[发明专利]基于增量学习的锚链闪光焊接质量在线检测方法

说明书

本发明公开一种基于增量学习的锚链闪光焊接质量在线检测方法，包括以下步骤：采集M个不合格样与N个合格样本；通过分段线性插值使样本的信号长度一致；对信号进行归一化处理；计算不合格样本之间的距离，建立距离矩阵；随机抽取不合格样本后合成新样本，并计算新样本与已有不合格样本之间的距离；判断不合格样本的数量是否与合格样本的数量相同；构建卷积神经网络，对模型进行训练；输出模型在测试集上的预测结果；利用新增样本对模型进行训练；输出增量学习后的模型在测试集上的预测结果。本发明有效地增加了不合格样本的数量，解决了样本的不平衡问题，提高了模型的泛化能力；解决了锚链闪光焊接的样本数量与日俱增的问题。

技术领域

本发明属于焊接质量检测方法，具体涉及一种基于增量学习的锚链闪光焊接质量在线检测方法。

背景技术

随着海洋工程和航运事业和的发展，锚链从一开始的植物绳、锻打锚链、铸造锚链发展到现在的焊接锚链。锚链由多个链环连接而成，是用来缓冲船舶和海洋工程设备所受外力的专用链条，在恶劣的海水环境中需要长期保持良好的力学性能，其质量的优劣会直接影响到相关人员生命财产的安全。目前对锚链的质量检测主要通过出厂前的拉力试验，对于一整条锚链来说，仅有一处链环因质量问题而产生断裂，整条锚链便会失效，其带来的损失将是巨大的。

在锚链的生产过程中，闪光焊接是锚链生产的核心环节，在很大程度上决定了锚链的抗拉载荷、破断载荷和冲击载荷等关键力学性能指标。由于在锚链闪光焊接时，会发生一系列复杂的物理化学反应，很难建立一个简单有效的数学模型，同时焊接后的表面特征不明显，因而对其焊接质量进行及时有效的检测是一个长期以来困扰业界的技术难题，中国专利CN109242023A的专利公开了“一种基于DTW和MDS的锚链闪光焊质量在线评估方法”，该发明基于DTW和MDS实现了对数据的可视化，通过狄利克雷过程混合模型实现了对锚链闪光焊接质量在线评估。缺点在于，该发明未考虑在锚链的实际生产中，合格样本的数量要远远多于不合格样本的数量，是一种典型的数据不平衡现象。中国专利CN109886298A的专利公开了“一种基于卷积神经网络的焊缝质量检测方法”，该发明基于卷积神经网络对焊缝图像进行焊接质量分析，避免了繁琐的检测步骤，能自动地对焊缝区域进行定位捕捉，实现了对焊缝质量的有效检测。缺点在于，锚链闪光焊接接头被封闭在母材内部，无法获得有效的焊缝图像，且该发明未考虑焊接的样本数量是日益增长的，新增样本会带来一些新的焊接特征，而一个固定不变的模型难以适应这些变化，不利于焊接质量的长期检测。

发明内容

发明目的：本发明的目的是提供一种基于增量学习的锚链闪光焊接质量在线检测方法，解决样本不平衡，不能适应新增样本，检测准确率不够的问题。

技术方案：本发明所述的基于增量学习的锚链闪光焊接质量在线检测方法，包括以下步骤：

(1)采集M个不合格样本S＝{S₁,S₂,…,S_i,…,S_M}与N个合格样本T＝{T₁,T₂,…,T_i,…,T_N}；

(2)通过分段线性插值使不合格样本和合格样本的信号长度一致；

(3)对不合格样本和合格样本的信号进行归一化处理；

(4)计算不合格样本之间的距离，建立距离矩阵；

(5)从不合格样本中随机抽取样本后根据距离矩阵找到与抽取样本距离最近的样本，抽取样本和与其距离最近的样本合成新不合格样本，并计算新样本与已有不合格样本之间的距离；

(6)判断新不合格样本的数量是否与合格样本的数量相同，判断为是，则执行步骤(7)；判断为否，则执行步骤(5)；

(7)构建卷积神经网络，选择一半的新不合格样本和一半的合格样本作为训练集对模型进行训练，其余的新不合格样本与合格样本作为测试集代入模型中，输出模型在测试集上的预测结果；