CN114406409B - 一种焊接机故障状态的确定方法、装置及设备 - Google Patents
一种焊接机故障状态的确定方法、装置及设备 Download PDFInfo
- Publication number
- CN114406409B CN114406409B CN202210321054.2A CN202210321054A CN114406409B CN 114406409 B CN114406409 B CN 114406409B CN 202210321054 A CN202210321054 A CN 202210321054A CN 114406409 B CN114406409 B CN 114406409B
- Authority
- CN
- China
- Prior art keywords
- state
- trained
- data
- fault
- welding machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 113
- 238000012545 processing Methods 0.000 claims description 30
- 238000012706 support-vector machine Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 241001061076 Melanonus zugmayeri Species 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 18
- 238000000513 principal component analysis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000000926 separation method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/095—Monitoring or automatic control of welding parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/32—Accessories
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明的实施例提供一种焊接机故障状态的确定方法、装置及设备，涉及故障状态判断技术领域，所述方法包括：获取焊接机运行状态的待检测数据；对所述待检测数据进行预处理，得到关键信息；将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态。本发明的实施例能够及时发现焊接机的故障，实现焊接机故障的在线监测，提高了系统的鲁棒性，对故障状态确定的准确度更高，通过对多个分类器得到焊接机故障状态，能够有效地避免了对焊接机的故障状态的确定时数据偏斜的问题，同时提高了分类器的容错率。
Description
技术领域
本发明涉及故障状态判断技术领域，特别是指一种焊接机故障状态的确定方法、装置及设备。
背景技术
工业设备的故障诊断一直以来都是研究热点，国内外的学者已经对焊接机故障诊断展开了一定的研究。
但是目前对焊接机故障诊断的研究方法无法实现焊接机常见故障及状态的在线监测，也没有及时发现焊接机的故障并解决焊接机的故障。
发明内容
本发明提供了一种焊接机故障状态的确定方法、装置及设备。实现了焊接机故障状态的在线监测，提高了系统的鲁棒性，对故障状态的确定的准确度更高，通过对多个分类器得到的焊接机故障状态，能够有效地避免了对焊接机的故障状态的确定时数据偏斜的问题，同时提高了分类器的容错率。
为解决上述技术问题，本发明的实施例提供以下方案：
一种焊接机故障状态的确定方法，所述方法包括：
获取焊接机运行状态的待检测数据；
对所述待检测数据进行预处理，得到关键信息；
将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态。
可选的，对所述待检测数据进行预处理，得到关键信息，包括：
对所述待检测数据进行中心化处理，得到中心化数据；
对所述中心化数据进行协方差矩阵计算，得到所述待检测数据的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到至少一个特征值；
从所述至少一个特征值中选取预设数量的目标特征值，并根据所述目标特征值所对应的单位特征向量，得到所述关键信息，所述至少一个特征值按照从大到小的顺序排序。
可选的，对所述待检测数据进行中心化处理，得到中心化数据，包括：
通过公式
对待检测数据进行中心化处理，得到中心化数据；
其中，xi为第i条样本的值，n为待检测数据中的样本总数，
表示将箭尾的值赋给箭头的变量。
可选的，所述目标数量个训练好的分类器通过以下过程进行训练：
获取训练集、标签集以及焊接机的状态集；所述状态集包括至少两种工作状态和/或至少两种故障状态；
遍历全部所述状态集，得到目标数量个待训练组；所述待训练组包括在所述状态集中任选的两种待训练的目标状态；所述目标数量由所述状态集中的工作状态和故障状态的总数量通过组合计算确定；
根据所述训练集和标签集，确定目标数量个训练好的分类器。
可选的，所述故障状态包括以下至少两种：
逆变电路反馈异常状态；
控制电源异常状态；
输出过流异常状态；
电压检出异常状态；
温度异常状态；
输入缺相异常状态；
所述工作状态包括以下至少两种：
启弧状态；
焊接状态；
收弧状态；
待机状态。
可选的，获取训练集、标签集，包括：
获取原始待训练样本数据；
对所述原始待训练样本数据进行数据清洗处理，得到第一待训练样本数据；
对所述第一待训练样本数据进行预处理，得到第二待训练样本数据；
根据所述第二待训练样本数据，确定训练集和标签集；所述训练集包括至少一个训练样本数据，所述标签集是所述训练集中的训练样本数据对应的标签的集合。
可选的，根据所述训练集和标签集，确定目标数量个训练好的分类器，包括：
根据所述训练集和标签集，确定待训练组中的两种目标状态对应的训练样本数据以及所述训练样本数据对应的标签；
将目标数量个待训练组的训练样本数据以及所述训练样本数据对应的标签输入待训练的支持向量机进行训练，得到目标数量个训练好的分类器。
本发明还提供一种焊接机故障状态的确定装置，所述装置包括：
获取模块，用于获取焊接机运行状态的待检测数据；
处理模块，用于对所述待检测数据进行预处理，得到关键信息；将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态。
本发明还提供一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述的焊接机故障状态的确定方法的步骤。
本发明还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上述的焊接机故障状态的确定方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获取焊接机运行状态的待检测数据；对所述待检测数据进行预处理，得到关键信息；将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态。本发明的方案能够及时发现焊接机的故障状态，实现焊接机故障状态的在线监测，提高了系统的鲁棒性，对故障状态的确定的准确度更高，通过对多个分类器得到的焊接机故障状态，能够有效地避免了对焊接机的故障状态的确定时数据偏斜的问题，同时提高了分类器的容错率。
附图说明
图1为本发明实施例的焊接机故障状态的确定方法的流程示意图；
图2为本发明提供的具体的实施例中支持向量机的原理示意图；
图3为本发明提供的具体的实施例中焊接机故障状态的确定方法的流程示意图；
图4为本发明实施例的焊接机故障状态的确定装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本发明提供一种焊接机故障状态的确定方法，所述方法包括：
步骤11，获取焊接机运行状态的待检测数据；
步骤12，对所述待检测数据进行预处理，得到关键信息；
步骤13，将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态。
该实施例中，对焊接机的待检测数据进行预处理，得到关键信息，这里的预处理优选为主成分分析（Principal Component Analysis，PCA），将该关键信息输入至目标数量个训练好的分类器进行故障类型判断，得到焊接机故障状态；通过目标数量个分类器，对待检测数据的关键信息进行故障状态判断处理，得到焊接机故障状态；可以有效地避免了数据偏斜的问题，能够及时发现焊接机的故障状态，实现焊接机故障的在线监测，提高了系统的鲁棒性，对故障状态的确定的准确度更高；
需要说明的是，分类器是基于对支持向量机（Support Vector Machines，SVM）进行训练得到的。
本发明一可选的实施例中，步骤12包括：
步骤121，对所述待检测数据进行中心化处理，得到中心化数据；
步骤122，对所述中心化数据进行协方差矩阵计算，得到所述待检测数据对应的协方差矩阵；
步骤123，对所述协方差矩阵进行特征值分解，得到至少一个特征值；
步骤124，从所述至少一个特征值中选取预设数量的目标特征值，并根据所述目标特征值所对应的单位特征向量，得到所述关键信息，所述至少一个特征值按照从大到小的顺序排序。
本实施例中，预处理优选为主成分分析PCA，主成分分析PCA用于减少输入数据集的维数，同时保持输入数据集中对方差贡献最大的特征值，其中，方差用于度量输入数据集中的数据分散的程度；
对待检测数据先进行中心化处理，以去除原始的待检测数据中的冗余信息，计算中心化处理后的中心化数据的协方差矩阵，对协方差矩阵进行特征值分解，得到至少一个特征值，这里的特征值分解（Eigen decomposition）用于将协方差矩阵（XXT）分解为由协方差矩阵特征值和特征向量表示的矩阵之积；对至少一个特征值按照从大到小的顺序排序，当然，这里也可以是按照从小至大的顺序排序，本申请不以此为限制，可根据实际需求而定；
进一步地，取预设数量的目标特征值对应的单位特征向量，该单位特征向量的数量与目标特征值的预设数量相同；并根据单位特征向量，确定关键信息；
通过上述步骤，对待检测数据进行预处理后，保留的数据（关键信息）可以反映焊接机在运行状态下的关键信息，实现了对输入的待检测数据的特征降维。
一个具体的实施例1中，按照由大至小的顺序对至少一个特征值进行排序，预设数量为m，则按照由大至小的顺序在至少一个特征值中取预设数量m个目标特征值对应的单位特征向量，该单位特征向量表示为w1,w2,wx,…,wm，其中，wx为编号为x的单位特征向量，m为预设数量。
本发明一可选的实施例中，步骤121包括：
步骤1211，通过公式
对待检测数据进行中心化处理，得到中心化数据；
其中，xi为第i条样本的值，n为待检测数据中的样本总数，
表示将箭尾的值赋给箭头的变量。
本实施例中，通过公式
对待检测数据进行中心化处理，通过中心化处理可以对待检测数据的中心进行平移，更便于进一步地进行协方差矩阵的计算。
本发明一可选的实施例中，所述目标数量个训练好的分类器通过以下过程进行训练：
步骤a，获取训练集、标签集以及焊接机的状态集；所述状态集包括至少两种工作状态和/或至少两种故障状态；
步骤b，遍历全部所述状态集，得到目标数量个待训练组；所述待训练组包括在所述状态集中任选的两种待训练的目标状态；所述目标数量由所述状态集中的工作状态和故障状态的总数量通过组合计算确定；
步骤c，根据所述训练集和标签集，确定目标数量个训练好的分类器。
其中，所述故障状态包括以下至少两种：逆变电路反馈异常状态；控制电源异常状态；输出过流异常状态；电压检出异常状态；温度异常状态；输入缺相异常状态；
所述工作状态包括以下至少两种：启弧状态；焊接状态；收弧状态；待机状态。
本实施例中，对训练过程是为了实现按照输入采集焊接机的待检测数据来得到训练好的SVM的分类器模型；具体的，获取待训练的数据的训练集、标签集，训练集是通过预设方式已经得到焊接机的故障状态的训练样本数据的集合，而标签集是训练集中的训练样本数据对应的标签的集合；其中，预设方式可以是人工判断，也可以是通过其他方式对训练样本数据的故障状态进行判断，本申请不以此为限制；
状态集包括至少两种工作状态和/或至少两种故障状态，其中，工作状态是指焊接机在未出现故障的情况下的运行状态，而故障状态是指焊接机在出现故障的情况下的运行状态；具体的，故障状态包括以下至少两种：逆变电路反馈异常状态；控制电源异常状态；输出过流异常状态；电压检出异常状态；温度异常状态；输入缺相异常状态。工作状态包括以下至少两种：启弧状态；焊接状态；收弧状态；待机状态。
遍历全部状态集，得到目标数量个待训练组，这里的目标数量是根据状态集中的工作状态和/或故障状态的总数量进行组合计算而定；
可选的，可根据公式
确定目标数量，其中，N为工作状态的数量，M为故障状态的数量，S为目标数量，C为组合计算。
进一步地，根据目标数量个待训练组、训练集和标签集，确定目标数量个训练好的分类器；训练好的分类器用于对输入的待检测数据的故障状态进行判断。
一个具体的实施例2中，若工作状态包括4种，故障状态包括6种，则，可以判断在状态集中任选的两种待训练的目标状态作为待训练组会存在
；
若工作状态包括2种，故障状态包括4种，则，可以判断在状态集中任选的两种待训练的目标状态作为待训练组会存在
。
需要说明的是，训练好的分类器是基于对支持向量机SVM进行训练得到的，这里，对支持向量机进行说明，支持向量机SVM是二分类的分类模型，可根据正例和反例的样本集合（即训练集）对SVM进行训练；
SVM是在特征空间上的间隔最大的线性分类器；SVM的目的是寻找一个超平面来对样本数据根据正例和反例进行分割，基本想法是求解能够正确划分训练样本数据集且几何间隔最大的分离超平面；
确定对最大间隔分离超平面起到确定性作用的支持向量，即可确定该支持向量机SVM的分离超平面和分类决策函数；
具体的，SVM的分离超平面和分类决策函数的确定过程如下：
（1）SVM的输入训练数据集为
；其中，T为输入训练数据集，
是输入训练数据集中第N个训练数据的特征向量，
是输入训练数据集中第N个训练数据的标签，
是输入训练数据集中第N个训练数据；
（2）选择惩罚参数C>0，其中，C为惩罚参数，C值越大，对分类的惩罚越大；
（3）构造凸二次规划，并求解约束最优化问题：
得到最优解为
，第一支持向量为
，第二支持向量为
；其中，
为最优解矩阵，
为第N个训练数据的拉格朗日乘子，
为第一支持向量，
为第二支持向量，xi为第i个样本，
为第i个样本的向量表示，这里的样本即为上述的训练数据；
（4）确定分类决策函数为
，分离超平面为
，其中，
为拉格朗日乘子，N为数据集样本总个数，
为分类决策函数。
如图2所示，一个具体的实施例3中，通过上述的步骤（1）至步骤（2）确定
为分离超平面；其中，w为第一支持向量，b为第二支持向量；
当
时，输入训练数据集中的样本xi为正例，样本xi位于分离超平面上方（图2中的黑球部分）；
当时，输入训练数据集中的样本xi为反例，样本xi位于超平面下方（图2中的白球部分）；
另外，图中的
是分离超平面到两端边界的距离，
是分离超平面与中心平面的偏移距离。
本发明一可选的实施例中，步骤a中的获取训练集、标签集，包括：
步骤a1，获取原始待训练样本数据；
步骤a2，对所述原始待训练样本数据进行数据清洗处理，得到第一待训练样本数据；
步骤a3，对所述第一待训练样本数据进行预处理，得到第二待训练样本数据；
步骤a4，根据所述第二待训练样本数据，确定训练集和标签集；所述训练集包括至少一个训练样本数据，所述标签集是所述训练集中的训练样本数据对应的标签的集合。
该实施例，先获取原始待训练样本数据，对原始待训练样本数据进行数据清洗处理，得到第一待训练样本数据，数据清洗处理用于发现并纠正数据文件中可识别的错误，数据清洗处理包括检查数据一致性，处理无效值以及处理缺失值中的至少一种；再对第一待训练样本数据进行预处理，这里的预处理优选为主成分分析处理，依次包括对第一待训练样本数据进行中心化处理、协方差矩阵计算、特征值分解以及单位特征向量的选取，进而确定第二待训练样本数据，通过第二待训练样本数据，确定包括至少一个训练样本数据的训练集，并根据训练集确定训练集中的训练样本数据对应的标签的集合作为标签集。
本发明一可选的实施例中，步骤c包括：
步骤c1，根据所述训练集和标签集，确定待训练组中的两种目标状态对应的训练样本数据以及所述训练样本数据对应的标签；
步骤c2，将目标数量个待训练组的训练样本数据以及所述训练样本数据对应的标签输入待训练的支持向量机进行训练，得到目标数量个训练好的分类器。
本实施例中，由于遍历全部状态集，确定目标数量个待训练组，每一组待训练组包括在状态集中任选的两种待训练的目标状态，将这两种待训练的目标状态分别作为支持向量机的正例和反例，在训练集中找到与两种目标状态对应的训练样本数据，并在标签集中找到与该训练样本数据对应的标签，将两种目标状态对应的训练样本数据以及与该训练样本数据对应的标签输入支持向量机进行训练，得到目标数量个训练好的分类器。
本发明一可选的实施例中，步骤13包括：
步骤131，将所述关键信息输入目标数量个训练好的分类器，得到目标数量个故障状态结果；
步骤132，对所述目标数量个故障状态结果进行统计，将在所述目标数量个故障状态结果中出现次数最多的故障状态/工作状态作为焊接机故障状态。
本实施例中，基于投票统计的思想，对目标数量个训练好的分类器得到的目标数量个故障状态结果进行统计，出现次数最多的故障状态/工作状态作为焊接机故障状态，实现对焊接机故障状态的识别，使用多个训练好的SVM的分类器，提高了系统的鲁棒性，焊接机故障状态的识别结果准确度更高，每次选取其中两种工作状态/故障状态来进行训练SVM，每次的训练速度更快，有效地避免了数据偏斜的问题，多个训练好的SVM的分类器对待检测数据进行判断，即使出现单一分类器的预测结果不准确的问题，也不会影响焊接机故障状态，提高了分类器的容错率。
如图3所示，一个具体的实施例4中，通过采集原始待训练样本数据，对原始待训练样本数据进行数据清洗，得到第一待训练样本数据；
对第一待训练样本数据进行主成分分析PCA处理，得到训练集，并根据该训练集确定与训练集中的训练样本数据对应的标签的集合（标签集）；
将训练集作为输入，输入值45个SVM分类器中得到训练完成的SVM1分类器，SVM2分类器，…，SVM45分类器的目标数量（即45）个训练好的分类器；训练过程为：
步骤41，确定总数为10的状态集，并构造训练集X，标签集Y；
步骤42，在10种状态中任选两种，并在训练集X和标签集Y中选择对应状态的训练样本数据和标签；
步骤43，使用步骤42中选择的训练样本数据训练一个SVM分类器；
步骤44，重复步骤42和步骤43，直至训练出45个互相独立的分类器；
对未知的故障状态类别的待检测数据进行主成分分析PCA，得到关键信息；
将关键信息分别输入目标数量（即45）个训练好的分类器，得到目标数量（即45）个故障状态结果；
对目标数量（即45）个故障状态结果进行投票统计，分析属于状态集的10种状态中出现次数最多的1个状态作为焊接机故障状态。
一个具体的实施例5中，通过具体的实施例4中的过程得到的待检测数据的各种焊接机故障状态的准确率、召回率、误报率、漏报率以及综合指标如下表所示：
表1
如表1所示，焊接机逆变电路反馈异常，控制电源异常，输出过流异常，电压检出异常，温度异常，输入缺相异常，待机的综合指标均在90%以上；焊接的综合指标在85%以上；启弧，收弧的综合指标均在60%以上，可见本发明的方案的焊接机故障状态的确认方法可以有效地对焊接的故障状态确定。
本发明的实施例中通过获取焊接机运行状态的待检测数据；对所述待检测数据进行预处理，得到关键信息；将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态。本发明的实施例实现了焊接机故障状态的在线监测，提高了系统的鲁棒性，对故障状态的确定的准确度更高，通过对多个分类器得到的焊接机故障状态，能够有效地避免了对焊接机的故障状态的确定时数据偏斜的问题，同时提高了分类器的容错率。
如图3所示，本发明还提供一种焊接机故障状态的确定装置40，所述装置40包括：
获取模块41，用于获取焊接机运行状态的待检测数据；
处理模块42，用于对所述待检测数据进行预处理，得到关键信息；将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态。
可选的，对所述待检测数据进行预处理，得到关键信息，包括：
对所述待检测数据进行中心化处理，得到中心化数据；
对所述中心化数据进行协方差矩阵计算，得到所述待测样本信息对应的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到至少一个特征值；
从所述至少一个特征值中选取预设数量的目标特征值，并根据所述目标特征值所对应的单位特征向量，得到所述关键信息，所述至少一个特征值按照从大到小的顺序排序。
可选的，对所述待检测样本数据进行中心化处理，得到中心化数据，包括：
通过公式
对待检测样本数据进行中心化处理，得到中心化数据；
其中，xi为第i条样本的值，n为待检测样本数据中的样本总数，
表示将箭尾的值赋给箭头的变量。
可选的，所述目标数量个训练好的分类器通过以下过程进行训练：
获取训练集、标签集以及焊接机的状态集；所述状态集包括至少两种工作状态和/或至少两种故障状态；
遍历全部所述状态集，得到目标数量个待训练组；所述待训练组包括在所述状态集中任选的两种待训练的目标状态；所述目标数量由所述状态集中的工作状态和故障状态的总数量通过组合计算确定；
根据所述训练集和标签集，确定目标数量个训练好的分类器。
可选的，所述故障状态包括以下至少两种：
逆变电路反馈异常状态；
控制电源异常状态；
输出过流异常状态；
电压检出异常状态；
温度异常状态；
输入缺相异常状态；
所述工作状态包括以下至少两种：
启弧状态；
焊接状态；
收弧状态；
待机状态。
可选的，获取训练集、标签集，包括：
获取原始待训练样本数据；
对所述原始待训练样本数据进行数据清洗处理，得到第一待训练样本数据；
对所述第一待训练样本数据进行预处理，得到第二待训练样本数据；
根据所述第二待训练样本数据，确定训练集和标签集；所述训练集包括至少一个训练样本数据，所述标签集是所述训练集中的训练样本数据对应的标签的集合。
可选的，根据所述训练集和标签集，确定目标数量个训练好的分类器，包括：
根据所述训练集和标签集，确定待训练组中的两种目标状态对应的训练样本数据以及所述训练样本数据对应的标签；
将目标数量个待训练组的训练样本数据以及所述训练样本数据对应的标签输入待训练的支持向量机进行训练，得到目标数量个训练好的分类器。
需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述的焊接机故障状态的确定方法的步骤。
上述方法实施例中的所有实现方式均适用于该电子设备的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上所述的方法。
上述方法实施例中的所有实现方式均适用于该计算机可读存储介质的实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种焊接机故障状态的确定方法，其特征在于，所述方法包括：
获取焊接机运行状态的待检测数据；
对所述待检测数据进行预处理，得到关键信息；
将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态；
其中，所述目标数量个训练好的分类器通过以下过程进行训练：
获取训练集、标签集以及焊接机的状态集；所述状态集包括至少两种工作状态和/或至少两种故障状态；
遍历全部所述状态集，得到目标数量个待训练组；所述待训练组包括在所述状态集中任选的两种待训练的目标状态；所述目标数量由所述状态集中的工作状态和故障状态的总数量通过组合计算确定；
根据所述训练集和标签集，确定目标数量个训练好的分类器。
2.根据权利要求1所述的焊接机故障状态的确定方法，其特征在于，对所述待检测数据进行预处理，得到关键信息，包括：
对所述待检测数据进行中心化处理，得到中心化数据；
对所述中心化数据进行协方差矩阵计算，得到所述待检测数据对应的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到至少一个特征值；
从所述至少一个特征值中选取预设数量的目标特征值，并根据所述目标特征值所对应的单位特征向量，得到所述关键信息，所述至少一个特征值按照从大到小的顺序排序。
3.根据权利要求2所述的焊接机故障状态的确定方法，其特征在于，对所述待检测数据进行中心化处理，得到中心化数据，包括：
通过公式
对待检测数据进行中心化处理，得到中心化数据；
其中，xi为第i条样本的值，n为待检测数据中的样本总数，
表示将箭尾的值赋给箭头的变量。
4.根据权利要求1所述的焊接机故障状态的确定方法，其特征在于，所述故障状态包括以下至少两种：
逆变电路反馈异常状态；
控制电源异常状态；
输出过流异常状态；
电压检出异常状态；
温度异常状态；
输入缺相异常状态；
所述工作状态包括以下至少两种：
启弧状态；
焊接状态；
收弧状态；
待机状态。
5.根据权利要求1所述的焊接机故障状态的确定方法，其特征在于，获取训练集、标签集，包括：
获取原始待训练样本数据；
对所述原始待训练样本数据进行数据清洗处理，得到第一待训练样本数据；
对所述第一待训练样本数据进行预处理，得到第二待训练样本数据；
根据所述第二待训练样本数据，确定训练集和标签集；所述训练集包括至少一个训练样本数据，所述标签集是所述训练集中的训练样本数据对应的标签的集合。
6.根据权利要求1所述的焊接机故障状态的确定方法，其特征在于，根据所述训练集和标签集，确定目标数量个训练好的分类器，包括：
根据所述训练集和标签集，确定待训练组中的两种目标状态对应的训练样本数据以及所述训练样本数据对应的标签；
将目标数量个待训练组的训练样本数据以及所述训练样本数据对应的标签输入待训练的支持向量机进行训练，得到目标数量个训练好的分类器。
7.一种焊接机故障状态的确定装置，其特征在于，所述装置包括：
获取模块，用于获取焊接机运行状态的待检测数据；
处理模块，用于对所述待检测数据进行预处理，得到关键信息；将所述关键信息输入目标数量个训练好的分类器进行故障类型判断处理，得到焊接机故障状态；
其中，所述目标数量个训练好的分类器通过以下过程进行训练：
获取训练集、标签集以及焊接机的状态集；所述状态集包括至少两种工作状态和/或至少两种故障状态；
遍历全部所述状态集，得到目标数量个待训练组；所述待训练组包括在所述状态集中任选的两种待训练的目标状态；所述目标数量由所述状态集中的工作状态和故障状态的总数量通过组合计算确定；
根据所述训练集和标签集，确定目标数量个训练好的分类器。
8.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至6任一项所述的焊接机故障状态的确定方法的步骤。
9.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至6任一项所述的焊接机故障状态的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321054.2A CN114406409B (zh) | 2022-03-30 | 2022-03-30 | 一种焊接机故障状态的确定方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210321054.2A CN114406409B (zh) | 2022-03-30 | 2022-03-30 | 一种焊接机故障状态的确定方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114406409A CN114406409A (zh) | 2022-04-29 |
| CN114406409B true CN114406409B (zh) | 2022-07-12 |
Family
ID=81263367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210321054.2A Active CN114406409B (zh) | 2022-03-30 | 2022-03-30 | 一种焊接机故障状态的确定方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114406409B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117381261B (zh) * | 2023-12-13 | 2024-03-08 | 德阳市华建机械设备有限公司 | 一种自动化焊接机的故障识别装置及方法 |
| CN117798498B (zh) * | 2024-02-29 | 2024-07-12 | 深圳市艾雷激光科技有限公司 | 智能激光焊接机焊接异常自动调整的方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6256552B1 (en) * | 1997-09-10 | 2001-07-03 | Honda Giken Kabushiki Kaisha | Method for setting tool-based working condition in off-line teaching |
| CN101722347A (zh) * | 2008-10-17 | 2010-06-09 | 唐山松下产业机器有限公司 | 一种可控硅焊机及其保护电路 |
| CN105522300A (zh) * | 2014-10-23 | 2016-04-27 | 许亚夫 | 焊接机器人故障诊断方法 |
| CN112505531A (zh) * | 2021-02-04 | 2021-03-16 | 湖南遥光科技有限公司 | 基于支持向量优选的电路故障诊断方法及其装置 |
| CN112651419A (zh) * | 2020-05-29 | 2021-04-13 | 北京金风慧能技术有限公司 | 发电机磁钢脱落的检测方法、装置、设备及存储介质 |
| CN113011055A (zh) * | 2021-02-03 | 2021-06-22 | 中国船级社 | 一种基于有限元技术的电机高温故障模拟方法及系统 |
| CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
| EP3848768A1 (en) * | 2020-01-07 | 2021-07-14 | Hamilton Sundstrand Corporation | Fault monitoring systems for power supplies |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101193723B (zh) * | 2004-02-09 | 2011-09-07 | 林肯环球股份有限公司 | 提供自动化焊接通知的系统和方法 |
| US8886359B2 (en) * | 2011-05-17 | 2014-11-11 | Fanuc Corporation | Robot and spot welding robot with learning control function |
| TWI459186B (zh) * | 2011-11-18 | 2014-11-01 | Inventec Corp | 電壓錯誤的處理裝置與方法 |
| GB201510220D0 (en) * | 2015-06-11 | 2015-07-29 | Renishaw Plc | Additive manufacturing apparatus and method |
| CN108027911A (zh) * | 2015-07-29 | 2018-05-11 | 伊利诺斯工具制品有限公司 | 促进焊接即服务软件的系统及方法 |
| WO2018120174A1 (zh) * | 2016-12-30 | 2018-07-05 | 华为技术有限公司 | 故障恢复的方法、设备和系统 |
| CN112756759B (zh) * | 2021-01-11 | 2022-04-08 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
| CN112989522B (zh) * | 2021-05-10 | 2021-07-30 | 创新奇智(成都)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
| CN113569457A (zh) * | 2021-08-11 | 2021-10-29 | 中国船级社 | 一种基于数字孪生的需求功能模型构建方法及系统 |
-
2022
- 2022-03-30 CN CN202210321054.2A patent/CN114406409B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6256552B1 (en) * | 1997-09-10 | 2001-07-03 | Honda Giken Kabushiki Kaisha | Method for setting tool-based working condition in off-line teaching |
| CN101722347A (zh) * | 2008-10-17 | 2010-06-09 | 唐山松下产业机器有限公司 | 一种可控硅焊机及其保护电路 |
| CN105522300A (zh) * | 2014-10-23 | 2016-04-27 | 许亚夫 | 焊接机器人故障诊断方法 |
| EP3848768A1 (en) * | 2020-01-07 | 2021-07-14 | Hamilton Sundstrand Corporation | Fault monitoring systems for power supplies |
| CN112651419A (zh) * | 2020-05-29 | 2021-04-13 | 北京金风慧能技术有限公司 | 发电机磁钢脱落的检测方法、装置、设备及存储介质 |
| CN113011055A (zh) * | 2021-02-03 | 2021-06-22 | 中国船级社 | 一种基于有限元技术的电机高温故障模拟方法及系统 |
| CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
| CN112505531A (zh) * | 2021-02-04 | 2021-03-16 | 湖南遥光科技有限公司 | 基于支持向量优选的电路故障诊断方法及其装置 |
Non-Patent Citations (2)
| Title |
|---|
| 李波等.基于SVM及X射线的气体绝缘开关设备故障自动诊断系统设计.《自动化与仪器仪表》.2020,(第01期), * |
| 祁宏昌等.基于STFT和DBN的高压电缆瓷套式终端液位智能检测.《中国测试》.2019,(第04期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114406409A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114406409B (zh) | 一种焊接机故障状态的确定方法、装置及设备 | |
| Kunda et al. | Improving multi-site autism classification via site-dependence minimization and second-order functional connectivity | |
| CN111580506A (zh) | 基于信息融合的工业过程故障诊断方法 | |
| Xiang et al. | A generalized predictive framework for data driven prognostics and diagnostics using machine logs | |
| EP2299385A1 (en) | Pattern recognition method, character recognition method, pattern recognition apparatus, and character recognition apparatus | |
| CN110880024B (zh) | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 | |
| CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
| CN113297051A (zh) | 一种日志分析处理方法及装置 | |
| Oluwagbemiga et al. | A hybrid multi-filter wrapper feature selection method for software defect predictors | |
| CN117192416A (zh) | 基于bms系统的蓄电池监测系统及方法 | |
| Chen et al. | Machine Learning-Based Fault Prediction and Diagnosis of Brushless Motors | |
| CN115793552A (zh) | 一种基于数据处理的电子气体生产监测方法及系统 | |
| Mittal et al. | Optimal feature selection for SVM based fault diagnosis in power transformers | |
| CN112181792A (zh) | 一种时序数据异常标注的方法、系统及相关组件 | |
| CN112488202A (zh) | 基于互信息和投影字典对学习的分布式过程监测方法 | |
| CN118013361A (zh) | 铁路上供电设备智能诊断与评估系统 | |
| Xing et al. | GCFormer: Granger Causality based Attention Mechanism for Multivariate Time Series Anomaly Detection | |
| Aydemir et al. | Ensemble of lstm networks for fault detection, classification, and root cause identification in quality control line | |
| CN115221013A (zh) | 一种日志模式的确定方法、装置及设备 | |
| CN115860243A (zh) | 一种基于工业物联网数据的故障预测方法和系统 | |
| Li et al. | Smart Meters Fault Prediction Technology Based on Cost-sensitive XGBoost Algorithm for Imbalanced Dat | |
| Marseguerra | Early detection of gradual concept drifts by text categorization and Support Vector Machine techniques: The TRIO algorithm | |
| Schlegl et al. | Automated search of process control limits for fault detection in time series data | |
| Freitas et al. | Differential Evolution and Perceptron Decision Trees for Fault Detection in Power Transformers. | |
| Martin-Diaz et al. | Evaluation of intelligent approaches for motor diagnosis under changing operational conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |