[发明专利]基于XGBoost机器学习模型的焊接方法

权利要求书

1.一种基于XGBoost机器学习模型的焊接方法，其特征在于，包括以下步骤：

S210）采集焊口质量样本数据，所述焊口质量样本数据至少包括地理方位参数、环境参数和焊接设备参数；

S220）对所采集的焊口质量样本数据进行数据分析；

S230）根据所述模型特征列表调整焊接参数；

S240）根据调整后的焊接参数对输油管材进行环绕自动焊接。

2.如权利要求1所述的一种基于XGBoost机器学习模型的焊接方法，其特征在于，在所述步骤S220中，

1）将所述焊口质量样本数据分为训练集与测试集，选用可实现二分类的机器学习模型，根据对所述训练集模型训练的AUC/ROC值以及对所述测试集进行模型测试的准确率、精准率以及召回率，对机器学习模型的效果进行评估；

2）如果模型训练以及模型测试结果的各项参数的指标值表明机器学习模型达到预定效果，则输出影响模型预测目标的模型特征列表。

3.如权利要求2所述的一种基于XGBoost机器学习模型的焊接方法，其特征在于，所述输出影响模型预测目标的模型特征列表时，确定各个模型特征对模型预测目标的影响程度，并根据各个模型特征对模型预测目标的影响程度由大到小的进行排序。

4.如权利要求3所述的一种基于XGBoost机器学习模型的焊接方法，其特征在于，在根据所述模型特征列表调整焊接参数的过程中，选择排序靠前的模型特征作为调整焊接参数的依据。

5.如权利要求1-4中任一项所述的一种基于XGBoost机器学习模型的焊接方法，其特征在于，在对所述采集的焊口质量样本数据进行数据分析的过程中，选用XGBoost模型进行模型训练以及模型测试。

6.如权利要求5所述的一种基于XGBoost机器学习模型的焊接方法，其特征在于，在将所述焊口质量样本数据分为训练集与测试集的过程中，样本数据中训练集和测试集的比例根据具体的模型训练与模型测试需求进行调整。

7.如权利要求6所述的一种基于XGBoost机器学习模型的焊接方法，其特征在于，在将所述焊口质量样本数据分为训练集与测试集的过程中，将所述焊口质量样本数据的70%作为训练集，将所述焊口质量样本数据的30%作为测试集。