一种应用于机器学习的时序特征有效窗口提取方法技术

本发明专利技术公开了一种应用于机器学习的时序特征有效窗口提取方法，步骤如下：首先，对实际焊接生产过程中电参数实时采集，利用数据自身特点，计算动态阈值，根据阈值不断迭代更新自动筛选出有效窗口。然后进行希尔伯特变换，分别对电参数实数值和复数值做特征提取，使用最大最小标准化和包装法中的递归特征消除法挑选特征。最后，使用决策树模型进行分类，对预测偏移样本记录反馈，并加入模型重新迭代优化。本发明专利技术通过提取有效窗口，避免窗口选择太大，保留太多噪音数据，使数据失真以及窗口选择太小，删除太多有用特征，无法提出与目标变量强相关的因子的问题，显著地提高了预测精度。

An effective window extraction method of time series feature applied to machine learning

【技术实现步骤摘要】
一种应用于机器学习的时序特征有效窗口提取方法
本专利技术涉及工业焊接机器人焊缝偏移检测
，尤其是一种应用于机器学习的时序特征有效窗口提取方法。
技术介绍
随着制造技术的快速发展，焊接制造自动化与智能化已成为必然趋势。因焊接机器人拥有较强的通用性和工作可靠性等优点，已成为焊接自动化技术现代化的主要手段。提高大规模、高速度的现代化焊接质量是焊接工业的重要课题，检测是其重要保证。焊接过程中主要出现裂纹、未焊透和未融合、夹渣、气孔和焊缝外观等缺陷，这些缺陷减少焊缝面积，降低承载能力，容易产生应力集中，从而导致焊缝强度降低，引起焊件破裂导致脆断。在这些缺陷中未融合属于严重缺陷，而研究表明焊丝偏移除了对焊缝外观成形产生严重影响，还会导致未融合。因此预测焊缝是否偏移有着重要的现实意义。目前焊缝偏移检测主要是利用视觉传感器进行焊缝跟踪或超声波传感器进行检测，这种方法对工业现场环境设备及资金要求都较高。
技术实现思路
针对上述技术问题，本专利技术旨在提供一种应用于机器学习的时序特征有效窗口提取方法，删除了焊接开头和结尾因受起弧和收弧控制而导致的不置信数据，增强相关因子与目标变量的提取，提高了自动建模的精度；基于该数据，能够有效预测焊缝偏移，准确度高。为解决上述技术问题，本专利技术提供一种应用于机器学习的时序特征有效窗口提取方法，该方法包括以下步骤：1)电弧电压与焊接电流信息获取模块：通过工业网关实时采集和收集焊接机器人的电弧电压和焊接电流数据，并对其中部分数据打标签，有偏移为1，无偏移为0，作为训练库；2)数据有效窗口选择模块：对收集到的电弧电压和焊接电流数据根据自身数据特点进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据；3)特征变换和提取模块：由于输入电弧电压和焊接电流总是以单一频率提供，因此采用希尔伯特变换方法计算时变，分别对有效窗口内的电参数的实数值和复数值做均值、标准偏差、变异系数、峰度、一阶差分均值、形状因子、波峰因子、间隙系数、脉冲因子、前后窗平均值以及前后窗皮尔逊相关系数的特征提取；4)特征标准化和选择模块：对提取的44个特征使用最大最小标准化，后用L1正则和递归特征消除法筛选特征，最终得到无多重共线性特征；5)模型训练、识别和反馈模块：根据有标签数据自动筛选出的特征，使用决策树模型训练，对无标签样本或者新样本采取同样的有效窗口选择和特征提取的方法，代入模型预测，根据反馈结果，扩充训练库，不断迭代选择特征和更新模型；针对在实际应用中发现的选择合适的数据有效窗对检测算法的准确度影响较大，对所述步骤2)数据有效窗口提取优化如下，具体步骤为：2.1)对一条焊缝电参数数据按时间序列从小到大排序，对于有缺失的采样点采用相邻点向后填充的方法，统计数据点数N,则初始有效窗口为[0,N-1]；2.2)前窗选择：从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点和采样点i+1,i+2,i+3的均值和标准偏差σ，得到阈值若采样点i不在阈值内，而i+1,i+2,i+3采样点都在阈值内，则有效窗口更新为[i+1,N-1]；若采样点i和i+1,i+2,i+3采样点都在阈值内且i点取值与均值范围不超过整个阈值范围的1/3，则有效窗口更新为[i,N-1]；否则继续选择有效窗口；令此时有效前窗序号为i*；2.3)后窗选择：从有效窗口[i*,N-1]结束时刻开始，依次计算有效窗口除当前采样点和接下来的4个采样点j-1,j-2,j-3,j-4取值的均值和标准偏差σ′，得到阈值若采样点j取值不在阈值内，而j-1,j-2,j-3,j-4值都在阈值内，则有效窗口更新为[i*,j-1]；若采样点j和j-1,j-2,j-3,j-4采样点都在阈值内且采样点j值与均值范围不超过整个阈值范围的1/3，则有效窗口更新为[i*,j]；否则继续选择；令此时有效后窗序号为j*；2.4)重新更新前窗序号：根据2.2)、2.3)得有效窗口为[i*,j*]，计算有效窗口的均值和标准偏差σ*，得有效阈值当前窗删除样本数大于数据点的预设占比，则依次计算采样点的取值是否在阈值内，若取值在阈值内，则继续；否则，找到第一个不满足数据点l*，则停止，此时有效窗口为[l*+1,j*]；当前窗删除样本数不超过数据点的预设占比时，则依次计算采样点的取值和l+1,l+2,l+3的取值，找到第一个这4个点取值都在有效阈值内的采样点，则停止，设有效前窗序号为l*，此时有效窗口为[l*,j*]；令此时有效前窗序号为t*；2.5)重新更新后窗序号：当后窗删除样本数大于数据点的预设占比，则依次计算采样点的取值是否在有效阈值内，若取值在阈值内，则继续；否则，找到第一个不满足数据点k*，则停止，此时有效后窗序号为k*-1，此时有效窗口为[t*,k*-1]；当后窗删除样本数不超过数据点的预设占比，则依次计算采样点的取值和接下来的4个点k-4,k-3,k-2,k-1的取值，找到第一个这5个点取值都在有效阈值内，则停止，此时有效前窗序号为k*，此时有效窗口为[t*,k*]；令此时有效前窗序号为T*；2.6)确定有效窗口：对电压和电流数据分别运用2.1)-2.5)，令电压有效窗口为[v,V]，电流有效窗口为[i,I]，则最终有效窗口为[max(i,v),min(I,V)]；本专利技术与现有技术相比较，本专利技术的实施效果如下：本专利技术提出了一种应用于机器学习的时序特征有效窗口提取方法，有效删除了焊接开头和结尾因受起弧和收弧控制而导致的不置信数据，增强相关因子与目标变量的提取，通过不断自动反馈迭代，有效增强识别能力。基于本专利技术提供的方法获取的数据，能够有效预测焊缝偏移，准确度高。附图说明图1为本专利技术为应用于机器学习的时序特征有效窗口提取方法的流程示意图；图2为有效窗口数据和完整电压数据时序图；图3为有效窗口数据和完整电流数据时序图；图4为实施例结果的示意图。具体实施方式下面结合附图和具体实例对本专利技术做更进一步的解释：实施例1如图1所示，为本专利技术提供的一种应用于机器学习的时序特征有效窗口提取方法的流程示意图，本专利技术以焊缝偏移为讨论对象作为实例，对本专利技术提供的方法展开详细描述。本专利技术所述的一种应用于机器学习的时序特征有效窗口提取方法，该方法能够预测焊缝的偏移，该方法包括下列步骤：1)电弧电压与焊接电流信息获取模块：通过工业网关实时采集和收集焊接机器人的电弧电压和焊接电流数据，并对其中210个数据打标签，有偏移为1，无偏移为0，作为训练库。2)数据有效窗口选择模块：对收集到的电弧电压和焊接电流数据根据自身数据特点进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据。2.1)对一条焊缝电参数数据按时间序列从小到大排序，对于有缺失的采样点采用相邻点向后填充的方法，统计数据点数N,则初始有效窗口为[0,N-1]。2.2)前窗选择：从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点本文档来自技高网...

【技术保护点】
1.一种应用于机器学习的时序特征有效窗口提取方法，其特征在于：包括如下步骤：/n1)获取电弧电压与焊接电流信息：通过工业网关实时采集焊接机器人的电弧电压和焊接电流数据，并对其中部分数据实施人工打标签，记有偏移为1，无偏移为0，作为训练库；/n2)提取数据有效窗口：对收集到的电弧电压和焊接电流数据根据自身数据特点进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据；/n3)特征变换和提取：采用希尔伯特变换方法计算时变，分别对有效窗口内的参数进行特征提取；/n4)对特征进行特征标准化，选取符合要求的特征：对提取的特征使用最大最小标准化以消除量纲不一致的影响，后用L1正则和递归特征消除法筛选特征，最终得到无多重共线性的特征；/n5)模型训练、识别和反馈：根据有标签数据自动筛选出的特征，使用决策树模型训练，对无标签样本或者新样本采取同样的有效窗口选择和特征提取的方法，代入模型预测，根据反馈结果，扩充训练库，不断迭代选择特征和更新模型。/n

【技术特征摘要】
1.一种应用于机器学习的时序特征有效窗口提取方法，其特征在于：包括如下步骤：
1)获取电弧电压与焊接电流信息：通过工业网关实时采集焊接机器人的电弧电压和焊接电流数据，并对其中部分数据实施人工打标签，记有偏移为1，无偏移为0，作为训练库；
2)提取数据有效窗口：对收集到的电弧电压和焊接电流数据根据自身数据特点进行有效窗口提取，删除因受起弧和收弧影响的开头和结尾数据；
3)特征变换和提取：采用希尔伯特变换方法计算时变，分别对有效窗口内的参数进行特征提取；
4)对特征进行特征标准化，选取符合要求的特征：对提取的特征使用最大最小标准化以消除量纲不一致的影响，后用L1正则和递归特征消除法筛选特征，最终得到无多重共线性的特征；
5)模型训练、识别和反馈：根据有标签数据自动筛选出的特征，使用决策树模型训练，对无标签样本或者新样本采取同样的有效窗口选择和特征提取的方法，代入模型预测，根据反馈结果，扩充训练库，不断迭代选择特征和更新模型。


2.根据权利要求1所述的一种应用于机器学习的时序特征有效窗口提取方法，其特征在于：所述的2)提取数据有效窗口的步骤如下：
2.1)对一条焊缝电参数数据按时间序列从小到大排序，对于有缺失的采样点采用相邻点向后填充的方法，统计数据点数N,则初始有效窗口为[0,N-1]；
2.2)前窗选择：从有效窗口开始时刻开始，依次计算有效窗口中除当前采样点i,和采样点i+1,i+2,i+3的均值和标准偏差σ，得到阈值若采样点i不在阈值内，而i+1,i+2,i+3采样点都在阈值内，则有效窗口更新为[i+1,N-1]；若采样点i和i+1,i+2,i+3采样点都在阈值内且i点取值与均值范围不超过整个阈值范围的1/3，则有效窗口更新为[i,N-1]；否则继续选择有效窗口；令此时有效前窗序号为i*；
2.3)后窗选择：从有效窗口[i*,N-1]结束时刻开始，依次计算有效窗口除当前采样点j,和接下来的4个采样点j-1,j-2,j-3,j-4取值的均值和标准偏差σ′，得到阈值若采样点...

【专利技术属性】
技术研发人员：祁学豪，陈苗苗，陈刚，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：江苏;32