本发明属于焊接领域,特别涉及一种基于dtw和mds的锚链闪光焊质量在线评估方法。
背景技术:
随着世界航运的发展,人们对航运的安全提出了更高的要求。而锚链作为保证航运安全的重要环节,其质量问题已经引起了越来越多的关注。闪光焊接方法由于热效率高、焊接质量好、焊接接头质量稳定等优点是现阶段高质量锚链市场的主流。
闪光焊过程是一个多参数综合影响、电气环境相对恶劣的过程,其焊接过程的高度非线性以及连续闪光过程的随机性使得对闪光焊过程建立精确的模型非常困难,所以建立闪光焊质量评估系统有一定难度。对现有的专利及文献进行检索后研究发现,公告号为cn106271036a的专利公开了“超声波金属焊接质量评估方法、装置和超声波金属焊接机”,该发明通过提取实际生产过程中焊接过程信息的特征参数,并将之输入待焊金属对应的超声波焊接质量评估模型并输出评估值,以实现焊接质量的评估。缺点在于,该方法的焊接质量评估模型通过人工神经网络搭建,需要进行大量的不同环境和条件下的实验,以获取足够的样本数据。而且人工神经网络方法需要进行大量的在线计算,计算时间长,对电脑的性能要求高,大多不适用于工业现场。此外,该方法的焊接质量评估模型需要在实际生产之前通过对各个焊接对象进行大样本量的焊接试验来建立,这是一种静态建模方法,没有考虑到观测数据与过去时刻的观测数据(样本数据)的时序相关性,没有考虑系统的动态特性。
技术实现要素:
发明目的:针对现有技术中存在的问题,本发明提供一种能够快速有效的识别故障焊接产品,提高生产效率并且确保焊接质量的基于dtw和mds的锚链闪光焊质量在线评估方法。
技术方案:为解决上述技术问题,本发明提供一种基于dtw和mds的锚链闪光焊质量在线评估方法,包括如下步骤:
(1)建立数据库e1;
(2)判断系统是否监测到新的待测信号,判断为是,则执行步骤(3);判断为否,则表示焊接停止,系统结束流程。
(3)采集待测信号s1;
(4)对s1进行数据预处理;
(5)用动态时间规整即dtw算法分别计算待测信号与选取的2l个历史数据之间的不相似距离di,s,i=1,2,…,2l;
(6)建立大小2l*1的不相似距离矩阵e2;
(7)将步骤(6)中得到的矩阵e2添加到步骤(1)中建立的数据库e1的最后一行最后一列,组成大小为(2l+1)*(2l+1)的不相似距离矩阵f;
(8)用多维尺度分析法即mds将不相似距离矩阵f降维为(2l+1)*p的距离矩阵g,其中p代表维度,并保持数据之间原始的距离关系;
(9)用狄利克雷过程混合模型即dpmm对矩阵g中2l+1个p维数据进行聚类分析;
(10)判断待测信号是否聚类为正常信号类,判断为否,则待测信号属于故障信号并则执行步骤(11);判断为是,则待测信号属于正常信号并则执行步骤(12);
(11)根据步骤(10)判断待测信号为故障信号,对故障信号进行处理;
(12)根据步骤(10)判断待测信号为正常信号,对正常信号进行处理。
进一步的,所述步骤(1)中建立数据库e1的具体步骤如下:
(1.1)根据实际焊接经验从历史焊接记录数据中选取l个正常焊接信号q1,q2,…,ql和l个故障焊接信号ql+1,ql+2,…,q2l;
(1.2)数据预处理;
(1.3)用动态时间规整即dtw算法计算2l个二维信号两两之间的不相似距离;
(1.4)将步骤(1.3)中得出的2l个二维信号两两之间的不相似距离,组成大小为2l*2l的不相似距离矩阵数据库e1。
进一步的,所述步骤(1.1)中l个正常焊接信号和l个故障焊接信号均由电极位置信号和电流信号组成的二维信号,例如q1=[ab],a=[a1,a2,…,ai,···,an]t为电极位置信号,b=[b1,b2,…,bi,…,bn]t为电流信号。
进一步的,所述步骤(1.2)中数据预处理的具体步骤如下:根据z-score算法对电极位置和电流二维信号q1进行归一化处理:
其中μ1为样本数据a的均值,σ1为样本数据a的标准差,a*为电极位置信号a归一化处理后的结果。μ2为样本数据b的均值,σ2为样本数据b的标准差,b*为电流信号b归一化处理后的结果;得到归一化处理后的二维信号
进一步的,所述步骤(1.3)中用动态时间规整即dtw算法计算2l个二维信号两两之间的不相似距离的具体步骤如下:
(1.3.1)对于归一化后的信号
n和m分别是
(1.3.2)在一个二维矩阵中搜索一个连接(1,1)和(n,m)的规整路径w={w1,w2,…,wk},即,w1=(1,1)和wk=(n,m),同时满足单调性和步长小于r这两个约束条件;
(1.3.3)寻找最优规整路径,从初始条件
|i-j|≤r,i=2,3,…,n,j=2,3,…,m
其中θ(i-1,j-1),θ(i-1,j)和θ(i,j-1)表示三个可能前进的格点(i-1,j-1),(i-1,j)和(i,j-1)的累积距离,min(θ(i-1,j-1),θ(i-1,j),θ(i,j-1))表示当前累积距离中的最小值。θ(i,j)为最小累积距离和当前格点距离di,j之和,作为当前格点的总累积距离;
(1.3.4)最后计算规整距离为:
d1,2表示两个二维信号
(1.3.5)根据步骤1.3.1~1.3.4计算2l个二维信号两两之间的不相似距离di,j,i=1,2,…,2l,j=1,2,…,2l。
进一步的,所述步骤(8)中用多维尺度分析法即mds将不相似距离矩阵f降维为(2l+1)*p的距离矩阵g,其中p代表维度,并保持数据之间原始的距离关系的具体步骤如下:
(8.1)从步骤(7)得到的大小为(2l+1)*(2l+1)不相似距离矩阵f中重构出格拉姆矩阵b:
其中h=i-11t/l为矩阵中心化,i为大小为l的单位矩阵,1为l个1组成的列向量,且f(2)中的每个元素为di,j2;
(8.2)矩阵b中的元素bij可以表示为:
(8.3)已知格拉姆矩阵b被定义为向量积b=xxt,进一步分解为:
进一步的,所述步骤(9)中用狄利克雷过程混合模型即dpmm对矩阵g中2l+1个p维数据进行聚类分析的具体步骤如下:
(9.1)对矩阵g中2l+1个代表了信号之间距离关系的数据构造狄利克雷过程混合模型;
(9.2)采用gibbssampling吉布斯采样算法对狄利克雷混合模型中的模型参数进行不断更新,得到2l+1个数据的聚类结果;
(9.3)判断聚类效果,如果聚类效果较好,继续执行步骤(10),否则执行步骤(9.2)。
进一步的,所述步骤(11)中根据步骤(10)判断待测信号为故障信号,对故障信号进行处理的具体步骤如下:
(11.1)系统针对故障信号发出预警,提醒操作人员;
(11.2)剔除矩阵e2中待测信号与最先加入的故障信号(默认为ql+1)的不相似距离值,生成新的矩阵e3;
(11.3)剔除数据库e1中最先加入的故障信号(默认为ql+1)所属的行列,将矩阵e3添加到矩阵e1最后一行最后一列。
(11.4)返回步骤(1.4)对数据库e1进行更新。
进一步的,所述步骤(12)中根据步骤(10)判断待测信号为正常信号,对正常信号进行处理的具体步骤如下:
(12.1)剔除矩阵e2中待测信号与最先加入的正常信号(默认为q1)的不相似距离值,组成矩阵e3;
(12.2)剔除数据库e1中最先加入的正常信号(默认为q1)所属的行列,将矩阵e3添加到矩阵e1最后一行最后一列;
(12.3)返回步骤(1.4)对数据库e1进行更新。
与现有技术相比,本发明的优点在于:
本发明的一种基于dtw和mds的锚链闪光焊质量在线评估方法量化了两个焊接过程中的传感器信号之间的时空不相似性,并且将传感器信号嵌入三维空间节点(特征向量),实现了对数据的降维以及可视化。此外,引入了非参数模型——狄利克雷过程混合模型(dpmm)对特征向量进行聚类分析,实现了快速以及较高准确率的对锚链闪光焊接质量进行在线评估。本方法无需复杂的建模过程以及大量的试验样本,并且考虑到系统的动态特性以及待测信号与过去时刻的样本数据库信号的时序相关性,做到了对样本数据库的实时更新。能够识别并且实时预警焊接的异常状态,能够发现锚链焊接过程中的潜在质量问题,提高了生产效率降低了生产成本,为确保锚链的高质量和船舶航行安全提供了可靠的保障。
附图说明
图1为本发明的结构示意图;
图2为具体实施例中的矩阵转换关系图;
图3为具体实施例中的待测信号s1的信号图;
图4为具体实施例中归一化处理后的待测信号
图5为具体实施例中降维后信号在三维空间的距离关系散点图;
图6为具体实施例中聚类结果图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
本发明所述的一种基于dtw和mds的锚链闪光焊质量在线评估方法,包括如下步骤:
步骤1)建立数据库e1
步骤1.1)根据实际焊接经验从历史焊接记录数据中选取l个正常焊接信号q1,q2,…,ql和l个故障焊接信号ql+1,ql+2,…,q2l(所选取的2l个信号是由电极位置信号和电流信号组成的二维信号,例如q1=[ab],a=[a1,a2,…,ai,…,an]t为电极位置信号,b=[b1,b2,…,bi,…,bn]t为电流信号)。
步骤1.2)数据预处理。根据z-score算法对电极位置和电流二维信号q1进行归一化处理:
其中μ1为样本数据a的均值,σ1为样本数据a的标准差,a*为电极位置信号a归一化处理后的结果。μ2为样本数据b的均值,σ2为样本数据b的标准差,b*为电流信号b归一化处理后的结果。得到归一化处理后的二维信号
步骤1.3)用动态时间规整(dtw)算法计算2l个二维信号两两之间的不相似距离。
步骤1.3.1)对于归一化后的信号
n和m分别是
步骤1.3.2)在一个二维矩阵中搜索一个连接(1,1)和(n,m)的规整路径w={w1,w2,…,wk},即,w1=(1,1)和wk=(n,m),同时满足单调性和步长小于r这两个约束条件。
步骤1.3.3)寻找最优规整路径,从初始条件
其中θ(i-1,j-1),θ(i-1,j)和θ(i,j-1)表示三个可能前进的格点(i-1,j-1),(i-1,j)和(i,j-1)的累积距离,min(θ(i-1,j-1),θ(i-1,j),θ(i,j-1))表示当前累积距离中的最小值。θ(i,j)为最小累积距离和当前格点距离di,j之和,作为当前格点的总累积距离。
步骤1.3.4)最后计算规整距离为:
d1,2表示两个二维信号
步骤1.3.5)根据步骤1.3.1~步骤1.3.4,计算2l个信号的两两之间的不相似距离di,j,i=1,2,…,2l,j=1,2,…,2l。
步骤1.4)将步骤1.3求出的2l个二维信号两两之间的不相似距离,组成大小为2l*2l的不相似距离矩阵数据库e1。
步骤2)判断系统是否监测到新的待测信号,判断为是,则执行步骤(3);判断为否,则表示焊接停止,系统结束流程。
步骤3)采集焊接过程中产生的电极位置信号c=[c1,c2,…,ci,…,cm]t,电流信号h=[h1,h2,…,hj,…,hm]t,采样时间为t,采样间隔为t。将电极位置信号c和电流信号h组成一个二维待测信号s1=[ch]。
步骤4)数据预处理。根据步骤1.2对二维待测信号s1进行归一化处理,得到归一化处理后的二维信号
步骤5)用步骤1.3的dtw算法计算归一化后的待测信号
步骤6)将步骤5求得的不相似距离组成大小为2l*1的不相似距离矩阵e2。
步骤7)将矩阵e2添加到矩阵e1的最后一行最后一列,组成大小为(2l+1)*(2l+1)的不相似距离矩阵f。
步骤8)用多维尺度分析法(mds)将不相似距离矩阵f降维为(2l+1)*p的距离矩阵g(p代表维度),并保持数据之间原始的距离关系。
步骤8.1)从步骤7得到的大小为(2l+1)*(2l+1)不相似距离矩阵f中重构出格拉姆矩阵b:
其中h=i-11t/l为矩阵中心化,i为大小为l的单位矩阵,1为l个1组成的列向量,且f(2)中的每个元素为di,j2。
步骤8.2)矩阵b中的元素bij可以表示为:
步骤8.3)已知格拉姆矩阵b被定义为向量积b=xxt,进一步分解为:
步骤9)用狄利克雷过程混合模型(dpmm)对矩阵g中2l+1个p维数据进行聚类分析。
步骤9.1)对矩阵g中2l+1个代表了信号之间距离关系的数据构造狄利克雷过程混合模型。
步骤9.2)采用gibbssampling吉布斯采样算法对狄利克雷混合模型中的模型参数进行不断更新,得到2l+1个数据的聚类结果。
步骤9.3)判断聚类效果,如果聚类效果较好,继续执行步骤10,否则执行步骤9.2。
步骤10)判断待测信号是否聚类为正常信号类?判断为否,待测信号属于故障信号,则执行步骤11。判断为是,待测信号属于正常信号,则执行步骤12。
步骤11)根据步骤10判断待测信号为故障信号,对故障信号进行处理。
步骤11.1)系统针对故障信号发出预警,提醒操作人员。
步骤11.2)剔除矩阵e2中待测信号与最先加入的故障信号(默认为ql+1)的不相似距离值,生成新的矩阵e3。
步骤11.3)剔除数据库e1中最先加入的故障信号(默认为ql+1)所属的行列,将矩阵e3添加到矩阵e1最后一行最后一列。
步骤11.4)返回步骤1.4对数据库e1进行更新。
步骤12)根据步骤10判断待测信号为正常信号,对正常信号进行处理。
步骤12.1)剔除矩阵e2中待测信号与最先加入的正常信号(默认为q1)的不相似距离值,组成矩阵e3。
步骤12.2)剔除数据库e1中最先加入的正常信号(默认为q1)所属的行列,将矩阵e3添加到矩阵e1最后一行最后一列。
步骤12.3)返回步骤1.4对数据库e1进行更新。
如附图1所示为质量在线评估系统工作流程图。
步骤1)建立数据库
步骤1.1)根据实际焊接经验从历史焊接记录数据中选取100个正常焊接信号q1,q2…q100和100个故障焊接信号q101,q102…q200(所选取的200个信号是由电极位置信号和电流信号组成的二维信号,例如q1=[ab],a=[a1,a2,…,ai,…,an]t为电极位置信号,b=[b1,b2,…,bi,…,bn]t为电流信号)。
步骤1.2)数据预处理。用z-score算法对电流和电极位置二维信号q1,q2…q200进行归一化处理,得到归一化处理后的二维信号
步骤1.3)用动态时间规整(dtw)算法计算200个二维信号两两之间的不相似距离。
步骤1.4)将步骤1.3求出的200个二维信号两两之间的不相似距离,组成大小为200*200的不相似距离矩阵数据库e1(如附图2)。
步骤2)判断系统是否监测到新的待测信号,判断为是,则执行步骤(3);判断为否,则表示焊接停止,系统结束流程。
步骤3)采集焊接过程中产生的电极位置信号c和电流信号h,组成一个二维待测信号s1(如附图3所示),采样时间为67.6s,采样间隔为0.1s。
步骤4)数据预处理。对电极位置和电流二维信号s1进行归一化处理得到s1*=[c*h*](如附图4所示)。
步骤5)用dtw算法计算归一化后的待测信号
步骤6)将步骤5求得的不相似距离组成大小为200*1的不相似距离矩阵e2(如附图2)。
步骤7)将矩阵e2添加到矩阵e1的最后一行最后一列,组成大小为201*201的不相似距离矩阵f(如附图2)。
步骤8)用多维尺度分析法(mds)将不相似距离矩阵f降维为大小为201*3的距离矩阵g(3代表维度),并保持信号之间的原始距离关系。如附图5为降维后数据在三维空间的分布。
步骤9)用狄利克雷过程混合模型(dpmm)对矩阵g中201个3维数据进行聚类分析,如附图6为聚类结果。
步骤10)判断待测信号是否属于正常信号类?根据附图6的聚类结果,待测信号属于正常信号,判断为是,则执行步骤12。
步骤12)根据步骤10判断待测信号为正常信号,对正常信号进行处理。
步骤12.1)剔除矩阵e2中待测信号与最先加入的正常信号(默认为q1)的不相似距离值,组成矩阵e3(如附图2)。
步骤12.2)剔除数据库e1中最先加入的正常信号(默认为q1)所属的行列,将矩阵e3添加到矩阵e1最后一行最后一列(如附图2)。
步骤12.3)返回步骤1.4对数据库e1进行更新。
上述的实施例仅例示性说明本发明创造的原理及其功效,以及部分运用的实施例,而非用于限制本发明;应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。