[发明专利]一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统

说明书

本发明公开了一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统，该检测方法包括：首先采集正常焊接和存在漏焊异常的时序数据，而后进行特征提取和PCA降维；利用降维后的样本特征构建模糊推理系统，得到漏焊可信度；根据样本标签与漏焊可信度之间的关联性，确定漏焊可信度的异常阈值；对于新的焊接时序数据，通过模糊推理得到新的漏焊可信度，并与异常阈值进行对比，实现漏焊缺陷的实时检测。本发明使用PCA降维结合模糊推理构建了漏焊缺陷的实时智能检测方法，在降低模糊推理规则书写复杂性的同时保持了较高的识别精度，大大降低了硬件资源要求，同时具备高性价比和强实时性，具有显著的实用价值。

技术领域

本发明涉及一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统，属于自动化焊接技术领域。

背景技术

焊接作为一种重要的制造技术，被广泛应用于工业生产中。焊接过程属于典型的不确定性、非线性系统过程，在焊接过程中会发生复杂的物理化学反应，同时焊接工艺的复杂性导致了不可避免的会出现焊接质量缺陷。现阶段主要的缺陷检测手段为人眼观测或使用一些无损探伤的设备进行检测，近几年随着机器学习以及深度学习的发展，结合机器学习以及深度学习进行焊接质量检测的方法也在不断涌现。

通常基于人工经验或使用专业检测设备进行焊接质量检测，专业依赖性高、检测效率低、检测成本高，且缺陷的检测具有较强的滞后性。而利用机器学习及深度学习进行焊接质量检测主要通过采集焊接过程中的数据进行标注后建模，完全基于数据来进行焊接异常诊断，如：专利202011535834.4公开了一种焊接缺陷识别模型训练方法、装置和计算机终端，通过提取焊接数据样本的时域特征（如均值、中位数、最大值、最小值、方差、标准差、分位数）和频域特征（傅里叶变换系数等）以获取特征集合，而后进行模型构建识别焊接异常。此类方法往往具有处理时间长、复杂度高、无法做到实时检测的缺点，同时缺乏专家经验知识的参与，后期迭代模型需要大量数据进行重新训练。

发明内容

发明目的：针对现有技术所存在的问题，本发明提供一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统，首先通过信号分析对焊接时序数据进行特征提取，进而利用PCA算法进行降维，将多维数据降低至二维数据，大大减少特征数量，最后利用优化后的二维数据构建模糊推理规则系统，从而实现漏焊异常的准确、实时诊断。

该算法可以运行在资源高度受限的低成本硬件上，而且因为有效避免了复杂的机器学习数据训练，具备了更显著的实用价值，可以广泛应用在广大的焊接工业生产中。

技术方案：为实现上述目的，本发明提供一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法，包括以下步骤：

步骤1：采集正常焊接和存在漏焊异常的时序数据，并进行滑窗构造样本，而后根据真实焊接情况对样本进行异常标注，生成样本数据集；

步骤2：对各个样本数据进行特征提取以获取特征集合，所述特征集合包括时域特征、频域特征及时频域特征；

步骤3：利用PCA（Principal Components Analysis，主成分分析）算法对提取的特征集合进行降维处理，构造二维样本特征；

步骤4：利用二维样本特征与漏焊可信度或正常可信度之间的关系构建模糊推理系统，解模糊后得到漏焊可信度的输出值；

步骤5：根据样本标签与漏焊可信度或正常可信度之间的关联性，确定漏焊可信度或正常可信度的异常阈值；

步骤6：实时采集新的焊接时序数据，经过滑窗构造、特征提取及降维处理后输入模糊推理系统得到新的漏焊可信度或正常可信度，并与异常阈值进行对比，实现漏焊缺陷的实时检测。

进一步的，所述步骤1具体包括：

步骤1.1：采集正常焊接和存在漏焊异常的时序数据，并按照设定窗长进行滑窗构造样本；