[发明专利]一种基于工况智能识别的焊偏实时检测方法及系统

权利要求书

1.一种基于工况智能识别的焊偏实时检测方法，其特征在于，包括以下步骤：

步骤S1、采集高频时序数据和低频焊接工况数据，搭建焊接工况识别模型；具体步骤如下：

步骤S1.1、采集高频时序数据和低频焊接工况数据；所述高频时序数据包括焊接电流、电压数据；

步骤S1.2、将采集到的焊接高频时序数据基于预设窗长Window_Size划分为若干样本；根据焊接过程中出现的焊偏缺陷对各样本进行标注，标注包括正常和焊偏两种形式；

步骤S1.3、提取每个样本的时域特征；

步骤S1.4、对每个样本进行傅里叶变换，提取变换后的频谱特征作为样本的频域特征；

步骤S1.5、对每个样本进行VMD变换，提取变换后的时频谱特征，构建样本的时频域特征；

步骤S1.6、对低频焊接工况数据进行插值采样处理，将焊接工况数据放大至与样本时域、频域、时频域特征相同长度；

步骤S1.7、对插值采样后的焊接工况数据进行层次聚类，迭代聚类个数，选取轮廓系数最大的迭代聚类个数作为最终工况个数；

步骤S1.8、将焊接工况和每个时间戳下的样本特征对应，得到不同样本特征对应的工况标签；

步骤S1.9、以工况标签为分类目标，以样本的时域、频域、时频域特征作为输入特征，构建焊接工况识别模型；

步骤S2、基于步骤S1搭建的焊接工况识别模型，识别同一时间戳下样本对应的工况标签，基于添加工况标签的样本特征数据，进一步建立焊偏识别模型；

步骤S3、以召回率为评价基准，迭代焊偏识别模型分类阈值，找出召回率首先达到最高时对应的分类阈值，即为最佳分类阈值；然后部署模型、进行焊偏异常识别。

2.根据权利要求1所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S1.3中时域特征包括均值、中位数、最大值、最小值、方差、标准差、分位数、方根幅值、均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲指数。

3.根据权利要求1所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S1.4中频域特征包括均值、中位数、最大值、最小值、方差、标准差、分位数。

4.根据权利要求1所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S2中建立焊偏识别模型具体步骤包括：

步骤S2.1、识别不同时间戳下的工况标签，将带有工况标签的样本特征数据集作为入模数据集，分别构建差异化模型；

步骤S2.2、基于网格搜索方法对差异化模型调参、确定模型参数；

步骤S2.3、以逻辑回归模型作为基模型，通过stack模式对所述差异化模型进行融合，得到焊偏识别模型。

5.根据权利要求4所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，所述步骤S2.1中构建差异化模型具体方法如下：

步骤S2.1.1、将所述入模数据集按7:3比例划分为训练集和测试集；

步骤S2.1.2、构建4个差异化模型，具体如下：

（1）选取各样本数据的工况标签、时域特征和频域特征，训练XGBoost模型；

（2）选取各样本数据的工况标签、时域特征和时频域特征，训练CatBoost模型；

（3）选取各样本数据的工况标签、频域特征和时频域特征，训练Adaboost模型；

（4）选取各样本数据的时域特征、频域特征和时频域特征，训练LightGBM模型。

6.根据权利要求1所述的一种基于工况智能识别的焊偏实时检测方法，其特征在于，步骤S3中具体方法如下：

步骤S3.1、将带有工况标签的样本特征数据集输入焊偏识别模型，计算异常预测概率；

步骤S3.2、从0开始迭代分类阈值，针对不同分类阈值计算召回率，找到召回率首次达到最高时对应的分类阈值，即为最佳分类阈值；

步骤S3.3、基于最佳分类阈值判断是否发生焊偏；当异常预测概率大于最佳分类阈值时即判断发生焊偏，否则代表未发生焊偏。

7.一种基于工况智能识别的焊偏实时检测系统，其特征在于，包括数据采集模块和数据处理模块；所述数据采集模块用于采集高频时序数据和低频焊接工况数据；所述数据处理模块根据权利要求1-6中任一项所述基于工况智能识别的焊偏实时检测方法，对数据采集模块输出数据进行处理，实现焊偏实时检测。