CN115858940A - 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 - Google Patents
一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 Download PDFInfo
- Publication number
- CN115858940A CN115858940A CN202310109244.2A CN202310109244A CN115858940A CN 115858940 A CN115858940 A CN 115858940A CN 202310109244 A CN202310109244 A CN 202310109244A CN 115858940 A CN115858940 A CN 115858940A
- Authority
- CN
- China
- Prior art keywords
- value
- time curve
- feedback
- welding process
- curve graph
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000003466 welding Methods 0.000 title claims abstract description 96
- 230000008569 process Effects 0.000 title claims abstract description 89
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 54
- 239000010959 steel Substances 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims description 52
- 238000004088 simulation Methods 0.000 claims description 52
- 238000005452 bending Methods 0.000 claims description 41
- 230000003068 static effect Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000010354 integration Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002444 silanisation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- Butt Welding And Welding Of Specific Article (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，涉及钢结构焊接工艺质量管理推荐技术领域，本发明通过大数据的处理分析生成质量特征值，通过质量特征值的大小判断钢结构焊接处在极端环境下的稳定性情况，并通过单个质量特征值生成对应的评测质量文本，以提醒工作人员或研究人员对应焊接工艺标准技术的优劣，再对多个质量特征值进行处理筛选并结合评测质量文本生成最优焊接工艺推荐文本，以直观的方式实现对制定的多个焊接工艺标准技术进行大数据化的质量试验分析，以辅助工作人员或研究人员对焊接工艺标准技术进行高效管理和精准推荐，以帮助工作人员或研究人员制定符合标准化生产的统一规则。
Description
技术领域
本发明涉及钢结构焊接工艺质量管理推荐技术领域，尤其涉及一种基于大数据处理的钢结构焊接工艺质量管理推荐方法。
背景技术
钢结构是由钢制材料组成的结构，是主要的建筑结构类型之一，其中，钢结构主要由型钢和钢板等制成的钢梁、钢柱以及钢桁架等构件相互固定组成，并采用硅烷化、纯锰磷化、水洗烘干、镀锌等除锈防锈工艺对表面进行防护处理，钢结构具有重量轻以及施工简便的效果，广泛应用于电塔、信号塔等超高层领域；
无法通过采集大量的环境模拟参数和焊接质量评估参数以对制定的多个焊接工艺标准技术进行质量试验分析，导致辅助工作人员或研究人员对焊接工艺标准技术无法有效管理和推荐，导致现有的钢结构焊接工艺质量管理推荐方法效果较差的问题；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于：通过环境模拟参数和焊接质量评估参数，以对制定的多个焊接工艺标准技术进行质量试验分析，以辅助工作人员或研究人员对焊接工艺标准技术进行高效管理和精准推荐，以帮助工作人员或研究人员制定符合标准化生产的统一规则；
为了实现上述目的，本发明采用了如下技术方案：
一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，具体的工作过程如下：
步骤一，极端环境模拟及采集：将多个按焊接工艺标准下的钢结构进行多次极端环境模拟检测；再采集多个按焊接工艺标准下的环境模拟参数和对应的钢结构焊接处图像反馈参数并储存；
步骤二，参数信息处理：将钢结构焊接处的图像反馈参数进行转换处理生成反馈值－时间曲线图，再获取与之对应的环境模拟参数，再将上述多组参数进行模型化处理生成质量特征值，再将质量特征值与质量评测段进行匹配归属并生成对应的评测信号，且将评测信号和质量特征值结合编辑评测质量文本；
步骤三，推荐匹配优化：将不同焊接工艺标准下对应的质量特征值进行从小到大排序，再将上述信息和评测质量文本进行对应结合构建焊接工艺推荐集合，再通过评测信号的类型对焊接工艺推荐集合进行筛选剔除以编辑刷新焊接工艺推荐集合；
步骤四，评测结果输出：将刷新后的焊接工艺推荐集合内排序第一的质量特征值进行高亮显示，并提取对应的评测质量文本和焊接工艺参数进行对称展开显示以编辑最优焊接工艺推荐文本，且将最优焊接工艺推荐文本同步的发送到显示屏终端进行显示以实现，以实现焊接工艺参数的可视化管理推荐。
进一步的，环境模拟参数为模拟的温度、模拟的气压和模拟的折弯压力，图像反馈参数为钢结构焊接处的灰度图像。
进一步的，图像处理单元的转换处理过程步骤如下：
提取钢结构焊接处的灰度图像的时间轴并按时间刻度提取此时刻的静态灰度立体图，再将静态灰度立体图进行轮廓化后与预设灰度立体图进行重叠比较，再获取两者的体积差值；再将静态灰度立体图进行等距离等剖生成若干灰度剖面图，将灰度剖面图进行分析处理生成若干灰度基准值，再计算若干灰度基准值的平均值和标准差值，且将标准差值和平均值进行相除得到灰度分散比例，且将灰度分散比例与体积差值进行相乘得到反馈值，将若干反馈值与时间轴结合生成反馈值－时间曲线图。
进一步的，灰度基准值的生成过程如下：
将灰度剖面图的组成形状标记为（x，y），则
，其中i为取遍灰度剖面图内的任意像素，（xi，yi）则为静态灰度立体图置入到三维坐标内的任意像素点，ci为第i处的像素灰度值，计算出两个相邻像素之间的像素灰度差，且将像素灰度差处于预设区间内的两个相邻像素标记为第一界限像素，且将像素灰度差大于预设区间的最大值的两个相邻像素标记为第三界限像素，再将像素灰度差小于预设区间的最小值的两个相邻像素标记为第二界限像素，将全部第一界限像素相互连接得到第一灰度面积，将全部第二界限像素相互连接得到第二灰度面积，将全部第三界限像素相互连接得到第三灰度面积，且将第一灰度面积、第二灰度面积和第三灰度面积进行归一化公式处理得到灰度基准值。
进一步的，环境－时间曲线图具体为温度－时间曲线图、气压－时间曲线图和折弯压力－时间曲线。
进一步的，整合评测单元的具体工作过程如下：
接收第一组环境模拟参数和与之对应的反馈值－时间曲线图后生成基准反馈环境坐标，其中温度－时间曲线图中的温度为恒定温度值，气压－时间曲线图中的气压为恒定气压值，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第二组环境模拟参数和与之对应的反馈值－时间曲线图后生成第一反馈环境坐标，其中温度－时间曲线图中的温度为恒定温度值，气压－时间曲线图中的气压值为等量降低状态，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第三组环境模拟参数和与之对应的反馈值－时间曲线图后生成第二反馈环境坐标，其中温度－时间曲线图中的温度为等量降低状态，气压－时间曲线图中的气压值为等量降低状态，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第四组环境模拟参数和与之对应的反馈值－时间曲线图进行处理生成第三反馈环境坐标，其中温度－时间曲线图中的温度为等量增加状态，气压－时间曲线图中的气压值为等量增加状态，折弯压力－时间曲线中折弯压力为等量增加状态；
将基准反馈环境坐标分别与第一反馈环境坐标、第二反馈环境坐标和第三反馈环境坐标以其时间轴进行模型归一化计算得到质量特征值。
进一步的，反馈环境坐标的具体生成过程如下：
将温度－时间曲线图、气压－时间曲线图和折弯压力－时间曲线按时间轴分别将温度、气压和折弯压力标记为Wt、Qt和Yt，经公式
，处理得到环境特征影响值Bt，且将环境特征影响值与反馈值－时间曲线图结合生成基准反馈环境坐标；其中当温度为0或负数时，则将其绝对值与恒定温度值进行相加再代入公式计算，k1、k2、k3和k4均为权重修正系数。
进一步的，整合评测单元的模型归一化具体工作过程如下：
将基准反馈环境坐标与第一反馈环境坐标的对应数字进行相减，再将相减的值进行累积相加并平均，且将两个平均值进行相除，再将相除的结果与预设权重值进行相乘得到第一变化值，同理，经过上述过程计算得到第二变化值和第三变化值，再将第一变化值、第二变化值和第三变化值分别计算出其平均值和标准差值，再将标准差值与平均值进行相除得到质量特征值。
进一步的，评测信号包括第一评测信号、第二评测信号和第三评测信号，当生成第三评测信号时，自动剔除焊接工艺推荐集合内对应的质量特征值，以及质量特征值对应的评测质量文本和焊接工艺参数。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明通过大数据的储存分析处理生成质量特征值，通过质量特征值的大小判断钢结构焊接处在极端环境下的稳定性情况，并通过单个质量特征值生成对应的评测质量文本，以提醒工作人员或研究人员对应焊接工艺标准技术的优劣，再对多个质量特征值进行处理筛选并结合评测质量文本生成最优焊接工艺推荐文本，以直观的方式实现对制定的多个焊接工艺标准技术进行大数据化的质量试验分析，以辅助工作人员或研究人员对焊接工艺标准技术进行高效管理和精准推荐，以帮助工作人员或研究人员制定符合标准化生产的统一规则。
附图说明
图1示出了本发明的工艺流程图；
图2示出了本发明的流程结构框图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
如图1和图2所示，一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，包括环境模拟单元、信息采集单元、图像处理单元、整合评测单元、数据储存单元和文本编辑单元，其中环境模拟单元分别与信息采集单元、图像处理单元、整合评测单元和文本编辑单元信号连接；环境模拟单元包括密封箱、温度控制系统、气压控制系统和折弯结构构成，温度控制系统用于控制密封箱内的温度，气压控制系统用于控制密封箱内的气压，其中温度由温度传感器进行感应，气压由气压传感器进行感应，折弯结构以钢结构焊接后的钢结构焊接处为中点，以钢结构焊接处向外的预设距离为终点，以终点为折弯点，对其折弯点施加相等或相应的压力，并将此压力记录为折弯压力；且环境模拟单元设置多个，从而实现多组同步的对照实验；
具体工作步骤如下：
步骤一，极端环境模拟：将多个按焊接工艺标准的钢结构分别放置于环境模拟单元内，控制环境模拟单元进行多次极端环境模拟检测；其中环境模拟参数为模拟的温度、模拟的气压和模拟的折弯压力；通过温度、气压、折弯压力的控制变化，来模拟生成钢结构焊接处的图像反馈参数，通过钢结构焊接处的图像反馈参数反应模拟极端环境下钢结构焊接处的质量；
步骤二，信息采集发送：信息采集单元采集环境模拟单元运行过程中环境模拟参数和对应的钢结构焊接处的图像反馈参数；再将图像反馈参数发送给图像处理单元，还将环境模拟参数发送给整合评测单元；图像反馈参数为钢结构焊接处的灰度图像；通过灰度图像反馈整个反馈模拟过程中钢结构焊接处的变化情况；
步骤三，反馈值－时间曲线图生成：图像处理单元用于接收钢结构焊接处的图像反馈参数后，提取钢结构焊接处的灰度图像的时间轴并按时间刻度提取此时刻的静态灰度立体图，再将静态灰度立体图进行轮廓化后与预设灰度立体图进行重叠比较，再获取两者的体积差值；再将静态灰度立体图进行等距离等剖生成若干灰度剖面图，将灰度剖面图进行分析处理生成若干灰度基准值，再计算若干灰度基准值的平均值和标准差值，且将标准差值和平均值进行相除得到灰度分散比例，且将灰度分散比例与体积差值进行相乘得到反馈值，将若干反馈值与时间轴结合生成反馈值－时间曲线图；
其中灰度基准值的生成过程如下，将灰度剖面图的组成形状标记为（x，y），则
，其中i为取遍灰度剖面图内的任意像素，（xi，yi）则为静态灰度立体图置入到三维坐标内的任意像素点，ci为第i处的像素灰度值，计算出两个相邻像素之间的像素灰度差，且将像素灰度差处于预设区间内的两个相邻像素标记为第一界限像素，且将像素灰度差大于预设区间的最大值的两个相邻像素标记为第三界限像素，再将像素灰度差小于预设区间的最小值的两个相邻像素标记为第二界限像素，将全部第一界限像素相互连接得到第一灰度面积，将全部第二界限像素相互连接得到第二灰度面积，将全部第三界限像素相互连接得到第三灰度面积，且将第一灰度面积、第二灰度面积和第三灰度面积进行归一化公式处理得到灰度基准值；其中归一化公式为
，其中A为灰度基准值，M1为第一灰度面积、M2为第二灰度面积和M3为第三灰度面积，e1、e2、e3和e4为预设转换因子，且预设转换因子使模拟计算的结构更加的接近真实值，且e1+e2+e3+e4=13.5，e1＞e4＞e3＞e2；
还将生成的反馈值－时间曲线图发送给整合评测单元；
步骤四，质量特征值生成：整合评测单元用于接收多组环境模拟参数，且同时接收图像处理单元同步发送的反馈值－时间曲线图，再将上述多组参数进行模型化处理生成质量特征值；且将质量特征值与质量评测段进行匹配归属并生成对应的评测信号，且将评测信号和质量特征值发送给文本编辑单元；
其中质量特征值的具体生成过程如下：
接收第一组环境模拟参数和与之对应的反馈值－时间曲线图后生成基准反馈环境坐标，其中温度－时间曲线图中的温度为恒定温度值，气压－时间曲线图中的气压为恒定气压值，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第二组环境模拟参数和与之对应的反馈值－时间曲线图后生成第一反馈环境坐标，其中温度－时间曲线图中的温度为恒定温度值，气压－时间曲线图中的气压值为等量降低状态，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第三组环境模拟参数和与之对应的反馈值－时间曲线图后生成第二反馈环境坐标，其中温度－时间曲线图中的温度为等量降低状态，气压－时间曲线图中的气压值为等量降低状态，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第四组环境模拟参数和与之对应的反馈值－时间曲线图进行处理生成第三反馈环境坐标，其中温度－时间曲线图中的温度为等量增加状态，气压－时间曲线图中的气压值为等量增加状态，折弯压力－时间曲线中折弯压力为等量增加状态；
将基准反馈环境坐标分别与第一反馈环境坐标、第二反馈环境坐标和第三反馈环境坐标以其时间轴进行模型归一化计算得到质量特征值；
其中基准反馈环境坐标分别与第一反馈环境坐标、第二反馈环境坐标和第三反馈环境坐标生成的模型化过程为将温度－时间曲线图、气压－时间曲线图和折弯压力－时间曲线按时间轴分别将温度、气压和折弯压力标记为Wt、Qt和Yt，经公式
，处理得到环境特征影响值Bt，且将环境特征影响值与反馈值－时间曲线图结合生成基准反馈环境坐标；其中当温度为0或负数时，则将其绝对值与恒定温度值进行相加再代入公式计算，k1、k2、k3和k4均为权重修正系数，且权重修正系数为模拟值对应对钢结构影响量化值，且k1+k2=1，k3＞k4＞k1＞k2，k1+k2+k3+k4=3.57；通过上述模型实现多对照组的统一化，标准化；
其中模型归一化具体工作过程如下：
将基准反馈环境坐标与第一反馈环境坐标的对应数字进行相减，再将相减的值进行累积相加并平均，且将两个平均值进行相除，再将相除的结果与预设权重值进行相乘得到第一变化值，同理，经过上述过程计算得到第二变化值和第三变化值，再将第一变化值、第二变化值和第三变化值分别计算出其平均值和标准差值，再将标准差值与平均值进行相除得到质量特征值；
质量特征值与质量评测段进行匹配归属并生成对应的评测信号的过程日如下：
当质量特征值小于质量评测段的最小值时，生成第一评测信号，当质量特征值大于质量评测段的最大值时，生成第三评测信号；
当文本编辑单元接收到第一评测信号和质量特征值后，立即编辑质量极优文本；其中质量极优文本为本次焊接工艺标准设定的焊接质量极佳，其中质量特征值为x，本次设定的焊接工艺标准可进行使用；
当文本编辑单元接收到第二评测信号和质量特征值后，立即编辑质量合格文本；其中质量合格文本为本次焊接工艺标准设定的焊接质量合格，其中质量特征值为x，本次设定的焊接工艺标准可进行使用，且还有改进点；
当文本编辑单元接收到第三评测信号和质量特征值后，立即编辑质量较差文本；其中质量合格文本为本次焊接工艺标准设定的焊接质量较差，其中质量特征值为x，本次设定的焊接工艺标准需要改进；
整合评测单元再将不同焊接工艺标准下对应的质量特征值进行从小到大排序，且将上述信息和评测质量文本进行对应结合构建焊接工艺推荐集合，再通过评测信号的类型对焊接工艺推荐集合进行筛选剔除以编辑刷新的焊接工艺推荐集合；
步骤四，评测结果输出：再将刷新后的焊接工艺推荐集合内排序第一的质量特征值进行高亮显示，并提取对应的评测质量文本和焊接工艺参数进行对称展开显示以编辑最优焊接工艺推荐文本，且将最优焊接工艺推荐文本同步的发送到显示屏终端进行显示，以实现焊接工艺参数的可视化管理推荐；
还将步骤一到步骤四的数据发送到数据储存单元储存，以保证工作人员或研究人员后续的调取、查看数据；
综合上述技术方案，本发明通过极端环境模拟并通过控制对照组和控制实验组的方法采集并采集多组环境模拟参数和钢结构焊接处的图像反馈参数，通过环境模拟参数和钢结构焊接处的图像反馈参数进行环境整合处理和图像转换处理，再将环境整合处理和图像转换处理的结果进行再次的整合生成基准反馈环境坐标和多组反馈环境坐标，通过将基准反馈环境坐标分别与多组反馈环境坐标进行模型归一化处理后生成质量特征值，通过质量特征值的大小判断钢结构焊接处在极端环境下的稳定性情况，并通过单个质量特征值生成对应的评测质量文本，以提醒工作人员或研究人员对应焊接工艺标准技术的优劣，再对多个质量特征值进行处理筛选并结合评测质量文本生成最优焊接工艺推荐文本，以直观的方式实现对制定的多个焊接工艺标准技术进行大数据化的质量试验分析，以辅助工作人员或研究人员对焊接工艺标准技术进行高效管理和精准推荐，以帮助工作人员或研究人员制定符合标准化生产的统一规则。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置；
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现；这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件；专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围；
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现；例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行；另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其他的形式；
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中；
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中；基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM)、随机存取存储器（random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质；
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内；因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，具体的工作过程如下：
步骤一，极端环境模拟及采集：将多个按焊接工艺标准下的钢结构进行多次极端环境模拟检测；再采集多个按焊接工艺标准下的环境模拟参数和对应的钢结构焊接处图像反馈参数并储存；
步骤二，参数信息处理：将钢结构焊接处的图像反馈参数进行转换处理生成反馈值－时间曲线图，再获取与之对应的环境模拟参数，再将上述多组参数进行模型化处理生成质量特征值，再将质量特征值与质量评测段进行匹配归属并生成对应的评测信号，且将评测信号和质量特征值结合编辑评测质量文本；
步骤三，推荐匹配优化：将不同焊接工艺标准下对应的质量特征值进行从小到大排序，再将上述信息和评测质量文本进行对应结合构建焊接工艺推荐集合，再通过评测信号的类型对焊接工艺推荐集合进行筛选剔除以编辑刷新焊接工艺推荐集合；
步骤四，评测结果输出：将刷新后的焊接工艺推荐集合内排序第一的质量特征值进行高亮显示，并提取对应的评测质量文本和焊接工艺参数进行对称展开显示以编辑最优焊接工艺推荐文本，且将最优焊接工艺推荐文本同步的发送到显示屏终端进行显示，以实现焊接工艺参数的可视化管理推荐。
2.根据权利要求1所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，环境模拟参数为模拟的温度、模拟的气压和模拟的折弯压力，图像反馈参数为钢结构焊接处的灰度图像。
3.根据权利要求2所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，图像处理单元的转换处理过程步骤如下：
提取钢结构焊接处的灰度图像的时间轴并按时间刻度提取此时刻的静态灰度立体图，再将静态灰度立体图进行轮廓化后与预设灰度立体图进行重叠比较，再获取两者的体积差值；再将静态灰度立体图进行等距离等剖生成若干灰度剖面图，将灰度剖面图进行分析处理生成若干灰度基准值，再计算若干灰度基准值的平均值和标准差值，且将标准差值和平均值进行相除得到灰度分散比例，且将灰度分散比例与体积差值进行相乘得到反馈值，将若干反馈值与时间轴结合生成反馈值－时间曲线图。
4.根据权利要求3所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，灰度基准值的生成过程如下：
将灰度剖面图的组成形状标记为（x，y），则
，其中i为取遍灰度剖面图内的任意像素，（xi，yi）则为静态灰度立体图置入到三维坐标内的任意像素点，ci为第i处的像素灰度值，计算出两个相邻像素之间的像素灰度差，且将像素灰度差处于预设区间内的两个相邻像素标记为第一界限像素，且将像素灰度差大于预设区间的最大值的两个相邻像素标记为第三界限像素，再将像素灰度差小于预设区间的最小值的两个相邻像素标记为第二界限像素，将全部第一界限像素相互连接得到第一灰度面积，将全部第二界限像素相互连接得到第二灰度面积，将全部第三界限像素相互连接得到第三灰度面积，且将第一灰度面积、第二灰度面积和第三灰度面积进行归一化公式处理得到灰度基准值。
5.根据权利要求3所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，环境－时间曲线图具体为温度－时间曲线图、气压－时间曲线图和折弯压力－时间曲线。
6.根据权利要求5所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，整合评测单元的具体工作过程如下：
接收第一组环境模拟参数和与之对应的反馈值－时间曲线图后生成基准反馈环境坐标，其中温度－时间曲线图中的温度为恒定温度值，气压－时间曲线图中的气压为恒定气压值，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第二组环境模拟参数和与之对应的反馈值－时间曲线图后生成第一反馈环境坐标，其中温度－时间曲线图中的温度为恒定温度值，气压－时间曲线图中的气压值为等量降低状态，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第三组环境模拟参数和与之对应的反馈值－时间曲线图后生成第二反馈环境坐标，其中温度－时间曲线图中的温度为等量降低状态，气压－时间曲线图中的气压值为等量降低状态，折弯压力－时间曲线中折弯压力为等量增加状态；
接收第四组环境模拟参数和与之对应的反馈值－时间曲线图进行处理生成第三反馈环境坐标，其中温度－时间曲线图中的温度为等量增加状态，气压－时间曲线图中的气压值为等量增加状态，折弯压力－时间曲线中折弯压力为等量增加状态；
将基准反馈环境坐标分别与第一反馈环境坐标、第二反馈环境坐标和第三反馈环境坐标以其时间轴进行模型归一化计算得到质量特征值。
7.根据权利要求6所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，反馈环境坐标的具体生成过程如下：
将温度－时间曲线图、气压－时间曲线图和折弯压力－时间曲线按时间轴分别将温度、气压和折弯压力标记为Wt、Qt和Yt，经公式
，处理得到环境特征影响值Bt，且将环境特征影响值与反馈值－时间曲线图结合生成基准反馈环境坐标；其中当温度为0或负数时，则将其绝对值与恒定温度值进行相加再代入公式计算，k1、k2、k3和k4均为权重修正系数。
8.根据权利要求7所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，整合评测单元的模型归一化具体工作过程如下：
将基准反馈环境坐标与第一反馈环境坐标的对应数字进行相减，再将相减的值进行累积相加并平均，且将两个平均值进行相除，再将相除的结果与预设权重值进行相乘得到第一变化值，同理，经过上述过程计算得到第二变化值和第三变化值，再将第一变化值、第二变化值和第三变化值分别计算出其平均值和标准差值，再将标准差值与平均值进行相除得到质量特征值。
9.根据权利要求8所述的一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于，评测信号包括第一评测信号、第二评测信号和第三评测信号，当生成第三评测信号时，自动剔除焊接工艺推荐集合内对应的质量特征值，以及质量特征值对应的评测质量文本和焊接工艺参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310109244.2A CN115858940B (zh) | 2023-02-14 | 2023-02-14 | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310109244.2A CN115858940B (zh) | 2023-02-14 | 2023-02-14 | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115858940A true CN115858940A (zh) | 2023-03-28 |
| CN115858940B CN115858940B (zh) | 2023-05-16 |
Family
ID=85657974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310109244.2A Active CN115858940B (zh) | 2023-02-14 | 2023-02-14 | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115858940B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116107281A (zh) * | 2023-04-13 | 2023-05-12 | 山东美生热能科技有限公司 | 一种基于数据分析的隔热油套管性能测试管控系统 |
| CN117289667A (zh) * | 2023-11-24 | 2023-12-26 | 南通恒翔机电设备有限公司 | 一种零部件尺寸质量控制系统和方法 |
| CN118132849A (zh) * | 2024-03-22 | 2024-06-04 | 青岛铭品饰家装饰工程有限公司 | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000337832A (ja) * | 1999-06-01 | 2000-12-08 | Nissan Motor Co Ltd | 溶接品質判定方法及び装置 |
| JP2005014027A (ja) * | 2003-06-24 | 2005-01-20 | Enshu Ltd | 溶接部のイメージ処理方法、溶接管理システム、溶接機のためのフィードバックシステム、突合わせ線検出システム |
| DE102011018263A1 (de) * | 2011-04-14 | 2012-10-18 | INPRO Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH | Verfahren zur impulsthermografischen Qualitäts- und Fehlerklassifikation einer Fügeverbindung wie einer Strukturverklebung im Kfz-Karosseriebereich |
| EP3179434A1 (en) * | 2015-12-10 | 2017-06-14 | Deutsche Telekom AG | Designing context-aware recommendation systems, based on latent contexts |
| WO2020077694A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
| US20220226922A1 (en) * | 2021-01-15 | 2022-07-21 | Illinois Tool Works Inc. | Systems and methods to select weld parameters based on thermal, electrical, and/or chemical properties |
| CN114878695A (zh) * | 2022-05-09 | 2022-08-09 | 山东扬石工程检验检测有限公司 | 一种用于钢结构的超声波检测装置 |
| CN115115745A (zh) * | 2022-06-24 | 2022-09-27 | 北京华录新媒信息技术有限公司 | 自主创作型的数字艺术的生成方法、系统、存储介质及电子设备 |
-
2023
- 2023-02-14 CN CN202310109244.2A patent/CN115858940B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000337832A (ja) * | 1999-06-01 | 2000-12-08 | Nissan Motor Co Ltd | 溶接品質判定方法及び装置 |
| JP2005014027A (ja) * | 2003-06-24 | 2005-01-20 | Enshu Ltd | 溶接部のイメージ処理方法、溶接管理システム、溶接機のためのフィードバックシステム、突合わせ線検出システム |
| DE102011018263A1 (de) * | 2011-04-14 | 2012-10-18 | INPRO Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH | Verfahren zur impulsthermografischen Qualitäts- und Fehlerklassifikation einer Fügeverbindung wie einer Strukturverklebung im Kfz-Karosseriebereich |
| EP3179434A1 (en) * | 2015-12-10 | 2017-06-14 | Deutsche Telekom AG | Designing context-aware recommendation systems, based on latent contexts |
| WO2020077694A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
| US20220226922A1 (en) * | 2021-01-15 | 2022-07-21 | Illinois Tool Works Inc. | Systems and methods to select weld parameters based on thermal, electrical, and/or chemical properties |
| CN114878695A (zh) * | 2022-05-09 | 2022-08-09 | 山东扬石工程检验检测有限公司 | 一种用于钢结构的超声波检测装置 |
| CN115115745A (zh) * | 2022-06-24 | 2022-09-27 | 北京华录新媒信息技术有限公司 | 自主创作型的数字艺术的生成方法、系统、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 高向东;吕威兴;游德勇;KATAYAMA SEIJI;: "大功率盘形激光焊接过程等离子体图像特征分析", 焊接学报 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116107281A (zh) * | 2023-04-13 | 2023-05-12 | 山东美生热能科技有限公司 | 一种基于数据分析的隔热油套管性能测试管控系统 |
| CN117289667A (zh) * | 2023-11-24 | 2023-12-26 | 南通恒翔机电设备有限公司 | 一种零部件尺寸质量控制系统和方法 |
| CN117289667B (zh) * | 2023-11-24 | 2024-04-19 | 南通恒翔机电设备有限公司 | 一种零部件尺寸质量控制系统和方法 |
| CN118132849A (zh) * | 2024-03-22 | 2024-06-04 | 青岛铭品饰家装饰工程有限公司 | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115858940B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062282B (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
| CN115858940A (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
| CN110880200A (zh) | 基于三维重建技术的gim模型工程智能验收方法 | |
| CN116167668A (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
| CN117494905B (zh) | 数字化配重平衡拱桥施工方法及系统 | |
| CN113360980A (zh) | 一种基于bim技术的异型钢结构可视化施工方法 | |
| CN113408034B (zh) | 一种基于bim建筑三维模型技术的工程施工智能云管理平台 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| CN115861816B (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
| CN115328068A (zh) | 应用于工业生产的数字孪生系统 | |
| CN106989778A (zh) | 一种尾矿库在线安全监测系统 | |
| CN114463932A (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
| CN115618719A (zh) | 一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 | |
| CN116522096A (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
| CN115130369A (zh) | 基于数字孪生的变电站设备综合状态评估与主动预警方法 | |
| CN114565057A (zh) | 一种基于机器学习的均压场识别方法、装置、存储介质及终端 | |
| CN110019167B (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
| CN112419402B (zh) | 一种基于多光谱影像和激光点云的定位方法及系统 | |
| CN114170449A (zh) | 一种基于深度学习的人工智能图像识别装置 | |
| CN116861543B (zh) | 基于bim模型的脚手架力学分析方法及系统 | |
| CN117807431A (zh) | 一种智能工厂的可视化管理系统 | |
| CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
| CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
| CN115598309A (zh) | 一种大气环境铅含量的监测预警方法及系统 | |
| CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 |
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 |