CN115106615A - 一种基于工况智能识别的焊偏实时检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于工况智能识别的焊偏实时检测方法及系统，所述检测方法首先采集高频时序数据和低频焊接工况数据，搭建焊接工况识别模型；基于焊接工况识别模型，识别同一时间戳下样本特征对应的工况标签，以此构建焊偏识别模型；本发明以召回率为评价标准，迭代焊偏识别模型分类阈值，找出召回率首先达到最高时对应的分类阈值，作为判断焊偏异常的依据；本发明提供的焊偏实时检测方法在部署模型后无需采集焊接工况即可准确识别工况，解决了焊接工况复杂、数据难以解耦的问题；建立的焊接工况识别模型和焊偏识别模型工况识别快速、响应时间短，满足高精度焊接场景下的实时检测要求，并且具备较高的模型预测精度。

Description

一种基于工况智能识别的焊偏实时检测方法及系统

技术领域

本发明属于自动化焊接技术领域，特别涉及一种基于工况智能识别的焊偏实时检测方法及系统。

背景技术

近年来随着汽车、航空航天、建筑以及运输等工业的飞速发展，对工业设备的工艺及质量要求越来越高，焊接质量检测技术近年来被广泛应用等多个领域。

焊接质量可分为直接焊接质量和间接焊接质量，一般焊接产品的直接焊接质量包括力学性能、内外部缺陷、焊后产品几何尺寸等。间接焊接质量则是在焊接过程中能够被焊工的感官或者传感器检测到的、间接决定直接焊接质量的有关因素。这种间接焊接质量虽然不能直接说明焊接接头的使用性能，但是它们却在很大程度上可以反映焊接过程中是否出现焊接质量问题。

目前工厂车间的机器焊接经常在起弧或焊缝弯曲处出现焊偏问题，如果无法及时检测出并实时反馈，将造成焊缝质量存在无法逆转的缺陷。对于精密加工场合，焊缝质量要求很高，焊偏现象则会造成更大损失。传统做法中采用人工实时监督，耗费大量人力物力。对焊接质量在线监测的研究成果一直在发展，目前有人基于同轴图像传感技术，针对焊接过程中的熔池图像进行采集分析，并建立了激光焊接质量在线监测系统。这种方法仅局限于激光焊接，无法适用于其他焊接场景，且容易受外界环境影响，导致监测效果下降。

中国专利CN111590244B（公开日20200828）公开了一种基于云端管控的车间机器焊缝焊偏实时检测方法与装置通过不断向云端管理模块上传标准焊缝建模，焊偏检测模块采集实际焊缝，并与已有模型进行比较，确定是否焊偏。中国专利CN114140669A（公开日20220304）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，获取初始焊接样本图像，对图像样本特征数据进行模糊C均值聚类，获取特征聚集度；并基于特征聚集度和训练集构建支持向量机分类模型，通过样本集进行验证，得到训练好的焊接缺陷识别模型。

上述焊缝质量检测技术中，主要利用深度学习结合视觉图像、电弧光谱、电弧声音等数据进行焊接质量诊断。但在实际的使用场景中，焊接图像、光谱、声音等数据难以采集，受环境影响较大，落地较难。相比来说，采集电流、电压数据则相对简单，落地价值较高，但仍然存在以下问题：

（1）虽然电压、电流数据采集相对简单、落地价值高，但发生焊偏异常时，针对不同工况，电流电压会呈现不同表现；

（2）现有焊偏检测方法依赖实际工况数据，但焊接工况复杂，数据难以解耦；

（3）现有焊偏检测方法一般基于视觉图像分析，响应滞后严重，无法满足高精度焊接工况下对焊接质量的严格要求，无法做到实时检测、快速识别、迅速报警；更重要的是，此类存在显著检测“延迟”的方法，会因为无法及时反馈控制焊接动作（例如焊接停机、跳跃）而造成事实上的焊接材料和返工成本浪费，在焊接成本控制上存在天然的缺陷。

发明内容

发明目的：针对上述背景技术中的主要研究方向和存在的问题，本发明提供了一种基于工况智能识别的焊偏实时检测方法及系统，通过采集高频时序数据和低频焊机工况数据，构建焊接工况识别模型，实时识别焊接工况；进而搭建焊偏识别模型，用于实时焊偏检测，实现工况解耦，智能识别焊偏。

技术方案：本发明提供的一种基于工况智能识别的焊偏实时检测方法，包括以下步骤：

步骤S1、采集高频时序数据和低频焊机工况数据，搭建焊接工况识别模型；

步骤S2、基于步骤S1搭建的焊接工况识别模型，识别同一时间戳下样本对应的工况标签，基于添加工况标签的样本特征数据，进一步建立焊偏识别模型；

步骤S3、以召回率为评价基准，迭代焊偏识别模型分类阈值，找出召回率首先达到最高时对应的分类阈值，即为最佳分类阈值；

步骤S4、部署模型、进行焊偏异常识别。

进一步地，所述步骤S1中建立焊接工况识别模型具体步骤如下：

步骤S1.1、采集高频时序数据和低频焊接工况数据；所述高频时序数据包括焊接电流、电压数据；

步骤S1.2、将采集到的焊接高频时序数据基于预设窗长Window_Size划分为若干样本；根据焊接过程中出现的焊偏缺陷对各样本进行标注，标注包括正常和焊偏两种形式；

步骤S1.3、提取每个样本的时域特征；

步骤S1.4、对每个样本进行傅里叶变换，提取变换后的频谱特征作为样本的频域特征；

步骤S1.5、对每个样本进行VMD变换，提取变换后的时频谱特征，构建样本的时频域特征；

步骤S1.6、对低频焊机工况数据进行插值采样处理，将焊机工况数据放大至与样本时域、频域、时频域特征相同长度；

步骤S1.7、对插值采样后的焊机工况数据进行层次聚类，迭代聚类个数，选取轮廓系数最大的迭代聚类个数作为最终工况个数；

步骤S1.8、将焊接工况和每个时间戳下的样本特征对应，得到不同样本特征对应的工况标签；

步骤S1.9、以工况标签为分类目标，以样本的时域、频域、时频域特征作为输入特征，构建焊接工况识别模型。

进一步地，所述步骤S1.3中时域特征包括均值、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。

进一步地，所述步骤S1.4中频域特征包括均值、中位数、最大值、最小值、方差、标准差、分位数。

进一步地，所述步骤S2中建立焊偏识别模型具体步骤包括：

步骤S2.1、识别不同时间戳下的工况标签，将带有工况标签的特征数据集作为入模数据集，分别构建差异化模型；

步骤S2.2、基于网格搜索方法对差异化模型调参、确定模型参数；

步骤S2.3、以逻辑回归模型作为基模型，通过stack模式对所述差异化模型进行融合，得到焊偏识别模型。

进一步地，所述步骤S2.1中构建差异化模型具体方法如下：

步骤S2.1.1、将所述入模数据集按7:3比例划分为训练集和测试集；

步骤S2.1.2、构建4个差异化模型，具体如下：

（1）选取各样本数据的工况标签、时域特征和频域特征，训练XGBoost模型；

（2）选取各样本数据的工况标签、时域特征和时频域特征，训练CatBoost模型；

（3）选取各样本数据的工况标签、频域特征和时频域特征，训练Adaboost模型；

（4）选取各样本数据的时域特征、频域特征和时频域特征，训练LightGBM模型。

进一步地，寻找步骤S3中最佳分类阈值具体方法如下：

步骤S3.1、将带有工况标签的样本特征数据集输入值焊偏识别模型，计算异常预测概率；

步骤S3.2、从0开始迭代分类阈值，针对不同分类阈值计算召回率，找到召回率首次达到最高时对应的分类阈值，即为最佳分类阈值；

步骤S3.3、基于最佳分类阈值判断是否发生焊偏；当异常预测概率大于最佳分类阈值时即判断发生焊偏，否则代表未发生焊偏。

一种基于工况智能识别的焊偏实时检测系统，包括数据采集模块和数据处理模块；所述数据采集模块用于采集高频时序数据和低频焊接工况数据；所述数据处理模块根据上述基于焊接工况智能识别的焊偏实时检测方法，对数据采集模块输出数据进行处理，实现焊偏实时检测。

本发明采用的技术方案与现有技术方案相比，具有以下有益效果：

（1）实际焊接过程中，电压、电流等焊接数据相对标准化，不易受到环境因素影响，采集电流、电压作为高频时序数据构建模型可以有效提升模型鲁棒性，使模型更加强壮；

（2）本发明提供的焊偏实时检测方法，利用焊接工况数据构建焊接工况识别模型，并在此基础上构建基于工况标签的焊偏识别模型，在部署模型后可以做到无需采集焊接工况即可准确识别工况，解决了现有焊偏识别技术中焊接工况复杂，数据难以解耦的问题，节省了数据采集、存储的成本，提高了模型落地价值；

（3）本发明建立的焊接工况识别模型和焊偏识别模型运算速度快、响应时间短，可以满足高精度焊接场景下的实时性要求；

（4）本发明基于带有工况标签的样本特征数据建立了不同的差异化模型，并通过stack模式进行集成，并通过召回率不断调整分类阈值，得到焊偏异常识别准确率高的集成模型，最终焊偏识别模型对焊偏异常的描述能力较强，准确率高；

（5）本发明通过对焊机工况数据进行层次聚类，以轮廓系数为标准选取工况个数，可以保证各工况间的区别更加明显，工况设置更有实际意义。

附图说明

图1为本发明提供的基于工况智能识别的焊偏实时检测方法原理框图；

图2为本发明搭建焊接工况识别模型中的层次聚类树状图；

图3为本发明提供的焊偏识别模型结构图；

图4为本发明提供的焊偏识别模型实时检测结果图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

本发明公开了一种基于工况智能识别的焊偏实时检测方法及系统，如图1所示。下面提供一份具体实施例：

步骤S1、采集高频时序数据和低频焊机工况数据，搭建焊接工况识别模型。具体地，

步骤S1.1、选取时序数据类型并基于一定采样频率进行采集。基于实际焊接工况，一般获取焊接电流、电压、保护气体流速和焊丝送丝速度等作为时序数据来源。本发明中选取焊接电流、电压作为高频时序数据来源，首先保证了焊接数据的相对标准，可以使模型更加健壮，提升鲁棒性，此外焊接电流、电压数据易于高频采集，方便后续特征处理。

焊接工况数据主要包括焊机焊接过程中的程序数据，由于焊机焊接程序设计复杂，焊接工况数据基于硬件原因很难实现高频采集，因此本实施例采集低频焊接工况数据，用于建立焊接工况识别模型。

步骤S1.2、将采集到的焊接高频时序数据基于预设窗长Window_Size划分为若干样本。根据焊接过程中出现的焊偏缺陷对各样本进行标注。正常情况标注为0，焊偏情况则标注为1。

步骤S1.3、提取每个样本的时域特征。本实施例在传统时域特征，如均值、中位数、最大值、最小值、方差、标准差、分位数的基础上，提取了方根幅值、均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲指数等构成样本的时域特征。

步骤S1.4、对每个样本进行傅里叶变换，提取变换后的频谱相关统计特征，如均值、中位数、最大值、最小值、方差、标准差、分位数作为样本的频域特征。

步骤S1.5、对每个样本进行变分模态分解（VMD），提取进过VMD变换后的时频谱相关特征，作为样本的时频域特征。本实施例采用的VMD变换相比于传统EMD变换，可以指定拆分模态分量的个数，可以大幅度提升计算速度。

步骤S1.6、对低频焊机工况数据进行插值采样处理，同一采样周期内将后续样本特征对应的工况标签与第一条样本特征相同，将焊机工况数据放大至与样本时域、频域、时频域特征相同长度。

步骤S1.7、对插值采样后的焊机工况数据进行层次聚类，迭代聚类个数，如图2所示。选取轮廓系数最大的迭代聚类个数作为最终工况个数。由于焊接工况数据中，焊接程序的设定存在严格的层级顺序，例如在主程序下设定各程序行号。因此本实施例选取层次聚类方法迭代聚类个数。以轮廓系数作为评价聚类个数的指标则可以保证各工况间的区别更加明显，工况设置更有实际意义。

步骤S1.8、将焊接工况和每个时间戳下的样本特征对应，得到不同样本特征对应的工况标签。

步骤S1.9、以工况标签为分类目标，以样本的时域、频域、时频域特征作为输入特征，构建焊接工况识别模型。

至此则完成了焊接工况识别模型的搭建，上述模型的搭建目的在于，将识别后的工况标签与每个时间戳下的样本特征一一对应，在原有样本特征数据集的基础上进一步扩展，作为焊偏识别模型的入模数据集。

步骤S2、建立焊偏识别模型。

步骤S2.1、识别不同时间戳下的工况标签，将带有工况标签的特征数据集作为入模数据集，分别构建差异化模型。具体地，

步骤S2.1.1、将入模数据集按7:3比例划分为训练集和测试集。

步骤S2.1.2、构建4个差异化模型，具体如下：

（1）选取各样本数据的工况标签、时域特征和频域特征，训练XGBoost模型。

（2）选取各样本数据的工况标签、时域特征和时频域特征，训练CatBoost模型。

（3）选取各样本数据的工况标签、频域特征和时频域特征，训练Adaboost模型。

（4）选取各样本数据的时域特征、频域特征和时频域特征，训练LightGBM模型。

步骤S2.2、基于网格搜索方法对差异化模型调参、确定模型参数。

步骤S2.3、以逻辑回归模型作为基模型，通过stack模式对差异化模型进行融合，得到焊偏识别模型，如图3所示。

步骤S3、以召回率为评价基准，迭代焊偏识别模型分类阈值，找出召回率首先达到最高时对应的分类阈值，即为最佳分类阈值。寻找最佳分类阈值的具体方法如下：

步骤S3.1、将带有工况标签的样本特征数据集输入值焊偏识别模型，计算异常预测概率，即标记为焊偏状态1的预测概率。

步骤S3.2、从0开始迭代分类阈值，针对不同分类阈值计算召回率，找到召回率首次达到最高时对应的分类阈值，即为最佳分类阈值。

步骤S3.3、以最佳分类阈值判断是否发生焊偏。当异常预测概率大于最佳分类阈值时即判断发生焊偏，否则代表未发生焊偏。

本发明还提供了一种基于工况智能识别的焊偏实时检测系统，由数据采集模块和数据处理模块组成。数据采集模块用于采集高频时序数据和低频焊接工况数据，数据处理模块根据实施例基于焊接工况智能识别的焊偏实时检测方法，对数据采集模块输出数据进行处理，实现焊偏实时检测。

本发明提供的检测系统基于低成本、高普适的时序传感器进行数据采集，经过真实工业数据验证可以成功运行在主频1GHz、内存256MB的嵌入式处理器上，避免了远距离传输和云端处理；训练部署后的算法模型平均内存消耗控制在了200KB以内，模型运行时间在20ms以内，实现了焊接工况智能识别和焊偏异常的实时检测，在保证快速响应的同时，进一步提升了模型识别准确率。如图4所示，采用本发明提供的焊偏识别模型进行焊偏识别实验，召回率指标可达96%。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于工况智能识别的焊偏实时检测方法，其特征在于，包括以下步骤：

步骤S1、采集高频时序数据和低频焊机工况数据，搭建焊接工况识别模型；

步骤S2、基于步骤S1搭建的焊接工况识别模型，识别同一时间戳下样本对应的工况标签，基于添加工况标签的样本特征数据，进一步建立焊偏识别模型；

步骤S3、以召回率为评价基准，迭代焊偏识别模型分类阈值，找出召回率首先达到最高时对应的分类阈值，即为最佳分类阈值；

步骤S4、部署模型、进行焊偏异常识别。

2.根据权利要求1所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S1中建立焊接工况识别模型具体步骤如下：

步骤S1.1、采集高频时序数据和低频焊接工况数据；所述高频时序数据包括焊接电流、电压数据；

步骤S1.2、将采集到的焊接高频时序数据基于预设窗长Window_Size划分为若干样本；根据焊接过程中出现的焊偏缺陷对各样本进行标注，标注包括正常和焊偏两种形式；

步骤S1.3、提取每个样本的时域特征；

步骤S1.4、对每个样本进行傅里叶变换，提取变换后的频谱特征作为样本的频域特征；

步骤S1.5、对每个样本进行VMD变换，提取变换后的时频谱特征，构建样本的时频域特征；

步骤S1.6、对低频焊机工况数据进行插值采样处理，将焊机工况数据放大至与样本时域、频域、时频域特征相同长度；

步骤S1.7、对插值采样后的焊机工况数据进行层次聚类，迭代聚类个数，选取轮廓系数最大的迭代聚类个数作为最终工况个数；

步骤S1.8、将焊接工况和每个时间戳下的样本特征对应，得到不同样本特征对应的工况标签；

步骤S1.9、以工况标签为分类目标，以样本的时域、频域、时频域特征作为输入特征，构建焊接工况识别模型。

3.根据权利要求2所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S1.3中时域特征包括均值、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。

4.根据权利要求2所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S1.4中频域特征包括均值、中位数、最大值、最小值、方差、标准差、分位数。

5.根据权利要求1所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S2中建立焊偏识别模型具体步骤包括：

步骤S2.1、识别不同时间戳下的工况标签，将带有工况标签的特征数据集作为入模数据集，分别构建差异化模型；

步骤S2.2、基于网格搜索方法对差异化模型调参、确定模型参数；

步骤S2.3、以逻辑回归模型作为基模型，通过stack模式对所述差异化模型进行融合，得到焊偏识别模型。

6.根据权利要求5所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S2.1中构建差异化模型具体方法如下：

步骤S2.1.1、将所述入模数据集按7:3比例划分为训练集和测试集；

步骤S2.1.2、构建4个差异化模型，具体如下：

（1）选取各样本数据的工况标签、时域特征和频域特征，训练XGBoost模型；

（2）选取各样本数据的工况标签、时域特征和时频域特征，训练CatBoost模型；

（3）选取各样本数据的工况标签、频域特征和时频域特征，训练Adaboost模型；

（4）选取各样本数据的时域特征、频域特征和时频域特征，训练LightGBM模型。

7.根据权利要求1所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，寻找步骤S3中最佳分类阈值具体方法如下：

步骤S3.1、将带有工况标签的样本特征数据集输入值焊偏识别模型，计算异常预测概率；

步骤S3.2、从0开始迭代分类阈值，针对不同分类阈值计算召回率，找到召回率首次达到最高时对应的分类阈值，即为最佳分类阈值；

步骤S3.3、基于最佳分类阈值判断是否发生焊偏；当异常预测概率大于最佳分类阈值时即判断发生焊偏，否则代表未发生焊偏。

8.一种基于工况智能识别的焊偏实时检测系统，其特征在于，包括数据采集模块和数据处理模块；所述数据采集模块用于采集高频时序数据和低频焊接工况数据；所述数据处理模块根据权利要求1-7中任一项所述基于焊接工况智能识别的焊偏实时检测方法，对数据采集模块输出数据进行处理，实现焊偏实时检测。

Images