[發明專利]一種基于集成學習的電阻點焊質量預測方法

在審

• 申請號: 202011329318.6
• 申請日: 2020-11-24
• 公開（公告）號: CN112487708A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 王小華;潘曉光;田奇;馬彩霞;令狐彬
• 申請（專利權）人: 山西三友和智慧信息技術股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/20;G06K9/62
• 代理公司: 太原榮信德知識產權代理事務所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

本發明屬于電焊質量管控技術領域，具體涉及一種基于集成學習的電阻點焊質量預測方法，包括下列步驟：根據焊接過程中傳感器測得的過程參數，采集該焊點樣本的焊接過程數據；構建數據庫；對輸入數據集通過特征進行預處理；建立焊點治理預測的集成學習模型；每個分類器分別輸出待測樣本的質量預測結果；根據不同分類器的輸出結果，根據投票的方式，集成不同分類器對于該待測焊點樣本質量預測的結果，以多數判定結果為最終的預測輸出。本發明能有效解決傳統焊點質量檢測過程中的高損耗和低效率問題，能夠快速且準確地基于焊接過程參數識別預測焊點質量，極大的提高電子元器件的焊點質量分析的效率，節約生產成本。本發明用于電阻點焊質量的預測。

技術領域

本發明屬于電焊質量管控技術領域，具體涉及一種基于集成學習的電阻點焊質量預測方法。

背景技術

隨著工業領域的發展，各類電子設備已經成為人們日常生活中的必需品。電子設備生產環節中需要大量的元器件電阻點焊工作，焊接的質量直接影響了產品的質量，性能及成本，因此焊點質量的檢測成為各大生產商無法避免的問題。點焊過程本身是一個高度非線性、具有多變量耦合作用并伴隨著大量隨機不確定因素的過程，其受電流、電壓、電阻以及壓力(都會隨時間變化)等因素的影響，造成點焊質量不穩定和難以控制。目前對于焊點的質量檢測主要依靠人工，如人工目視檢測，超聲波無損探檢，機械性破環檢測等。這些傳統的焊點質量檢測方法費時費力，并且由于焊點不良率本身比較低，這些主要以抽檢方式進行的檢測尤如大海撈針，投入大量人力物力但是效率低下。

發明內容

針對上述傳統的焊點質量檢測方法費時費力的技術問題，本發明提供了一種穩定性強、效率高、成本低的一種基于集成學習的電阻點焊質量預測方法。

為了解決上述技術問題，本發明采用的技術方案為：

一種基于集成學習的電阻點焊質量預測方法，包括下列步驟：

S1、根據焊接過程中傳感器測得的過程參數，所述過程參數包括電流，電壓，電阻和壓力，采集該焊點樣本的焊接過程數據；

S2、構建數據庫；

S3、對輸入數據集通過特征進行預處理；

S4、將預處理完成的數據輸入訓練好的不同分類器中，針對上述預處理的焊接過程數據集，通過集成學習，建立焊點治理預測的集成學習模型；

S5、每個分類器分別輸出待測樣本的質量預測結果；

S6、根據不同分類器的輸出結果，根據投票的方式，集成不同分類器對于該待測焊點樣本質量預測的結果，以多數判定結果為最終的預測輸出。

所述S1中，在采集過程數據時，對傳感器記錄的過程數據進行離散化，在參數變化的轉折點采集數據。

所述S2中構建數據庫的方法為：根據對應焊點質量的人工判定結果，以焊接過程參數為特征，以人工判定的焊點質量為標簽，針對每一個可測得的焊點樣本，構建焊接過程參數與焊點質量標簽數據對，以此建立焊接參數數據庫。

所述S3中預處理的方法包括：數據最大—最小標準化和濾除相關性較大的冗余特征參數。

所述S4中的集成學習模型通過選取邏輯回歸、支持向量機以及隨機森林作為基本的分類模型，將上述的焊接過程數據劃分為訓練集和測試集，通過訓練集分別訓練不同模型的參數，利用測試集驗證不同模型的分類性能，使其輸出對應焊點質量的預測結果。

所述邏輯回歸分類器通過最大化似然函數并由sigmoid函數將輸出整合到關于{0,1}概率的分布，從而實現對樣本的劃分；

所述支持向量機通過搜尋樣本中的支持向量，最大化兩類樣本的距離實現對樣本的劃分；

所述隨機森林則通過樹的結構，根據特征參數的取值大小，逐步實現對樣本的劃分。