基于卷积自编码网络的焊机焊接过程异常状态检测方法技术

本发明专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法，包括：获取待检测焊接过程信号；对获取的焊接过程信号进行预处理；搭建用于异常检测的卷积自编码网络，包括编码网络和解码网络，使用正常焊接过程信号对网络进行训练；将步骤2中预处理后的焊接过程信号输入训练好的卷积自编码网络，以网络重构误差作为过程信号的异常分数；将所得的异常分数与设定的异常判断阈值进行比较，若大于等于该阈值证明焊接过程异常，需要报警以提醒现场操作人员注意，若小于该阈值证明焊接过程正常。本发明专利技术方法可对焊机焊接故障问题进行实时监测，及时地对焊接过程信号状态异常问题进行预警和维护调整，避免发生事故。避免发生事故。避免发生事故。

【技术实现步骤摘要】
基于卷积自编码网络的焊机焊接过程异常状态检测方法


[0001]本专利技术属于焊接过程信号异常检测
，涉及基于卷积自编码网络的焊机焊接过程异常状态检测方法。

技术介绍

[0002]大型压缝焊焊机是钢铁厂生产线实现连续作业的关键设备，其可靠平稳的运行是保障钢铁厂高效生产的重要因素。由于焊机系统的复杂性，在实际生产中对焊机焊接过程监测仍需要人工全天候值守，时刻关注焊机焊接过程，比较费时费力。因此，为节省劳动力和提高焊机焊接过程状态异常检测效率，实现焊机焊接过程信号自动监测是很有必要的。
[0003]现有技术中对于焊接过程信号的检测主要是通过人工提取信号的关键特征进行训练机器学习模型来识别特定的模式，例如，上海交通大学的专利技术专利CN112200000A提出了一种焊接稳定性识别模型训练方法、焊接稳定性识别方法，该方法首先根据焊接信号优化设计分段尺度，再根据分段策略获取多组分割信号，提取分割信号的多尺度特征向量并用于训练机器学习模型，得到焊接稳定性识别模型。
[0004]对于现有的焊接过程信号的检测技术，普遍存在以下不足：1、应用机器学习的方法需要进行人工提取关键特征，这需要对焊机系统工作机理有很深的理解，而大型焊机系统往往是比较复杂的，确定关键的特征需要大量的实验与仿真。2、训练的数据需要很多不同类别的数据进行训练，而对于大型的控制精度更高的焊机，所积累的焊接数据大多是正常数据，异常数据是很稀少的，其样本量不足以支持焊接过程诊断，传统的分类识别无法应用。

技术实现思路

[0005]为解决现有技术中采用建模及机器学习的方法，需要对焊机系统工作机理进行数学建模、仿真以及人工提取特征，检测过程较为复杂的问题，本专利技术提供一种基于卷积自编码网络的焊机焊接过程异常状态检测方法。
[0006]本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法，包括：
[0007]步骤1：获取待检测焊接过程信号；
[0008]步骤2：对获取的焊接过程信号进行预处理；
[0009]步骤3：搭建用于异常检测的卷积自编码网络，包括编码网络和解码网络，使用正常焊接过程信号对网络进行训练；
[0010]步骤4：将步骤2中预处理后的焊接过程信号输入训练好的卷积自编码网络，以网络重构误差作为过程信号的异常分数；
[0011]步骤5：将所得的异常分数与设定的异常判断阈值进行比较，若大于等于该阈值证明焊接过程异常，需要报警以提醒现场操作人员注意，若小于该阈值证明焊接过程正常。
[0012]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤1中的焊接过程信号包括：焊机焊接过程产生的焊接温度信号、焊接压力偏差信号、焊接电
流信号中的至少二种信号。
[0013]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤2中对过程信号进行预处理包括：
[0014]步骤2.1：对获得的焊接过程信号进行平稳区域截取；
[0015]步骤2.2：再对截取的焊接过程信号进行下采样处理；
[0016]步骤2.3：再对下采样处理后的焊接过程信号进行标准化处理；
[0017]步骤2.4：将标准化处理后的多种焊接过程信号堆叠成矩形形式。
[0018]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤2.1中平稳区域截取为将焊接温度开始与结束阶段的异常凸起信号截去，只分析剩余的平稳焊接过程信号。
[0019]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤2.2具体为：采用下采样的处理方法将不等长的焊接过程信号等长对齐。
[0020]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤2.3中根根下式对焊接过程信号进行标准化处理：
[0021][0022]式中，x
i
代表某种焊接过程信号的第i个采样数值，μ为该种焊接过程信号的均值，σ为该种焊接过程信号的标准差。
[0023]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤2.4具体为：将每种焊接过程信号构成行向量，将多个行向量进行堆叠构成数据矩形。
[0024]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤4中训练好的卷积自编码网络的目标函数为重构误差：
[0025][0026]式中，L
DCAE
为重构误差，x
i
代表某种焊接过程信号的第i个采样数值，x
r
为经过卷积自编码网络后重构的焊接过程信号，n为总的采样个数。
[0027]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，所述步骤5中的异常判断阈值通过对历史正常焊接过程数据的异常分数利用3西格玛原则来确定。
[0028]在本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法中，根据下列公式确定异常判断阈值上下限：
[0029]异常判断阈值上限：L
up
＝μ+3σ
[0030]异常判断阈值下限：L
low
＝μ
‑
3σ
[0031]其中，μ为历史异常分数的均值，σ为历史异常分数的标准差。
[0032]本专利技术的基于卷积自编码网络的焊机焊接过程异常状态检测方法，至少具有如下有益效果：
[0033](1)本专利技术的检测方法能根据焊接过程产生的正常数据自主学习代表正常数据的通用潜在特征，在训练阶段仅需要正常数据即可。
[0034](2)本专利技术的检测方法在训练模型阶段不需要人工提取信号的关键特征，不需要专家知识，操作简单有效。
[0035](3)本专利技术的检测方法采用信号堆叠的方式进行检验，利用卷积操作能有效提取局部关联信息的特点，可以实现多个检测信号信息融合。
[0036](4)本专利技术的检测方法由于使用卷积自编码网络进行异常检测降低了操作难度，对训练数据的要求宽松，仅需要正常数据，因此应用范围更广。
附图说明
[0037]图1为本专利技术基于卷积自编码网络的焊机焊接过程异常状态检测方法的流程图；
[0038]图2为本专利技术的焊接温度信号异常凸起位置示意图；
[0039]图3为本专利技术的焊接过程信号堆叠方式示意图；
[0040]图4为异常分数曲线图。
具体实施方式
[0041]大型压缝焊焊机是钢铁厂生产线实现连续作业的关键设备，其可靠平稳运行是保障钢铁厂高效生产的重要因素。传统的检测手段采用建模及机器学习的方法，这些方法需要对焊机系统工作机理进行数学建模，仿真以及人工提取特征，较为复杂，而目前正在兴起的深度学习可以直接从数据入手，自主挖掘数据内部信息，不需要过多的人工干预，因此本专利技术将基于卷积自编码网络的异常检测方法应用于焊接过程信号异常状态检测任务中，具体检测过程如下：
[0042]如图1所示，本专利技术的一种基于卷积自编码网络的焊机焊接过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积自编码网络的焊机焊接过程异常状态检测方法，其特征在于，包括：步骤1：获取待检测焊接过程信号；步骤2：对获取的焊接过程信号进行预处理；步骤3：搭建用于异常检测的卷积自编码网络，包括编码网络和解码网络，使用正常焊接过程信号对网络进行训练；步骤4：将步骤2中预处理后的焊接过程信号输入训练好的卷积自编码网络，以网络重构误差作为过程信号的异常分数；步骤5：将所得的异常分数与设定的异常判断阈值进行比较，若大于等于该阈值证明焊接过程异常，需要报警以提醒现场操作人员注意，若小于该阈值证明焊接过程正常。2.如权利要求1所述的基于卷积自编码网络的焊机焊接过程异常状态检测方法，其特征在于，所述步骤1中的焊接过程信号包括：焊机焊接过程产生的焊接温度信号、焊接压力偏差信号、焊接电流信号中的至少二种信号。3.如权利要求2所述的基于卷积自编码网络的焊机焊接过程异常状态检测方法，其特征在于，所述步骤2中对过程信号进行预处理包括：步骤2.1：对获得的焊接过程信号进行平稳区域截取；步骤2.2：再对截取的焊接过程信号进行下采样处理；步骤2.3：再对下采样处理后的焊接过程信号进行标准化处理；步骤2.4：将标准化处理后的多种焊接过程信号堆叠成矩形形式。4.如权利要求3所述的基于卷积自编码网络的焊机焊接过程异常状态检测方法，其特征在于，所述步骤2.1中平稳区域截取为将焊接温度开始与结束阶段的异常凸起信号截去，只分析剩余的平稳焊接过程信号。5.如权利要求3所述的基于卷积自编码网络的焊机焊接过程异常状态检测方法，其特征在于，所述步骤2.2具体为：采用下采样的处理方法将不...

【专利技术属性】
技术研发人员：王鲁，顾成勇，李鹤，李国旺，董茂林，孙红春，
申请(专利权)人：宝钢日铁汽车板有限公司，
类型：发明
国别省市：