存储介质、焊接设备、焊接异常检测方法及装置制造方法及图纸

本公开涉及焊接技术领域，提供了一种存储介质、焊接设备、焊接异常检测方法及焊接异常检测装置。该焊接异常检测方法可以包括：获取训练数据，所述训练数据包括包含标签信息的历史焊接参数，所述标签信息用于标识所述历史焊接参数为焊接异常参数或焊接正常参数；根据所述训练数据对初始异常检测模型进行训练，得到目标异常检测模型；获取焊接过程中的实时焊接参数；根据所述实时焊接参数和所述目标异常检测模型来检测焊接过程中是否发生焊接异常。本公开能够减少工人的工作量。

【技术实现步骤摘要】
存储介质、焊接设备、焊接异常检测方法及装置
本公开涉及焊接
，尤其涉及一种存储介质、焊接设备、焊接异常检测方法及焊接异常检测装置。
技术介绍
焊接是机械制造领域最重要的工艺之一，根据焊接性质、方式、应用场合等方面的不同，焊接可分为手工焊接、半自动焊接、自动焊接等形式。由于焊接过程中焊接异常的发生，往往会导致漏焊、焊穿、焊缝成型不均匀等现象。目前，焊接过程中的焊接异常大多是依靠人工检测，这很大程度上依赖于检测工人的技术以及经验，会产生很多不稳定因素，并且增加了工人的工作量，降低了工人的工作效率。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提供一种存储介质、焊接设备、焊接异常检测方法及焊接异常检测装置，能够减少工人的工作量。根据本公开的一个方面，提供一种焊接异常检测方法，包括：获取训练数据，所述训练数据包括包含标签信息的历史焊接参数，所述标签信息用于标识所述历史焊接参数为焊接异常参数或焊接正常参数；根据所述训练数据对初始异常检测模型进行训练，得到目标异常检测模型；获取焊接过程中的实时焊接参数；根据所述实时焊接参数和所述目标异常检测模型来检测焊接过程中是否发生焊接异常。在本公开的一种示例性实施例中，所述焊接参数包括电弧声音信息。在本公开的一种示例性实施例中，所述异常检测模型采用卷积神经网络或自编码神经网络。在本公开的一种示例性实施例中，所述异常检测模型采用所述自编码器神经网络，根据所述实时焊接参数和所述目标异常检测模型来检测焊接过程中是否发生焊接异常包括：以所述实时焊接参数作为输入量，并输入至所述自编码器神经网络，得到相应的输出量；根据所述输出量与所述输入量的差值判定所述焊接过程中是否发生焊接异常。在本公开的一种示例性实施例中，根据所述训练数据对初始异常检测模型进行训练包括：将所述训练数据随机划分为训练集和验证集；基于所述训练集对初始异常检测模型进行训练得到参考检测模型；基于所述验证集对所述参考检测模型进行调整得到目标异常检测模型。根据本公开的一个方面，提供一种焊接异常检测装置，包括：第一获取模块，用于获取训练数据，所述训练数据包括包含标签信息的焊接参数，所述标签信息用于标识所述焊接参数为焊接异常参数或焊接正常参数；训练模块，用于根据所述训练数据对初始异常检测模型进行训练，得到目标异常检测模型；第二获取模块，用于获取焊接过程中的实时焊接参数；检测模块，用于根据所述实时焊接参数和所述目标异常检测模型来检测焊接过程中是否发生焊接异常。根据本公开的一个方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的焊接异常检测方法。根据本公开的一个方面，提供一种焊接设备，包括：处理器；以及存储器，用于存储一个或多个计算机程序，一个或多个所述计算机程序被所述处理器执行时实现如上述任意一项所述的焊接异常检测方法。在本公开的一种示例性实施例中，所述焊接设备还包括：采集装置，连接于所述处理器，所述采集装置用于采集所述焊接过程中的所述实时焊接参数，并将所述实时焊接参数发送至所述处理器。在本公开的一种示例性实施例中，所述焊接设备还包括：焊机，连接于所述处理器，所述处理器用于在所述焊接过程发生焊接异常时向所述焊机发出报警信号，所述焊机用于根据所述报警信号判断是否停止焊接。本公开的存储介质、焊接设备、焊接异常检测方法及焊接异常检测装置，通过包括历史焊接参数的训练数据对初始异常检测模型进行训练，得到了目标异常检测模型，并通过目标异常检测模型和实时焊接参数检测焊接过程中是否发生焊接异常，避免采用人工检测，减少了工人的工作量。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明通过参照附图来详细描述其示例性实施例，本公开的上述和其它特征及优点将变得更加明显。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。图1为本公开实施方式的焊接异常检测方法的流程图；图2为本公开实施方式的自编码神经网络的示意图；图3为本公开实施方式的焊接异常检测装置的框图；图4为本公开实施方式的焊接设备的框图。图中：1、输入层；2、隐藏层；3、输出层；4、焊接异常检测装置；401、第一获取模块；402、训练模块；403、检测模块；404、第二获取模块；5、处理器；6、存储器；7、采集装置；8、焊机。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、材料、装置等。在其它情况下，不详细示出或描述公知技术方案以避免模糊本公开的各方面。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。用语“一”和“该”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。本公开实施方式提供一种焊接异常检测方法，用于焊接设备。如图1所示，该焊接异常检测方法可以包括步骤S100至步骤S130，其中：步骤S100、获取训练数据，训练数据包括包含标签信息的历史焊接参数，标签信息用于标识历史焊接参数为焊接异常参数或焊接正常参数。步骤S110、根据训练数据对初始异常检测模型进行训练，得到目标异常检测模型。步骤S120、获取焊接过程中的实时焊接参数。步骤S130、根据实时焊接参数和目标异常检测模型来检测焊接过程中是否发生焊接异常。本公开实施方式的焊接异常检测方法，通过包括历史焊接参数的训练数据对初始异常检测模型进行训练，得到了目标异常检测模型，并通过目标异常检测模型和实时焊接参数检测焊接过程中是否发生焊接异常，避免采用人工检测，减少了工人的工作量。下面对本公开实施方式的焊接辅助方法的各步骤就进行详细说明：在步骤S100中，获取训练数据，训练数据包括包含标签信息的历史焊接参数本文档来自技高网...

【技术保护点】
1.一种焊接异常检测方法，其特征在于，包括：/n获取训练数据，所述训练数据包括包含标签信息的历史焊接参数，所述标签信息用于标识所述历史焊接参数为焊接异常参数或焊接正常参数；/n根据所述训练数据对初始异常检测模型进行训练，得到目标异常检测模型；/n获取焊接过程中的实时焊接参数；/n根据所述实时焊接参数和所述目标异常检测模型来检测焊接过程中是否发生焊接异常。/n

【技术特征摘要】
1.一种焊接异常检测方法，其特征在于，包括：
获取训练数据，所述训练数据包括包含标签信息的历史焊接参数，所述标签信息用于标识所述历史焊接参数为焊接异常参数或焊接正常参数；
根据所述训练数据对初始异常检测模型进行训练，得到目标异常检测模型；
获取焊接过程中的实时焊接参数；
根据所述实时焊接参数和所述目标异常检测模型来检测焊接过程中是否发生焊接异常。


2.根据权利要求1所述的焊接异常检测方法，其特征在于，所述焊接参数包括电弧声音信息。


3.根据权利要求1所述的焊接异常检测方法，其特征在于，所述异常检测模型采用卷积神经网络或自编码神经网络。


4.根据权利要求3所述的焊接异常检测方法，其特征在于，所述异常检测模型采用所述自编码器神经网络，根据所述实时焊接参数和所述目标异常检测模型来检测焊接过程中是否发生焊接异常包括：
以所述实时焊接参数作为输入量，并输入至所述自编码器神经网络，得到相应的输出量；
根据所述输出量与所述输入量的差值判定所述焊接过程中是否发生焊接异常。


5.根据权利要求1所述的焊接异常检测方法，其特征在于，根据所述训练数据对初始异常检测模型进行训练包括：
将所述训练数据随机划分为训练集和验证集；
基于所述训练集对初始异常检测模型进行训练得到参考检测模型；
基于所述验证集对所述参考检测模型进行调整得到目标异常检测模型。<...

【专利技术属性】
技术研发人员：李海泉，
申请(专利权)人：唐山松下产业机器有限公司，
类型：发明
国别省市：河北;13