CN116900449A - 基于信号融合的焊接质量监测方法和系统 - Google Patents
基于信号融合的焊接质量监测方法和系统 Download PDFInfo
- Publication number
- CN116900449A CN116900449A CN202311054702.3A CN202311054702A CN116900449A CN 116900449 A CN116900449 A CN 116900449A CN 202311054702 A CN202311054702 A CN 202311054702A CN 116900449 A CN116900449 A CN 116900449A
- Authority
- CN
- China
- Prior art keywords
- welding
- current
- voltage
- characteristic value
- welding quality
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005493 welding type Methods 0.000 description 1
Classifications
-
- 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
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
-
- 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)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Arc Welding Control (AREA)
Abstract
本发明提供了一种基于信号融合的焊接质量监测方法和系统,涉及焊接质量监测的技术领域,该方法包括:首先基于图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态;然后基于电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值;再利用数据分析装置根据当前的焊接状态对相应的电信号特征值进行分析,确定当前焊接质量的最终结果;通过该方法可以缓解现有产线焊接质量监测方法存在的效率低、准确率低的技术问题,实现了提高焊接质量监测精准度的技术效果。
Description
技术领域
本发明涉及焊接质量监测技术领域,尤其是涉及一种基于信号融合的焊接质量监测方法和系统。
背景技术
目前,焊接生产线在电弧焊领域广泛应用,为了对产线焊接的质量进行监测,通常会采用离线的质量检测方法,如目视检查、抽样检测等。该类方法存在效率低下且因过度依赖主观判断存在准确率低的问题,没有标准化的评价指标从而无法精准地对焊接质量进行判断。也就是说,现有针对产线焊接质量的监测方法存在效率低、准确率低的技术问题。
发明内容
本发明的目的在于提供一种基于信号融合的焊接质量监测方法和系统,以缓解现有技术中存在的监测效率低、准确率低的技术问题。
第一方面,本发明实施例提供了一种基于信号融合的焊接质量监测方法,应用于基于信号融合的焊接质量监测系统,上述系统包括:图像采集装置、电信号采集装置和数据分析装置;上述方法包括:
基于上述图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态;上述焊接状态包括正常和异常;
基于上述电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值;
利用上述数据分析装置根据上述当前的焊接状态对相应的上述电信号特征值进行分析,确定当前焊接质量的最终结果。
在一些可选的实现中,基于上述图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态的步骤,包括:
利用上述图像采集装置持续采集焊点的电弧图像;
对上述电弧图像进行视觉预处理,生成视觉信号参数;上述视觉信号参数包括:当前识别到的焊接状态以及当前状态的置信度;
基于上述视觉信号参数,确定视觉表征的焊接指标Pv。
在一些可选的实现中,上述电信号特征值包括:电压电流数据的特征值和焊接稳定性特征值;
基于上述电信号采集装置针对焊枪采集的电压电流数据,计算上述电信号特征值的步骤,包括:
利用上述电信号采集装置实时采集焊枪的电压电流数据;
基于实时采集的上述焊枪的电压电流数据,计算上述电压电流数据的特征值;
基于上述电压电流数据的特征值,计算焊接稳定性特征值。
在一些可选的实现中,基于实时采集的上述焊枪的电压电流数据,计算上述电压电流数据的特征值的步骤,包括:
以第一时间周期为时间片,确定上述焊枪的电压电流数据的特征值;上述电压电流数据的特征值包括:上述焊枪在上述第一时间周期内的电压特征值和电流特征值;
上述电压特征值包括:上述焊枪在上述第一时间周期内的最大电压值、最小电压值和平均电压值;上述电流特征值包括:上述焊枪在上述第一时间周期内的最大电流值、最小电流值和平均电流值。
在一些可选的实现中,基于上述电压电流数据的特征值,计算焊接稳定性特征值的步骤,包括:
基于上述电压特征值和电流特征值,计算焊接稳定性特征值;上述焊接稳定性特征值包括干伸长和弧长;上述干伸长的计算公式为:
上述弧长的计算公式为:
弧长=最大电压值-干伸长。
在一些可选的实现中,基于上述电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值的步骤之后,上述方法还包括:
对上述电信号特征值进行电学预处理,生成电信号参数;上述电信号参数包括:当前焊接状态和当前特征值偏移量;其中,上述特征值偏移量用于表示上述电压电流数据的特征值相对于上述焊接稳定性特征值的偏差;
基于上述电信号参数,确定电学表征的焊接指标Pe。
在一些可选的实现中,根据上述当前的焊接状态对相应的上述电信号特征值进行分析,确定当前焊接质量的最终结果的步骤,包括:
基于上述视觉表征的焊接指标和上述电学表征的焊接指标,结合动态权重系数参数,确定当前焊接质量的最终结果P;计算公式为:
其中,x为动态权重系数参数。
第二方面,本发明实施例提供了一种基于信号融合的焊接质量监测系统,该系统包括:图像采集装置、电信号采集装置和数据分析装置;
上述图像采集装置用于针对焊点采集的电弧图像,获取当前的焊接状态;上述焊接状态包括正常和异常;
上述电信号采集装置用于针对焊枪采集的电压电流数据,计算电信号特征值;
上述数据分析装置用于根据上述当前的焊接状态对相应的上述电信号特征值进行分析,确定当前焊接质量的最终结果。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
本发明提供了一种基于信号融合的焊接质量监测方法和系统,该方法包括:首先基于图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态;然后基于电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值;再利用数据分析装置根据当前的焊接状态对相应的电信号特征值进行分析,确定当前焊接质量的最终结果;通过该方法可以缓解现有产线焊接质量监测方法存在的效率低、准确率低的技术问题,实现了提高焊接质量监测精准度的技术效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,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一种基于信号融合的焊接质量监测方法的流程示意图;
图2为本发明实施例提供的一种基于信号融合的焊接质量监测方法的动态权重计算原理示意图;
图3为本发明实施例提供的一种基于信号融合的焊接质量监测系统的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
目前,焊接生产线在电弧焊领域广泛应用,为了对产线焊接的质量进行监测,通常会采用离线的质量检测方法,如目视检查、抽样检测等。该类方法存在效率低下且因过度依赖主观判断存在准确率低的问题,没有标准化的评价指标从而无法精准地对焊接质量进行判断。
也就是说,现有针对产线焊接质量的监测方法存在效率低、准确率低的技术问题。基于此,本发明实施例提供了一种基于信号融合的焊接质量监测方法和系统,以缓解现有产线焊接质量监测方法存在的效率低、准确率低的技术问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于信号融合的焊接质量监测方法进行详细介绍,参见图1所示的一种基于信号融合的焊接质量监测方法的流程示意图,该方法应用于基于信号融合的焊接质量监测系统,该系统包括:图像采集装置、电信号采集装置和数据分析装置。该方法可以由电子设备执行,主要包括以下步骤S110至步骤S130:
S110:基于图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态;焊接状态包括正常和异常;
S120:基于电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值;
其中,电信号特征值包括:电压电流数据的特征值和焊接稳定性特征值;
S130:利用数据分析装置根据当前的焊接状态对相应的电信号特征值进行分析,确定当前焊接质量的最终结果。
在一种实施例中,S110基于图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态的步骤,包括:
(S111)利用图像采集装置持续采集焊点的电弧图像;
(S112)对电弧图像进行视觉预处理,生成视觉信号参数;视觉信号参数包括:当前识别到的焊接状态以及当前状态的置信度;
作为一个具体的示例,可将电弧图像实时输入神经网络算法模型中,通过神经网络判断,输入的是图像数据,输出的是该图片中的内容是焊接状态Sv(0,1)(即:正常或异常),以及对应的置信度Psv(0-1)。
(S113)基于视觉信号参数,确定视觉表征的焊接指标Pv。
作为一个具体的示例,
在一种实施例中,S120基于电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值的步骤,包括:
(S121)利用电信号采集装置实时采集焊枪的电压电流数据;
(S122)基于实时采集的焊枪的电压电流数据,计算电压电流数据的特征值;
(S123)基于电压电流数据的特征值,计算焊接稳定性特征值。
在一种实施例中,(S122)基于实时采集的焊枪的电压电流数据,计算电压电流数据的特征值的步骤,包括:
以第一时间周期为时间片,确定焊枪的电压电流数据的特征值。
其中,电压电流数据的特征值包括:焊枪在第一时间周期内的电压特征值和电流特征值;电压特征值包括:焊枪在第一时间周期内的最大电压值、最小电压值和平均电压值;电流特征值包括:焊枪在第一时间周期内的最大电流值、最小电流值和平均电流值。
作为一个具体的示例,第一时间周期可以是10ms,即在实时采集的连续10ms的时间片内,确定焊枪的最大电压值Vmax、最小电压值Vmin和平均电压值Vmean,以及最大电流值Imax、最小电流值Imin和平均电流值Imean。
在一种实施例中,(S123)基于电压电流数据的特征值,计算焊接稳定性特征值的步骤,包括:
基于电压特征值和电流特征值,计算焊接稳定性特征值。
其中,焊接稳定性特征值包括干伸长和弧长;干伸长Uext的计算公式为:
即:
弧长Ua的计算公式为:
弧长=最大电压值-干伸长;即:Ua=Vmax-Uext。
在一种实施例中,在S120基于电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值的步骤之后,上述方法还包括:
(S124)对电信号特征值进行电学预处理,生成电信号参数;电信号参数包括:当前焊接状态和当前特征值偏移量;其中,特征值偏移量用于表示电压电流数据的特征值相对于焊接稳定性特征值的偏差;
作为一个具体的示例,上述特征值偏移量的计算包括:
针对电压特征值(Vmax、Vmin、Vmean)、电流特征值(Imax、Imin、Imean)以及焊接稳定性特征值(Uext、Ua),自焊接开始后,按照10ms的采样频率进行记录,分别绘制8条曲线;然后针对每一条曲线运用卡尔曼滤波(Kalman Filtering),计算出其先验预估值。
以电压最大值Vmax为例,可以计算出先验预估值Vmax-p,等到获取到最新的数据Vmax后,即可计算出实测值和先验预估值的偏差。其中,偏差的计算方法为ΔVmax=|V_max-V_(max-p)|/V_(max-p)。
同时求8个特征值的偏差:ΔVmax,ΔImax,ΔVmin,ΔImin,ΔVmean,ΔImean,ΔUext,ΔUa,再将这8个偏差去平均值,得到特征值偏移量;
即:Δ=(ΔVmax+ΔImax+ΔVmin+ΔImin+ΔVmean+ΔImean+ΔUext+ΔUa)/8.
得到的特征值偏移量参数Δ表示焊接过程中电压电流等参数相对于平稳运行值的偏移量,若偏移量越大,则说明焊接质量越差。
(S125)基于电信号参数,确定电学表征的焊接指标Pe。
作为一个具体的示例,将电信号参数(当前焊接状态和当前特征值偏移量)归一化,可获得电学表征的焊接指标
由于当视觉信号和电信号中任意一个维度检测出明显异常的时候,就可以判断此时焊接异常,因此可以采用动态权重的方式进行计算(动态权重计算原理示意图参见图2所示)。在一种实施例中,S130中根据当前的焊接状态对相应的电信号特征值进行分析,确定当前焊接质量的最终结果的步骤,包括:
基于视觉表征的焊接指标Pv和电学表征的焊接指标Pe,结合动态权重系数参数,确定当前焊接质量的最终结果P;计算公式为:
其中,x为动态权重系数参数。
根据实际情况可以灵活划分正常和异常的P值范围,例如:经过测试可初步划分为:
焊接结果:
也就是说,本发明实施例提供的一种基于信号融合的焊接质量监测方法,将两种传感器(图像采集装置和电信号采集装置)采集到的两个不同维度的信号数据和结果通过权重进行融合,即可获得整个焊接过程中焊接质量的结果。具体融合过程包括:对于相同的时间片中,采集到的视觉图像数据和电信号数据,经过数据处理后,视觉信号会得到两个重要参数,一个为当前识别到的焊接状态,即正常或者异常,另一个是当前状态的置信度,取值为0-1;电信号也会获得两个重要参数,即当前焊接状态和当前特征值偏离正常状态的程度,通过对于四个数据按照权重进行计算,即可判断出当前焊接质量的最终结果。
此外,本发明实施例还提供了一种基于信号融合的焊接质量监测系统,参见图3所示,该系统包括:图像采集装置310、电信号采集装置320和数据分析装置330;其中,图像采集装置用于针对焊点采集的电弧图像,获取当前的焊接状态;焊接状态包括正常和异常;电信号采集装置用于针对焊枪采集的电压电流数据,计算电信号特征值;数据分析装置用于根据当前的焊接状态对相应的电信号特征值进行分析,确定当前焊接质量的最终结果。
作为一个具体的示例,图像采集装置可以是设置于产线区域的用于实时采集焊点的图像数据的摄像头;电信号采集装置一般与焊枪连接,用于实时采集焊枪的电压电流信号,电信号采集装置可以包括:电流传感器、衰减器和高速数据采集卡。其中,电流传感器用于将焊接时焊枪电流转换成可被采集的电压信号;衰减器用于将焊接时焊枪电压衰减为可被采集的常规电压信号;高速数据采集卡用于实时采集焊枪的电压电流信号。数据分析装置可以是高性能的计算机、服务器或电子终端,用于实时处理数据,将采集到的数据利用机器学习生成的模型进行计算,最终获得焊接质量的实时数据,针对数据进行显示、分析和存储。
目前,本领域也存在许多基于视觉技术的焊接监测系统,使用摄像头或视觉传感器来捕捉焊接过程中的图像或视频,并通过图像处理和模式识别算法来检测焊缝、缺陷和偏差等问题。然而,这类系统通常仅依赖于视觉信息,无法对电弧特性和焊接参数进行实时监测和分析。此外,本领域还存在一些基于电学信号的焊接监测系统,通过采集焊接过程中的电流、电压和电弧特性等信号,并使用信号处理和特征提取算法来分析焊接质量。然而,这类系统主要侧重于电弧特性的监测,无法提供直观的焊缝形状和缺陷信息。而传统的产线焊接质量离线检测方法(如:目视检查、抽样检测等),除了需要人工参与,效率低下且容易出现主观判断的问题外,也无法提供实时的焊接质量监测和预警功能。
相对于上述现有技术,本发明实施例提供的基于信号融合的焊接质量监测方法和系统,将视觉和电学信号融合进行实时产线焊接质量监测,具有以下优点:
1、全面性:通过融合视觉和电学信号,该方法能够提供更全面的焊接质量监测;可以同时获取焊缝形状、缺陷信息以及电弧特性、焊接参数等多方面的关键信息,综合评估焊接质量。相比于传统的视觉监测系统或电学监测系统,能够提供更全面、准确的焊接质量评估。
2、实时性:该方法实现了实时的焊接质量监测,可以在焊接过程中及时发现异常情况并采取措施;相比离线检测方法,能够快速反馈焊接质量问题,减少后续工序的不良率。
3、自动化:采用机器学习和深度学习技术,该方法可以自动学习和适应不同的焊接质量特征;不依赖于人工判断,减少了人为因素对监测结果的影响,并提高了监测的准确性和一致性。
4、效率提升:通过实时监测和预警功能,该方法可以提高焊接生产线的效率;可以快速检测焊接质量问题,及时进行调整和修正,减少了不良品的产生,提高了生产线的良品率。
5、简便易用的操作和控制:本发明实施例提供的一种基于信号融合的焊接质量监测系统还可以进行系统集成和界面设计,提供用户友好的操作界面和简便的操作方式,使操作人员可以在具有交互功能的数据分析装置(电子终端)上方便地进行参数设置、监测结果查看和质量控制操作,减少了人工操作的复杂性和误操作的风险。
6、可扩展性和适应性:本发明实施例提供的技术方案具有可扩展性和适应性,可以根据不同焊接工艺和要求进行定制和调整。视觉和电学信号的融合可以适应不同焊接过程和材料的特点,并能够灵活应用于不同类型的焊接任务。
综上所述,相对于现有单独用于焊接质量检测的视觉监测系统、电学监测系统和传统质量检测方法,视觉和电学信号融合的实时产线焊接质量监测方法具有全面性的信息获取、实时监测和预警功能、自动化的监测与分析、提高生产效率和质量控制、简便易用的操作和控制,以及可扩展性和适应性等多个优点和有益效果,能够提供更准确、可靠的焊接质量监测和控制,通过工作性能的提高、制作成本和能量损耗的减少、稳定性的增加、操作控制使用的简便等方面得到体现,有助于提高焊接过程的质量和生产效率。
本申请实施例所提供的基于信号融合的焊接质量监测系统可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。本申请实施例提供的基于信号融合的焊接质量监测系统与上述实施例提供的基于信号融合的焊接质量监测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本申请实施例还提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图4为本申请实施例提供的一种电子设备的结构示意图,该电子设备400包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器40在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
对应于上述方法,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述方法的步骤。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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,本发明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,电子设备,或者网络设备等)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种基于信号融合的焊接质量监测方法,其特征在于,应用于基于信号融合的焊接质量监测系统,所述系统包括:图像采集装置、电信号采集装置和数据分析装置;所述方法包括:
基于所述图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态;所述焊接状态包括正常和异常;
基于所述电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值;
利用所述数据分析装置根据所述当前的焊接状态对相应的所述电信号特征值进行分析,确定当前焊接质量的最终结果。
2.根据权利要求1所述的基于信号融合的焊接质量监测方法,其特征在于,基于所述图像采集装置针对焊点采集的电弧图像,获取当前的焊接状态的步骤,包括:
利用所述图像采集装置持续采集焊点的电弧图像;
对所述电弧图像进行视觉预处理,生成视觉信号参数;所述视觉信号参数包括:当前识别到的焊接状态以及当前状态的置信度;
基于所述视觉信号参数,确定视觉表征的焊接指标Pv。
3.根据权利要求2所述的基于信号融合的焊接质量监测方法,其特征在于,所述电信号特征值包括:电压电流数据的特征值和焊接稳定性特征值;
基于所述电信号采集装置针对焊枪采集的电压电流数据,计算所述电信号特征值的步骤,包括:
利用所述电信号采集装置实时采集焊枪的电压电流数据;
基于实时采集的所述焊枪的电压电流数据,计算所述电压电流数据的特征值;
基于所述电压电流数据的特征值,计算焊接稳定性特征值。
4.根据权利要求3所述的基于信号融合的焊接质量监测方法,其特征在于,基于实时采集的所述焊枪的电压电流数据,计算所述电压电流数据的特征值的步骤,包括:
以第一时间周期为时间片,确定所述焊枪的电压电流数据的特征值;所述电压电流数据的特征值包括:所述焊枪在所述第一时间周期内的电压特征值和电流特征值;
所述电压特征值包括:所述焊枪在所述第一时间周期内的最大电压值、最小电压值和平均电压值;所述电流特征值包括:所述焊枪在所述第一时间周期内的最大电流值、最小电流值和平均电流值。
5.根据权利要求4所述的基于信号融合的焊接质量监测方法,其特征在于,基于所述电压电流数据的特征值,计算焊接稳定性特征值的步骤,包括:
基于所述电压特征值和电流特征值,计算焊接稳定性特征值;所述焊接稳定性特征值包括干伸长和弧长;所述干伸长的计算公式为:
所述弧长的计算公式为:
弧长=最大电压值-干伸长。
6.根据权利要求4所述的基于信号融合的焊接质量监测方法,其特征在于,基于所述电信号采集装置针对焊枪采集的电压电流数据,计算电信号特征值的步骤之后,所述方法还包括:
对所述电信号特征值进行电学预处理,生成电信号参数;所述电信号参数包括:当前焊接状态和当前特征值偏移量;其中,所述特征值偏移量用于表示所述电压电流数据的特征值相对于所述焊接稳定性特征值的偏差;
基于所述电信号参数,确定电学表征的焊接指标Pe。
7.根据权利要求6所述的基于信号融合的焊接质量监测方法,其特征在于,根据所述当前的焊接状态对相应的所述电信号特征值进行分析,确定当前焊接质量的最终结果的步骤,包括:
基于所述视觉表征的焊接指标和所述电学表征的焊接指标,结合动态权重系数参数,确定当前焊接质量的最终结果P;计算公式为:
其中,x为动态权重系数参数。
8.一种基于信号融合的焊接质量监测系统,其特征在于,包括:图像采集装置、电信号采集装置和数据分析装置;
所述图像采集装置用于针对焊点采集的电弧图像,获取当前的焊接状态;所述焊接状态包括正常和异常;
所述电信号采集装置用于针对焊枪采集的电压电流数据,计算电信号特征值;
所述数据分析装置用于根据所述当前的焊接状态对相应的所述电信号特征值进行分析,确定当前焊接质量的最终结果。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054702.3A CN116900449A (zh) | 2023-08-21 | 2023-08-21 | 基于信号融合的焊接质量监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054702.3A CN116900449A (zh) | 2023-08-21 | 2023-08-21 | 基于信号融合的焊接质量监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116900449A true CN116900449A (zh) | 2023-10-20 |
Family
ID=88363079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054702.3A Pending CN116900449A (zh) | 2023-08-21 | 2023-08-21 | 基于信号融合的焊接质量监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116900449A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117381117A (zh) * | 2023-12-13 | 2024-01-12 | 湖南鸿迪机电科技有限公司 | 一种多角度电阻焊接设备 |
-
2023
- 2023-08-21 CN CN202311054702.3A patent/CN116900449A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117381117A (zh) * | 2023-12-13 | 2024-01-12 | 湖南鸿迪机电科技有限公司 | 一种多角度电阻焊接设备 |
CN117381117B (zh) * | 2023-12-13 | 2024-02-23 | 湖南鸿迪机电科技有限公司 | 一种多角度电阻焊接设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300161B (zh) | 一种基于双目视觉的定位方法及装置 | |
CN111624229B (zh) | 一种基于红外成像的带电设备故障智能诊断方法 | |
CN108780050B (zh) | 检测镜头的方法及装置、电子设备和计算机可读存储介质 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
CN110599484B (zh) | 缺陷检测方法、装置及存储介质 | |
CN116900449A (zh) | 基于信号融合的焊接质量监测方法和系统 | |
CN116297199B (zh) | 一种基于机器视觉自动检测锂电池参数的检测系统 | |
CN116467662B (zh) | 一种制粒机故障识别方法及系统 | |
CN111426693A (zh) | 一种质量缺陷检测系统及其检测方法 | |
CN112669287A (zh) | 基于图像识别的电气设备温度监测方法 | |
CN111665249B (zh) | 一种光强调整方法、系统及光学检测设备 | |
CN116481585B (zh) | 基于机器视觉的产品全检系统及检测方法 | |
CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
CN116989827B (zh) | 接近式传感器防电磁干扰方法、装置、设备及存储介质 | |
CN113554645A (zh) | 基于wgan的工业异常检测方法和装置 | |
TWI637250B (zh) | 智慧加工調變系統及方法 | |
US20220343113A1 (en) | Automatic model reconstruction method and automatic model reconstruction system for component recognition model | |
US20190122340A1 (en) | Image processing apparatus, image processing system, and recording medium | |
JP2019190911A (ja) | 検査装置 | |
CN113311060B (zh) | 一种电梯包覆带缺陷在线检测及标记装置与系统 | |
CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN111929328A (zh) | 拉链缺陷检测方法和装置 | |
CN111654695A (zh) | 摄像头模组检测数据管理系统 | |
CN111649804A (zh) | 油位监测方法、设备及具有存储功能的装置 | |
CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 |
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 |