【技术实现步骤摘要】
本专利技术属于采用熔化焊的焊接方法焊接金属材料，尤其涉及一种通过测量焊接温度判断焊接缺陷的方法及系统。
技术介绍
1、在焊接工艺中，经常进行采用熔化焊的焊接方法焊接金属材料的工艺操作，然而，在焊缝的工况下，熔化焊却难以获得品质稳定的管道焊缝，具体体现在焊接过程中容易产生未熔合、焊接气孔和焊接裂纹等焊接缺陷。焊接过程中，侧壁的未熔合易导致焊接接头的力学性能降低，严重影响焊接质量。焊接气孔的存在，降低了管道焊缝的有效截面，使接头的强度下降，可能造成应力集中及成为腐蚀的诱发点，甚至成为焊缝裂纹源，使管道焊缝的强度和韧性显著降低，影响产品质量，增加成本。焊接裂纹是焊接中最危险的缺陷之一，它不仅严重的削弱了容器的承载能力和耐腐蚀能力，即使不太严重的裂纹，由于使用过程中造成应力集中，也会成为各种断裂（脆性断裂、塑性断裂、疲劳断裂和腐蚀断裂）的断裂源，造成设备的低应力破坏。未熔合、焊接气孔和焊接裂纹等各种缺陷的存在，都会对焊接部位造成结构性能不足的问题，最终可能会造成巨大损失与危害。由于在焊接过程中无法进行x光或超声检测，无法了解焊缝内部的实时熔合焊接状况，只能等焊接完后进行检测，造成了生产成本和时间的浪费。
2、随着传感技术的发展以及机器学习等技术的应用，人们逐渐采用各类传感器对焊接过程进行研究。焊接是一个涉及到电弧物理、传热、冶金和力学的复杂过程，焊接现象包括焊接时的电磁、传热过程、金属的熔化与凝固、冷却时的相变以及焊接应力与变形等。在焊接过程中会有相应的物理表征显现，例如：光信号、电信号、声信号、温度等，而这些物理特征的变化
3、随着计算机技术在自动检测领域广泛使用，国内外很多学者将计算机辅助评定引入焊缝缺陷检测，可以有效的克服因人的经验或主观因素等造成的误判，同时计算机辅助评定具有科学性、客观性、准确性和高效性等特点。
4、随着机器学习、人工智能的快速发展，基于机器学习的机器视觉解决方案的开发也得到了极大的简化，其步骤与经典的机器视觉步骤有着较大区别。例如在深度学习框架下，特征的提取可以由神经网络自动提取，避免了开发人员人工进行特征提取产生的局限性。但是，这也要求开发人员需要具备深度学习方面的知识，包括选择合适的网络架构、超参数调试以及数据样本标注等。此外，在使用深度学习的机器视觉方案解决工业问题时，也面临着数据样本较少容易过拟合的问题。
5、国内外学者对焊接缺陷检测算法已有很多研究及应用。蔡彪等人基于mask rcnn目标检测网络模型，并结合引导滤波进行图像平滑处理方法形成工业dr图像缺陷检测模型，实现对铸件射线dr图像的气孔、疏松缺陷分类检测。陈乐提出了基于faster rcnn卷积神经网络的深度学习方法，对dr图像进行目标检测，识别气孔、夹渣、裂纹、未熔合等缺陷，实现对小径管环焊缝缺陷智能识别。r-cnn在检测精度和准确率方面具备一定的优势，但是检测效率低。liu等人在2016年提出了ssd算法，该算法不仅有较高检测效率，还能够提高检测精度。程松等人提出了一种基于yolov5tiny的轻量型焊缝缺陷识别方法，提升了缺陷f1参数、平均精度与平均精度均值等检测指标的同时，处理速度也得到了显著提升。liu等人提出了一种融合多尺度特征提取及轻量且快速yolo算法，实现了焊缝缺陷高效检测。
6、综上所述，现有技术中检测焊接缺陷大多是传统的焊接检测方法、射线检测和超声波等检测，但是必须是完全焊接后才能检测，缺少时效性。
技术实现思路
1、为了解决在焊接过程中无法快速检测焊接缺陷的技术问题，本专利技术对现有技术中熔化焊的焊接方法焊接金属材料进行研究分析，寻找焊接缺陷产生的原因，以期解决上述问题，本专利技术的目的之一是提供一种采用熔化焊的焊接方法焊接金属材料外壁的焊接和测温系统，目的之二是通过采集的温度数据判断是否存在焊接缺陷。本专利技术所采用的技术方案如下：
2、通过测量焊接温度判断焊接缺陷的方法，包括以下步骤：
3、步骤1、设置焊接参数；
4、步骤2、设置测温装置与焊枪的相对位置；
5、步骤3、打开焊机的电源，打开计算机的电源，开启测温装置；
6、步骤4、计算机运行管道焊接缺陷识别模型的可执行程序；
7、步骤5、滑动组件启动开始焊接管道焊接坡口，焊接方向为顺时针方向；
8、步骤6、焊接过程中，通过测温装置获取温度场数据，并存入计算机中；
9、步骤7、测温装置采集的温度数据导入管道焊接缺陷识别模型的可执行程序；
10、步骤8、管道焊接缺陷识别模型的可执行程序判断是否存在缺陷，如果是，管道焊接缺陷识别模型的可执行程序标记焊接缺陷的种类和位置。
11、优选的，生成所述管道焊接缺陷识别模型的可执行程序的方法，包括以下步骤：
12、s1、获取训练样本；
13、s2、选取训练样本中的感兴趣区域roi，roi是针对原始图片的提议区域，在焊接温度场图像中熔池区域后方焊缝逐渐凝固的区域选取roi；
14、s3、区分训练集和测试集；
15、s4、提取roi温度场的纹理特征；
16、s5、roi温度场纹理特征降维，使用降维算法将高维温度场纹理特征向量转换为低维温度场纹理特征向量；
17、s6、建立管道焊接缺陷识别模型，采用python语言编写机器学习模型，以低维温度场纹理特征作为输入，基于神经网络建立管道焊接缺陷识别模型，通过管道焊接缺陷识别模型识别和输出管道存在焊接缺陷的位置以及焊接缺陷的类型；
18、s7、测试管道焊接缺陷识别模型正确率；如果管道焊接缺陷识别模型测试正确率没有达到预期效果，对模型进行修改和优化；管道焊接缺陷识别模型测试正确率达到要求后，将模型与输入温度数据打包生成管道焊接缺陷识别模型的可执行程序。
19、优选的，步骤s1中，通过实验焊接，测温装置得到的数据与焊接试样进行缺陷检测，从而得到训练样本。
20、优选的，步骤s4中，使用opencv提取roi温度场的纹理特征。
21、优选的，步骤s7中，通过测试样本测试，给模型输入测试样本输出结果，测试模型的结果与实际结果对比，得到模型的正确率。
22、优选的，步骤s7中，从数据清洗和预处理方面优化模型，包括但不限于：特征选择和工程、模型选择、超参数调优、交叉验证、模型集成和特征重要性分析。
23、优选的，步骤1中的焊接参数包括但不限于：焊接电流、焊接电压、焊枪的运动速度和送丝速度。
24、优选的，焊接结束后，关闭焊机的电源本文档来自技高网...
【技术保护点】
1.通过测量焊接温度判断焊接缺陷的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，生成所述管道焊接缺陷识别模型的可执行程序的方法，包括以下步骤：
3.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤S1中，通过实验焊接，测温装置得到的数据与焊接试样进行缺陷检测，从而得到训练样本。
4.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤S4中，使用OPENCV提取ROI温度场的纹理特征。
5.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤S7中，通过测试样本测试，给模型输入测试样本输出结果，测试模型的结果与实际结果对比，得到模型的正确率。
6.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤S7中，从数据清洗和预处理方面优化模型，包括但不限于：特征选择和工程、模型选择、超参数调优、交叉验证、模型集成和特征重要性分析。
7.根据权利要求2所述的通过测量焊接温度判
8.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，焊接结束后，关闭焊机的电源，关闭测温装置，将管道焊接缺陷识别模型的可执行程序输出的数据保存到U盘，关闭计算机。
9.通过测量焊接温度判断焊接缺陷的系统，其特征在于，应用如权利要求1所述的通过测量焊接温度判断焊接缺陷的方法，包括滑动组件、焊接装置和焊接缺陷检测装置；所述滑动组件活动安装在焊枪轨道上，滑动组件的滑动方向与焊接方向一致，所述焊接装置包括焊机和焊枪，所述焊接缺陷检测装置包括测温装置和计算机，所述焊枪和测温装置分别固定安装在所述滑动组件靠近管道焊接坡口的一侧，焊枪和测温装置分别位于管道焊接坡口的正上方，所述焊机连接焊枪，所述计算机连接测温装置，所述计算机中安装运行管道焊接缺陷识别模型的可执行程序。
10.根据权利要求9所述的通过测量焊接温度判断焊接缺陷的系统，其特征在于，在测温装置和焊枪之间设置防护组件。
...【技术特征摘要】
1.通过测量焊接温度判断焊接缺陷的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，生成所述管道焊接缺陷识别模型的可执行程序的方法，包括以下步骤：
3.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤s1中，通过实验焊接，测温装置得到的数据与焊接试样进行缺陷检测，从而得到训练样本。
4.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤s4中，使用opencv提取roi温度场的纹理特征。
5.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤s7中，通过测试样本测试，给模型输入测试样本输出结果，测试模型的结果与实际结果对比，得到模型的正确率。
6.根据权利要求2所述的通过测量焊接温度判断焊接缺陷的方法，其特征在于，步骤s7中，从数据清洗和预处理方面优化模型，包括但不限于：特征选择和工程、模型选择、超参数调优、交叉验证、模型集成和特征重要性分析。
7.根据权利要...
【专利技术属性】
技术研发人员：韩涛，陆含坤，韩来慧，于法鑫，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。