基于LSTM与残差分布的焊接质量实时检测方法及系统技术方案

本发明专利技术公开了一种基于LSTM与残差分布的焊接质量实时检测方法及系统，包括：基于预训练的LSTM模型，对极短的时间序列窗口构建残差矩阵，衡量单个时间窗口内的残差矩阵与整体残差矩阵的分布相似度，根据分布相似度是否超过阈值的判断，实现短时间内的焊接质量缺陷检测。本发明专利技术基于非侵入性设备所采集的高频时序信号数据，利用LSTM构建真实数据与预测数据的残差矩阵，衡量残差矩阵分布相似度，确定异常时序阈值来识别焊接质量缺陷，从而解决了焊接图像、光谱、声音等数据难以采集、缺陷数据难以标注、模型鲁棒性不足等技术问题，可做到焊接质量缺陷的实时检测。质量缺陷的实时检测。质量缺陷的实时检测。

【技术实现步骤摘要】
基于LSTM与残差分布的焊接质量实时检测方法及系统


[0001]本专利技术涉及一种基于LSTM（长短期记忆人工神经网络）与残差分布的焊接质量实时检测方法及系统，属于自动化焊接


技术介绍

[0002]近年来随着汽车、航空航天、建筑以及运输等工业的飞速发展，对工业设备的工艺及质量要求越来越高，焊接质量检测技术近年来被广泛应用等多个领域。焊接质量可分为直接焊接质量和间接焊接质量，一般焊接产品焊接接头使用的主要内容有力学性能、内外部缺陷、焊后产品几何尺寸等。所谓间接焊接质量，就是在焊接过程中能够被焊工的感官或者特质的传感器检测到的、间接决定上述直接焊接质量的有关因素。这种间接焊接质量虽然不能直接说明焊接接头的使用性能，但是它们却在很大程度上可以反映焊接过程中是否出现焊接质量问题。
[0003]目前利用深度学习结合视觉图像、电弧光谱、电弧声音等数据进行焊接质量诊断是进行焊接质量诊断的主要技术手段，但在实际的使用场景中，焊接图像、光谱、声音等数据难以采集，受环境影响较大，缺陷种类难以界定，需要大量的数据标注，时间、经济成本较高且效果较差。而焊接过程中的电信号等时间序列数据不仅包含电源性能信息也包含大量焊接质量的信息，同时时间序列数据采集成本较低、不易受外界环境因素影响，通过对时间序列数据进行分析挖掘其与焊接质量缺陷的对应关系，可极大程度的减小焊接质量检测成本及有效性。

技术实现思路

[0004]专利技术目的：针对现有技术所存在的问题，本专利技术提供一种基于LSTM与残差分布的焊接质量实时检测方法及系统，基于所采集的高频时序信号数据，利用LSTM构建真实数据与预测数据的残差矩阵，衡量残差矩阵分布相似度，确定异常时序阈值来识别焊接质量缺陷，从而解决焊接图像、光谱、声音等数据难以采集、缺陷数据难以标注、模型鲁棒性不足等技术问题。
[0005]技术方案：着眼于现有技术的不足，本专利技术将目标定位于降低数据采集成本及异常标注成本，无需对异常时序数据进行异常标注，同时将焊接质量检测问题转化为对焊接过程中时序异常信号的检测，考虑到焊接质量缺陷的时间依存关系以及非线性性质，选用LSTM进行模型训练，对于正常的焊接过程中残差应该是零值，但由于系统不稳定以及外界环境影响，残差都是偏离零值的，但整体残差分布是稳定的，结合高频数据特性（单位时间内采样点较多）及焊接实时检测要求，对极短的时间序列窗口构建残差矩阵，衡量单个时间窗口内的残差矩阵与整体残差矩阵的分布相似度，根据分布相似度确定其阈值，实现短时间内的焊接质量缺陷检测。具体包括以下步骤：步骤1：将正常焊接过程中所采集的高频时序数据拆分为三份数据集，并以Train_Windows为训练时间窗口，Label_Windows为预测时间窗口，Rolling_Step为步长分别对三
份数据集进行窗口滑动切割，构建三份可入模数据集[Seq1,Seq2,Seq3]；步骤2：利用Seq1进行LSTM模型的训练，确定LSTM结构及相关参数；步骤3：加载预训练的LSTM模型对Seq2进行推理，并利用Seq2所有Label_Windows的预测值（对于相同时间点的多个预测值，选取更靠近Train_Windows的预测数据）与真实值计算残差，进而构建残差矩阵M（对于多维的高频时间序列，利用差值构建多维的残差矩阵M）；步骤4：利用预训练的LSTM模型对Seq3的每一个Label_Windows进行推理，对每次推理的Label_Windows预测值与真实值计算残差，得到N个Label_Windows大小的残差矩阵；步骤5：分别计算N个Label_Windows大小的残差矩阵与残差矩阵M的分布相似度，进而根据分布相似度的数据分布确定异常阈值；步骤6：对于新的高频焊接时序数据，按照Train_Windows进行滑窗并导入训练好的LSTM模型中进行推理，计算每个Label_Windows残差矩阵与残差矩阵M的分布相似度，并根据该分布相似度是否超过阈值来判定此Label_Windows是否出现异常。
[0006]进一步的，所述步骤1中所采集的高频时序数据为利用非侵入性的数据采集设备在正常焊接过程中采集较长时间段的高频信号数据，包括但不限于电流、电压、送丝速度、气流速度中的一种或多种，其频率不低于10KHz。
[0007]进一步的，所述步骤1还包括：对数据集[Seq1,Seq2,Seq3]进行归一化处理，从而加快模型训练速度。
[0008]进一步的，所述步骤5、6中对分布相似度的计算包括但不限于KL散度、JS散度或W（Wasserstein）距离等。
[0009]进一步的，所述步骤5中通过对计算得到的分布相似度进行正态拟合后，取设定置信度的数据作为异常阈值。
[0010]此外，本专利技术还提供了一种基于LSTM与残差分布的焊接质量实时检测系统，包括数据采集模块和数据处理模块，其中数据处理模块采用上述焊接质量实时检测方法，根据数据采集模块采集到的高频焊接信号数据，包括但不限于电流、电压、送丝速度、气流速度，来进行焊接缺陷的实时检测。
[0011]有益效果：本专利技术所提供的一种基于LSTM与残差分布的焊接质量实时检测方法及系统，相对于现有技术，具有以下优点：1、相对于利用声音、光谱、图像等数据构建分类模型进行焊接质量在线诊断，本方法只需利用非侵入性数据采集设备采集焊接过程中高频时间序列数据，数据易采集，检测成本较低。
[0012]2、对时间序列模型进行预训练，确定LSTM模型参数，在实际使用的过程中只需利用训练好的模型进行推理滑动窗口的数据结合阈值判断即可识别焊接质量缺陷，不需要大量的异常标注，克服了焊接质量缺陷难以标注的缺点。
[0013]3、在实际生产过程中，时间序列数据相对标准化，不易受到环境因素影响，利用高频时间序列构建模型，模型更加健壮，具有良好的鲁棒性。
附图说明
[0014]图1为本专利技术实施例的整体流程示意图；
图2a、2b分别为本专利技术实施例的模型训练与预测图、残差矩阵计算图；图3为本专利技术实施例针对一段高频电流、电压时序数据的检测结果图。
具体实施方式
[0015]下面将结合附图对本专利技术的优选实施方式进行描述，更加清楚、完整地阐述本专利技术的技术方案。
[0016]如图1所示为一种基于LSTM与残差分布的焊接质量实时检测方法，包括以下步骤：步骤1：获取正常焊接过程中的高频电流、电压时序数据；这里的数据为利用非侵入性的数据采集设备采集正常焊接过程中较长时间段的高频电流、电压数据；步骤2：将采集到的高频电流、电压时序数据拆分为三份数据量相同的数据集，分别用作模型训练、残差矩阵的构建、确定焊接质量缺陷阈值；步骤3：分别对上述三份数据集进行以Train_Windows为训练时间窗口大小，Label_Windows为预测时间窗口大小，Rolling_Step为步长进行窗口滑动切割，并对数据进行归一化处理，加速模型训练速度，从而构建三份可入模数据集[Seq1,Seq2,Seq3]；如图2a所示，Train_Windows和Label_W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM与残差分布的焊接质量实时检测方法，其特征在于，包括以下步骤：步骤1：将正常焊接过程中所采集的高频时序数据拆分为三份数据集，并以Train_Windows为训练时间窗口，Label_Windows为预测时间窗口，Rolling_Step为步长分别对三份数据集进行窗口滑动切割，构建三份可入模数据集[Seq1,Seq2,Seq3]；步骤2：利用Seq1进行LSTM模型的训练，确定LSTM结构及相关参数；步骤3：加载预训练的LSTM模型对Seq2进行推理，并利用Seq2所有Label_Windows的预测值与真实值计算残差，进而构建残差矩阵M；步骤4：利用预训练的LSTM模型对Seq3的每一个Label_Windows进行推理，对每次推理的Label_Windows预测值与真实值计算残差，得到N个Label_Windows大小的残差矩阵；步骤5：分别计算N个Label_Windows大小的残差矩阵与残差矩阵M的分布相似度，进而根据分布相似度的数据分布确定异常阈值；步骤6：对于新的高频焊接时序数据，按照Train_Windows进行滑窗并导入训练好的LSTM模型中进行推理，计算每个Label_Win...

【专利技术属性】
技术研发人员：姚志豪，钱鹏，李波，
申请(专利权)人：苏芯物联技术南京有限公司，
类型：发明
国别省市：