CN114943415A - 一种基于知识图谱的金属焊接缺陷根因分析方法 - Google Patents
一种基于知识图谱的金属焊接缺陷根因分析方法 Download PDFInfo
- Publication number
- CN114943415A CN114943415A CN202210395199.7A CN202210395199A CN114943415A CN 114943415 A CN114943415 A CN 114943415A CN 202210395199 A CN202210395199 A CN 202210395199A CN 114943415 A CN114943415 A CN 114943415A
- Authority
- CN
- China
- Prior art keywords
- welding
- metal welding
- root cause
- map
- metal
- 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
Links
- 238000004021 metal welding Methods 0.000 title claims abstract description 57
- 230000007547 defect Effects 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000003466 welding Methods 0.000 claims abstract description 171
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010009 beating Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 13
- 230000009194 climbing Effects 0.000 description 9
- 238000001816 cooling Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000005496 tempering Methods 0.000 description 6
- 238000000137 annealing Methods 0.000 description 3
- 238000005056 compaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
一种基于知识图谱的金属焊接缺陷根因分析方法，包括：数据预处理；构建金属焊接工艺知识图谱；构建设备的统计图谱；构建基于机理的专家规则图谱；构建金属焊接质量画像知识图谱；通过统计图谱，对所涉及的焊接设备及工况进行打分；通过基于机理的专家规则图谱，得到根因传导因素并和打分结果融合；再结合金属焊接质量画像知识图谱及参数数据，推理缺陷原因；推送缺陷根因到用户前端，并得到反馈；通过反馈，更新图谱。本发明克服了现有技术的不足，通过将知识图谱、基于金属焊接机理的专家规则图谱、统计分析、神经网络相结合，多维度、多方式综合分析金属焊接质量缺陷产生的原因；从而最终改善生产质量、生产速度、减少生产过程中的耗损。
Description
技术领域
本发明涉及计算机软件技术领域，具体涉及一种基于知识图谱的金属焊接缺陷根因分析方法。
背景技术
目前、对工业生产中的质量问题的分析，特别是对金属焊接缺陷根因分析，其方法更多的是依赖专家经验系统，往往需要极强的针对性、经验性，灵活性不高、不能充分利用工业生产中的海量数据。
目前的知识图谱技术在互联网场景中，特别是基于语义网的基础上，有大量且相对成熟的应用，而在工业大数据方面，特别是工业上强逻辑、强计算的数据基础上，知识图谱的应用还相对欠缺，未充分发挥知识图谱巨大的关系建模能力。
发明内容
针对现有技术的不足，本发明提供了一种基于知识图谱的金属焊接缺陷根因分析方法，克服了现有技术的不足，通过将知识图谱、基于金属焊接机理的专家经验、统计分析、神经网络相结合，多维度、多方式综合分析金属焊接质量缺陷产生的原因；从而最终改善生产质量、生产速度、减少生产过程中的耗损。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于知识图谱的金属焊接缺陷根因分析方法，包括以下步骤：
步骤S1：以金属焊接操作时序为特征构建金属焊接工艺知识图谱，并基于工艺知识图谱构建生产过程数据异常判断的神经网络模型；
步骤S2：根据焊接现场所涉及的对焊接质量有影响的设备，构建设备的统计图谱；
步骤S3：根据焊接过程中，影响焊核强度和大小的重要因素，构建基于机理的专家规则图谱；
步骤S4：根据各设备、工况异常报警及日志信息，构建金属焊接类型有关设备、工况的工艺画像、标明每个设备的核心要素，以及影响因素传递路径，以形成金属焊接质量画像知识图谱；
步骤S5：获取金属焊接过程的参数数据，并对焊接过程的参数数据进行预处理；
步骤S6：通过步骤S2的统计图谱，及步骤S5中的质量检测结果信息，获取某次焊接中，所涉及的焊接设备及工况得分，打分标准通过相关设备的出错率得出；
步骤S7：通过步骤S3的基于机理的专家规则图谱，及步骤S5中的质量检测结果信息，得到某个具体的缺陷信息的根因传导因素；
步骤S8：通过步骤S4中的图谱及步骤S5中的报警及日志信息，得到某次焊接过程中真实的报警及日志信息对应的影响因素传递路径；
步骤S9：通过步骤S1的神经网络模型及步骤S5中的生产过程数据参数，得到异常的生产过程数据参数项；
步骤S10：结合步骤S6、步骤S7、步骤S8、步骤S9的结果，综合计算某次焊接缺陷的根因路径，最终得到完整的该次焊接缺陷的根因链；
步骤S11：推送步骤S10所得到的某次缺陷的根因链到用户前端，并得到反馈；
步骤S12：通过步骤S11的反馈，优化步骤S1中的神经网络模型，更新步骤S2中的统计图谱，矫正步骤S3中的基于机理的专家规则图谱、S4中的金属焊接质量画像图谱的模型。
优选地，所述步骤S5具体包括以下步骤：
步骤S51：通过数采系统获取金属焊接的质量检测结果、获取金属焊接过程中的生产数据、相关设备的报警及日志信息；
步骤S52：对金属焊接过程中的生产数据和各设备报警及日志信息进行清洗。
优选地，所述步骤S52中，对金属焊接过程中生产数据的处理方法为：在某一条焊接过程中生产数据中，若某数据项缺失、乱码、则回溯到相应的设备中再次查找、若查找不到则把缺失的项默认为
‘None’值；
对各设备报警及日志信息的处理办法为：抽取实际焊接中，设备的真实报警信息及日志信息。
优选地，所述步骤S51中。金属焊接的质量检测结果包括的焊接缺陷有：烧穿、过烧、小焊核、脱焊、裂纹、歪打、虚焊。
优选地，所述步骤S9具体包括以下步骤：
步骤S91：特征编码，构建神经网络算法模型输入输出特征，根据S1中金属焊接工艺知识图谱中和焊接过程数据参数有关的节点内，构建的输入特征为各阶段的节点的设置值、实际值、设置值与实际值差，构建的输出特征为one-hot形式的结构，其中结构中，每位的值0/1代表该位正常/异常状态，其中每位分别代表焊接电流异常状态、焊接电阻异常状态、焊接电压异常状态、焊接功率异常状态、焊接能量异常状态、焊接压力异常状态、焊接位置异常状态、焊接角度异常状态、焊接时间异常状态；
步骤S92：构建并训练神经网络算法模型，考虑到某些焊接过程数据参数会影响到另外一些焊接过程数据参数，比如焊接压力的改变会影响焊接电阻的变化，即焊接电阻的变化既来源于本身的变化，又来源于焊接压力的异常变化而带来的变化，由此构建一种神经网络模型。
优选地，所述步骤S11具体包括以下步骤：
步骤S111：将步骤S10中所得到的结果通过网络通信，推送至用户端；
步骤S112：使用者根据推送的根因链对现场工况实际分析测试，若现场状况和分析一致，则说明分析无误，若分析不一致，则在解决实际问题后，则返回实际情况下的具体根因。
本发明提供了一种基于知识图谱的金属焊接缺陷根因分析方法。具备以下有益效果：通过统计图谱、基于机理的专家规则图谱、和基于模型的根因分析相结合，运用知识图谱清晰的图结构，在数采系统不能采集设备、工况具体状态的情况下，运用相结合的方式，通过机理、集合、模型相结合的思路，刻画一个完整的根因链，完善在数据维度不足，只能取得焊接参数、获取不到实际设备、工况的情况下，提出一种根因分析方法；从而在数采数据不充分的条件下、优先通过部分数据得到事后根因链、由现场验证强化根因链、沉淀案例、然后强化正推模型、达到正反推向结合、由反推过度到正推、最终取缔反推、由事后检测、转换为事前预警并给出事前根因传导链，最终改善生产质量、生产速度、减少生产过程中的耗损。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1本发明的步骤流程框图；
图2本发明步骤S2中例举的设备的统计图谱示意图；
图3本发明步骤S3中基于机理的专家规则图谱示意图；
图4本发明步骤S9中神经网络模型框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
以金属点焊焊接为实施例
如图1至图4所示，一种基于知识图谱的金属焊接缺陷根因分析方法，包括以下步骤：
步骤S1：以某个焊点某次焊接的操作时序为特征构建金属点焊焊接工艺知识图谱；其中涉及某车型、在哪个工段、该工段下哪个工位下、相关设备、参数(参考参数、设置参数、实际参数)、相关板材信息，进而刻画出一个完整的金属点焊焊点的生成过程，并基于工艺知识图谱构建生产过程数据异常判断的神经网络模型；
步骤S2：根据焊接现场所涉及的对焊接质量有影响的设备，构建设备的统计图谱；
举例说明：在本实施例中，假设焊接设备有焊枪A，焊枪B，焊枪C、焊接电极帽有电极帽a，电极帽b，电极帽c，其中，焊点1，焊点2，焊点3，焊点4，焊点5，焊点6；
其中，焊点1的有关设备有焊枪A和电极帽a，焊点2有关的设备有焊枪A和电极帽b，焊点3有关的设备有焊枪A和电极帽a，焊点4的设备有焊枪B和电极帽a，焊点5有关的设备有焊枪B和电极帽c，点6的设备有焊枪C和电极帽c，示例如图1所示。
步骤S3：根据焊接过程中，影响焊核强度和大小不足的重要因素，构建基于机理的专家规则图谱；
如图2所示，在点焊焊接过程中，焊点质量的重要因素是焊接强度、焊核大小，造成脱焊的机理主要是生成焊核所需的热量不足，造成焊核强度和大小不足，而焊核热量主要是焊核电阻、电流、时间相互作用生成，满足E＝IIRT，其中，能导致焊核热量不足的原因电流不足，时间不足，或电阻减小，或三者不同程度的相对变化造成总焊核热量不足，一般情况下，引起某项参数不足的原因，主要由设备，工况问题引起，比如焊接板材的平整度、光滑度、焊枪角度、电极帽形状等。
步骤S4：构建金属焊接类型有关设备、工况的工艺画像、标明每个设备的核心要素，以及影响因素传递路径，以形成金属焊接质量画像知识图谱；
其中设备有机器人、焊枪、电极杆、电极帽(杂质、修磨超限、打点超限、顶端过平、顶端过尖)、焊接控制器、修磨器、板材表面状态(褶皱、杂质)，示例如下：
板材表面褶皱→造成板件接触电阻变大→造成焊核电阻变大→造成焊核产热过大→造成过烧或烧穿；
修磨器卷刃→电极帽修模后顶端过平→造成电流密度偏小以及焊核电阻偏小→造成焊核电阻产热不足→造成脱焊或小焊核。
步骤S5：获取金属焊接过程的参数数据，并对焊接过程的参数数据进行预处理；
在本步骤中，首先通过数采系统获取金属焊接的质量检测结果、获取金属点焊焊接过程的生产数据、相关设备的报警及日志信息；其中，金属点焊焊接的质量检测结果包括的焊点缺陷有：烧穿、过烧、小焊核、脱焊、裂纹、歪打、虚焊。
金属点焊焊接的生产数据是每个具体的已完成的点焊过程中的有关指标的参考数据、设置数据、实际数据，包括的具体数据项为：
焊接压力参考值(kN)，焊接压力设置值(kN)，焊接压力实际值(kN)；
焊接压紧时间参考值(ms)，焊接压紧时间设置值(ms)，焊接压紧时间实际值(ms)；
焊枪位置参考值，焊枪位置设置值，焊枪位置实际值；
焊枪姿态参考值，焊枪姿态设置值，焊枪位置实际值；
修磨打点数参考值，修磨打点数实际值；修磨次数参考值，修磨次数实际值；板材材料参考值，板材材料实际值；板材厚度参考值(mm)，板材厚度实际值(mm)；
预焊阶段电流参考值(kA)，预焊阶段电流设置值(kA)，预焊阶段电流实际值(kA)；
预焊阶段时间参考值(ms)，预焊阶段时间设置值(ms)，预焊阶段时间实际值(ms)；
预焊阶段冷却时间参考值(ms)，预焊阶段冷却时间设置值(ms)，预焊阶段冷却时间实际值(ms)；
预焊阶段电流相位角参考值，预焊阶段电流相位角设置值，预焊阶段电流相位角实际值；
爬坡阶段电流参考值(kA)，爬坡阶段电流设置值(kA)，爬坡阶段电流实际值(kA)；
爬坡阶段时间参考值(ms)，爬坡阶段时间设置值(ms)，爬坡阶段时间实际值(ms)；
爬坡阶段电流相位角参考值，爬坡阶段电流相位角设置值，爬坡阶段电流相位角实际值；
主焊阶段电流参考值(kA)，主焊阶段电流设置值(kA)，主焊阶段电流实际值(kA)；
主焊阶段时间参考值(ms)，主焊阶段时间设置值(ms)，主焊阶段时间实际值(ms)；
主焊阶段保持时间参考值(ms)，主焊阶段保持时间设置值(ms)，主焊阶段保持时间实际值(ms)；
主焊阶段次数参考值，主焊阶段次数设置值，主焊阶段次数实际值；
主焊阶段冷却时间参考值(ms)，主焊阶段冷却时间设置值(ms)，主焊阶段冷却时间实际值(ms)；
主焊阶段电流相位角参考值，主焊阶段电流相位角设置值，主焊阶段电流相位角实际值；
回火阶段电流参考值(kA)，回火阶段电流设置值(kA)，回火阶段电流实际值(kA)；
回火阶段时间参考值(ms)，回火阶段时间设置值(ms)，回火阶段时间实际值(ms)；
回火阶段电流相位角参考值，回火阶段电流相位角设置值，回火阶段电流相位角实际值。
然后再对金属焊接过程数据和各设备报警及日志信息进行清洗；其中对金属焊接过程数据的处理办法是：在某一条焊接过程数据中，若某数据项缺失、乱码、则回溯到相应的设备中再次查找、若查找不到则把缺失的项默认为‘None’值；对各设备报警及日志信息的处理办法是：抽取实际焊接中，设备的真实报警信息。
步骤S6：通过统计图谱，获取某次焊接中，对所涉及的焊接设备及工况进行打分，打分标准通过相关设备的出错率得出；
举例说明：在步骤S2下，假设焊点1出现质量问题，则可能的影响因素有焊枪A和电极帽a，假如是焊枪A的因素造成焊点1出现质量问题，则在此情况下，焊点2和焊点3也随着焊枪A而出现质量问题，而焊点4则不应出质量问题，则此时，焊枪A的得分为3/6＝0.5，电极帽a的得分为2/6＝0.33，假设与结论相同，假设成立，若假设不成立，则反证，焊枪A不是造成焊点1质量问题的原因，而应是电极帽a，进而得到某个具体的设备或工况异常。
步骤S7：通过步骤S3的基于机理的专家规则图谱，及步骤S5中的质量检测结果信息，得到某个具体的缺陷信息的根因传导因素；
在脱焊的案例中，根据具体的规则，以及部分异常参数数据，比如焊钳压力异常，则定位到焊接控制器大概率出问题。
步骤S8：通过步骤S4中的图谱及步骤S5中的报警及日志信息，得到某次焊接过程中真实的报警及日志信息对应的影响因素传递路径；
步骤S9：通过步骤S1的神经网络模型及步骤S5中的生产过程数据参数，得到异常的生产过程数据参数项；
在本步骤中，首先特征编码，构建神经网络算法模型输入输出特征，根据S1中金属焊接工艺知识图谱中和焊接过程数据参数有关的节点内，构建的输入特征为各阶段的节点的参考值、设置值、实际值构建的输出特征为one-hot形式的结构，其中结构中，每位的值0/1代表该位正常/异常状态，其中每位分别代表焊接电流异常状态、焊接电阻异常状态、焊接电压异常状态、焊接功率异常状态、焊接能量异常状态、焊接压力异常状态、焊接位置异常状态、焊接角度异常状态、焊接时间异常状态；
再构建并训练神经网络算法模型，考虑到某些焊接过程数据参数会影响到另外一些焊接过程数据参数，比如焊接压力的改变会影响焊接电阻的变化，即焊接电阻的变化既来源于本身的变化，又来源于焊接压力的异常变化而带来的变化，由此构建一种神经网络模型，结构如图4所示。
步骤S10：结合步骤S6、步骤S7、步骤S8、步骤S9的结果，综合计算某次焊接缺陷的根因路径，最终得到完整的该次焊接缺陷的根因链；
步骤S11：推送步骤S10所得到的缺陷根因到用户前端，并得到反馈；
在本步骤中，先将步骤S10中所得到的结果通过网络通信，推送至用户端；然后使用者根据推送的根因链对现场工况实际分析测试，若现场状况和分析一致，则说明分析无误，若分析不一致，则在解决实际问题后，则返回实际情况下的具体根因。
步骤S12：通过步骤S11的反馈，优化步骤S1中的神经网络模型，更新步骤S2中的统计图谱，矫正步骤S3中的基于机理的专家规则图谱、S4中的金属焊接质量画像图谱的模型。
从而解决了在数采数据不充分的条件下、优先通过部分数据得到事后根因链、由现场验证强化根因链、沉淀案例、然后强化正推模型、达到正反推向结合、由反推过度到正推、最终取缔反推、由事后检测、转换为事前预警并给出事前根因传导链，最终改善生产质量、生产速度、减少生产过程中的耗损。
在本申请中，通过统计图谱、基于机理的专家经验、和基于模型的根因分析相结合，运用知识图谱清晰的图结构，在数采不能采集设备、工况具体状态的情况下，运用相结合的方式，通过机理、集合、模型相结合的思路，刻画一个完整的根因链，完善在数据维度不足，只能取得焊接参数、获取不到实际设备、工况的情况下，提出一种根因分析方法；
再通过知识图谱的方式，把焊接工艺，焊接过程，通过时序性、空间性整体地勾画出来、并在知识图谱中、动态地给出某个节点、某个位置、发生了什么事、出现了什么问题、关联什么设备、其间的影响因素深刻的刻画出来；从而解决工业中大数据应用不充分、根因定位不清晰、难解释、知识沉淀不下来的问题。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：包括以下步骤：
步骤S1：以金属焊接操作时序为特征构建金属焊接工艺知识图谱，并基于工艺知识图谱构建生产过程数据异常判断的神经网络模型；
步骤S2：根据焊接现场所涉及的对焊接质量有影响的设备，构建设备的统计图谱；
步骤S3：根据焊接过程中，影响焊核强度和大小的重要因素，构建基于机理的专家规则图谱；
步骤S4：根据各设备、工况异常报警及日志信息，构建金属焊接类型有关设备、工况的工艺画像、标明每个设备的核心要素，以及影响因素传递路径，以形成金属焊接质量画像知识图谱；
步骤S5：获取金属焊接过程的参数数据，并对焊接过程的参数数据进行预处理；
步骤S6：通过步骤S2的统计图谱，及步骤S5中的质量检测结果信息，获取某次焊接中，所涉及的焊接设备及工况得分，打分标准通过相关设备的出错率得出；
步骤S7：通过步骤S3的基于机理的专家规则图谱，及步骤S5中的质量检测结果信息，得到某个具体的缺陷信息的根因传导因素；
步骤S8：通过步骤S4中的图谱及步骤S5中的报警及日志信息，得到某次焊接过程中真实的报警及日志信息对应的影响因素传递路径；
步骤S9：通过步骤S1的神经网络模型及步骤S5中的生产过程数据参数，得到异常的生产过程数据参数项；
步骤S10：结合步骤S6、步骤S7、步骤S8、步骤S9的结果，综合计算某次焊接缺陷的根因路径，最终得到完整的该次焊接缺陷的根因链；
步骤S11：推送步骤S10所得到的某次缺陷的根因链到用户前端，并得到反馈；
步骤S12：通过步骤S11的反馈，优化步骤S1中的神经网络模型，更新步骤S2中的统计图谱，矫正步骤S3中的基于机理的专家规则图谱、步骤S4中的金属焊接质量画像图谱的模型。
2.根据权利要求1所述的一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：所述步骤S5具体包括以下步骤：
步骤S51：通过数采系统获取金属焊接的质量检测结果、获取金属焊接过程中的生产数据、相关设备的报警及日志信息；
步骤S52：对金属焊接过程中的生产数据和各设备报警及日志信息进行清洗。
3.根据权利要求2所述的一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：所述步骤S52中，对金属焊接过程中生产数据的处理方法为：在某一条焊接过程中生产数据中，若某数据项缺失、乱码、则回溯到相应的设备中再次查找、若查找不到则把缺失的项默认为‘None’值；
对各设备报警及日志信息的处理办法为：抽取实际焊接中，设备的真实报警信息及日志信息。
4.根据权利要求2所述的一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：所述步骤S51中，金属焊接的质量检测结果包括的焊接缺陷有：烧穿、过烧、小焊核、脱焊、裂纹、歪打、虚焊。
5.根据权利要求1所述的一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：所述步骤S9具体包括以下步骤：
步骤S91：特征编码，构建神经网络算法模型输入输出特征，根据S1中金属焊接工艺知识图谱中和焊接过程数据参数有关的节点内，构建的输入特征为各阶段的节点的参考值、设置值、实际值构建的输出特征为one-hot形式的结构，其中结构中，每位的值0/1代表该位正常/异常状态，其中每位分别代表焊接电流异常状态、焊接电阻异常状态、焊接电压异常状态、焊接功率异常状态、焊接能量异常状态、焊接压力异常状态、焊接位置异常状态、焊接角度异常状态、焊接时间异常状态；
步骤S92：构建并训练神经网络算法模型。
6.根据权利要求1所述的一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：所述步骤S11具体包括以下步骤：
步骤S111：将步骤S10中所得到的结果通过网络通信，推送至用户端；
步骤S112：使用者根据推送的根因链对现场工况实际分析测试，若现场状况和分析一致，则说明分析无误，若分析不一致，则在解决实际问题后，则返回实际情况下的具体根因。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210395199.7A CN114943415A (zh) | 2022-04-15 | 2022-04-15 | 一种基于知识图谱的金属焊接缺陷根因分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210395199.7A CN114943415A (zh) | 2022-04-15 | 2022-04-15 | 一种基于知识图谱的金属焊接缺陷根因分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114943415A true CN114943415A (zh) | 2022-08-26 |
Family
ID=82908085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210395199.7A Pending CN114943415A (zh) | 2022-04-15 | 2022-04-15 | 一种基于知识图谱的金属焊接缺陷根因分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114943415A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876359A (zh) * | 2024-03-04 | 2024-04-12 | 金品计算机科技(天津)有限公司 | 一种橡胶制品缺陷检测方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177416A (zh) * | 2020-04-13 | 2020-05-19 | 傲林科技有限公司 | 事件根因分析模型构建方法、事件根因分析方法及装置 |
| CN113033974A (zh) * | 2021-03-08 | 2021-06-25 | 华院计算技术(上海)股份有限公司 | 基于改进lstm网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统 |
| CN113420157A (zh) * | 2021-05-27 | 2021-09-21 | 冶金自动化研究设计院 | 基于知识图谱的钢铁产品表面纵裂纹缺陷溯源分析方法 |
| CN114169248A (zh) * | 2021-12-14 | 2022-03-11 | 广域铭岛数字科技有限公司 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
| CN114240891A (zh) * | 2021-12-17 | 2022-03-25 | 重庆大学 | 融合知识图谱和图卷积神经网络的焊点质量识别方法 |
| WO2022075897A1 (en) * | 2020-10-08 | 2022-04-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Root cause analysis |
-
2022
- 2022-04-15 CN CN202210395199.7A patent/CN114943415A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177416A (zh) * | 2020-04-13 | 2020-05-19 | 傲林科技有限公司 | 事件根因分析模型构建方法、事件根因分析方法及装置 |
| WO2022075897A1 (en) * | 2020-10-08 | 2022-04-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Root cause analysis |
| CN113033974A (zh) * | 2021-03-08 | 2021-06-25 | 华院计算技术(上海)股份有限公司 | 基于改进lstm网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统 |
| CN113420157A (zh) * | 2021-05-27 | 2021-09-21 | 冶金自动化研究设计院 | 基于知识图谱的钢铁产品表面纵裂纹缺陷溯源分析方法 |
| CN114169248A (zh) * | 2021-12-14 | 2022-03-11 | 广域铭岛数字科技有限公司 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
| CN114240891A (zh) * | 2021-12-17 | 2022-03-25 | 重庆大学 | 融合知识图谱和图卷积神经网络的焊点质量识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曹朝霞 等: "《职业教育焊接技术与自动化专业教学资源库建设项目规划教材 特种焊接技术》", 30 June 2018, 机械工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876359A (zh) * | 2024-03-04 | 2024-04-12 | 金品计算机科技(天津)有限公司 | 一种橡胶制品缺陷检测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Prediction and optimization of weld bead geometry in oscillating arc narrow gap all-position GMA welding | |
| CN109865916A (zh) | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 | |
| Chang et al. | Penetration quality prediction of asymmetrical fillet root welding based on optimized BP neural network | |
| CN114943415A (zh) | 一种基于知识图谱的金属焊接缺陷根因分析方法 | |
| CN108624880A (zh) | 一种激光熔覆质量智能控制系统及其智能控制方法 | |
| CN105279291A (zh) | 一种面向批量加工的堆焊工艺参数优化方法 | |
| CN113084388B (zh) | 焊接质量的检测方法、系统、装置及存储介质 | |
| CN113536921A (zh) | 一种电弧焊接质量评估方法、装置及存储介质 | |
| CN110458828A (zh) | 一种基于多模态融合网络的激光焊接缺陷识别方法及装置 | |
| CN113516285A (zh) | 自动化装配检测生产线在生产中产品质量分析预测方法 | |
| CN112651080A (zh) | 基于工业ai技术的焊接结构件工艺优化方法及系统 | |
| CN111390367A (zh) | 一种电阻点焊中焊点飞溅的识别方法 | |
| Liu et al. | An explainable laser welding defect recognition method based on multi-scale class activation mapping | |
| CN107748901A (zh) | 基于相似性局部样条回归的工业过程故障诊断方法 | |
| Naz et al. | 2-tuple linguistic q-rung orthopair fuzzy CODAS approach and its application in arc welding robot selection | |
| Zhang et al. | Intelligent control of pulsed GTAW with filler metal | |
| CN112365466A (zh) | 一种基于ai的焊点外观检测方法 | |
| CN111992869B (zh) | 一种基于边缘计算的电子束焊接设备预测性维护方法 | |
| CN114119504A (zh) | 一种基于级联卷积神经网络的钢件焊缝自动检测方法 | |
| CN113034494A (zh) | 一种基于深度学习的橡胶密封圈缺陷检测方法 | |
| Guo et al. | Construction of welding quality intelligent judgment system | |
| CN116050249A (zh) | 一种回流焊焊点形貌预测方法 | |
| CN114862172A (zh) | 一种焊接质量影响因素评估方法 | |
| CN209681419U (zh) | 一种用于电池激光焊接的在线监控装置 | |
| CN113798673A (zh) | 一种激光填丝焊质量追溯装置、方法、工作站和生产线 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220826 |
|
| RJ01 | Rejection of invention patent application after publication |