基于在线增量学习的激光焊接监控方法、系统及存储介质

技术领域

本发明属于激光焊接技术领域，具体涉及基于在线增量学习的激光焊接监控方法、系统及存储介质。

背景技术

激光焊接作为一种高效、精确的焊接方法，在许多工业生产中得到了广泛应用。然而，由于焊接过程中的各种因素，如材料性质、设备状态、环境条件等，会影响焊接质量，因此需要对焊接过程进行实时监控。传统的监控方法通常需要人工设定一系列参数，这既需要大量的专业知识，也增加了人工成本。此外，传统的激光焊接监控方法也难以适应焊接过程中的动态变化，无法实现自适应调节和优化。

基于此，有必要对现有技术所存在的缺陷进行改进，以克服在实际应用中的不足。

发明内容

基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的基于在线增量学习的激光焊接监控方法、系统及存储介质。

为了达到上述发明目的，本发明采用以下技术方案：

本发明提供一种基于在线增量学习的激光焊接监控方法，包括以下步骤：

S10、实时获取激光焊接的过程数据；

S20、对所述过程数据提取关于焊接质量的关键特征；

S30、通过机器学习算法对提取的所述关键特征进行训练，以生成预测焊接质量模型；

S40、通过实时更新的预测焊接质量模型计算得到焊接质量预测值，利用所述焊接质量预测值和实时监控判定函数进行焊接质量判定，以实现对焊接过程的实时监控。

作为优选方案，所述步骤S10包括：

通过传感器实时采集并获取激光焊接时的过程数据，所述过程数据包括等离子体信号、热辐射信号和激光背反信号。

作为优选方案，所述步骤S10之后还包括预处理过程，所述预处理过程具体为：

对获取的所述过程数据进行清洗和格式化，以得到标准化数据。

作为优选方案，所述步骤S20包括：

通过对所述过程数据分别提取关于焊接质量的时间域特征和频域特征，以供模型训练；其中，所述时间域特征通过从原始信号中计算得到统计量，所述频域特征通过对原始信号进行傅里叶变换得到频率分量。

作为优选方案，所述步骤S30包括：

通过机器学习算法对提取的关键特征进行训练，以生成预测焊接质量模型，所述预测焊接质量模型为：y＝C[W

作为优选方案，所述步骤S40包括：

S401、根据预测焊接质量模型，通过对新的过程数据进行计算，以得到当前焊接过程焊接质量预测值；

S402、通过实时监控判定函数对当前焊接质量进行判定；

S403、利用判定为正常的焊接过程数据，使用在线增量学习算法对预测焊接质量模型进行更新。

作为优选方案，所述步骤S402具体包括：

通过统计过往批次的焊接过程数据中的正常数据和异常数据，得到阈值参数的统计分布，通过预设的过杀率和漏检率对所述阈值参数进行估计，并将估计值设定为实时监控判定函数的阈值参数，以对当前焊接质量进行判定。

作为优选方案，所述步骤403具体包括：

利用随机梯度下降算法对预测焊接质量模型进行在线更新，计算得到损失函数；利用学习率和损失函数对预测焊接质量模型中的权重矩阵和偏置向量进行更新，以得到更新后的预测焊接质量模型。

本发明还提供一种基于在线增量学习的激光焊接监控系统，包括：

数据采集模块，用于实时获取激光焊接的过程数据；

特征提取模块，用于对所述过程数据提取关于焊接质量的关键特征；

模型训练模块，用于通过机器学习算法对提取的所述关键特征进行训练，以生成预测焊接质量模型；

实时更新监控模块，用于通过实时更新的预测焊接质量模型计算得到焊接质量预测值，利用所述焊接质量预测值和实时监控判定函数进行焊接质量判定，以实现对焊接过程的实时监控。

作为优选方案，所述系统还包括：

预处理模块，用于对获取的所述过程数据进行清洗和格式化，以得到标准化数据。

本发明还提供一种可读存储介质，所述存储介质存储有指令，当指令在计算机上运行时，使得计算机执行如上任一方案所述的监控方法。

本发明与现有技术相比，有益效果是：

本发明提供的基于在线增量学习的激光焊接监控方法，通过采用了多种特征提取算法，可以从焊接过程数据中提取出对焊接质量有影响的关键特征，提高模型的准确性和鲁棒性。

本发明提供的基于在线增量学习的激光焊接监控方法，通过采用了机器学习算法，可以实现对于激光焊接质量的实时监控判定，并通过在线增量学习对焊接过程的焊接质量预测模型进行优化，使得模型适应生产过程中的变化；通过实时监控过杀率与漏检率智能推荐阈值参数，可以减少对专家知识的依赖和人工成本。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1是本申请一实施例中提供的基于在线增量学习的激光焊接监控方法的流程示意图；

图2是本申请中采集的光信号波形图；

图3是本申请中过杀率和漏检率预测原理图；

图4是本申请一实施例中提供的基于在线增量学习的激光焊接监控系统的模块连接示意图。

图5是本申请另一实施例中提供的基于在线增量学习的激光焊接监控系统的模块连接示意图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参考图1所示，在本申请的一个实施例中，提供了基于在线增量学习的激光焊接监控方法，包括以下步骤：

S10、实时获取激光焊接的过程数据；

S20、对所述过程数据提取关于焊接质量的关键特征；

S30、通过机器学习算法对提取的所述关键特征进行训练，以生成预测焊接质量模型；

S40、通过实时更新的预测焊接质量模型计算得到焊接质量预测值，利用所述焊接质量预测值和实时监控判定函数进行焊接质量判定，以实现对焊接过程的实时监控。

本实施例通过提供自动调整模型参数并在线计算模型过杀率和漏检率，智能推荐最优的监控参数，能够避免过多的人工干预和操作风险。

S10、实时获取激光焊接的过程数据，具体为：

通过传感器采集大量的焊接过程数据，如图2所示，包括等离子体信号、热辐射信号和激光背反信号。

焊接过程数据的采集模型为：f(x)＝[s

在步骤S10之后还包括对过程数据进行预处理，具体为：

对采集得到的焊接过程数据进行清洗和格式化，去除噪声、异常值和缺失值，并进行数据标准化，消除数据中不同特征的量纲和尺度差异。

为了对采集到的数据进行清洗和格式化，定义预处理模型为：

预处理也可以在数据质量较高或对数据精度要求较低的情况下省略，以减少数据处理时间和资源消耗。

S20、对所述焊接过程数据提取关于焊接质量的关键特征，具体为：

从预处理后的等离子体信号、热辐射信号和激光背反信号中分别提取出对焊接质量有影响的关键特征，关键特征包括时间域特征和频域特征，为了从预处理后的数据中提取出时间域特征和频域特征，定义特征提取模型：h(x)＝[h

S201、对时间域特征进行提取，具体步骤包括：

时间域特征是直接从原始信号中计算得到的统计量，反映了信号的基本属性和变化趋势。以等离子体信号为例，定义计算时间域特征的函数：

其中，N表示信号长度，s

进一步地，还需要对第i个热辐射信号值s

S202、对频域特征进行提取，具体步骤包括：

频域特征是通过对原始信号进行傅里叶变换得到的频率分量，反映了信号的周期性和频率分布。以热辐射信号为例，定义计算频域特征的函数：

h

其中，f表示频率变量，S

进一步地，还需要对等离子信号和激光背反信号分别进行频域特征的提取，具体提取方式可以参考上述热辐射信号的频域特征提取方式，在此不作重复赘述。

S30、通过机器学习算法对提取的所述关键特征进行训练，以生成预测焊接质量模型，具体为：

使用机器学习算法对提取出的时间域特征和频域特征进行训练，生成预测焊接质量的模型，具体采用支持向量机(SVM)作为机器学习算法，具有良好的泛化能力和鲁棒性。

为了使用机器学习算法对提取出的时间域特征和频域特征进行训练，定义预测焊接质量模型为：y＝C[W

S40、通过实时更新的预测焊接质量模型计算得到焊接质量预测值，利用所述焊接质量预测值和实时监控判定函数进行焊接质量判定，以实现对焊接过程的实时监控，具体为：

当新的数据到达时，使用在线学习算法更新模型，并根据模型的预测结果智能推荐最优的监控参数。通过采用随机梯度下降(SGD)作为在线学习算法，可以快速适应数据流中的变化，并实现增量式学习，具体包括以下步骤：

S401、根据预测焊接质量模型，通过对新的过程数据进行计算，以得到当前焊接过程焊接质量预测值。

当新的数据到达时，使用特征提取模块提取出对焊接质量有影响的关键特征，得到特征向量h

S402、通过实时监控判定函数对当前焊接质量进行判定。

所述步骤S402具体包括：

通过统计过往批次的焊接过程数据中的正常数据和异常数据，得到阈值参数的统计分布，通过预设的过杀率和漏检率对所述阈值参数进行估计，并将估计值设定为实时监控判定函数的阈值参数，以对当前焊接质量进行判定。

定义实时监控判定函数

统计过往批次的焊接过程数据中的正常数据和异常数据，在采集到一个批次的焊接过程数据以后，通过对于阈值θ的反求

具体地，如图3所示，当统计一个正常焊接批次的焊接过程数据时，计算阈值θ概率分布函数中大于设定值θ

S403、利用判定为正常的焊接过程数据，使用在线增量学习算法对预测焊接质量模型进行更新，具体包括：

所述步骤403具体包括：

利用随机梯度下降算法对预测焊接质量模型进行在线更新，计算得到损失函数；利用学习率和损失函数对预测焊接质量模型中的权重矩阵和偏置向量进行更新，以得到更新后的预测焊接质量模型。

将预判定为正常焊接的新数据，利用随机梯度下降(SGD)进行数据模型在线更新，定义损失函数

使用学习率η

利用更新的权重矩阵

随着焊接生产过程不断更新数据的同时，继续执行以上步骤，直到达到监测激光焊接生产质量的效果。

本申请的实施例通过采用了多种特征提取算法，可以从焊接过程数据中提取出对焊接质量有影响的时间域特征和频域特征，提高模型的准确性和鲁棒性；能够实现对于激光焊接质量的实时监控判定，并通过在线增量学习对焊接过程的焊接质量预测模型进行优化，使得模型适应生产过程中的变化。

请参考图4所示，在本申请的一个实施例中，应用如上所述的激光焊接监控方法，提供了基于在线增量学习的激光焊接监控系统，包括：

数据采集模块，用于实时获取激光焊接的过程数据；

特征提取模块，用于对所述过程数据提取关于焊接质量的关键特征；

模型训练模块，用于通过机器学习算法对提取的所述关键特征进行训练，以生成预测焊接质量模型；

实时更新监控模块，用于通过实时更新的预测焊接质量模型计算得到焊接质量预测值，利用所述焊接质量预测值和实时监控判定函数进行焊接质量判定，以实现对焊接过程的实时监控。

请参考图5所示，在本申请的另一个实施例中，应用如上所述的激光焊接监控方法，提供了基于在线增量学习的激光焊接监控系统，包括：

数据采集模块，用于实时获取激光焊接的过程数据；

预处理模块，用于对获取的过程数据进行清洗、和格式化，以得到标准化数据，以消除数据中不同特征的量纲和尺度差异；

特征提取模块，用于对所述过程数据提取关于焊接质量的关键特征；

模型训练模块，用于通过机器学习算法对提取的所述关键特征进行训练，以生成预测焊接质量模型；

实时更新监控模块，用于通过实时更新的预测焊接质量模型计算得到焊接质量预测值，利用所述焊接质量预测值和实时监控判定函数进行焊接质量判定，以实现对焊接过程的实时监控。

在本申请的一个实施例中，提供了一种可读存储介质，所述存储介质存储有指令，当指令在计算机上运行时，使得计算机执行如上所述的激光焊接监控方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。