基于卷积自编码网络的焊机焊接过程异常状态检测方法
技术领域
本发明属于焊接过程信号异常检测
技术领域
，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。背景技术
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。
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，上海交通大学的发明专利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。
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。
发明内容
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，本发明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。
本发明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：
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。
在本发明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。
在本发明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：
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。
在本发明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。
在本发明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。
在本发明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：
式中，xi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。
在本发明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。
在本发明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：
式中，LDCAE为重构误差，xi代表某种焊接过程信号的第i个采样数值，xr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。
在本发明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。
在本发明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：
异常判断阈值上限：Lup＝μ+3σ
异常判断阈值下限：Llow＝μ-3σ
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。
本发明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：
(1)本发明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。
(2)本发明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。
(3)本发明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。
(4)本发明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
图1为本发明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；
图2为本发明的焊接温度信号异常凸起位置示意图；
图3为本发明的焊接过程信号堆叠方式示意图；
图4为异常分数曲线图。
具体实施方式
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，因此本发明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：
如图1所示，本发明的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，包括：
步骤1：获取待检测焊接过程信号；
具体实施时，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、焊接电流信号等与焊接过程相关的其他的信号中的至少二种信号。本实施例中从PLC中获取焊接压力信号、从温度传感器中获得焊接温度信号。
步骤2：对获取的焊接过程信号进行预处理，具体包括：
步骤2.1：对获得的焊接过程信号进行平稳区域截取；
具体实施时，以焊接温度为例，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。异常凸起位置如图2所示。
步骤2.2：再对截取的焊接过程信号进行下采样处理将不等长的焊接过程信号等长对齐。
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；
具体实施时，根根下式对焊接过程信号进行标准化处理：
式中，xi代表某种焊接过程信号中第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。
步骤2.4：将标准化处理后的多种焊接过程信号进行堆叠成矩形形式。
具体实施时，如图3中所示，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。
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。
卷积自编码网络结构参数设置如表1和表2所示：
表1卷积自编码网络编码网络结构参数设置
表2卷积自编码网络解码网络结构参数设置
从上表可知本申请的搭建的卷积自编码网DCAE，由2个子网络组成，分别为编码网络与解码网络。编码网络由3个卷积层模块组成，其中卷积层1采用1×3卷积核，使用批归一化层BN，激活函数采用Leaky ReLU；卷积层2采用1×2卷积核，使用批归一化层BN，激活函数采用Leaky ReLU，对激活函数的输出进行最大池化(Maxpool)处理；卷积层3采用1×3卷积核，使用批归一化层BN，激活函数采用Leaky ReLU，激活函数的输出进行最大池化处理。
解码器网络由6个模块组成，包括4个卷积层模块与2个反卷积模块，其中卷积层1采用1×3卷积核，使用批归一化层BN，激活函数采用Leaky ReLU；反卷积层1采用1×2卷积核，使用批归一化层BN，激活函数采用Leaky ReLU；卷积层2采用1×3卷积核，使用批归一化层BN，激活函数采用Leaky ReLU；卷积层3采用3×3卷积核，使用批归一化层BN，激活函数采用Leaky ReLU；反卷积层2采用1×2卷积核，不使用激活函数，卷积层4采用1×3卷积核，不使用激活函数。
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；
具体实施时，训练好的卷积自编码网络的目标函数为重构误差：
式中，LDCAE为重构误差，xi代表某种焊接过程信号的第i个采样数值，xr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。
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。
具体实施时，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。前提是检测模型已训练完成。
首先，将历史正常焊接过程信号数据经预处理后，输入检测模型中，得到各自的历史异常分数。
然后，利用3西格玛原则，确定异常判断阈值上下限。具体公式如下所示：
异常判断阈值上限：Lup＝μ+3σ
异常判断阈值下限：Llow＝μ-3σ
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。
以工厂在2020年12月16日至2021年1月4日期间的实际焊接数据对本发明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的有效性进行验证。首先将该时间段内的焊接过程信号按步骤2.1-2.4进行预处理，之后送入经训练的卷积自编码网络中进行异常检测，得到各自的异常分数，如图4所示。图中曲线为异常分数曲线，圆圈所标示的是实际生产中异常焊接数据的异常分数，其他为正常焊接数据的异常分数，上下两条横线表示利用3西格方法对历史数据分析得到上下限，当异常分数超出上下限时会被卷积自编码网络判定为异常。从图中可以看出异常焊接过程信号的异常分数明显大于正常焊接过程信号的异常分数，且超出了划定的上限，根据步骤5进行判断将被判定为异常，达到了100％的正确率，从而验证了采用基于卷积自编码网络的焊机焊接过程异常状态检测方法能有效地对焊接数据进行异常状态检测。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：画面展示方法、装置、终端及存储介质
