云的焊缝缺陷实时检测方法及系统
CN112329860A (zh) 混合型深度学习视觉检测方法、装置、设备及存储介质
CN112557445B (zh) 一种基于增材制造的缺陷在线检测方法、装置和系统
CN112381095B (zh) 基于深度学习的电弧增材制造层宽自抗扰控制方法
US20230029806A1 (en) In-situ monitoring system assisted material and parameter development for additive manufacturing
CN112183919A (zh) 质量预测系统和质量预测方法
CN116698642A (zh) 一种汽修工具生产用的工作站控制方法及系统
CN113076817A (zh) 焊缝气孔缺陷实时检测方法及系统
EP4234158A1 (en) System and method for analyzing weld quality
CN111026060A (zh) 一种高性能机械基础部件数字化智能制造系统
CN110414388A (zh) 基于深度预测网络的驼峰和熔透在线预警方法
Liyakat et al. ML in the Electronics Manufacturing Industry
WO2022040819A2 (en) Computer-implemented monitoring of a welding operation
CN115609110B (zh) 基于多模融合的电弧复合增材熔深预测方法
CN105458639B (zh) 模具制作方法
US8346383B2 (en) Method for determining the machining quality of components, particularly for metal cutting by NC machines
Kulkarni et al. Machine learning based classification of welded components

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