[发明专利]基于卷积自编码网络的焊机焊接过程异常状态检测方法

说明书

本发明的基于卷积自编码网络的焊机焊接过程异常状态检测方法，包括：获取待检测焊接过程信号；对获取的焊接过程信号进行预处理；搭建用于异常检测的卷积自编码网络，包括编码网络和解码网络，使用正常焊接过程信号对网络进行训练；将步骤2中预处理后的焊接过程信号输入训练好的卷积自编码网络，以网络重构误差作为过程信号的异常分数；将所得的异常分数与设定的异常判断阈值进行比较，若大于等于该阈值证明焊接过程异常，需要报警以提醒现场操作人员注意，若小于该阈值证明焊接过程正常。本发明方法可对焊机焊接故障问题进行实时监测，及时地对焊接过程信号状态异常问题进行预警和维护调整，避免发生事故。

技术领域

本发明属于焊接过程信号异常检测技术领域，涉及基于卷积自编码网络的焊机焊接过程异常状态检测方法。

背景技术

大型压缝焊焊机是钢铁厂生产线实现连续作业的关键设备，其可靠平稳的运行是保障钢铁厂高效生产的重要因素。由于焊机系统的复杂性，在实际生产中对焊机焊接过程监测仍需要人工全天候值守，时刻关注焊机焊接过程，比较费时费力。因此，为节省劳动力和提高焊机焊接过程状态异常检测效率，实现焊机焊接过程信号自动监测是很有必要的。

现有技术中对于焊接过程信号的检测主要是通过人工提取信号的关键特征进行训练机器学习模型来识别特定的模式，例如，上海交通大学的发明专利CN112200000A提出了一种焊接稳定性识别模型训练方法、焊接稳定性识别方法，该方法首先根据焊接信号优化设计分段尺度，再根据分段策略获取多组分割信号，提取分割信号的多尺度特征向量并用于训练机器学习模型，得到焊接稳定性识别模型。

对于现有的焊接过程信号的检测技术，普遍存在以下不足：1、应用机器学习的方法需要进行人工提取关键特征，这需要对焊机系统工作机理有很深的理解，而大型焊机系统往往是比较复杂的，确定关键的特征需要大量的实验与仿真。2、训练的数据需要很多不同类别的数据进行训练，而对于大型的控制精度更高的焊机，所积累的焊接数据大多是正常数据，异常数据是很稀少的，其样本量不足以支持焊接过程诊断，传统的分类识别无法应用。

发明内容

为解决现有技术中采用建模及机器学习的方法，需要对焊机系统工作机理进行数学建模、仿真以及人工提取特征，检测过程较为复杂的问题，本发明提供一种基于卷积自编码网络的焊机焊接过程异常状态检测方法。

本发明的基于卷积自编码网络的焊机焊接过程异常状态检测方法，包括：

步骤1：获取待检测焊接过程信号；

步骤2：对获取的焊接过程信号进行预处理；

步骤3：搭建用于异常检测的卷积自编码网络，包括编码网络和解码网络，使用正常焊接过程信号对网络进行训练；

步骤4：将步骤2中预处理后的焊接过程信号输入训练好的卷积自编码网络，以网络重构误差作为过程信号的异常分数；

步骤5：将所得的异常分数与设定的异常判断阈值进行比较，若大于等于该阈值证明焊接过程异常，需要报警以提醒现场操作人员注意，若小于该阈值证明焊接过程正常。

在本发明的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤1中的焊接过程信号包括：焊机焊接过程产生的焊接温度信号、焊接压力偏差信号、焊接电流信号中的至少二种信号。

在本发明的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤2中对过程信号进行预处理包括：

步骤2.1：对获得的焊接过程信号进行平稳区域截取；

步骤2.2：再对截取的焊接过程信号进行下采样处理；

步骤2.3：再对下采样处理后的焊接过程信号进行标准化处理；

步骤2.4：将标准化处理后的多种焊接过程信号堆叠成矩形形式。