CN117032095A - 一种数字化特种设备焊工考试车间管理方法及系统 - Google Patents
一种数字化特种设备焊工考试车间管理方法及系统 Download PDFInfo
- Publication number
- CN117032095A CN117032095A CN202310900442.0A CN202310900442A CN117032095A CN 117032095 A CN117032095 A CN 117032095A CN 202310900442 A CN202310900442 A CN 202310900442A CN 117032095 A CN117032095 A CN 117032095A
- Authority
- CN
- China
- Prior art keywords
- welding
- data
- database
- welding process
- workshop
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000003466 welding Methods 0.000 claims abstract description 255
- 230000008569 process Effects 0.000 claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000006073 displacement reaction Methods 0.000 claims abstract description 15
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 69
- 230000007547 defect Effects 0.000 claims description 45
- 238000007726 management method Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 31
- 238000013528 artificial neural network Methods 0.000 description 27
- 238000012549 training Methods 0.000 description 17
- 230000035515 penetration Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
Abstract
本公开提供了一种数字化特种设备焊工考试车间管理方法及系统，涉及焊工考试车间管理技术领域，包括控制中心和多传感器集成模块；所述多传感器集成模块包括电流传感器、电压传感器、红外测温传感器以及激光测距传感器，用于采集特种设备焊接过程中电参数、温度、速度位移的数据信息，通过信号数据处理模块传输至控制中心；所述控制中心接收到多传感器集成模块发送的数据信息后生成驱动函数指令，通过驱动函数和I/O函数将函数指令转换为电信号代码并发送至焊接设备，驱动焊接设备作出动作，实现对焊接过程的监测管理，并将焊接过程的监测数据存储至数据库；本公开实现焊工考试全过程进行大数据记录，提高焊工考试管理的效率。
Description
技术领域
本公开涉及焊工考试车间管理技术领域，具体涉及一种数字化特种设备焊工考试车间管理方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
焊接技术数字化是指实现焊接车间的数字化管理，提高管理效率；实现焊接过程的数字化监测，实现焊接参数的数字化监测，获取焊接电参数、熔池形貌、电弧状态等信息，可实现对焊接过程进行深入研究分析。焊接技术的智能化是指利用先进的人工智能技术，实现对焊接过程的控制和焊接质量的评价等。
在焊接质量评价过程中，焊接缺陷是评价焊接质量的重要因素。焊瘤、咬边等表面缺陷及未焊透缺陷由于比较明显，检验人员相对容易发现。而焊缝横截面上的缺陷，如裂纹、未熔合、条状夹渣等，需要使用专业工具确定缺陷的大小和位置，其危害更加严重。除缺陷之外焊缝横截面的大小形状也对焊缝的力学性能有着重要的影响。现有的不能有效的根据监测系统监测的实时焊接参数，对焊缝横截面形貌(面积、高度、宽度)进行评价，并对焊缝截面缺陷进行识别，极大的增加了焊缝检测人员的人力成本、影响焊缝评定效果，从而降低了焊工考试的效率和准确率。
发明内容
本公开为了解决上述问题，提出了一种数字化特种设备焊工考试车间管理方法及系统，针对焊工考试，设计监测、分析、评价以及管理的综合数字化焊工考试焊接质量评价管理系统，达到提高焊接考试和提高考试质量的目的。
根据一些实施例，本公开采用如下技术方案：
一种数字化特种设备焊工考试车间管理系统，包括控制中心和多传感器集成模块，所述多传感器集成模块包括电流传感器、电压传感器、红外测温传感器以及激光测距传感器，用于采集特种设备焊接过程中电参数、温度、速度位移的数据信息，通过信号数据处理模块传输至控制中心；
所述控制中心接收到多传感器集成模块发送的数据信息后生成驱动函数指令，通过驱动函数和I/O函数将函数指令转换为电信号代码并发送至焊接设备，驱动焊接设备作出动作，实现对焊接过程的监测管理，并将焊接过程的监测数据存储至数据库；
所述驱动函数指控制焊接设备作出动作的指令，包括设备自检函数、设备运行函数、调整参数函数以及校准时钟函数。
进一步的，所述信号数据处理模块包括数据采集卡和数据转换接口，用于对多传感器集成模块采集的数据进行初步的处理和转换后传输至控制中心。
进一步的，所述数据库由若干个子库构成，用于存储焊工考试的焊接过程数据、考试期数、设备、耗材，所述数据库连接数据库管理模块，所述数据库管理模块对数据库的各个子库进行增删改查操作，实现对数据库的管理。
进一步的，所述数据库中的数据信息用于后续的数据分析与处理，在数据库中读取焊接过程数据，根据焊接日期、焊接方法对焊接过程数据进行筛选显示，在图表中显示焊接时的实时电流、电压、焊件温度和焊接位移。
进一步的，对保存的焊接过程数据进行截取、插值、滤波以及计算，对焊缝进行局部分析，截取局部焊缝位置的电流、电压和位移的原始数据，并进一步计算焊缝位置的焊接速度、焊接热输入特征信息。
进一步的，对保存的焊接过程数据进行时域分析、统计分析以及频域分析，获取焊接过程数据的波形导数、差分、微分、自相关性以及互相关性；通过统计分析得到各数据的均值、方差、电流电压短路周期特征值，得到电流电压分布图、电流电压短路分布图、短路时长直方图、以及焊接电流电压的分布直方图；通过频域分析得到信号的频谱特征，以此得到数据信号中不同频率的谐波，从而帮助信号进行的特征提取、滤波消噪处理。
进一步的，数据库中的焊接过程数据用于焊接质量评价，根据焊接过程的实时的焊接参数，对焊缝横截面形貌进行评价，并对焊缝截面缺陷利用BP神经网络模型进行识别，实现焊工考试的焊接质量评价。
根据一些实施例，本公开采用如下技术方案：
一种数字化特种设备焊工考试车间管理系统的管理方法，包括：
对焊接的过程进行数据监测，采集特种设备焊接过程中电参数、温度、速度位移的数据信息传输至控制中心；控制中心接收到数据信息后生成驱动函数指令，通过驱动函数和I/O函数将函数指令转换为电信号代码驱动焊接设备作出动作，实现对焊接过程的监测管理，并将焊接过程的监测数据存储至数据库；
调取数据库中焊接过程的监测数据，对监测数据进行各种分析，对焊接的质量进行在线评价；基于数据库对数据库实现管理，实现焊接车间的数字化存储。
根据一些实施例，本公开采用如下技术方案：
一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现一种数字化特种设备焊工考试车间管理系统的管理方法。
根据一些实施例，本公开采用如下技术方案：
一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现一种数字化特种设备焊工考试车间管理系统的管理方法。
与现有技术相比，本公开的有益效果为：
本公开基于焊接技术数字化，实现焊接车间的数字化管理，提高管理效率；实现焊接过程的数字化监测，实现焊接参数的数字化监测，获取焊接电参数等信息，可实现对焊接过程进行深入研究分析。利用先进的人工智能技术，实现对焊接过程的控制和焊接质量的评价等。
依托焊接数字化和智能化技术，开发兼具监测、分析、评价、管理功能的焊工考试车间管理系统，在焊接过程中实时监测各种信号，对这些信号进行储存及分析，最终结合BP神经网络技术对焊缝形貌缺陷进行评价，达到提高焊接考试效率和提高考试质量的目的。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例的系统整体组成示意图；
图2为本公开实施例的手工电焊焊接式样；
图2中的(a)为06Cr19Ni10焊件式样；
图2中的(b)为Q345B部分焊件式样；
图3为本公开实施例的手工电弧焊试验查询监测的数据；
图4为本公开实施例的焊缝形貌评价精确率；
图5为本公开实施例的焊缝缺陷识别评价精确率。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的一种实施例中提供了一种数字化特种设备焊工考试车间管理系统，如图1所示，设计系统的架构，根据焊接考试过程交互的层次，将系统分为三部分，硬件层、软件层以及数据库层三层结构，具体的，根据三个层次又划分多个模块，硬件层中包括多传感器集成模块、上位机的控制中心，焊接设备以及信号数据处理模块；数据库层包括数据库以及数据库管理模块；软件层进行数据的分析处理。
硬件层位于最上层，由传感器、机械夹具、数据采集卡、信号转换器和计算机等组件构成，负责直接与焊接过程进行交互，在焊接过程中监测所需的电参数、温度和速度等信号。
软件层位于中间位置，由焊接数据监测软件、焊接数据分析软件、焊缝评价软件及车间信息数据库管理软件四部分组成。一方面系统利用软件层和硬件层进行数据交流，控制硬件层进行硬件自测、参数设置、开始/结束监测等工作。另一方面，系统通过软件层与数据库进行数据读写，对数据库进行增、删、改、查等操作。软件层是直接与用户进行交互的一层，本公开中的软件是使用LabVIEW设计开发。
数据库层位于最底层，负责信息的存储工作，由两部分组成：一部分为焊接数据记录部分，记录每一次焊接试验的实时参数信息，监测软件、分析软件、评价软件可对其进行访问操作；另一部分为焊接考试车间信息部分，由焊接数据库管理软件对其进行访问管理，从而实现车间的数字化管理。本系统中的数据库基于Office Access设计开发。
作为一种实施例，本公开的一种数字化特种设备焊工考试车间管理系统，主要的功能包括监测、分析、评价以及管理四大部分，所述系统具体的执行架构包括控制中心和多传感器集成模块；
所述多传感器集成模块包括电流传感器、电压传感器、红外测温传感器以及激光测距传感器，用于采集特种设备焊接过程中电参数、温度、速度位移的数据信息，通过信号数据处理模块传输至控制中心；
所述控制中心接收到多传感器集成模块发送的数据信息后生成驱动函数指令，通过驱动函数和I/O函数将函数指令转换为电信号代码并发送至焊接设备，驱动焊接设备作出动作，实现对焊接过程的监测管理，并将焊接过程的监测数据存储至数据库；
所述驱动函数指控制焊接设备作出动作的指令，包括设备自检函数、设备运行函数、调整参数函数以及校准时钟函数。
基于上述系统结构，主要实现包括监测、分析、评价、管理的功能。
1.焊接数据监测功能是系统的基础功能，其他功能都是在系统监测的可靠数据的基础上完成的。数据监测功能是基于硬件平台和焊接数据监测软件实现的。
硬件平台由主要由两大部分构成：第一部分为多传感器集成模块，包括电流传感器、电压传感器、红外测温传感器及激光测距传感器。各类传感器分别用于监测焊接过程的电参数、温度、速度位移信息。第二部分为信号数据处理模块，负责对传感器监测信息进行初步的处理和转换，由数据采集卡及数据转换接口等设备构成。
监测软件由I/O接口层、仪器驱动层和应用软件层三层构成。I/O接口层和仪器驱动层包括硬件设备的驱动函数和电脑I/O函数，负责将软件发出的函数指令翻译为硬件芯片能够识别的电信号代码并发送给硬件设备。驱动函数指控制硬件设备做出动作的函数，包括设备自检函数、设备运行函数、调整参数函数及校准时钟函数等。利用驱动函数，便可自行设计开发应用软件，实现想要的功能。
2.数据分析与处理
利用多种处理分析技术，开发了焊工考试车间数据提取和分析软件。其数据处理分析功能如下：
(1)数据查询功能：在数据库中读取焊接记录，并能根据焊接日期、焊接方法等条件对相关的焊接记录进行筛选显示，选中记录后可以在图表中显示焊接时的实时电流、电压、焊件温度和焊接位移等数据。
(2)数据处理功能：对监测的焊接数据进行截取、插值、滤波、计算等处理。有助于对焊缝进行局部分析，用户可以截取局部焊缝位置的电流、电压和位移的原始数据，并进一步计算该焊缝位置的焊接速度、焊接热输入等特征信息。
(3)数据分析功能：对监测的焊接数据进行时域分析、统计分析、频域分析。通过时域分析可得到焊接数据的波形导数、差分、微分以及自相关性、互相关性等信息；通过统计分析可以得到各数据的均值、方差、电流电压短路周期等特征值，得到电流电压(U-I)分布图、电流电压短路分布图、短路时长直方图、以及焊接电流电压的分布直方图等；通过频域分析可以得到信号的频谱特征，以此可以得到数据信号中不同频率的谐波，从而帮助信号进行的特征提取、滤波消噪处理。
3.焊工考试车间管理
焊工考试车间的数字化管理功能通过数据库和数据库管理系统实现。焊工考试车间数据库可以实现车间数据的数字化存储，数据库由若干个子库构成，用于存储焊工考试车间的考试期数、设备、耗材和焊接工艺规程，而数据库管理软件通过对数据库下的各个子库进行增加、删除、改写和查询等操作实现对数据库的管理。
对于数据库的设计，考虑到本系统应用的场景，数据量相对较少，且时间有限对开发效率有一定的要求，最终选择使用Access来完成数据库的开发。综合考虑开发效率和成本，本公开选择通过LabSQL工具包实现数据库管理。
4.焊接质量在线评价系统
在焊接质量评价过程中，焊接缺陷是评价焊接质量的重要因素。焊瘤、咬边等表面缺陷及未焊透缺陷由于比较明显，检验人员相对容易发现。而焊缝横截面上的缺陷，如裂纹、未熔合、条状夹渣等，需要使用专业工具确定缺陷的大小和位置，其危害更加严重。除缺陷之外焊缝横截面的大小形状也对焊缝的力学性能有着重要的影响。如果能根据监测系统监测的实时焊接参数，对焊缝横截面形貌(面积、高度、宽度)进行评价，并对焊缝截面缺陷进行识别，将极大的减轻焊缝检测人员的人力成本、提高焊缝评定效果，从而最终提高焊工考试的效率和准确率。
焊缝横截面形貌评价本质上是一种回归问题，缺陷的识别本质上是一种分类问题。BP神经网络，即误差逆向传播算法(Back Propagation)神经网络，是一种多层前馈神经网络，是应用最广泛的神经网络模型之一，擅长处理复杂的非线性关系，常用于回归问题及分类问题[5]。在理论上，一个三层BP神经网络可以以任意精度逼近一个任意给定的连续函数，本系统使用BP神经网络可实现焊缝横截面形貌评价和焊缝横截面缺陷进行识别，从而实现焊工考试质量在线评价。
在完成BP神经网络建模后，即可得到焊缝实时参数与焊缝横截面形貌、焊缝缺陷之间的关系矩阵，利用关系矩阵可对焊接评价软件进行设计开发。焊缝形貌和缺陷评价系统功能的实现逻辑为：用户打开焊缝形貌及缺陷评价软件后，软件通过ODBC端口连接焊接数据库，在子库中读取显示已有的焊接记录。用户选中焊接记录后，软件自动读取数据，并处理数据提取特征值。特征值会被输入到BP神经网络建模得到的关系矩阵中，计算获得焊缝形貌及焊缝缺陷评价值。软件则提取形貌及缺陷数据并绘制成曲线，显示焊缝不同位置的形貌数据及缺陷情况。用户可以将评价结果导出Excel或保存到数据库相应的子库里。
为了验证焊工考试车间数字化以及考试质量评价功能，通过手工MAG焊以及手工TIG试验，监测了焊缝成形和焊缝缺陷数据实现，并通过建立焊缝形貌评价BP神经网络及焊接缺陷识别BP神经网络，实现手工电弧焊焊接过程数字化及焊缝形貌评价和焊缝缺陷识别等功能。
1)手工电弧焊焊接试验
为使本系统在不同的手工焊接方法中都具有可用性，本次试验将针对手工TIG焊、手工MAG焊两种焊接方法进行试验，如表1所示。焊接材料分别选择6mm厚的不锈钢06Cr19Ni10和12mm厚的碳钢Q235B及Q345B。单侧焊件尺寸为150×50mm，开60度V型坡口，焊缝形式为对接焊缝。
表1焊接材料表
焊件的焊接工艺为多层多道焊，具体焊接时打底焊、填充焊、盖面焊各焊一层。焊接过程中的参数选择均根据泰安特种设备检验研究院焊工考试机构相关焊接工艺规程进行确定，为对比工艺参数大小对焊接结果的影响，选择时在工艺规程给出的推荐参数范围选择偏大偏小的参数各焊两次。具体的焊接参数选择如表2所示。
表2焊接参数表
焊接过程中测温、测距传感器在焊枪上的集成效果良好、质量轻便，并不会影响焊工过的正常焊接。电流、电压传感器及数据采集卡等设备也均正常工作，满足参数监测需求。在试验过程中，获得焊件36块，如图2所示；监测焊接实时数据共72组，其中包括36组打底焊数据、24组填充焊数据及12组盖面焊数据。
焊接试验记录相关信息在数据库的存储功能也成功实现，通过使用数据库管理软件及焊接数据查询分析软件，可以随意的查看焊接试验记录相关信息，并对监测的焊接电流、电压、温度、位移信号进行详细的查询分析，如图3所示。
2)焊接试样的处理及数据提取
神经网络建模的目的是建立监测软件监测的焊接电流、电弧电压、焊件温度和焊接速度数据与手工电弧焊焊缝形貌及缺陷之间的关系。在同一条焊缝上，由于不同焊缝位置的焊接实际情况不同，不同焊缝位置的局部焊缝形貌和缺陷情况也是不同的。为了表征瞬时焊接情况对焊缝的影响，需要一条焊缝进行多点取样，提取不同位置的形貌、缺陷特征参数，并提取该焊缝位置对应焊接时间的电流电压等数据的瞬时焊接信号特征参数。
神经网络建模时，使用瞬时焊接信号特征参数作为神经网络输入值，焊缝形貌、缺陷特征参数作为神经网络目标值。建模成功后，即可实现由瞬时焊接信号特征参数到焊缝形貌、缺陷特征参数的评价，从而构建监测的电流、电压等焊接实时信号和手工电弧焊焊缝形貌及缺陷之间的关系。
本公开从瞬时的焊接电流、电弧电压、焊件温度和焊接速度数据中提取瞬时焊接信号特征参数大概分为两类：(1)表征焊接能量输入的特征参数：焊接速度、焊接电流、电弧电压均值、焊件温度、热输入、电弧功率、短路过渡周期均值；(2)表征焊接稳定性的特征参数：焊接电流方差、电弧压电方差、短路过渡周期方差。
本公开提取的焊缝形貌及缺陷特征参数有：(1)焊缝截面形貌特征参数：焊缝高度(余高及熔深的总高度)、焊缝宽度、焊缝截面积；(2)缝截面缺陷特征参数：未熔合面积、焊穿厚度、背部熔宽。
为了实现以上焊接特征参数的提取，需要对试验获得的焊件及焊接实时参数进行处理及分析提取。经过一系列数据处理及特征参数提取后，获得每块获得可用于焊缝熔深评价的特征参数116组，其中包含打底焊、填充焊、盖面焊三道焊缝的数据在内。获得可用于焊缝缺陷评价的特征参数61组，全部数据都为打底焊焊缝的数据。
3)数据数字化和归一化处理
对于手工电弧焊焊缝截面缺陷识别神经网络，选择焊接电流、焊件温度、瞬时电弧功率、瞬时热输入、局部电流方差、局部电压方差、短路过渡周期时间、短路过渡周期时间方差作为输入参数。选择是否存在未焊透、未熔合作为输出值。未熔合识别和未焊透识别分别由独立的神经网络实现，两者输入完全相同，仅仅输出不同。输入参数中，焊接电流、焊件温度、瞬时电弧功率、瞬时热输入及短路周期时间均值代表了热输入影响因素；局部电流方差、局部电压方差及短路周期时间方差代表了焊接稳定性影响因素。在手工TIG焊缺陷识别中，由于不存在短路过渡，短路过渡周期时间和短路过渡周期时间方差值均为零。
完成神经网络输入输出量选择后，需要将输入输出量全部转换为数字表示。例如焊接方法作输入值后，使用0代表TIG焊、1代表MAG焊；再例如焊接道次作输入值后，使用向量(1,0,0)表示打底焊、(0,1,0)表示填充焊、(0,0,1)表示盖面焊；是否存在未熔合缺陷作输出值时，向量(1,0)代表无未熔合缺陷、向量(0,1)代表有未熔合缺陷。焊缝形貌评价神经网络输入数据数值化示例如表3所示。
表3焊缝形貌评价神经网络输入数据数字化表示
完成数据样本的数值化后，为了消除不同输入参数不同量纲及不同取值范围的影响，需要对输入输出进行归一化处理。焊缝形貌评价神经网络输入输出特征值所取的归一化范围如表4所示。
表4焊缝形貌评价输入输出特征值归一化范围
完成神经网络输入输出选择及结构设计后，使用python进行了神经网络的编码及训练建模。建模时将数据分为了训练集和测试集，建模时训练集用于训练模型，每个模型训练1000轮，保证模型收敛。测试集用于测试模型的精度，保证模型不会过度收敛于训练集，以达到交叉验证的目的。
最终手工电弧焊焊缝形貌评价BP神经网络，使用116组训练数据进行了迭代训练1000轮。其中设置训练样本100组，测试样本16组。如图4所示，最后训练集评价精确分别为：焊缝高度评价91％、焊缝宽度评价92.8％、焊缝面积评价90.3％；测试集评价精度分别为：焊缝高度评价91.1％、焊缝宽度评价90.828％、焊缝面积评价92.22％；总样本集评价精度，焊缝高度评价90％、焊缝宽度评价92.5％、焊缝面积评价90.6％。
手工TIG焊焊缝未熔合识别BP神经网络及未焊透识别BP神经网络，使用31组数据进行了迭代训练1000轮。其中设置训练样本25组，测试样本6组。如图5所示，最后未熔合识别整体准确率为90.3％，训练集92％，测试集83.7％；未焊透识别准整体确率为87.1％，训练集88％，测试集83.7％。
手工MAG焊焊缝未熔合识别BP神经网络及未焊透识别BP神经网络，使用30组数据进行了迭代训练1000轮。其中设置训练样本25组，测试样本5组。如图5所示，最后未熔合识别整体准确率为87％，训练集84％，测试集100％；未焊透识别准整体确率为77％，训练集72％，测试集80％。
实施例2
本公开的一种实施例中提供了一种数字化特种设备焊工考试车间管理系统的管理方法，包括：
对焊接的过程进行数据监测，采集特种设备焊接过程中电参数、温度、速度位移的数据信息传输至控制中心；控制中心接收到数据信息后生成驱动函数指令，通过驱动函数和I/O函数将函数指令转换为电信号代码驱动焊接设备作出动作，实现对焊接过程的监测管理，并将焊接过程的监测数据存储至数据库；
调取数据库中焊接过程的监测数据，对监测数据进行各种分析，对焊接的质量进行在线评价；基于数据库对数据库实现管理，实现焊接车间的数字化存储。
实施例3
一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现一种数字化特种设备焊工考试车间管理系统的管理方法。
实施例4
一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的一种数字化特种设备焊工考试车间管理系统的管理方法。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种数字化特种设备焊工考试车间管理系统，其特征在于，包括控制中心和多传感器集成模块；
所述多传感器集成模块包括电流传感器、电压传感器、红外测温传感器以及激光测距传感器，用于采集特种设备焊接过程中电参数、温度、速度位移的数据信息，通过信号数据处理模块传输至控制中心；
所述控制中心接收到多传感器集成模块发送的数据信息后生成驱动函数指令，通过驱动函数和I/O函数将函数指令转换为电信号代码并发送至焊接设备，驱动焊接设备作出动作，实现对焊接过程的监测管理，并将焊接过程的监测数据存储至数据库；
所述驱动函数指控制焊接设备作出动作的指令，包括设备自检函数、设备运行函数、调整参数函数以及校准时钟函数。
2.如权利要求1所述的一种数字化特种设备焊工考试车间管理系统，其特征在于，所述信号数据处理模块包括数据采集卡和数据转换接口，用于对多传感器集成模块采集的数据进行初步的处理和转换后传输至控制中心。
3.如权利要求1所述的一种数字化特种设备焊工考试车间管理系统，其特征在于，所述数据库由若干个子库构成，用于存储焊工考试的焊接过程数据、考试期数、设备、耗材，所述数据库连接数据库管理模块，所述数据库管理模块对数据库的各个子库进行增删改查操作，实现对数据库的管理。
4.如权利要求1所述的一种数字化特种设备焊工考试车间管理系统，其特征在于，所述数据库中的数据信息用于后续的数据分析与处理，在数据库中读取焊接过程数据，根据焊接日期、焊接方法对焊接过程数据进行筛选显示，在图表中显示焊接时的实时电流、电压、焊件温度和焊接位移。
5.如权利要求1所述的一种数字化特种设备焊工考试车间管理系统，其特征在于，对保存的焊接过程数据进行截取、插值、滤波以及计算，对焊缝进行局部分析，截取局部焊缝位置的电流、电压和位移的原始数据，并进一步计算焊缝位置的焊接速度、焊接热输入特征信息。
6.如权利要求1所述的一种数字化特种设备焊工考试车间管理系统，其特征在于，对保存的焊接过程数据进行时域分析、统计分析以及频域分析，获取焊接过程数据的波形导数、差分、微分、自相关性以及互相关性；通过统计分析得到各数据的均值、方差、电流电压短路周期特征值，得到电流电压分布图、电流电压短路分布图、短路时长直方图、以及焊接电流电压的分布直方图；通过频域分析得到信号的频谱特征，以此得到数据信号中不同频率的谐波，从而帮助信号进行的特征提取、滤波消噪处理。
7.如权利要求1所述的一种数字化特种设备焊工考试车间管理系统，其特征在于，数据库中的焊接过程数据用于焊接质量评价，根据焊接过程的实时的焊接参数，对焊缝横截面形貌进行评价，并对焊缝截面缺陷利用BP神经网络模型进行识别，实现焊工考试的焊接质量评价。
8.基于权利要求1-7任一项所述的一种数字化特种设备焊工考试车间管理系统的管理方法，其特征在于，对焊接的过程进行数据监测，采集特种设备焊接过程中电参数、温度、速度位移的数据信息传输至控制中心；控制中心接收到数据信息后生成驱动函数指令，通过驱动函数和I/O函数将函数指令转换为电信号代码驱动焊接设备作出动作，实现对焊接过程的监测管理，并将焊接过程的监测数据存储至数据库；
调取数据库中焊接过程的监测数据，对监测数据进行各种分析，对焊接的质量进行在线评价；基于数据库对数据库实现管理，实现焊接车间的数字化存储。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求8所述的一种数字化特种设备焊工考试车间管理系统的管理方法。
10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求8任一项所述的一种数字化特种设备焊工考试车间管理系统的管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310900442.0A CN117032095A (zh) | 2023-07-21 | 2023-07-21 | 一种数字化特种设备焊工考试车间管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310900442.0A CN117032095A (zh) | 2023-07-21 | 2023-07-21 | 一种数字化特种设备焊工考试车间管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117032095A true CN117032095A (zh) | 2023-11-10 |
Family
ID=88621768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310900442.0A Pending CN117032095A (zh) | 2023-07-21 | 2023-07-21 | 一种数字化特种设备焊工考试车间管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117032095A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040099648A1 (en) * | 2002-11-26 | 2004-05-27 | Hu Shixin Jack | Online monitoring system and method for a short-circuiting gas metal arc welding process |
| CN105345247A (zh) * | 2015-11-19 | 2016-02-24 | 广州亨龙智能装备股份有限公司 | 电阻焊焊机焊接质量在线监控系统 |
| CN105855743A (zh) * | 2016-05-04 | 2016-08-17 | 华中科技大学 | 一种焊接熔池动态过程在线监测系统及方法 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
| CN107515953A (zh) * | 2017-09-27 | 2017-12-26 | 武汉龙谷科尔技术有限公司 | 一种焊接全过程质量追踪与分析系统 |
| CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
| KR20220035570A (ko) * | 2020-09-14 | 2022-03-22 | 대우조선해양 주식회사 | 심용접 품질 관리 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
| CN115592294A (zh) * | 2022-10-31 | 2023-01-13 | 苏州思萃熔接技术研究所有限公司（Cn） | 焊材在管道焊接的外环焊缝全位置成形质量评价方法 |
-
2023
- 2023-07-21 CN CN202310900442.0A patent/CN117032095A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040099648A1 (en) * | 2002-11-26 | 2004-05-27 | Hu Shixin Jack | Online monitoring system and method for a short-circuiting gas metal arc welding process |
| CN105345247A (zh) * | 2015-11-19 | 2016-02-24 | 广州亨龙智能装备股份有限公司 | 电阻焊焊机焊接质量在线监控系统 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
| CN105855743A (zh) * | 2016-05-04 | 2016-08-17 | 华中科技大学 | 一种焊接熔池动态过程在线监测系统及方法 |
| CN107515953A (zh) * | 2017-09-27 | 2017-12-26 | 武汉龙谷科尔技术有限公司 | 一种焊接全过程质量追踪与分析系统 |
| CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
| KR20220035570A (ko) * | 2020-09-14 | 2022-03-22 | 대우조선해양 주식회사 | 심용접 품질 관리 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 |
| CN115592294A (zh) * | 2022-10-31 | 2023-01-13 | 苏州思萃熔接技术研究所有限公司（Cn） | 焊材在管道焊接的外环焊缝全位置成形质量评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101882925B1 (ko) | 납땜 이음의 품질을 검사하는 방법 | |
| Asif et al. | Machine learning model to predict welding quality using air-coupled acoustic emission and weld inputs | |
| CN100451895C (zh) | 用于控制工业过程的质量的方法 | |
| CN109783906A (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
| CN112154040B (zh) | 自动确定用于在工件上执行焊接的最佳焊接参数的方法 | |
| CN112091472B (zh) | 焊接过程质量融合判断方法及装置 | |
| KR102306269B1 (ko) | 실시간 아크 용접 결함 탐지/분류 방법 및 장치 | |
| KR102230886B1 (ko) | 이미지인식 기반의 프로젝션용접 결함 검출시스템 | |
| JP7403907B2 (ja) | 溶接品質を分析するためのシステムおよび方法 | |
| Wu et al. | Real-time sensing and monitoring in robotic gas metal arc welding | |
| CN106296679A (zh) | 一种确定直缝焊管焊接质量的方法 | |
| Egorova et al. | Synthesis of an adaptive system for diagnosing the quality of automated welding products | |
| CN113780900B (zh) | 基于边缘计算的焊接检测系统及方法 | |
| KR0173676B1 (ko) | 전기저항용접의 온라인 비파괴 검사장치 및 그 방법 | |
| CN117032095A (zh) | 一种数字化特种设备焊工考试车间管理方法及系统 | |
| CN108393559A (zh) | 水下湿法焊接质量评估系统及焊接质量检测控制方法 | |
| US8426771B2 (en) | Method of monitoring machine condition | |
| CN116618878A (zh) | 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 | |
| CN107705312A (zh) | 一种基于线扫描数据提取焊后焊缝边缘点的方法 | |
| Breitenbach et al. | A Systematic Literature Review on Machine Learning Approaches for Quality Monitoring and Control Systems for Welding Processes | |
| KR101040926B1 (ko) | 기계의 결함 진단방법 | |
| Ratnayake | A methodology for assessing most vulnerable welding procedure specifications and imperfection factors | |
| Auger | Detection of laser-welding defects using neural networks | |
| CN116776103B (zh) | 一种基于机器视觉的焊缝检测智能调控系统及方法 | |
| KR102518051B1 (ko) | 센서 융합을 이용한 용접부 결함 검출 방법 |
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 |