[发明专利]一种基于高频焊接时序数据的烧穿故障预测方法

说明书

本发明公开了一种基于高频焊接时序数据的烧穿故障预测方法，包括：采集正常焊接和烧穿故障发生时的高频焊接时序数据，并以N秒为窗口进行滑窗采样，以每个窗口的未来两秒是否发生烧穿故障为标签进行样本标注，生成数据样本集；而后以TCN为主体结构搭建FPN特征融合网络模型，利用生成的数据样本集进行训练；对于新的实时高频焊接时序数据，按照N秒进行滑窗输入到模型中进行实时预测。本发明不需要人工构建特征，针对新的高频焊接时序数据，仅通过并行的矩阵运算即可实时给出预测结果，具有强实时性，更具实用价值。另外，相较于单独的TCN网络，加入了FPN特征金字塔结构之后，能够有效提高模型预测的准确率。

技术领域

本发明涉及一种基于高频焊接时序数据的烧穿故障预测方法，属于自动化焊接技术领域。

背景技术

随着我国科学技术的进步，焊接已成为—门独立的技术，应用于各种工业生产中，尤其是航空、核工业、造船、建筑和机械制造等。焊接技术是一种不可缺少的加工手段，但是焊接缺陷直接影响着机械的安全运行。焊接缺陷的种类很多，根据其在焊缝中的位置可分为表面焊接缺陷和内部焊接缺陷。常见的表面焊接缺陷有焊缝的尺寸和形状不符合要求、咬边、焊瘤、弧坑、烧穿、表面气孔、表面裂纹等，常见的内部焊接缺有气孔、夹渣、裂纹、未熔合和未焊透等。

而烧穿是焊接缺陷中比较常见的一种，烧穿是指焊接过程中，熔深超过工件厚度，熔化金属自焊缝背面流出，形成穿孔性缺。烧穿是锅炉压力容器产品上不允许存在的缺陷，它完全破坏了焊缝，使接头丧失联接性，影响承载能力，因此能够在焊接过程中事先预测烧穿故障的发生，并及时反控减小电流电压，对于避免烧穿缺陷的发生，具有十分重要的意义。

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高频焊接时序数据的烧穿故障预测方法，以TCN为主体结构搭建FPN特征融合网络模型，通过输入一段时间窗内的焊接时序数据，能够事先对未来2S是否发生烧穿故障进行预测，从而有效避免烧穿缺陷的发生，大大提高焊接质量和效率。

技术方案：为实现上述目的，本发明提供一种基于高频焊接时序数据的烧穿故障预测方法，包括以下步骤：

步骤1：采集正常焊接和烧穿故障发生时的高频焊接时序数据，并以N秒为窗口进行滑窗采样，以每个窗口的未来两秒是否发生烧穿故障为标签进行样本标注，生成数据样本集；

步骤2：以TCN为主体结构搭建FPN特征融合网络模型，并利用生成的数据样本集进行训练，得到烧穿故障预测模型；

步骤3：对于新的实时高频焊接时序数据，按照N秒进行滑窗，将每个窗口的数据输入到训练好的烧穿故障预测模型中进行预测，预测每个窗口的未来两秒是否会发生烧穿故障，并进行实时反馈控制，如调低电流电压等，从而及时避免发生烧穿故障。

进一步的，由于焊穿样本数量相对于正常样本数量较少，因此进行焊穿样本数量的扩充：假设每次烧穿故障的开始时间为t1，结束时间为t2，采样频率为Fs，则从区间[(t1-2-N)*Fs，(t2-2-N)*Fs]中随机不放回采样k个数值（避开整秒数值），作为扩充样本的起始点start_index，则终止点end_index=start_index+N*Fs，由此每次烧穿故障所对应的样本数量扩充了k个。

进一步的，所述步骤2中搭建的FPN特征融合网络模型包括若干堆叠的TCN网络块，每个TCN网络块的输出特征经过一维卷积神经网络层的卷积操作后进行相加融合，融合后的特征经过Flatten层和两个全连接层的处理后得到最终输出。

进一步的，所述TCN网络块包括两个一维膨胀卷积层、两个BN层和两个激活函数层，且TCN网络块的输入输出之间通过一维卷积层跳跃连接。