CN115781136B - 一种焊接热输入异常智能识别及优化反馈方法 - Google Patents

Abstract

本发明公开了一种焊接热输入异常智能识别及优化反馈方法，首先采集正常焊接过程中的时序数据，通过计算获得焊接热输入数据集，用于训练焊接热输入异常识别模型；所述焊接热输入异常检测模型包括异常识别模型和异常分类模型；通过输入正常焊接时的热输入数据，训练异常识别模型，并获取异常识别阈值；接着将带有异常的焊接热输入集合输入至异常识别模型，提取异常样本窗口并训练异常分类模型；工作时，异常识别模型接收实际焊接过程中的热输入数据，当热输入发生异常时，输出异常热输入所在的窗口样本至异常分类模型；所述异常分类模型识别热输入异常的具体类别，并根据不同类别给出电流、电压、焊接速度调整等有针对性的调节优化策略。

Description

一种焊接热输入异常智能识别及优化反馈方法

技术领域

本发明属于智慧焊接技术领域，特别涉及一种焊接热输入异常智能识别及优化反馈方法。

背景技术

随着焊接的智能化、规模化发展，以焊接机器人为代表的焊接自动化装备的数量大幅度增加，应用日益广泛。自动焊接设备发展迅猛，在高速机车、工程机械、钢结构、家电、汽车等行业获得广泛应用，并占据了主体地位。

自动焊接需要遵循焊接工艺规程WPS，根据不同工艺要求，WPS会对包括电压、电流在内的各项焊接工艺参数提供合理的范围。核心是控制焊接热输入在合理范围内。然而现有技术中对于焊接热输入异常的识别以及发生异常时需要采取的控制策略，尚未形成成熟的方法，对于不同焊接热输入异常的具体调节方法也无法做到具体对应。

发明内容

发明目的：针对上述背景技术中存在的问题，本发明提供了一种焊接热输入异常智能识别及优化反馈方法。通过设计包括热输入异常识别模型和异常分类模型两部分的焊接热输入异常检测模型，首先通过异常识别模型识别异常对应的窗口样本，接着通过异常分类模型具体识别属于何种异常，并采取相应的反馈调节策略。

技术方案：一种焊接热输入异常智能识别及优化反馈方法，包括以下步骤：

步骤S1、首先采集实际焊接过程中的高频时序数据，包括电流、电压和焊接速度；计算并获取焊接热输入集合；对焊接热输入集合进行切分，获取若干窗口样本；

步骤S2、搭建焊接热输入异常检测模型；所述焊接热输入异常检测模型包括基于indRNN-GAN的异常识别模型和异常分类模型两部分；将窗口样本输入至基于indRNN-GAN的异常识别模型，当异常识别模型识别出窗口样本存在热输入异常时，提取异常热输入窗口样本，输入至异常分类模型；所述异常分类模型采用机器学习分类算法模型；根据实际异常情况的不同，异常分类模型判断异常热输入窗口样本所属异常状态；根据不同异常状态，给出不同反馈调节策略；

步骤S3、将步骤S2训练好的焊接热输入异常检测模型部署至边缘侧，接收实际焊接过程中的高频时序数据，当存在焊接热输入异常时，判断属于何种异常情况，并给出对应的反馈调节策略。

进一步地，所述步骤S1中焊接热输入集合计算方法如下：

Heatinput = IU/V

其中I为焊接电流，U为焊接电压，V为焊接速度；根据实际焊接情况，将计算获得的焊接热输入集合按照时间窗口大小t、时间步大小s进行滑动切分，最终获得正常热输入和异常热输入情况下的若干窗口样本。

进一步地，所述步骤S2中基于indRNN-GAN的异常识别模型以生成对抗网络结构GAN为模型主体，包括生成网络和判别网络两部分；其中生成网络部分采用Autoencoder架构，包括依次连接的解码器和编码器，均采用独立循环网络indRNN模块；判别网络部分采用MLP分类器，主体结构包括依次连接的一层线性层、激活函数层、一层线性层和sigmoid层；其中激活函数层采用LeakyRelu函数。

进一步地，所述独立循环网络indRNN模块包括若干分支，每个分支包括依次堆叠的权重层、BN层、Relu激活函数层和BN层。

进一步地，所述步骤S2中训练基于indRNN-GAN的异常识别模型具体步骤如下：

步骤S2.1、划分入模数据集，从步骤S1中获取的正常焊接热输入窗口样本中选取一定比例作为训练集样本，剩余窗口样本与异常热输入窗口样本混合，作为测试集样本；

步骤S2.2、基于训练集样本不断迭代正常窗口样本，并计算每次生成网络生成数据集与真实数据集之间的均方误差MSE；迭代完全部正常窗口样本后，获得集合{MSE}；以{MSE}的3/4+1.5IQR位数作为异常阈值；当输入窗口样本后，生成数据集与真实窗口样本数据集之间的均方误差大于{MSE}的3/4+1.5IQR位数时，代表输入窗口样本存在异常热输入的情况，否则即为正常热输入情况；

步骤S2.3、模型训练完成后，进一步进行模型测试；输入测试集数据，通过生成网络进行数据集重建；计算重建数据集与输入数据集间的均方误差MSE；基于均方误差与异常阈值进行判断，确定测试集中对应的异常热输入窗口样本，并输入至异常分类模型中，用于训练机器学习分类算法模型。

进一步地，所述步骤S2中焊接异常热输入情况包括点异常、突变异常和渐变异常三种情况；对应的反馈调节策略包括：当发生的热输入异常属于点异常时，则***不进行反馈调节；当发生的热输入异常属于突变异常时，通过控制电流、电压和焊接速度，使焊接热输入回归至突变前的热输入水平；当发生的热输入异常属于渐变异常时，同样通过控制电流、电压和焊接速度，使焊接热输入在更短时间内恢复至渐变前的水平。

进一步地，所述步骤S3中将预处理后的焊接热输入数据集输入基于indRNN-GAN的异常识别模型，输出存在异常热输入的窗口样本；接着异常分类模型接收存在异常热输入的窗口样本，并输出分类结果，确认该窗口样本属于何种异常；最后基于步骤S2中提供的反馈调节策略进行相应调节。

本发明采用的技术方案与现有技术方案相比，具有以下有益效果：

（1）本发明通过设计包括基于indRNN-GAN的异常识别模型和异常分类模型的焊接热输入异常检测模型，首先通过异常识别模型建立焊接热输入异常识别机制，对划分的窗口样本进行判断，识别出存在焊接热输入异常的样本，进一步输入至异常分类模型，确定属于何种异常情况，并根据对应的反馈调节策略进行调节。

（2）本发明在异常识别模型部分采用生成对抗网络结构，进行无监督的异常识别。其中生成网络部分采用indRNN模块，可以有效提升网络结构深度，通过利用relu等非饱和函数作为激活函数，可以避免梯度消失和梯度***问题。

（3）本发明基于实际焊接过程中热输入可能存在的异常情况进行分类，并根据不同种类的异常给出相应的反馈调节策略，由异常分类模型进行异常情况的判断，可以实现实时反馈，精准调节。

附图说明

图1为本发明提供的焊接热输入异常识别及反馈调节方法流程图；

图2为本发明实施例中基于indRNN-GAN的异常识别模型结构示意图；

图3为本发明实施例中indRNN模块结构示意图；

图4a为本发明实施例中发生点异常（突升）时热输入波形示意图；

图4b为本发明实施例中发生点异常（突降）时热输入波形示意图；

图5a为本发明实施例中发生突变异常（突降）时热输入波形示意图；

图5b为本发明实施例中发生突变异常（突升）时热输入波形示意图；

图6a为本发明实施例中发生渐变异常（突降）时热输入波形示意图；

图6b为本发明实施例中发生渐变异常（突升）时热输入波形示意图；

图7为本发明实施例中提供的典型的机器学习分类算法模型训练方法流程图。

实施方式

下面结合附图对本发明做更进一步的解释。

本发明公开了一种焊接热输入异常智能识别及优化反馈方法，首先采集正常焊接过程中的时序数据，通过计算获得焊接热输入数据集；基于该集合进行滑窗采样，用于训练焊接热输入异常识别模型。本发明设计的焊接热输入异常检测模型包括基于indRNN-GAN的异常识别模型和异常分类模型两部分。通过输入正常焊接时的热输入数据，训练基于indRNN-GAN的异常识别模型，并获取异常识别阈值。接着将带有异常的焊接热输入数据集输入至该异常识别模型，通过该模型提取异常样本窗口。根据提取的异常样本窗口，对实际异常情况进行标注；提取异常样本窗口的时域特征，并对异常样本窗口进行差分，提取统计特征，基于上述提取的特征，训练异常分类模型。异常分类模型采用机器学习分类模型。训练完成后，基于indRNN-GAN的异常识别模型接收实际焊接过程中的热输入数据，当热输入发生异常时，输出异常热输入所在的窗口样本至异常分类模型；所述异常分类模型识别热输入异常的具体类别，并根据不同类别采取不同反馈调节方式。具体如图1所示，包括以下步骤：

步骤S1、采集实际焊接过程中的高频时序数据，包括电流、电压和焊接速度。基于上述高频时序数据，通过下式可以获取焊接热输入数据Heatinput：

Heatinput = IU/V

其中I为焊接电流，U为焊接电压，V为焊接速度。这里将高频时序数据分为正常焊接和异常焊接两部分，获取的热输入数据也对应包括正常热输入和异常热输入两部分。

针对获取的焊接热输入数据集进行切分处理。具体地，选取时间窗口大小为t，以时间步大小s进行滑动切分数据，最终分别获得正常热输入和异常热输入情况下的若干窗口样本。

步骤S2、搭建焊接热输入异常检测模型并进行训练；

本实施例中设计了包括基于indRNN-GAN的异常识别模型和异常分类模型两部分的焊接热输入异常识别模型；下面详细介绍两部分模型具体结构；

（1）基于indRNN-GAN的异常识别模型

该模型以生成对抗网络结构GAN为模型主体，包括生成网络和判别网络两部分，具体如图2所示；其中生成网络部分采用Autoencoder架构，包括依次连接的解码器和编码器，均采用独立循环网络indRNN模块。所述indRNN模块具体结构如图3所示，包括若干分支，每个分支包括依次堆叠的权重层、BN层、Relu激活函数层和BN层。

相比于传统RNN神经网络，本发明采用indRNN网络作为生成器的主体结构，具有以下效果：

（1）由于indRnn网络中各神经元相对独立，很容易解释每层indRNN神经元的行为，同时indRNN网络可以保留长期记忆，因此可以提升网络结构深度，进而有效提升模型效果。

（2）indRNN可以很好地利用relu等非饱和函数作为激活函数，并且训练之后非常鲁棒。传统RNN网络，随着训练程度的加深，存在梯度消失、梯度***的问题，而indRNN网络则不存在这样的问题。

基于上述特性，采用indRNN模块构建的GAN，可以更加有效地重建训练数据，效果优于传统利用RNN模块的GAN。

判别网络部分采用MLP分类器，主体结构包括依次连接的线性层、激活函数层、线性层和sigmoid层。其中激活函数层采用LeakyRelu函数。将输入的真实窗口样本数据和生成网络输出的生成数据集输入至判别网络进行判断，最终实现的效果为判别网络无法分别真实窗口样本和生成数据集，此时代表生成网络的重建效果已经达到要求。

在模型训练阶段，首先划分入模数据集。对于步骤S1中获取的正常焊接情况下获取的正常热输入窗口样本，选取一定比例作为训练集样本，剩余样本与异常热输入样本混合，作为测试集样本，本实施例中训练集样本占全部正常热输入窗口样本的比例为80%。基于训练集样本不断迭代正常窗口样本，并计算每次生成网络生成数据集与真实数据集之间的均方误差MSE。迭代完全部正常窗口样本后，获得集合{MSE}。以{MSE}的3/4+1.5IQR位数作为异常阈值。其含义为：当输入窗口样本后，生成数据集与真实窗口样本数据集之间的均方误差大于{MSE}的3/4+1.5IQR位数时，代表输入窗口样本存在异常热输入的情况。

模型训练完成后，进一步进行模型测试。输入测试集数据，通过生成网络进行数据集重建。计算重建数据集与输入数据集间的均方误差MSE。基于均方误差与上述异常阈值进行判断，确定测试集中对应的异常热输入窗口样本。至此异常识别模型的目的——识别发生热输入异常时的窗口样本即完成。

（2）异常分类模型。

在异常识别模型识别出热输入异常时的窗口样本后，需要针对不同异常情况进一步进行异常分类。分类的目的在于，根据实际焊接热输入异常情况的不同采取不同的反馈调节措施。

在实际焊接过程中，热输入发生异常一般存在如图4a-图6b所示的3种情况：

1）点异常

如图4a-图4b所示，发生点异常情况时，焊接热输入在某一极短时间段内突然发生突升或突降情况。这种情况由于发生时间段，回复快，因此无需进行反馈调节。

2）突变异常

如图5a-图5b所示，发生突变异常时，热输入会在某一时间点突然异常升高或降低，然后持续保持在同等水平，此时则需要进行反馈调节。

3）渐变异常

如图6a-图6b所示，发生渐变异常时，热输入在某一时间点内突然异常升高或降低，接着以较慢的速度逐渐恢复至正常水平。此时同样需要进行相应反馈调节。

本实施例中采用机器学习分类算法构建异常分类模型，具体选用XGboost分类模型实现异常分类。

通过异常识别模型获取若干热输入异常的窗口样本，基于上述分类标准进行异常分类，并提取异常热输入窗口的时域特征；对窗口样本进行差分处理后，进一步提取其统计特征，这样就获得了每个窗口的特征数据集，且特征数据集对应了具体的异常种类。典型的机器学习分类算法模型训练流程如图7所示，

按照图7所示方法，基于上述特征数据集训练XGboost分类模型，最终在输入热输入异常的窗口样本时，可以准确识别该窗口对应的热输入异常属于何种异常。根据不同异常类别，本实施例提供以下反馈调节策略：

当发生的热输入异常属于点异常时，则***不进行反馈调节；当发生的热输入异常属于突变异常时，通过控制电流、电压和焊接速度，使焊接热输入回归至突变前的热输入水平；当发生的热输入异常属于渐变异常时，同样通过控制电流、电压和焊接速度，使焊接热输入在更短时间内恢复至渐变前的水平。

步骤S3、将步骤S2训练好的焊接热输入异常检测模型部署至边缘侧，接收实际焊接过程中的高频时序数据并进行预处理。将预处理后的焊接热输入数据集输入基于indRNN-GAN的异常识别模型，输出存在异常热输入的窗口样本；接着异常分类模型接收存在异常热输入的窗口样本，并输出分类结果，确认该窗口样本属于何种异常。基于步骤S2中提供的反馈调节策略进行相应调节，实现焊接热输入异常识别及反馈调节的目的。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种焊接热输入异常智能识别及优化反馈方法，其特征在于，包括以下步骤：

步骤S1、首先采集实际焊接过程中的高频时序数据，包括电流、电压和焊接速度；计算并获取焊接热输入集合；对焊接热输入集合进行切分，获取若干窗口样本；

步骤S2、搭建焊接热输入异常检测模型；所述焊接热输入异常检测模型包括基于indRNN-GAN的异常识别模型和异常分类模型两部分；基于indRNN-GAN的异常识别模型以生成对抗网络结构GAN为模型主体，包括生成网络和判别网络两部分；其中生成网络部分采用Autoencoder架构，包括依次连接的解码器和编码器，均采用独立循环网络indRNN模块；判别网络部分采用MLP分类器，主体结构包括依次连接的一层线性层、激活函数层、一层线性层和sigmoid层；其中激活函数层采用LeakyRelu函数；训练所述基于indRNN-GAN的异常识别模型具体步骤如下：

步骤S2.1、划分入模数据集，从步骤S1中获取的正常焊接热输入窗口样本中选取一定比例作为训练集样本，剩余窗口样本与异常热输入窗口样本混合，作为测试集样本；

步骤S2.2、基于训练集样本不断迭代正常窗口样本，并计算每次生成网络生成数据集与真实数据集之间的均方误差MSE；迭代完全部正常窗口样本后，获得集合{MSE}；以{MSE}的3/4+1.5IQR位数作为异常阈值；当输入窗口样本后，生成数据集与真实窗口样本数据集之间的均方误差大于{MSE}的3/4+1.5IQR位数时，代表输入窗口样本存在异常热输入的情况，否则即为正常热输入情况；

步骤S2.3、模型训练完成后，进一步进行模型测试；输入测试集数据，通过生成网络进行数据集重建；计算重建数据集与输入数据集间的均方误差MSE；基于均方误差与异常阈值进行判断，确定测试集中对应的异常热输入窗口样本，并输入至异常分类模型中，用于训练机器学习分类算法模型；

将窗口样本输入至基于indRNN-GAN的异常识别模型，当异常识别模型识别出窗口样本存在热输入异常时，提取异常热输入窗口样本，输入至异常分类模型；所述异常分类模型采用机器学习分类算法模型；根据实际异常情况的不同，异常分类模型判断异常热输入窗口样本所属异常状态；根据不同异常状态，给出不同反馈调节策略；

步骤S3、将步骤S2训练好的焊接热输入异常检测模型部署至边缘侧，接收实际焊接过程中的高频时序数据，当存在焊接热输入异常时，判断属于何种异常情况，并给出对应的反馈调节策略。

2.根据权利要求1所述的一种焊接热输入异常智能识别及优化反馈方法，其特征在于，所述步骤S1中焊接热输入集合计算方法如下：

Heatinput = IU/V

其中I为焊接电流，U为焊接电压，V为焊接速度；根据实际焊接情况，将计算获得的焊接热输入集合按照时间窗口大小t、时间步大小s进行滑动切分，最终获得正常热输入和异常热输入情况下的若干窗口样本。

3.根据权利要求1所述的一种焊接热输入异常智能识别及优化反馈方法，其特征在于，所述独立循环网络indRNN模块包括若干分支，每个分支包括依次堆叠的权重层、BN层、Relu激活函数层和BN层。

4.根据权利要求1所述的一种焊接热输入异常智能识别及优化反馈方法，其特征在于，所述步骤S2中焊接异常热输入情况包括点异常、突变异常和渐变异常三种情况；对应的反馈调节策略包括：当发生的热输入异常属于点异常时，则***不进行反馈调节；当发生的热输入异常属于突变异常时，通过控制电流、电压和焊接速度，使焊接热输入回归至突变前的热输入水平；当发生的热输入异常属于渐变异常时，同样通过控制电流、电压和焊接速度，使焊接热输入在更短时间内恢复至渐变前的水平。

5.根据权利要求1所述的一种焊接热输入异常智能识别及优化反馈方法，其特征在于，所述步骤S3中将预处理后的焊接热输入数据集输入基于indRNN-GAN的异常识别模型，输出存在异常热输入的窗口样本；接着异常分类模型接收存在异常热输入的窗口样本，并输出分类结果，确认该窗口样本属于何种异常；最后基于步骤S2中提供的反馈调节策略进行相应调节。

Images