一种系泊链闪光焊接异常检测方法及系统

本发明涉及焊接，尤其涉及一种系泊链闪光焊接异常检测方法及系统。

背景技术：

1、系泊链指在海面设施与海床之间起连接及固定作用的链条。随着我国海洋工程的不断发展，系泊链由一开始的锻打系泊链、铸造系泊链发展到现在的焊接系泊链，但不论系泊链的生产技术如何发展，其质量的优劣至关重要，这直接影响到相关人员生命财产的安全。

2、目前对系泊链的质量检测主要通过出厂前的抽检——拉力测试，对于一整条系泊链来说，仅有一处链环因质量问题而产生断裂，整条系泊链便会失效，其带来的损失是巨大的。且由于抽检存在一定概率的安全问题，故相关领域的研究人员提出使用机器学习来对系泊链闪光焊接机各传感器收集到的闪光焊接信号进行异常检测，从而大大减轻了人工质检的工作量、提高了质量检测的效率。

3、中国专利cn109239301a公开了“一种锚链闪光焊质量在线评估方法”，该发明中通过计算标准信号与待测信号之间的不相似距离并与所有的标准信号不相似距离的平均值作比较，若大于则判定为异常焊接信号否则为非异常焊接信号，该处理方法能够快速有效的识别故障焊接产品，提高生产效率并确保焊接质量。缺点在于，锚链焊接信号在经过数据归一化处理后，数据特征会被压缩甚至删除，此时异常不显著的故障数据类型极容易被误判为正常类。同时由于工业数据容易受到环境的影响，而“标准信号”这一条件相对死板，故该方法的效率有待提高。

4、中国专利cn116611184a公开了“一种齿轮箱的故障检测方法、装置及介质”，该发明中通过调用ganomaly故障诊断模型对齿轮箱的状态数据进行分析，减轻工作人员的工作检测负担，与传统信号处理方法相比，提升了故障诊断的准确性。缺点在于，ganomaly网络模型虽然属于半监督类的网络结构，其只使用了正样本的分布属性，负样本并未对模型的训练起作用，故模型的泛化性、鲁棒性有待提高。

5、中国专利cn109242023a公开了“一种基于dtw和mds的锚链闪光焊质量在线评估方法”，该发明通过对待测信号和2l个有标签数据之间的不相似距离进行聚类而实现异常检测明，此方法能够有效的识别故障焊接产品，确保焊接质量。缺点在于，该专利中对2l个有标签数据使用聚类的方法进行检测，但工业数据的类型较复杂且不平衡性极高，若l数值过小则检测的准确率将大大降低，若l数值过大则模型的计算效率，故模型的效果对于数值l如何选取的依赖性较高，此相较于半监督或无监督的网络模型效果有待提高。

技术实现思路

1、发明目的：本发明旨在提供一种基于系泊链异常检测gan网络模型结合cam可视化操作实现了序列中异常点的定位的方法，本发明还提供了一种系泊链闪光焊接异常检测系统。

2、技术方案：本发明所述的系泊链闪光焊接异常检测方法，包括以下步骤：

3、(1)选取l个系泊链闪光焊接数据，包括m个有标签异常焊接数据和l-m个无标签焊接数据，将无标签焊接数据划分为训练样本、验证样本和测试样本，将异常焊接数据加入训练样本中；

4、(2)构建系泊链异常检测gan网络模型，通过训练样本进行训练得到若干个不同超参数的训练模型，再通过验证样本，逐个验证训练模型，确定最优超参数模型；

5、(3)向最优超参数模型输入测试样本进行检测，确定综合异常分数s3；

6、(4)计算综合异常分数s3的均值μ和均方差σ，确定对应测试样本的阈值分数t；

7、(5)根据综合异常分数s3与样本阈值t分数，判断测试样本是否为故障样本；

8、(6)结合cam可视化技术，提取故障样本在步骤(3)中得到重构数据和生成数据将其逐点作差得到重构差异值c，对测试集的焊接信号进行异常定位。

9、进一步的，步骤(2)所述系泊链异常检测gan网络模型包括数据处理模块、生成模块和判别模块；

10、所述生成模块包括第一生成单元g1、第二生成单元g2；第一生成单元g1包括第一编码器e1；

11、所述判别模块包括第一判别器d1和第二判别器d2以及一致性判别器

12、第一生成单元g1对抗损失定义如下：

13、

14、

15、其中，表示数值对服从编码器诱导的联合分布概率函数表示数值对服从编码器诱导的联合分布概率函数表示普通数据集x′和第一编码器e1输出的潜空间数据的联合分布，表示输入异常样本x-和第一编码器e1输出的潜空间数据的联合分布，a、b和c为参数；表示数学期望，min v(·)表示用最小二乘损失代替传统的交叉熵损失来计算各单元的对抗损失，d1(·)为第一判别器网络；

16、第二生成单元g2对抗损失定义如下：

17、

18、

19、其中，表示数值对服从生成器诱导的联合分布概率函数表示数值对服从生成器诱导的联合分布概率函数表示普通数据集x′和第二生成单元g2输出重构数据的联合分布，表示输入的异常样本x-和第二生成单元g2输入随机噪声z得到的重构数据的联合分布，d2(·)为第二判别器网络。

20、进一步的，步骤(2)中，一致性损失lacl定义如下：

21、lacl＝||g1(x′)-g2(x′)||1+||g1(x-)-g2(z)||1

22、其中，g1(·)表示第一生成单元的生成网络，g2(·)表示第二生成单元的生成网络，x′表示普通数据集，x-表示异常样本数据集，z表示随机噪声。

23、进一步的，步骤(3)具体如下：

24、向最优超参数模型输入测试样本进行检测得到异常指标数值s1、重构数据和生成数据计算重构数据与生成数据的逐点距离差值之和s2，将异常指标数值s1和重构误差异常得分s2进行归一化处理得到综合异常分数s3；其中，所述异常指标数值s1为最优超参数模型的一致性判别器输出的损失值；所述生成数据由第一生成单元g1得到，重构数据由第二生成单元g2得到。

25、进一步的，步骤(5)具体如下：

26、若综合异常分数s3大于等于样本阈值分数t，则确定测试样本为故障样本；

27、若综合异常样本分数小于所述样本阈值分数t，则确定测试样本为非故障样本。

28、进一步的，步骤(5)具体如下：

29、提取故障样本在步骤(3)中得到重构数据和生成数据

30、将提取的重构数据和生成数据逐点作差得到重构差异值c，

31、将重构差异值c投影到各焊接信号的特征图上；

32、根据重构差异值对应的热度的颜色，显示各焊接信号的异常部分，定位发生的时刻与阶段。

33、本发明所述系泊链闪光焊接异常检测系统，包括数据处理模块、生成模块和判别模块；

34、所述数据处理模块包括数据预处理及测试集、训练集、验证集数据划分；

35、所述生成模块包括第一生成单元g1和第二生成单元g2；

36、所述判别模块包括第一判别器d1、第二判别器d2和一致性判别器

37、所述数据处理模块、第一生成单元g1、第一判别器d1和一致性判别器依次连接；

38、所述数据处理模块、第二生成单元g2、第二判别器d2和一致性判别器依次连接；

39、所述第一生成单元g1包括依次连接的第一编码器e1、共享潜在空间q及第一解码器de1，所述第二生成单元g2包括依次连接的第二编码器e2、共享潜空间q及转置卷积构成的第二解码器de2，所述共享潜在空间q用于存储高层特征

40、进一步的，第一编码器e1分别包括依次连接的第一卷积块、第二卷积块及第一耦合残差块；

41、第一解码器de1分别包括依次连接的第二耦合残差块、第一步长卷积块及第二步长卷积块；

42、所述第一耦合残差块的输出端接至所述共享潜在空间q的输入端，共享潜在空间q的输出端接至所述第二耦合残差块的输入端；

43、所述第一卷积块的输出端跳变连接至所述第二步长卷积块的输入端；

44、所述第二卷积块的输出端跳变连接至所述第一步长卷积块的输入端。

45、进一步的，所述第一耦合残差块及第二耦合残差块分别由多个子残差块级联组成，任一级所述子残差块包括依次连接的第一卷积层、激活函数层及第二卷积层。

46、所述第二编码器e2分别包括依次连接的第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块和linear线性层；

47、所述第一卷积块包括依次连接的第一卷积层和激活函数层，所述第二、三、四、五卷积块包括依次连接的卷积层、batchnorm和激活函数层；

48、所述第二解码器de2分别包括依次连接的第一转置卷积块、第二转置卷积块、第三转置卷积块、第四转置卷积块、第五转置卷积块、线性层和激活函数层；

49、所述第一转置卷积块包括依次连接的第一转置卷积层和激活函数层，所述第二、三、四、五转置卷积块包括依次连接的转置卷积层、batchnorm和激活函数层。

50、进一步的，所述第一判别器d1、第二判别器d2和一致性判别器分别包括六层判别网络，第一层判别网络包含一个卷积层和一个激活函数层，其余五个判别层均包含一个卷积层、一个batchnorm层和一个激活函数层。

51、有益效果：本发明与现有技术相比，其显著优点是：1、本发明利用系泊链异常检测gan网络模型重构数据与生成数据每个点的分布距离作为权重，将其投影到特征图上，并通过权重大小来产生不同热力度的颜色，实现了系泊链焊接信号异常点的cam可视化，大大节省后续人工分析质量问题的时间、减轻工作量；2、在系泊链异常检测gan网络模型的生成对抗损失中通过在两个判别器中添加负样本的数据分布函数，让网络模型变成准确性相对较高的半监督学习模型，从而更好的改善模型的目标值并调整超参数，消除了传统gan支持正态的正常和异常样本的分布不相交前提的损失函数，使得模型在训练阶段不仅可以学习到正常的时序数据的样本分布，而且避免了对异常数据集样本赋值的概率；3、与传统的gan模型相比，本发明将两个不同生成单元输出的数据输入到系泊链异常检测gan网络模型的一致性判别器中，将此判别器的损失函数与两个生成单元判别器的损失函数共同训练来最小化两个生成模块的输出距离，解决了传统gan网络模型中生成样本其形状轮廓相较于原始数据某一类正常数据具有非常相似的轮廓导致的模式奔溃问题。