一种点焊质量在线监测模型的构建方法

技术领域

本发明涉及自动化焊接领域，特别是一种点焊质量在线监测模型的构建方法。

背景技术

点焊作为一种常见的金属焊接方法，其质量的稳定性和一致性对于保证焊接连接的可靠性至关重要。现有的点焊质量检测方法主要使用的是超声波焊点质量检测、破检焊点质量检测方法等；而这些方法的人工成本和时间成本均较高，降低了生产线的效率和速度；更主要的是，这些传统的检测方法都需要在点焊操作结束后进行检测，无法及时发现焊接过程中出现的缺陷问题。而实际工作中无法做到焊接一个工件后就立刻停止焊接操作而进行焊点的质量检测，这样会严重影响生产节拍，并不现实。

因此现在需要一种能够解决上述问题的方法。

发明内容

本发明是为了解决现有技术所存在的上述不足，提出一种能够快速、准确 的进行点焊质量检测，且可以在焊接过程中直接进行非破坏性判断的在线监测模型的构建方法。

本发明的技术解决方案是：一种点焊质量在线监测模型的构建方法，其特征在于，所述的方法按照以下步骤依次进行：

首先读取焊接控制器中的历史点焊数据，所述的历史点焊数据均为经检验达到焊接质量要求的点焊操作的数据，然后对历史点焊数据进行数据处理工作，并从处理后的数据中筛选出电阻斜率、电阻极差和焊接能量这三个特征，然后将上述三个特征应用于孤立森林算法中，经过训练即可得到监测模型，

所述的数据处理工作按照以下步骤进行操作：

读取历史点焊数据的电流信号和电压信号，利用焊接控制器将上述电流信号和电压信号转换为真实数据，根据转换后的电流值和电压值计算电阻值，根据被测焊枪的状态信号，对上述的电阻值数据进行分段操作，并删除全零行数据，对经过上述分段操作后的电阻值数据进行平滑处理，然后进行计算，得到均值、最大值、最小值、极差值、以及最后一个极大值到最后一个数据之间的斜率，同时从焊接控制器中提取焊接能量数据，最后利用方差分析法，上述数据中筛选出电阻斜率、电阻极差和焊接能量这三个特征。

本发明同现有技术相比，具有如下优点：

通过本方法能够构建出一种点焊质量的在线监测模型，将该模型应用在点焊过程中，实时读取焊接控制器中的各项参数（电流、电压、电阻、焊接能量等）并加以分析，便能够在点焊操作实施的同时判断出点焊质量，检测出点焊过程中的潜在问题和点焊缺陷，从而能够快速、及时地向工作人员发出提醒信息，以保证点焊质量，这种在线监测模型，能够有效提高点焊质量的可靠性和一致性，在不影响生产效率的前提下，减少不良品率。因此可以说它具备了多种优点，特别适合于在本领域中推广应用，其市场前景十分广阔。

附图说明

图1为焊枪运行时的实时电流信号图。

图2为焊枪运行时的实时电压信号图。

图3为实时电流信号转化为真实数据后的示意图。

图4为实时电压信号转化为真实数据后的示意图。

图5为焊接过程中的电阻值变化情况图。

图6为经过分段操作后的电阻数据。

图7为电阻值数据处理后得到的斜率特征图。

具体实施方式

下面将结合附图说明本发明的具体实施方式如下，如图1至图7所示：一种点焊质量在线监测模型的构建方法，按照以下步骤依次进行：

首先读取焊接控制器中的历史点焊数据，所述的历史点焊数据均为经检验达到焊接质量要求的点焊操作的数据，然后对历史点焊数据进行数据处理工作，并从处理后的数据中筛选出电阻斜率、电阻极差和焊接能量这三个特征，然后将上述三个特征应用于孤立森林算法中，经过训练即可得到监测模型，

所述的数据处理工作按照以下步骤进行操作：

首先读取历史点焊数据的电流信号和电压信号，如图1和图2所示，

由于电流信号数据和电压信号数据在采集的过程中是按照二进制八位数的形式进行存储的，因此需要利用焊接控制器将上述电流信号和电压信号转换为真实数据，如图3和图4所示，

根据转换后的电流值和电压值计算电阻值，从而可以得到焊接过程中的电阻值变化情况，如图5所示，

根据被测焊枪的状态信号，对上述的电阻值数据进行分段操作，并删除全零行数据；焊接设备（被测焊枪）同样会输出一些状态信号，用于指示焊接过程中的不同阶段，根据这些信号可以对电阻数据进行分段操作，从而将电阻数据分为不同的片段，以便于进行后续的数据分析和处理，如图6所示；而在电阻数据中存在一定数量的全零行数据，这些全零行数据一般是由于传感器误差导致的，属于干扰因素，因此将这些全零行数据删除；

对经过上述分段操作后的电阻值数据进行特征构建，即对这些数据进行计算，得到均值、最大值、最小值、极差值、以及最后一个极大值到最后一个数据之间的斜率，同时从焊接控制器中提取焊接能量数据，需要说明的是，在对这些数据进行计算之前，需要对它们进行平滑处理，这里的平滑处理可采用常规的平滑处理方法（如滑动窗口平均或使用滤波器进行平滑处理等），可以得到斜率特征图，如图7所示，电阻数据中最后一个极大值到最后一个数据之间的斜率十分重要，当出现虚焊情况时，电阻值的变化缓慢，焊接能量也较小，对应的斜率较小，而当出现焊穿的情况时，电阻值的变化较快，焊接能量较大，对应的斜率也较大；

最后利用方差分析法，上述数据中筛选出电阻斜率、电阻极差和焊接能量这三个特征，将这三个特征应用于孤立森林算法中，经过训练即可得到监测模型，

在训练的过程中，孤立森林算法会根据选定的特征和参数构建多个随机的二叉搜索树，每个二叉搜索树都会将正常的数据点从异常数据点中隔离开，形成一个孤立的区域，根据数据点在二叉搜索树中的深度，可以计算出一个异常分数，该异常分数则用来直接评估数据点的异常程度，异常分数是一个介于0和1之间的值。越接近1，表示该数据点越可能是异常值；越接近0，表示该数据点越可能是正常值。本申请的监测模型将异常分数的阈值设定为0.85，大于等于0.85判定为异常；小于0.85判定为正常；

监测模型建立完成后，焊枪进行点焊操作时，监测模型可读取焊接控制器中的相关数据并对这些数据进行数据处理工作，并从处理后的数据中筛选出电阻斜率、电阻极差和焊接能量这三个特征，然后将上述三个特征应用于孤立森林算法中，并根据构建出的二叉搜索树来判断当前焊枪的工作情况，如存在异常，则会向焊接控制器发出信号，焊接控制器发出警示信息，提醒操作人员及时进行调整或干预。