CN116644863A - 钢结构焊缝质量预测管理方法及系统 - Google Patents

钢结构焊缝质量预测管理方法及系统 Download PDF

Info

Publication number
CN116644863A
CN116644863A CN202310912662.5A CN202310912662A CN116644863A CN 116644863 A CN116644863 A CN 116644863A CN 202310912662 A CN202310912662 A CN 202310912662A CN 116644863 A CN116644863 A CN 116644863A
Authority
CN
China
Prior art keywords
steel structure
detection data
module
prediction
model
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
Application number
CN202310912662.5A
Other languages
English (en)
Other versions
CN116644863B (zh
Inventor
张文彬
刘界鹏
马凤玲
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.)
Shandong Defeng Heavy Industry Co ltd
Original Assignee
Shandong Defeng Heavy Industry 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 Shandong Defeng Heavy Industry Co ltd filed Critical Shandong Defeng Heavy Industry Co ltd
Priority to CN202310912662.5A priority Critical patent/CN116644863B/zh
Publication of CN116644863A publication Critical patent/CN116644863A/zh
Application granted granted Critical
Publication of CN116644863B publication Critical patent/CN116644863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/207—Welded or soldered joints; Solderability
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/143—Finished product quality control
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Food Science & Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明公开了钢结构焊缝质量预测管理方法及系统，涉及焊缝质量预测管理技术领域，方法包括：S1、获取钢结构各位置的焊缝的各类质量标准值；S2、对钢结构各位置的焊缝进行非破坏性检测，获取第一检测数据；S3、对第一检测数据进行预处理、分析，得到第一输出值，将第一输出值与对应钢结构对应位置的对应质量标准值对比，得到第一合格集；该钢结构焊缝质量预测管理方法及系统，通过设置第一分析单元、第二分析单元、质量预测模块、模型调试模块，获取钢结构各处焊缝的非破坏性检测数据，和对应焊缝的破坏性检测数据，进行分析，得到它们之间的预测模型，可提高现有技术对钢结构焊缝质量预测的精确性、可靠性，同时减少对焊缝的破坏性检测。

Description

钢结构焊缝质量预测管理方法及系统
技术领域
本发明涉及焊缝质量预测管理技术领域，具体涉及钢结构焊缝质量预测管理方法及系统。
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。结构主要由型钢和钢板等制成的钢梁、钢柱、钢桁架等构件组成，并采用硅烷化、纯锰磷化、水洗烘干、镀锌等除锈防锈工艺。各构件或部件之间通常采用焊缝、螺栓或铆钉连接。钢结构的焊缝质量会影响到钢结构的连接强度，从而影响到钢结构的结构强度，因此钢结构的焊缝质量对钢结构极为重要。
公开号为CN114266493A的中国专利，公开了一种长输油气管道环焊缝质量智能判定方法，其中，所述方法包括：获取全部管道数据信息，获得第一判断结果；根据所述第一判断结果，采集环焊缝开挖数据信息；对环焊缝开挖数据信息进行预处理；进行质量影响特征分析，获得质量影响特征集合；获取不同特征的重要性排序，获得训练数据集；将训练数据集输入随机森林模型中，构建环焊缝质量分析模型；通过环焊缝质量分析模型对第一环焊缝开挖数据进行近实时预测，获得第一预测结果并发送至业务人员。解决了现有技术中存在数据量大、信号判定依赖专家个人经验，且排查工作多因素融合方式未深入应用，导致环焊缝质量评价准确率、效率较低的技术问题。
上述现有技术对焊缝质量进行实时判断，然而其仅适用于非破坏性检测，破坏性检测会导致上述现有技术中的管道损坏，破坏性检测一般采用抽检的方式用于检测焊接后的产品的抗拉伸、抗弯曲、抗疲劳性能，因此还需要考虑在检测时穿插破坏性检测，并获取相关数据进行分析，提高钢结构焊缝质量预测的精确性、可靠性。
发明内容
本发明的目的是提供钢结构焊缝质量预测管理方法及系统，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：钢结构焊缝质量预测管理方法，包括以下步骤：
S1、获取钢结构各位置的焊缝的各类质量标准值；
S2、对钢结构各位置的焊缝进行非破坏性检测，获取第一检测数据；
S3、对第一检测数据进行预处理、分析，得到第一输出值，将第一输出值与对应钢结构对应位置的对应质量标准值对比，得到第一合格集，所述第一合格集为第一输出值大于等于对应钢结构对应位置的对应质量标准值的第一检测数据组成的集合；
S4、抽取钢结构进行破坏性检测，获取钢结构不同位置的焊缝的第二检测数据，所述第二检测数据为焊缝承受的破坏性检测的极限值，并将第二检测数据与对应的第一检测数据关联；
S5、将第二检测数据根据对应钢结构的对应位置的对应质量标准值与合格或不合格标签关联，分析第一检测数据与标签的关系，建立标签与第一检测数据的预测模型；
S6、输入第一检测数据到预测模型，输出第二预测值，第二预测值为合格或不合格标签，得到第二合格集，第二合格集为输出为合格标签的第一检测数据组成的集合，得到第一合格集和第二合格集的交集和交集的交集区间；
S7、判断第一检测数据是否将在交集区间，对不在交集区间的第一检测数据和对应的钢结构进行标记，对标记后的钢结构焊缝进行返修；
S8、将返修后钢结构焊缝执行S2和S7。
进一步的，所述S5建立预测模型时的样本包括返修后的钢结构焊缝的第一检测数据和第二检测数据。
进一步的，所述S4对钢结构进行抽取时，抽取第一合格集组成的区间的端点处的第一检测值对应的焊缝所在的钢结构。
进一步的，所述S4对钢结构进行抽取时，抽取第一合格集组成的区间两侧和区间中部的第一检测值对应的焊缝所在的钢结构，两侧和中部分别抽取一到三个。
进一步的，利用钢结构焊缝和返修后钢结构焊缝定期执行S2-S5对预测模型进行更新。
钢结构焊缝质量预测管理系统，包括第一分析单元、第二分析单元、质量预测模块、模型调试模块；所述第一分析单元用于获取第一检测数据，输出第一输出值；所述第二分析单元用于抽取第一检测数据对应的焊缝所在的钢结构，获取抽取的钢结构不同位置的焊缝的第二检测数据，将第二检测数据与第一检测数据关联，并根据对应钢结构对应位置的对应质量标准值将第二检测数据与合格或不合格标签关联，利用预测模型输出第二预测值；所述质量预测模块用于储存钢结构各位置的焊缝的各类质量标准值；所述质量预测模块还用于获取第一合格集和第二合格集的区间，得到所述交集区间；所述模型调试模块与第一分析单元、第二分析单元、质量预测模块连接；所述模型调试模块用于利用第一检测数据和第二预测值，训练所述预测模型；所述模型调试模块还用于根据训练对预测模型进行更新。
进一步的，所述第一分析单元包括第一数据获取模块、第一数据分析模块；所述第一数据获取模块用于获取第一检测数据；所述第一数据分析模块用于对第一检测数据进行预处理和分析，得到第一输出值。
进一步的，所述第二分析单元包括抽取模块、数据获取关联模块、模型调用模块；所述抽取模块用于按预定规则抽取第一检测数据和钢结构；所述数据获取关联模块用于获取抽取的钢结构不同位置的焊缝的第二检测数据，并获取抽取的钢结构不同位置的焊缝的第一检测数据，将第二检测数据与同一钢结构的同一位置焊缝的第一检测数据关联，根据对应钢结构对应位置的对应质量标准值将第二检测数据与合格或不合格标签关联；所述模型调用模块用于调用模型调试模块训练后的预测模型，将第一检测数据输入预测模型，得到第二预测值。
进一步的，所述模型调试模块内部设置有预测模型更新的触发规则和计时器；所述模型调试模块检测到触发预测模型更新的触发规则时通过预设的规则对预测模型进行更新。
与现有技术相比，本发明提供的钢结构焊缝质量预测管理方法及系统，通过设置第一分析单元、第二分析单元、质量预测模块、模型调试模块，获取钢结构各处焊缝的非破坏性检测数据，和对应焊缝的破坏性检测数据，进行分析，得到它们之间的预测模型，从而可实现输入非破坏性检测数据对破坏性检测数据进行预测，再结合现有技术对焊缝的非破坏性检测数据的分析，可提高现有技术对钢结构焊缝质量预测的精确性、可靠性，同时减少对焊缝的破坏性检测。
与现有技术相比，本发明提供的钢结构焊缝质量预测管理方法及系统，通过设置模型调试模块可定期选取样本对预测模型进行训练和更新，防止因为钢结构本身质量和其他环境因素的不同引起的误差累积导致预测误差增大，保证预测模型和焊缝质量预测的准确性、可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法步骤图；
图2为本发明实施例提供的系统框架示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义。
请参阅图1，钢结构焊缝质量预测管理方法，包括以下步骤：
S1、获取钢结构各位置的焊缝的各类质量标准值，可通过施工要求和相关规范获取。
S2、对钢结构各位置的焊缝进行非破坏性检测，非破坏性检测包括射线探伤、超声波探伤、磁力探伤、渗透探伤，获取第一检测数据。
S3、对第一检测数据进行预处理、分析，优选的预处理采用标准化方法将数据集的自变量标准化在特定范围内，利用现有技术对焊缝的射线探伤、超声波探伤、磁力探伤、渗透探伤数据进行分析，得到第一输出值，将第一输出值与对应钢结构对应位置的对应质量标准值对比，得到第一合格集，第一合格集为第一输出值大于等于对应钢结构对应位置的对应质量标准值的第一检测数据组成的集合；优选的，可通过绘制横纵坐标分别为第一检测数据、第一输出值的散点图，然后将各类质量标准值以直线的方式画到散点图上，根据散点图的分布确定第一检测数据的集合和相关区间。
S4、抽取钢结构进行破坏性检测，获取钢结构不同位置的焊缝的第二检测数据，第二检测数据为焊缝承受的破坏性检测的极限值，并将第二检测数据与对应的第一检测数据关联；其中对钢结构进行抽取时，抽取第一合格集组成的区间的端点处的第一检测值对应的焊缝所在的钢结构，区间的端点处没有对应的第一检测值则在区间内选取最贴近端点的第一检测值；还可抽取第一合格集组成的区间两侧和区间中部的第一检测值对应的焊缝所在的钢结构，两侧和中部分别抽取一到三个。
S5、将第二检测数据根据对应钢结构的对应位置的对应质量标准值与合格或不合格标签关联，分析第一检测数据与标签的关系，建立标签与第一检测数据的预测模型；建立预测模型时的样本包括返修后的钢结构焊缝的第一检测数据和第二检测数据。
优选的，利用钢结构焊缝和返修后钢结构焊缝定期执行S2-S5对预测模型进行更新。
建立预测模型时首先对第一检测数据进行预处理，训练的样本为第一检测数据和第二检测数据，然后将样本随机划分为测试集和验证集，然后利用样本的测试集对神经网络模型进行训练，再利用样本的验证集对神经网络模型进行训练验证，计算使得损失函数最小或尽可能小的参数，带入神经网络模型，完成训练。
优选的，损失函数选用交叉熵损失函数：
，
其中为预测概率的大小，y为标签在二分类中对应0，1，且对于二分类问题，损失函数可变换为：
，
对变换后的损失函数添加权重：
，
其中，m为正样本个数，n为负样本个数，N为样本总数，m+n=N，α和1-α为添加的权重，且，使得权重的大小根据正负样本的分布进行设置，正样本为与合格标签关联的样本，负样本为与不合格标签关联的样本。
S6、输入第一检测数据到预测模型，输出第二预测值，第二预测值为合格或不合格标签，得到第二合格集，第二合格集为输出为合格标签的第一检测数据组成的集合，得到第一合格集和第二合格集的交集和交集的交集区间；
S7、判断第一检测数据是否将在交集区间，对不在交集区间的第一检测数据和对应的钢结构进行标记，对标记后的钢结构焊缝进行返修；
S8、将返修后钢结构焊缝执行S2和S7。
请参照图2，本发明还提供一种钢结构焊缝质量预测管理系统，用于执行以上方法，包括第一分析单元、第二分析单元、质量预测模块、模型调试模块；
第一分析单元用于获取第一检测数据，输出第一输出值；第一分析单元包括第一数据获取模块、第一数据分析模块；第一数据获取模块用于获取第一检测数据；第一数据分析模块用于对第一检测数据进行预处理和分析，得到第一输出值。
第二分析单元用于抽取第一检测数据对应的焊缝所在的钢结构，获取抽取的钢结构不同位置的焊缝的第二检测数据，将第二检测数据与第一检测数据关联，并根据对应钢结构对应位置的对应质量标准值将第二检测数据与合格或不合格标签关联，利用预测模型输出第二预测值。第二分析单元包括抽取模块、数据获取关联模块、模型调用模块；抽取模块用于按预定规则抽取第一检测数据和钢结构；数据获取关联模块用于获取抽取的钢结构不同位置的焊缝的第二检测数据，并获取抽取的钢结构不同位置的焊缝的第一检测数据，将第二检测数据与同一钢结构的同一位置焊缝的第一检测数据关联，根据对应钢结构对应位置的对应质量标准值将第二检测数据与合格或不合格标签关联；模型调用模块用于调用模型调试模块训练后的预测模型，将第一检测数据输入预测模型，得到第二预测值。
质量预测模块用于储存钢结构各位置的焊缝的各类质量标准值，可根据使用需求随时更改；
质量预测模块还用于获取第一合格集和第二合格集的区间，得到交集区间；模型调试模块与第一分析单元、第二分析单元、质量预测模块连接；模型调试模块用于利用第一检测数据和第二预测值，训练预测模型；模型调试模块还用于根据训练对预测模型进行更新。模型调试模块内部设置有预测模型更新的触发规则和计时器，模型调试模块检测到触发预测模型更新的触发规则时通过预设的规则对预测模型进行更新。
优选的，触发规则为预设时长，计时器每达到预设时长归零，并通过S2-S5对预测模型进行更新。
优选的，触发规则还可为预设数量，检测到检测焊缝达到预设数量时，重新计数，并通过S2-S5对预测模型进行更新。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (9)

1.钢结构焊缝质量预测管理方法，其特征在于：包括以下步骤：
S1、获取钢结构各位置的焊缝的各类质量标准值；
S2、对钢结构各位置的焊缝进行非破坏性检测，获取第一检测数据；
S3、对第一检测数据进行预处理、分析，得到第一输出值，将第一输出值与对应钢结构对应位置的对应质量标准值对比，得到第一合格集，所述第一合格集为第一输出值大于等于对应钢结构对应位置的对应质量标准值的第一检测数据组成的集合；
S4、抽取钢结构进行破坏性检测，获取钢结构不同位置的焊缝的第二检测数据，所述第二检测数据为焊缝承受的破坏性检测的极限值，并将第二检测数据与对应的第一检测数据关联；
S5、将第二检测数据根据对应钢结构的对应位置的对应质量标准值与合格或不合格标签关联，分析第一检测数据与标签的关系，建立标签与第一检测数据的预测模型；
S6、输入第一检测数据到预测模型，输出第二预测值，第二预测值为合格或不合格标签，得到第二合格集，第二合格集为输出为合格标签的第一检测数据组成的集合，得到第一合格集和第二合格集的交集和交集的交集区间；
S7、判断第一检测数据是否将在交集区间，对不在交集区间的第一检测数据和对应的钢结构进行标记，对标记后的钢结构焊缝进行返修；
S8、将返修后钢结构焊缝执行S2和S7。
2.根据权利要求1所述的钢结构焊缝质量预测管理方法，其特征在于：所述S5建立预测模型时的样本包括返修后的钢结构焊缝的第一检测数据和第二检测数据。
3.根据权利要求1所述的钢结构焊缝质量预测管理方法，其特征在于：所述S4对钢结构进行抽取时，抽取第一合格集组成的区间的端点处的第一检测值对应的焊缝所在的钢结构。
4.根据权利要求1所述的钢结构焊缝质量预测管理方法，其特征在于：所述S4对钢结构进行抽取时，抽取第一合格集组成的区间两侧和区间中部的第一检测值对应的焊缝所在的钢结构，两侧和中部分别抽取一到三个。
5.根据权利要求1所述的钢结构焊缝质量预测管理方法，其特征在于：利用钢结构焊缝和返修后钢结构焊缝定期执行S2-S5对预测模型进行更新。
6.钢结构焊缝质量预测管理系统，适用于权利要求1-5任一项所述的钢结构焊缝质量预测管理方法，其特征在于：包括第一分析单元、第二分析单元、质量预测模块、模型调试模块；
所述第一分析单元用于获取第一检测数据，输出第一输出值；
所述第二分析单元用于抽取第一检测数据对应的焊缝所在的钢结构，获取抽取的钢结构不同位置的焊缝的第二检测数据，将第二检测数据与第一检测数据关联，并根据对应钢结构对应位置的对应质量标准值将第二检测数据与合格或不合格标签关联，利用预测模型输出第二预测值；
所述质量预测模块用于储存钢结构各位置的焊缝的各类质量标准值；
所述质量预测模块还用于获取第一合格集和第二合格集的区间，得到所述交集区间；
所述模型调试模块与第一分析单元、第二分析单元、质量预测模块连接；
所述模型调试模块用于利用第一检测数据和第二预测值，训练所述预测模型；
所述模型调试模块还用于根据训练对预测模型进行更新。
7.根据权利要求6所述的钢结构焊缝质量预测管理系统，其特征在于：所述第一分析单元包括第一数据获取模块、第一数据分析模块；所述第一数据获取模块用于获取第一检测数据；所述第一数据分析模块用于对第一检测数据进行预处理和分析，得到第一输出值。
8.根据权利要求6所述的钢结构焊缝质量预测管理系统，其特征在于：所述第二分析单元包括抽取模块、数据获取关联模块、模型调用模块；
所述抽取模块用于按预定规则抽取第一检测数据和钢结构；
所述数据获取关联模块用于获取抽取的钢结构不同位置的焊缝的第二检测数据，并获取抽取的钢结构不同位置的焊缝的第一检测数据，将第二检测数据与同一钢结构的同一位置焊缝的第一检测数据关联，根据对应钢结构对应位置的对应质量标准值将第二检测数据与合格或不合格标签关联；
所述模型调用模块用于调用模型调试模块训练后的预测模型，将第一检测数据输入预测模型，得到第二预测值。
9.根据权利要求6所述的钢结构焊缝质量预测管理系统，其特征在于：所述模型调试模块内部设置有预测模型更新的触发规则和计时器；
所述模型调试模块检测到触发预测模型更新的触发规则时通过预设的规则对预测模型进行更新。
CN202310912662.5A 2023-07-25 2023-07-25 钢结构焊缝质量预测管理方法及系统 Active CN116644863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310912662.5A CN116644863B (zh) 2023-07-25 2023-07-25 钢结构焊缝质量预测管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310912662.5A CN116644863B (zh) 2023-07-25 2023-07-25 钢结构焊缝质量预测管理方法及系统

Publications (2)

Publication Number Publication Date
CN116644863A true CN116644863A (zh) 2023-08-25
CN116644863B CN116644863B (zh) 2023-10-20

Family

ID=87623316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310912662.5A Active CN116644863B (zh) 2023-07-25 2023-07-25 钢结构焊缝质量预测管理方法及系统

Country Status (1)

Country Link
CN (1) CN116644863B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111982445A (zh) * 2020-04-15 2020-11-24 曲阜师范大学 一种包装件缓冲性能的非破坏性测试方法
CN113553762A (zh) * 2021-06-29 2021-10-26 东风汽车集团股份有限公司 基于焊接曲线进行焊点分析的神经网络及建立方法
US20220023979A1 (en) * 2019-04-09 2022-01-27 Lisa Draexlmaier Gmbh Method for non-destructively testing a quality of an ultrasonic weld
WO2022175972A1 (en) * 2021-02-19 2022-08-25 INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) Method and system for generating time-efficient synthetic non-destructive testing data
CN115194359A (zh) * 2021-04-12 2022-10-18 必能信超声公司 使用分析和算法预测焊缝质量
CN116027008A (zh) * 2022-12-13 2023-04-28 浙江中控技术股份有限公司 基于失效物理对压力变送器法兰膜片焊接质量的评估方法
US20230142578A1 (en) * 2021-11-09 2023-05-11 Fulian Yuzhan Precision Technology Co.,Ltd System and method for detecting welding based on edge computing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220023979A1 (en) * 2019-04-09 2022-01-27 Lisa Draexlmaier Gmbh Method for non-destructively testing a quality of an ultrasonic weld
CN111982445A (zh) * 2020-04-15 2020-11-24 曲阜师范大学 一种包装件缓冲性能的非破坏性测试方法
WO2022175972A1 (en) * 2021-02-19 2022-08-25 INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) Method and system for generating time-efficient synthetic non-destructive testing data
CN115194359A (zh) * 2021-04-12 2022-10-18 必能信超声公司 使用分析和算法预测焊缝质量
CN113553762A (zh) * 2021-06-29 2021-10-26 东风汽车集团股份有限公司 基于焊接曲线进行焊点分析的神经网络及建立方法
US20230142578A1 (en) * 2021-11-09 2023-05-11 Fulian Yuzhan Precision Technology Co.,Ltd System and method for detecting welding based on edge computing
CN116027008A (zh) * 2022-12-13 2023-04-28 浙江中控技术股份有限公司 基于失效物理对压力变送器法兰膜片焊接质量的评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵健;李安贵;: "人工神经网络在带钢力学性能预测中的应用", 微计算机信息, no. 22, pages 292 - 293 *

Also Published As

Publication number Publication date
CN116644863B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN111795978B (zh) 一种钢桥结构健康状态评估方法、装置、设备及存储介质
CN111044617B (zh) 一种基于深度学习与声发射技术的拉索损伤识别方法
CN111177655B (zh) 一种数据处理方法、装置及电子设备
Yuzevych et al. Improving the diagnostics of underground pipelines at oil-and-gas enterprises based on determining hydrogen exponent (PH) of the soil media applying neural networks
CN117233347B (zh) 一种碳钢球化等级测量方法、系统及设备
CN116644863B (zh) 钢结构焊缝质量预测管理方法及系统
CN114445041A (zh) 一种危化品在途事故应急处理方法及系统
Ali et al. The reliability of defect sentencing in manual ultrasonic inspection
Moravej et al. Computation-effective structural performance assessment using Gaussian process-based finite element model updating and reliability analysis
CN116739999A (zh) 一种在役桩基无损检测方法
Koçak FITNET fitness-for-service procedure: an overview
Yasuda et al. Fatigue crack detection system based on IoT and statistical analysis
ZHAO et al. Reliability-based structural fatigue damage evaluation and maintenance using non-destructive inspections
CN114247832B (zh) 一种公路工程滚焊机制作钢筋笼工法
CN115981255B (zh) 一种钢结构试验平台的性能监测方法及系统
US9945814B2 (en) Total integrated tube analysis
CN117056686B (zh) 一种检测压力容器表面缺陷的告警方法及系统
Jelinek et al. Probability of Detection for the Ultrasonic Technique according to the UT-01 Procedure
Ghani et al. Literature Review on Problem of Defect Assessment Inspection for Building Maintenance Management Planning
Bezlyudko et al. The metal fatigue operational monitoring using a non-destructive method of coercive force. practical and philosophical aspects
Semiga et al. Probabilistic fitness-for-service assessment of pipeline
Sedmak et al. Fracture mechanics and non-destructive testing for structural integrity assessment
Trampus Non-Destructive Evaluation as a Foundation of Structural Integrity Assessment
Mohr Weld acceptance criteria for seismically loaded steel structures
CN117761160A (zh) 一种基于超声导波的无损检测系统

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