(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211170151.2 (22)申请日 2022.09.26 (65)同一申请的已公布的文献号 申请公布号 CN 115255566 A (43)申请公布日 2022.11.01 (73)专利权人 苏芯物联技 术 （南京） 有限公司 地址 210042 江苏省南京市玄武区板 仓街9 号 (72)发明人 田慧云　李波　 (51)Int.Cl. G06F 17/15(2006.01) G06K 9/62(2022.01) G06N 20/00(2019.01) B23K 9/127(2006.01) B23K 9/095(2006.01)审查员 孙永昌 (54)发明名称 一种基于高质量时域特征的焊偏实时智能 检测方法 (57)摘要 本发明公开了一种基于高质 量时域特征的 焊偏实时智能检测方法， 首先采集高频时序数据 并进行预处理， 基于预处理后的样本数据集， 构 建样本特征集， 在传统时域特征的基础上， 设计 了若干高质量时域特征； 选取合适的机器学习分 类算法进行模型训练， 获得焊偏识别模型； 本发 明设计的焊偏识别模型， 相比于仅采用传统时域 特征搭建的焊偏识别模型， 在召回率指标上具有 显著提高； 基于模型导出的特征重要性排序可以 看出， 本发 明添加的高质量时域特征在众多备选 特征中排名靠前， 对焊偏缺陷模 型的召回率影 响 更高， 进一步证明了本发明设置的高质量时域特 征可以有效提升 焊偏缺陷模型的准确性。 权利要求书2页 说明书6页 附图5页 CN 115255566 B 2022.12.16 CN 115255566 B 1.一种基于高质量时域特 征的焊偏实时智能检测方法， 其特 征在于， 包括以下步骤： 步骤S1、 采集高频时序数据并进行 预处理， 生成样本数据集； 具体地， 步骤S1.1、 将采集到的高频时序数据按预设窗长w indow_size进行划窗采样； 设定电压阈值th1、 th2和数据 点个数阈值α、 β； 当电压低 于th1的数据 点个数小于α 且电 压高于th2的数据点个数小于β 时， 判断为正常起弧状态， 否则即为 非起弧状态； 过滤所有非 起弧状态样本， 保留正常起弧状态的焊接样本数据集； 步骤S1.2、 基于人工现场标注的焊偏起始时间和 终止时间为焊接样本数据集标注， 其 中正常焊接标注为0， 发生焊偏标注为1； 步骤S1.3、 将焊接样本数据集随机乱序， 并按预设 比例划分为训练集、 验证集和测试 集， 对划分的训练集进行 数据增强， 步骤 包括： 步骤S1.3.1、 将训练集中所有样本的电流和电压数据分别拼接成长序列， 依次记为 current_list和voltage_list； 所述长序列长度len=M*Window_size， 其中M为训练集样本 个数； 步骤S1.3.2、 从 （ λ1， len ‑λ2） 区间中随机抽取k个整数， 生成start_list列表， 作为新生 成电流、 电压序列的备选开始点， 其中λ 1、 λ2为预设 常数； 步骤S1.3.3、 将start_list列表从小到大排序， 遍历列表中的元素； 当元素 l整除 window_size的余数小于0.2*window_size或元素 l整除window_size的余数大于0.8* window_size时， 剔除元 素l； 步骤S1.3.4、 针对经步骤S1.3.3处理后的start_list列表， 进一步遍历 所有元素， 当任 意相邻两元素之差start_list[i+1] ‑start_list[i]≤0.4*window_size时， 剔除start_ list[i+1]， 否则保留元素， 其中i为整数且0≤i＜len ‑1； 不断迭代， 最终生 成新的开始点列 表start_list_final； 步骤S1.3.5、 遍历start_list_final中的每个元素s， 新生成的每个电流序列为 current_list[ s， s+window_size]， 新生成的每个电压序列为voltage_list[ s， s+window_ size]； 步骤S2、 基于样本数据集构造特征数据集， 获取各样本的特征数据集； 所述特征数据集 包括以下时域特 征中的一种或多种： （1） 脉冲周期； （2） 电压脉冲峰值的方差、 一阶差分的方差、 分位数、 一阶差分的分位数、 最大值、 最小 值、 偏度、 峭度； （3） 电流脉冲峰值的方差、 一阶差分的方差、 分位数、 一阶差分的分位数、 最大值、 最小 值、 偏度、 峭度； （4） 电压脉冲谷值的方差、 一阶差分的方差、 分位数、 一阶差分的分位数、 最大值、 最小 值、 偏度、 峭度； （5） 电流脉冲谷值的方差、 一阶差分的方差、 分位数、 一阶差分的分位数、 最大值、 最小 值、 偏度、 峭度； （6） 子窗口特 征； 步骤S3、 基于构造的特征数据集， 选择机器学习分类算法进行模型训练， 获得焊偏识别 模型；权　利　要　求　书 1/2 页 2 CN 115255566 B 2步骤S4、 部署焊偏识别模型， 获取高频时序数据并进行焊偏实时检测。 2.根据权利要求1所述的一种基于高质量时域特征的焊偏实时智能检测方法， 其特征 在于， 步骤S1中所述高频时序数据包括电流、 电压数据。 3.根据权利要求1所述的一种基于高质量时域特征的焊偏实时智能检测方法， 其特征 在于， 步骤S2中所述脉冲周期计算方法如下： 设置count初始值为0， 遍历电流序列的每一个点， 当前一个点小于等于η而后一个点大 于等于 η 时， count= count+1， 其中η为预设阈值； 遍历完成后的count即为脉冲周期。 4.根据权利要求1所述的一种基于高质量时域特征的焊偏实时智能检测方法， 其特征 在于， 步骤S2中所述子窗口特 征如下： 将每个样本拆分为N个子窗口， 分别计算每个子窗口内电流、 电压的和、 最大值、 最小 值、 分位数特征， 得到m个长度为N的序列， 其中m为计算的特征个数； 分别计算m个序列的方 差， 即为子窗口特 征。 5.根据权利要求1所述的一种基于高质量时域特征的焊偏实时智能检测方法， 其特征 在于， 步骤S2中所述时域特 征还包括： （1） 电流的分位数、 中位数、 均值、 方差、 最大值、 最小值； （2） 电压的分位数、 中位数、 均值、 方差、 最大值、 最小值； （3） 电流的偏度、 峭度、 波形因子、 脉冲因子、 裕度因子、 峰值因子； （4） 电压的偏度、 峭度、 波形因子、 脉冲因子、 裕度因子、 峰值因子 。 6.根据权利要求1所述的一种基于高质量时域特征的焊偏实时智能检测方法， 其特征 在于， 所述步骤S3中选用的机器学习分类算法包括但不限于XGboost、 lightGBM、 随机森 林、 支持向量机、 朴素贝叶斯； 选用其中一种独立算法或多种算法融合进 行模型训练， 得到焊偏 识别模型。权　利　要　求　书 2/2 页 3 CN 115255566 B 3