CN117473350A - 基于数据处理的焊管焊接生产过程监测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于数据处理的焊管焊接生产过程监测方法。该方法包括：获取每个加工件的每个焊接属性的焊接属性值；对加工件异常检测获取异常值，对每个焊接属性进行聚类获取若干聚类簇，根据聚类结果获取焊接属性的相关性并获取焊接属性的异常重要性；对于每个焊接属性获取属性曲线段，根据加工件的焊接属性值以及与相邻加工件的角度值获取曲线稳定性和波动异常性，并以此获取加工件在焊接属性下的修正异常指标；根据修正异常指标和属性异常重要性获取加工件的异常程度，以此对异常值修正完成监测。本发明增加了使用异常检测算法获取异常检测结果的准确性。

Description

基于数据处理的焊管焊接生产过程监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于数据处理的焊管焊接生产过程监测方法。

背景技术

焊管焊接是一项关键的制造工艺，焊接质量对产品的功能和可靠性至关重要。通过实施生产管理，可以确保焊接过程中的关键参数和控制点得到有效监控和控制，从而提高焊接质量的一致性和稳定性。通过生产管理，可以采取相应的预防措施，如优化工艺参数、加强材料检验、培训操作人员等，以减少缺陷的发生。焊管焊接产品会出现质量问题，因此在生产线端就进行焊管监测，记录和管理焊接过程中的关键信息，如原材料来源、设备使用情况、操作人员等，为追溯提供可靠的数据支持，有助于快速定位和解决问题。

将所得焊管焊接生产过程数据进行异常检测，从而根据检测结果及时分析生成问题，而现有ABOD异常检测算法中，为了减少时间复杂度，设置了一个最近邻参数 k，而对于不同的k值其进行检测结果是不同的，由于一般所设k值为人为设定的值，异常检测精度较差。

发明内容

为了解决异常检测精度较差的技术问题，本发明提供了基于数据处理的焊管焊接生产过程监测方法，所采用的技术方案具体如下：

本发明提出了基于数据处理的焊管焊接生产过程监测方法，该方法包括以下步骤：

获取每个加工件的每个焊接属性的焊接属性值；

对于加工件的所有焊接属性进行异常检测获取加工件的异常值，对于加工件的每个焊接属性进行聚类获取每个焊接属性的聚类簇数量，对于任意两个焊接属性的聚类簇数量获取两个焊接属性的合并聚类簇数量；根据两个焊接属性的合并聚类簇的大小获取两个焊接属性的相关性；根据焊接属性之间的相关性获取每个焊接属性的属性异常重要性；

在每个焊接属性下，对于每个加工件获取属性曲线段，根据属性曲线段内所有加工件的焊接属性值获取属性曲线段的曲线稳定性；在属性曲线段内获取每个加工件与相邻的加工件的夹角的角度值，将相邻加工件的角度值差异记为第一角度差异，将属性曲线段内的所有角度值聚类获取若干簇类；根据簇类的加工件数量以及加工件对应的第一角度差异获取属性曲线段的波动异常性；根据属性曲线段去掉加工件前后的曲线稳定性差异以及波动异常性获取加工件在每个焊接属性下的异常指标；根据加工件在每个焊接属性下的异常指标以及焊接属性之间的相关性获取加工件在每个焊接属性下的修正异常指标；

根据每个加工件在不同焊接属性下的修正异常指标以及焊接属性的属性异常重要性获取加工件的异常程度，根据加工件的异常程度对加工件的异常值进行修正获取修正异常值；将修正异常值高于预设阈值的加工件作为异常加工件，完成焊管生产监测。

优选的，所述对于加工件的每个焊接属性进行聚类获取每个焊接属性的聚类簇数量，对于任意两个焊接属性的聚类簇数量获取两个焊接属性的合并聚类簇数量的方法为：

使用DBSCAN聚类算法对每个焊接属性的所有加工件进行聚类，聚类距离为加工件之间的焊接属性值差值的绝对值，输入为每个焊接属性下所有加工件的焊接属性值，输出为每个加工件所在的聚类簇；

对于任意两个焊接属性，将两个焊接属性对应的任意两个聚类簇重叠的部分记为合并聚类簇。

优选的，所述根据两个焊接属性的合并聚类簇的大小获取两个焊接属性的相关性的方法为：

式中，表示第p个焊接属性中第i个聚类簇与第q个焊接属性中第j个聚类簇的合并聚类簇中加工件的数量，/>表示第p个焊接属性对应的聚类簇的数量，/>表示第q个焊接属性对应的聚类簇的数量，/>表示线性归一化函数，/>表示第p个焊接属性对于第q个焊接属性的数据稳定性；

将第p个焊接属性对于第q个焊接属性的数据稳定性和第q个焊接属性对于第p个焊接属性的数据稳定性的乘积作为第p个焊接属性和第q个焊接属性的相关性。

优选的，所述根据焊接属性之间的相关性获取每个焊接属性的属性异常重要性的方法为：

将任意一个焊接属性记为目标焊接属性，将目标焊接属性与其余所有焊接属性的相关性累加，将累加值的相反数为整体不相关性，对整体不相关性使用以自然常数为底数的指数函数获取目标焊接属性的重要性值，将所有焊接属性的重要性值累加记为第一累加和，将每个焊接属性的重要性值与第一累加和的比值作为每个焊接属性的属性异常重要性。

优选的，所述对于每个加工件获取属性曲线段，根据属性曲线段内所有加工件的焊接属性值获取属性曲线段的曲线稳定性的方法为：

记每个加工件为目标加工件，以目标加工件为中心，在其左右两侧获取预设数量个相邻的加工件，将以目标加工件与其获取的相邻的加工件的一种焊接属性的焊接属性值构建一条曲线段记为属性曲线段，属性曲线段的横坐标为加工件的位置，纵坐标为加工件的焊接属性值；

计算属性曲线段内所有加工件的焊接属性值均值记为曲线均值，对于属性曲线段内的每个加工件，令加工件的焊接属性值与属性曲线段的曲线均值的差值绝对值记为加工件的第一属性差异；

令属性曲线段内所有加工件的第一属性差异相加进行线性归一化，令1与归一化后的值作差获取目标加工件对应的属性曲线段的曲线稳定性。

优选的，所述在属性曲线段内获取每个加工件与相邻的加工件的夹角的角度值，将相邻加工件的角度值差异记为第一角度差异，将属性曲线段内的所有角度值聚类获取若干簇类的方法为：

在属性曲线段内，令每个加工件对应一个属性数据点，令属性数据点与相邻的属性数据点相邻获取一条直线，每个属性数据点存在两条直线，两条直线的夹角记为属性数据点的角度值；将属性数据点与相邻属性数据点的角度值差值绝对值的均值记为第一角度差异；对属性曲线段内所有属性数据点的角度值聚类，聚类算法为DBSCAN算法，聚类距离为属性数据点之间的角度值差值绝对值，将获取的每个类簇记为角度聚类簇。

优选的，所述根据簇类的加工件数量以及加工件对应的第一角度差异获取属性曲线段的波动异常性的方法为：

在属性曲线段内，将每个加工件的第一角度差异和加工件的角度值所在角度聚类簇内的加工件数量的比值记为第一比值，将所有加工件的第一比值累加后线性归一化获取属性曲线段的波动异常性。

优选的，所述根据属性曲线段去掉加工件前后的曲线稳定性差异以及波动异常性获取加工件在每个焊接属性下的异常指标的方法为：

对于每条属性曲线段，分别获取属性曲线段去除目标加工件前后的波动异常性，令去掉目标加工件前后的属性曲线段的波动异常性作差取绝对值记为波动差异；令每条属性曲线段的波动差异和曲线稳定性的乘积作为目标加工件在属性曲线段对应的焊接属性下的异常指标。

优选的，所述根据加工件在每个焊接属性下的异常指标以及焊接属性之间的相关性获取加工件在每个焊接属性下的修正异常指标的方法为：

式中，表示目标加工件在第q个焊接属性下的异常指标，/>表示目标加工件在第p个焊接属性下的异常指标，/>表示第p个焊接属性与第q个焊接属性的相关性，/>表示焊接属性的数量，/>表示线性归一化函数，/>表示目标加工件在第q个焊接属性下的修正异常指标。

优选的，所据每个加工件在不同焊接属性下的修正异常指标以及焊接属性的属性异常重要性获取加工件的异常程度，根据加工件的异常程度对加工件的异常值进行修正获取修正异常值的方法为：

令加工件在每个焊接属性下的修正异常指标和焊接属性的属性异常重要性的乘积记为第一乘积，令所有焊接属性的第一乘积累加记为加工件的异常程度；

根据加工件的异常程度对加工件的异常值进行修正；

式中，表示目标加工件的异常程度，/>表示目标加工件的异常值，/>表示线性归一化函数，/>表示目标加工件的修正异常值。

本发明具有如下有益效果：本发明通过分析焊接过程中各个焊接属性之间相关性，同时根据所得焊接属性的相关性分析获取焊接属性的重要性指标，同时根据焊接过程为流水线式的特征，获取构建单一焊接属性的数据曲线，并根据所得数据曲线分析参数异常性指标，并结合焊接属性之间相关性等指标获取得到数据为异常数据可能性，并基于此对ABOD算法所得数据异常指标进行修正。使得大大增加了使用此算法获取异常检测结果的准确性，同时可以在生产时，及时找出对应焊管焊接参数的异常性，更直观的分析获取焊管的焊接属性信息。并且可以根据检测结果及时分析，对工艺参数进行控制，保障焊管焊接的质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的基于数据处理的焊管焊接生产过程监测方法流程图；

图2为本发明一个实施例所提供的基于数据处理的焊管焊接生产过程监测方法实施流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于数据处理的焊管焊接生产过程监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

基于数据处理的焊管焊接生产过程监测方法实施例：

下面结合附图具体的说明本发明所提供的基于数据处理的焊管焊接生产过程监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于数据处理的焊管焊接生产过程监测方法流程图，该方法包括以下步骤：

步骤S001，获取每个加工件的每个焊接属性的焊接属性值。

在焊管焊接生产过程中，通过电流电压传感器以及焊接时设定的各项参数对于每一个焊管获取其焊接信息，其中每个焊管对应一个加工件，每个加工件的信息不同，在本实施例中，焊缝信息包括焊接时间、焊接位置、焊接电流、焊条直径、焊接电压和焊缝层数，所述焊接位置为距离加工件两侧最近一侧的距离。其中每个焊缝信息作为一种焊接属性，不同加工件对应的焊接属性不同，每个加工件都有多种焊接属性。

至此，获取了每个加工件的每个焊接属性的焊接属性值。

步骤S002，对于加工件的所有焊接属性进行异常检测获取加工件的异常值，对于加工件的每个焊接属性进行聚类获取每个焊接属性的聚类簇数量，对于任意两个焊接属性的聚类簇数量获取两个焊接属性的合并聚类簇数量；根据两个焊接属性的合并聚类簇的大小获取两个焊接属性的相关性；根据焊接属性之间的相关性获取每个焊接属性的属性异常重要性。

将每个加工件对应的所有焊接属性的焊接属性值作为每个加工件的焊接属性向量，使用ABOD算法对每个加工件的焊接属性向量进行异常检测；输入为加工件的焊接属性向量，输出为加工件的异常值，ABOD算法为公知技术，在此不多做赘述。

由于ABOD算法中为了减少时间复杂度，存在最近邻参数k，而不同k值获取的检测结果是不同的，在本实施例中设置一个k值为11，根据此k值获取加工件的异常值ABOF，而固定k值检测获取的ABOF值对于不同的加工件效果不同，精准度不同，因此本实施例结合加工件本身的数据对检测出的异常值ABOF进行修正。

对于每个加工件的焊接属性，部分焊接属性例如焊接时间、焊接位置等，是通过人为参数调整设置的，而焊接电流、焊接电压等是通过传感器测量得到的，而针对不同的人为调整参数，使用传感器测量的参数也会发生响应变化，因此部分焊接属性之间存在一定的相关性。

统计历史上所有生产出的加工件记为历史整体数量，在历史整体数量中，首先对于每个焊接属性进行聚类，聚类算法为DBSCAN算法，聚类距离为加工件之间的焊接属性值差值绝对值，算法参数r=3,minpts=3，通过此聚类算法获取每个焊接属性的聚类簇，获取每个焊接属性对应的所有加工件分别所处的聚类簇，对于任意两种焊接属性，同一个加工件在不同的焊接属性对应不同的聚类簇，即一个加工件对应两个聚类簇，将所对应的两个聚类簇记为合并聚类簇，获取每个合并聚类簇内加工件的数量。例如，对于p焊接属性和q焊接属性，p焊接属性对应5个聚类簇，q焊接属性对应4个聚类簇，则合并聚类簇的数量为4*5=20。

根据每个合并聚类簇中加工件的数量与其中一个焊接属性对应的聚类簇中加工件的数量获取一种焊接属性对于另一种焊接属性的数据稳定性，公式如下：

式中，表示第p个焊接属性中第i个聚类簇与第q个焊接属性中第j个聚类簇的合并聚类簇中加工件的数量，/>表示第p个焊接属性对应的聚类簇的数量，/>表示第q个焊接属性对应的聚类簇的数量，/>表示线性归一化函数，/>表示第p个焊接属性对于第q个焊接属性的数据稳定性。其中/>表示在第q个焊接属性的第j个聚类簇中，第p个焊接属性包含的第i个聚类簇加工件数量的占比。即当所求在第q个焊接属性的一个聚类簇中，第p个焊接属性对应聚类簇加工件数量所占比例越大，即所求/>越大，说明有两个焊接属性中有更多的加工件在相同的聚类簇中，则说明第p个焊接属性对于第q个焊接属性的数据稳定性越强。

使用相同的方式获取第q个焊接属性对于第p个焊接属性的数据稳定性，根据两个焊接属性互相对应的数据稳定性获取两个焊接属性的相关性，公式如下：

式中，表示第p个焊接属性对于第q个焊接属性的数据稳定性，/>表示第q个焊接属性对于第p个焊接属性的数据稳定性，/>表示第p个焊接属性与第q个焊接属性的相关性。当所求第p个焊接属性对于第q个焊接属性的数据稳定性越强，且第q个焊接属性对于第p个焊接属性的数据稳定性也越强，则说明俩个数据焊接属性之间的相关性越强。

若存在一个焊接属性与其余焊接属性的相关性均较强，则说明该焊接属性可以被其余焊接属性所取代，该焊接属性的重要性越低，而若一个焊接属性与其余焊接属性的相关性越弱，则说明该焊接属性是独立的，无法被其余焊接属性取代，该焊接属性的重要性越高，因此根据焊接属性之间的相关性计算每个焊接属性的属性异常重要性，公式如下：

式中，表示第p个焊接属性与第q个焊接属性的相关性，/>表示焊接属性的数量，/>表示以自然常数为底的指数函数，/>表示第q个焊接属性的重要性值，/>表示第q个焊接属性的属性异常重要性。其中焊接属性与其余焊接属性的相关性越强，其对于所有数据的异常性贡献程度越小，重要性值越小。

至此，获取了每种焊接属性的属性异常重要性。

步骤S003，获取加工件的属性曲线段，根据属性曲线段内加工件的焊接属性值获取曲线稳定性；获取属性曲线段内每个加工件的角度值并聚类，根据聚类获取属性曲线段的波动异常性，根据曲线稳定性和波动异常性获取加工件在焊接属性下的异常指标，并根据相关性修正获取修正异常指标。

通过上述焊接属性与焊接属性之间的相关性分析获取了每种焊接属性的属性异常重要性，由于焊管焊接为流水线式的加工方式，因此对不同加工件之间的焊接属性数据变化进行分析，令加工件的生产时间和其对应的焊接数据构成一个时序序列，时序序列对应的属性曲线中横坐标为加工件的生产时间，纵坐标为加工件的某一焊接属性。

将任意一个加工件记为目标加工件，在目标加工件两侧各取相同数量的加工件，且所取的加工件相邻；因此对于任意一种焊接属性，在属性曲线中获取了以目标加工件为中点的属性曲线段；在本实施例中令属性曲线段的长度为m=49。计算属性曲线段内所有加工件的焊接属性值均值，计算属性曲线段内每个加工件的焊接属性值与焊接属性值均值的差值绝对值记为加工件的第一属性差异，获取目标加工件在此焊接属性下对应的曲线稳定性，公式如下：

式中，表示目标加工件对应的第q个属性曲线段中第u个加工件的第一属性差异，/>表示属性曲线段的长度，/>表示线性归一化函数，/>表示目标加工件在第q个焊接属性下对应的曲线稳定性。其中对于第q个焊接属性，加工件的焊接属性值与加工件属性均值的差异越小，说明属性曲线段的稳定性越强，即第q个焊接属性的稳定性越强。

在目标加工件对应的每个属性曲线段中，每个加工件对应一个属性数据点，令每个加工件与相邻两个加工件的属性数据点相连，获取连线的夹角作为属性数据点的角度值，若属性数据点相邻只存在一个属性数据点，那么令该属性数据点的角度值为属性曲线段内所有属性数据点的角度值均值，对于属性曲线段中所有属性数据点的角度值进行聚类，聚类算法为DBSCAN算法，聚类距离为属性数据点之间的角度值差值绝对值，算法参数r=3,minpts=3；由此获取了若干角度聚类簇，计算每个属性数据点的角度值与相邻属性数据点的角度值差值绝对值的均值，将均值记为第一角度差异，根据每个加工件的第一角度差异和角度聚类簇数量获取属性曲线段的波动异常性，公式如下：

式中，表示目标加工件对应的第q个属性曲线段中第u个加工件的角度值，表示目标加工件对应的第q个属性曲线段中第u个加工件的第一角度差异，/>表示目标加工件对应的第q个属性曲线段中第u个加工件角度值所在聚类簇的元素数量，/>表示属性曲线段的长度，/>表示线性归一化函数，/>示目标加工件对应的第q个属性曲线段的波动异常性。当属性数据点与其相邻属性数据点的第一角度差异越小且属性数据点对应角度值所在角度聚类簇的元素数量越多，说明在属性曲线段中属性数据点的角度较为相似，即属性曲线段的波动异常性较小。

对于目标加工件的属性曲线段，计算去掉目标加工件的属性曲线段的波动异常性，计算方式使用上述同样的方法，根据去掉目标加工件前后的属性曲线段的波动异常性以及曲线稳定性获取目标加工件在每个焊接属性下的异常指标，公式如下：

式中，表示目标加工件对应的第q个属性曲线段对应的曲线稳定性，/>表示目标加工件对应的第q个属性曲线段的波动异常性，/>表示目标加工件对应的去掉目标加工件后的第q个属性曲线段的波动异常性，/>表示目标加工件在第q个属性曲线段的异常指标即目标加工件在第q个焊接属性下的异常指标。当去掉目标加工件后，属性曲线段的波动异常性差异越小，说明目标加工件不是引起异常的关键，即两者的差异越小，目标加工件的异常指标越小，而曲线稳定性越大，说明曲线越稳定，越能体现出目标加工件的异常变化。

由于不同属性之间存在相关性，因此根据相关性对目标加工件在每个焊接属性下的异常指标进行修正，公式如下：

式中，表示目标加工件在第q个焊接属性下的异常指标，/>表示目标加工件在第p个焊接属性下的异常指标，/>表示第p个焊接属性与第q个焊接属性的相关性，/>表示焊接属性的数量，/>表示线性归一化函数，/>表示目标加工件在第q个焊接属性下的修正异常指标。其中当两个焊接属性的相关性越大，焊接属性之间的影响越大，即一个焊接属性的异常指标较大，则和其相关的焊接属性的异常指标也应该较大。

至此，获取了每个加工件在不同焊接属性下的修正异常指标。

步骤S004，根据每个加工件在不同焊接属性下的修正异常指标以及焊接属性的属性异常重要性获取加工件的异常程度，根据加工件的异常程度对加工件的异常值进行修正获取修正异常值；根据修正异常值进行生产监测。

根据每个加工件在不同焊接属性下的修正异常指标以及焊接属性的属性异常重要性获取加工件的异常程度，公式如下：

式中，表示第p个焊接属性的属性异常重要性，/>表示目标加工件在第p个焊接属性下的修正异常指标，/>表示焊接属性的数量，/>表示目标加工件的异常程度。

根据所获取的每个加工件的异常程度对加工件的异常值进行修正，修正公式如下：

式中，表示目标加工件的异常程度，/>表示目标加工件的异常值，/>表示线性归一化函数，/>表示目标加工件的修正异常值。

若修正异常值大于0.7，则说明目标加工件出现异常。

由此可以判断每个加工件的异常，当出现加工件异常时，此时的生产线进行报警，通知工作人员查看，在焊管的生产过程中完成对焊管的监测，完成焊管生产监测的具体实施步骤如图2所示。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.基于数据处理的焊管焊接生产过程监测方法，其特征在于，该方法包括以下步骤：

获取每个加工件的每个焊接属性的焊接属性值；

对于加工件的所有焊接属性进行异常检测获取加工件的异常值，对于加工件的每个焊接属性进行聚类获取每个焊接属性的聚类簇数量，对于任意两个焊接属性的聚类簇数量获取两个焊接属性的合并聚类簇数量；根据两个焊接属性的合并聚类簇的大小获取两个焊接属性的相关性；根据焊接属性之间的相关性获取每个焊接属性的属性异常重要性；

在每个焊接属性下，对于每个加工件获取属性曲线段，根据属性曲线段内所有加工件的焊接属性值获取属性曲线段的曲线稳定性；在属性曲线段内获取每个加工件与相邻的加工件的夹角的角度值，将相邻加工件的角度值差异记为第一角度差异，将属性曲线段内的所有角度值聚类获取若干簇类；根据簇类的加工件数量以及加工件对应的第一角度差异获取属性曲线段的波动异常性；根据属性曲线段去掉加工件前后的曲线稳定性差异以及波动异常性获取加工件在每个焊接属性下的异常指标；根据加工件在每个焊接属性下的异常指标以及焊接属性之间的相关性获取加工件在每个焊接属性下的修正异常指标；

根据每个加工件在不同焊接属性下的修正异常指标以及焊接属性的属性异常重要性获取加工件的异常程度，根据加工件的异常程度对加工件的异常值进行修正获取修正异常值；将修正异常值高于预设阈值的加工件作为异常加工件，完成焊管生产监测。

2.如权利要求1所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述对于加工件的每个焊接属性进行聚类获取每个焊接属性的聚类簇数量，对于任意两个焊接属性的聚类簇数量获取两个焊接属性的合并聚类簇数量的方法为：

使用DBSCAN聚类算法对每个焊接属性的所有加工件进行聚类，聚类距离为加工件之间的焊接属性值差值的绝对值，输入为每个焊接属性下所有加工件的焊接属性值，输出为每个加工件所在的聚类簇；

对于任意两个焊接属性，将两个焊接属性对应的任意两个聚类簇重叠的部分记为合并聚类簇。

3.如权利要求1所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述根据两个焊接属性的合并聚类簇的大小获取两个焊接属性的相关性的方法为：

式中，表示第p个焊接属性中第i个聚类簇与第q个焊接属性中第j个聚类簇的合并聚类簇中加工件的数量，/>表示第p个焊接属性对应的聚类簇的数量，/>表示第q个焊接属性对应的聚类簇的数量，/>表示线性归一化函数，/>表示第p个焊接属性对于第q个焊接属性的数据稳定性；

将第p个焊接属性对于第q个焊接属性的数据稳定性和第q个焊接属性对于第p个焊接属性的数据稳定性的乘积作为第p个焊接属性和第q个焊接属性的相关性。

4.如权利要求1所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述根据焊接属性之间的相关性获取每个焊接属性的属性异常重要性的方法为：

将任意一个焊接属性记为目标焊接属性，将目标焊接属性与其余所有焊接属性的相关性累加，将累加值的相反数为整体不相关性，对整体不相关性使用以自然常数为底数的指数函数获取目标焊接属性的重要性值，将所有焊接属性的重要性值累加记为第一累加和，将每个焊接属性的重要性值与第一累加和的比值作为每个焊接属性的属性异常重要性。

5.如权利要求1所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述对于每个加工件获取属性曲线段，根据属性曲线段内所有加工件的焊接属性值获取属性曲线段的曲线稳定性的方法为：

记每个加工件为目标加工件，以目标加工件为中心，在其左右两侧获取预设数量个相邻的加工件，将以目标加工件与其获取的相邻的加工件的一种焊接属性的焊接属性值构建一条曲线段记为属性曲线段，属性曲线段的横坐标为加工件的位置，纵坐标为加工件的焊接属性值；

计算属性曲线段内所有加工件的焊接属性值均值记为曲线均值，对于属性曲线段内的每个加工件，令加工件的焊接属性值与属性曲线段的曲线均值的差值绝对值记为加工件的第一属性差异；

令属性曲线段内所有加工件的第一属性差异相加进行线性归一化，令1与归一化后的值作差获取目标加工件对应的属性曲线段的曲线稳定性。

6.如权利要求1所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述在属性曲线段内获取每个加工件与相邻的加工件的夹角的角度值，将相邻加工件的角度值差异记为第一角度差异，将属性曲线段内的所有角度值聚类获取若干簇类的方法为：

在属性曲线段内，令每个加工件对应一个属性数据点，令属性数据点与相邻的属性数据点相邻获取一条直线，每个属性数据点存在两条直线，两条直线的夹角记为属性数据点的角度值；将属性数据点与相邻属性数据点的角度值差值绝对值的均值记为第一角度差异；对属性曲线段内所有属性数据点的角度值聚类，聚类算法为DBSCAN算法，聚类距离为属性数据点之间的角度值差值绝对值，将获取的每个类簇记为角度聚类簇。

7.如权利要求6所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述根据簇类的加工件数量以及加工件对应的第一角度差异获取属性曲线段的波动异常性的方法为：

在属性曲线段内，将每个加工件的第一角度差异和加工件的角度值所在角度聚类簇内的加工件数量的比值记为第一比值，将所有加工件的第一比值累加后线性归一化获取属性曲线段的波动异常性。

8.如权利要求5所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述根据属性曲线段去掉加工件前后的曲线稳定性差异以及波动异常性获取加工件在每个焊接属性下的异常指标的方法为：

对于每条属性曲线段，分别获取属性曲线段去除目标加工件前后的波动异常性，令去掉目标加工件前后的属性曲线段的波动异常性作差取绝对值记为波动差异；令每条属性曲线段的波动差异和曲线稳定性的乘积作为目标加工件在属性曲线段对应的焊接属性下的异常指标。

9.如权利要求8所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所述根据加工件在每个焊接属性下的异常指标以及焊接属性之间的相关性获取加工件在每个焊接属性下的修正异常指标的方法为：

式中，表示目标加工件在第q个焊接属性下的异常指标，/>表示目标加工件在第p个焊接属性下的异常指标，/>表示第p个焊接属性与第q个焊接属性的相关性，/>表示焊接属性的数量，/>表示线性归一化函数，/>表示目标加工件在第q个焊接属性下的修正异常指标。

10.如权利要求1所述的基于数据处理的焊管焊接生产过程监测方法，其特征在于，所据每个加工件在不同焊接属性下的修正异常指标以及焊接属性的属性异常重要性获取加工件的异常程度，根据加工件的异常程度对加工件的异常值进行修正获取修正异常值的方法为：

令加工件在每个焊接属性下的修正异常指标和焊接属性的属性异常重要性的乘积记为第一乘积，令所有焊接属性的第一乘积累加记为加工件的异常程度；

根据加工件的异常程度对加工件的异常值进行修正；

式中，表示目标加工件的异常程度，/>表示目标加工件的异常值，/>表示线性归一化函数，/>表示目标加工件的修正异常值。