[发明专利]一种焊接稳定性识别模型训练方法、焊接稳定性识别方法

说明书

本发明涉及一种焊接稳定性识别模型训练方法、焊接稳定性识别方法，模型训练方法中，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；识别方法中，首先根据模型确定的分段尺度进行信号分段，得到一组识别信号，提取识别信号的特征并输入至焊接稳定性识别模型就可以得到稳定性预测结果。与现有技术相比，本发明增加了焊接稳定性识别模型对于多种焊接不稳定状态的识别性能，增强了对于焊接过程中不同时间频率的不稳定波动和成形缺陷的适应性，使得模型可以识别更多层次的焊接不稳定性因素，在面对复杂的、未知的识别问题时具有更强的泛化性能。

技术领域

本发明涉及信号特征提取和机器学习领域，尤其是涉及一种焊接稳定性识别 模型训练方法、焊接稳定性识别方法。

背景技术

现代自动化和智能化焊接加工对焊接过程的稳定性、焊缝成形以及表面缺陷等的识别提出了新的要求。近年来，随着机器学习领域的迅速发展，各类机器学习算 法被应用于焊接过程的智能化监控和识别领域。机器学习模型收集焊接过程中采集 到的各类信号，计算并分析各类信号与焊接过程的稳定性、焊缝成形以及焊接缺陷 之间的关系，拟合形成用于焊接过程监控和焊接结果预测的模型。

由于焊接过程中所包含的物理和化学过程的复杂性、焊接过程产生的信号的种类多样性、不稳定性和富噪声性，使用简单的机器学习模型往往难以达到预期的效 果。理论上，可以从信号特征提取和机器学习算法两个方面入手，对基于机器学习 的焊接过程的监控识别系统进行改进。但是，机器学习算法的改进对于数学理论、 编程能力以及计算机技术有较高的要求，在工业应用领域难度较大，因此，研究人 员往往通过尝试各类信号处理和特征提取方法，选取合适的信号特征构成特征数据 集，来提升焊接过程监控机器学习模型的性能。

信号处理和特征提取方法很多，一般处理过程是对焊接过程中采集到的信号进行分段，提取每一段的特征参数，将特征参数用于机器学习模型的训练，训练好的 机器学习模型就可以识别焊接过程中形成的焊缝成形不稳定缺陷。

论文“EMD-PNN based welding defects detection using laser-inducedplasma electrical signals”(Journal of Manufacturing Processes,2019,45：642-51)中，Huang Yiming等基于小波包分解和经验模态分解的信号处理方法，对激光焊接过程中采 集到的等离子体电压信号进行了降噪和重构的处理，并对重构的信号进行特征提取。在特征提取的过程中，他们通过对比焊缝成形缺陷造成的信号波动在时域上的宽度 范围，发现平均每1000个采样点约有5个波谷，于是按照分段长度为200个采样 点的模式对原始信号进行分段处理，并对每段信号求取统计学参量用于训练机器学 习模型，以识别焊接过程中形成的焊缝成形不稳定缺陷。最终训练完成的机器学习 模型的综合识别准确率为90.16％。然而，在该模型中，信号分段的长度是基于人 工分析选取的，且只含有一个固定值，如果信号的波动周期并不唯一，或信号波动 周期随焊接过程进行发生变化，或信号波动较为复杂，难以人为确定信号波动的周 期范围，那么使用该方法时，在进行信号分段步骤时将会遇到困难。此外，该模型 使用的采集设备的采样频率为100kHz，对应200个采样点的实际时间长度为0.002 s，使用这种极短的分段长度可能会使得较大时间周期的波动无法被分辨出来，最 终使得模型忽略了大周期信号波动，模型的准确率将可能有所降低。