基于双通道特征的焊接状态的识别方法、装置和电子设备与流程

1.本发明涉及超声波焊接技术领域，尤其涉及一种基于双通道特征的焊接状态的识别方法、装置和电子设备。


背景技术：

2.随着科技的发展，超声波焊接逐步应用于锂电池生产工艺中，金属超声焊接是在高频超声振动和静压力的共同作用下，工件结合面由于相对运动摩擦产生塑性变形从而形成固相连接的过程，此时，工件的焊接状态采用离线质量监测进行焊接状态的抽检，并且需要结合经验判断对应的焊接状态，导致现有的离线质量监测无法对产品进行全检。


技术实现要素：

3.有鉴于此，本发明实施例提供一种基于双通道特征的焊接状态的识别方法、装置和电子设备，主要特征用于状态分类，并输入至焊接状态监测模型，以输出焊接过程中的焊接状态，从而实现焊接状态的实时获取，以便于对工件的焊接进行全检，保证了各个工件的焊接状态实时把握，避免了离线质量监测无法对产品进行全检的问题。
4.第一方面，本发明实施例提供一种基于双通道特征的焊接状态的识别方法，包括：
5.实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；
6.对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征；
7.将多个所述频域统计特征进行优化，并筛选出用于状态分类的主要特征；
8.将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态。
9.根据本发明实施例的一种具体实现方式，所述实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号，包括：
10.基于振动加速度传感器实时采集焊座在焊接过程时双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；
11.对双通道力信号进行数据预处理，其中，振动加速度信号进行去均值、滤波、消除趋势项；
12.对预处理之后的双通道力信号进行特征提取。
13.根据本发明实施例的一种具体实现方式，所述对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，包括：
14.对预处理后的双通道力信号进行快速傅里叶变换fft得到双通道力信号频域幅值分布，
15.由频域幅值分布中提取出与焊接工作频率有关的频域统计特征，以确定多个频域统计特征，其中，多个频域统计特征分别为焊接工作频率基频幅值a
fw
、焊接工作频率2倍频幅值a
2fw
、焊接工作频率3倍频幅值a
3fw
、焊接工作频率幅值在整个频率范围内的幅值占比a
fwproportion
、焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比a
flproportion
。
16.根据本发明实施例的一种具体实现方式，所述对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，包括：
17.焊接工作频率幅值在整个频率范围内的幅值占比提取公式为
[0018][0019]
其中，∑af代表所有频率成分幅值之和；焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比提取公式为其中，代表低于焊接工作频率的成分的幅值之和。根据本发明实施例的一种具体实现方式，所述对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，包括：
[0020]
对时变过程中f
x
(t)和fz(t)进行分段采样，利用每一数据段的绝对峰值作为峰值采样点：
[0021][0022][0023]
其中，n为总采样点数，m为总段数，和分别为两方向力信号的第m个峰值采样点。因此可以定义每段采样点中的动态摩擦系数
[0024]
选择整个焊接过程的动态摩擦系数的最大值作为力信号的多通道联合特征进行提取μ
max
＝max{μ1，μ2,...,μm}。
[0025]
根据本发明实施例的一种具体实现方式，所述将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态，包括：
[0026]
将优化后的主要特征输入至焊接状态监测模型，其中，焊接状态监测模型通过以往的主要特征数据进行训练而成；
[0027]
基于焊接状态监测模型出焊接过程中的焊接状态，并将该焊接状态作为工件的当前焊接状态。
[0028]
根据本发明实施例的一种具体实现方式，将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态，还包括：
[0029]
焊接状态监测模型的训练如下：
[0030]
[0031][0032]
其中，w代表权重向量，b代表偏置向量，ξi≥0,i＝1,2,
…
,n为松弛因子，c代表惩罚因子。
[0033]
根据本发明实施例的一种具体实现方式，所述基于双通道特征的焊接状态的识别方法，还包括：
[0034]
基于svm状态识别模型对焊接材料的硬度进行异常状态识别。
[0035]
根据本发明实施例的一种具体实现方式，所述焊接状态监测模型的训练如下：
[0036][0037][0038]
其中，w代表权重向量，b代表偏置向量，ξi≥0,i＝1,2,
…
,n为松弛因子，c代表惩罚因子。
[0039]
第二方面，本发明实施例提供一种基于双通道特征的焊接状态的识别装置，包括：
[0040]
获取模块，用于实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；
[0041]
提取模块，用于对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征；
[0042]
优化模块，用于将多个所述频域统计特征进行优化，并筛选出用于状态分类的主要特征；
[0043]
状态模块，用于将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态。
[0044]
第三方面，本发明实施例提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实现方式所述的方法。
[0045]
第四方面，本发明的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求上述的基于双通道特征的焊接状态的识别方法。
[0046]
本发明实施例提供的一种基于双通道特征的焊接状态的识别方法、装置及电子设备，本技术并非对工件进行信号获取，而是实时获取焊座的双通道力信号，此时，对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，并通过对多个所述频域统计特征进行优化，以便于得到较为精准的主要特征，主要特征用于状态分类，并输入至焊接状态监测模型，以输出焊接过程中的焊接状态，从而实现焊接状态的实时获取，以便于对工件的焊接进行全检，保证了各个工件的焊接状态实时把握，避免了离线质量监测无法对产品进行全检的问题。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还根据这些附图获得其它的附图。
[0048]
图1是本发明实施例中的基于双通道特征的焊接状态的识别方法的流程示意图；
[0049]
图2是本发明实施例中的基于双通道特征的焊接状态的识别方法的获取双通道信号的流程示意图；
[0050]
图3是本发明实施例中的基于双通道特征的焊接状态的识别方法的确定频域统计特征的流程示意图；
[0051]
图4是本发明实施例中的基于双通道特征的焊接状态的识别方法的实际示意图；
[0052]
图5是本发明实施例中的基于双通道特征的焊接状态的识别装置的装置组成示意图；
[0053]
图6是根据一示例性实施例示出的一种电子设备的硬件图。
具体实施方式
[0054]
下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0055]
本实施例提供一种基于双通道特征的焊接状态的识别方法，解决现有的人为操作或者系统更新时容易造成同一目录的文件均受到破坏的问题。
[0056]
图1为本发明实施例一的基于双通道特征的焊接状态的识别方法的流程示意图，如图1所示，本发明实施例提供了一种基于双通道特征的焊接状态的识别方法，所述方法包括：
[0057]
s11、实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；
[0058]
s12、对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征；
[0059]
s13、将多个所述频域统计特征进行优化，并筛选出用于状态分类的主要特征；
[0060]
s14、将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态。
[0061]
本技术并非对工件进行信号获取，而是实时获取焊座的双通道力信号，此时，对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，并通过对多个所述频域统计特征进行优化，以便于得到较为精准的主要特征，主要特征用于状态分类，并输入至焊接状态监测模型，以输出焊接过程中的焊接状态，从而实现焊接状态的实时获取，以便于对工件的焊接进行全检，保证了各个工件的焊接状态实时把握，避免了离线质量监测无法对产品进行全检的问题。
[0062]
另外，通过对双通道力信号分别提取其时域、频域统计特征，并提出使用焊接过程中不同方向焊接力的动态关联信息，构建动态摩擦系数作为双通道联合特征。对于提取的多域特征，使用特征优化选择方式筛选出用于状态分类的主要特征。将优化后的主要特征
输入机器学习模型进行训练，得到基于焊接力信号的超声金属焊接状态监测模型，实现焊接质量状态的智能监测与识别，此时，利用超声焊接过程中实时采集的焊座摩擦力与压力信号实现多种焊接状态下的智能识别。
[0063]
下面结合图2和图3，详细说明本发明实施例的一种基于双通道特征的焊接状态的识别方法，所述方法包括：
[0064]
s11、实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；
[0065]
其中，焊座承载着工件，所述双通道力信号为超声波焊头经焊接件传递到焊座时形成，对焊座的双通道力信号进行实时采集，以便于实时获取焊座的双通道力信号，从而基于实时获取的双通道力信号进行后续的分析，此时，本技术并非对工件进行信号获取，而是实时获取焊座的双通道力信号，并且本技术并非直接作用于工件，而是通过焊座的双通道力信号推测超声波焊接的焊接状态，避免对工件的损伤，也能够实时把控工件的超声波焊接情况。
[0066]
此时，双通道力信号包括水平摩擦力信号和垂直压力信号。
[0067]
s111、基于振动加速度传感器实时采集焊座在焊接过程时双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；
[0068]
其中，采用振动加速度传感器采集焊座在焊接过程时双通道力信号，并且将双通道力信号作为状态识别的数据支撑，故使用振动加速度传感器实时采集焊接过程中双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号。
[0069]
s112、对双通道力信号进行数据预处理，其中，振动加速度信号进行去均值、滤波、消除趋势项；
[0070]
其中，对于经振动加速度传感器实时采集的双通道力信号进行数据的预处理，其中，双通道力信号进行去均值、滤波、消除趋势项，基于均值、滤波、消除趋势项对双通道力信号进行整体式的运算，并且提高振动加速度信号的准确性和便于后续运算的准确性。
[0071]
s113、对预处理之后的双通道力信号进行特征提取。
[0072]
s12、对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征；
[0073]
s121、对预处理后的双通道力信号进行快速傅里叶变换fft得到双通道力信号频域幅值分布；
[0074]
s122、由频域幅值分布中提取出与焊接工作频率有关的频域统计特征，以确定多个频域统计特征，其中，多个频域统计特征分别为焊接工作频率基频幅值焊接工作频率2倍频幅值焊接工作频率3倍频幅值焊接工作频率幅值在整个频率范围内的幅值占比焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比
[0075]
其中，焊接工作频率幅值在整个频率范围内的幅值占比提取公式为
[0076]
[0077]
其中，∑af代表所有频率成分幅值之和；
[0078]
焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比提取公式为
[0079][0080]
其中，代表低于焊接工作频率的成分的幅值之和。
[0081]
s13、将多个所述频域统计特征进行优化，并筛选出用于状态分类的主要特征；
[0082]
s14、将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态；
[0083]
s141、将优化后的主要特征输入至焊接状态监测模型，其中，焊接状态监测模型通过以往的主要特征数据进行训练而成；其中，焊接状态监测模型的训练如下：其中，焊接状态监测模型的训练如下：其中，w代表权重向量，b代表偏置向量，ξi≥0,i＝1,2,...,n为松弛因子，c代表惩罚因子。
[0084]
s142、基于焊接状态监测模型出焊接过程中的焊接状态，并将该焊接状态作为工件的当前焊接状态；
[0085]
所述基于双通道特征的焊接状态的识别方法，还包括：基于svm状态识别模型对焊接材料的硬度进行异常状态识别，此时，所述焊接状态监测模型的训练如下：
[0086][0087][0088]
其中，w代表权重向量，b代表偏置向量，ξi≥0,i＝1,2,
…
,n为松弛因子，c代表惩罚因子。
[0089]
针对焊座的振动信号进行超声焊接状态识别，具体如下：
[0090]
步骤1：焊接数据采集：
[0091]
使用力传感器实时采集焊接过程中焊接摩擦方向水平摩擦力信号f
x
(t)；
[0092]
使用力传感器实时采集焊接过程中焊接加压方向垂直压力信号fz(t)；
[0093]
步骤2：数据预处理；
[0094]
步骤3：多域特征提取：
[0095]
提取双通道力信号的时域统计特征；
[0096]
提取双通道力信号的频域统计特征；
[0097]
提取双通道联合动态摩擦系数特征；
[0098]
步骤4：特征优化选择：
[0099]
对步骤3中所提取的双通力信号多域的高维特征进行特征优化选择，使用特征优化选择算法计算出与焊接质量状态最相关且相互无信息冗余的主要特征；
[0100]
步骤5：利用步骤4中优化选择的主要特征训练浅层机器学习模型，利用训练好的模型进行焊接质量状态的智能监测与识别。
[0101]
作为优选，所述步骤2具体包括如下步骤：
[0102]
步骤2-1：对采集到的原始双通道力信号进行去均值、消除趋势项等预处理；
[0103]
步骤2-2：将采集到的数据划分为训练集和测试集。
[0104]
作为优选，所述步骤3具体包括如下步骤：
[0105]
步骤3-2：提取双通道力信号的频域统计特征，所述频域统计特征提取的具体方法为：
[0106]
对步骤2预处理后的双通道力信号进行快速傅里叶变换fft得到双通道力信号频域幅值分布；
[0107]
由频域幅值分布中提取出与焊接工作频率有关的频域特征；
[0108]
步骤3-3：双通道联合动态摩擦系数特征提取，具体操作为：
[0109]
对时变过程中f
x
(t)和fz(t)进行分段采样，利用每一数据段的绝对峰值作为峰值采样点：
[0110][0111][0112]
其中，n为总采样点数，m为总段数，和分别为两方向力信号的第m个峰值采样点。因此可以定义每段采样点中的动态摩擦系数
[0113]
选择整个焊接过程的动态摩擦系数的最大值作为力信号的多通道联合特征进行提取μ
max
＝max{μ1，μ2,...,μm}。
[0114]
作为优选，所述步骤5具体包括如下步骤：
[0115]
步骤5-1：对于步骤2-2中所划分的训练集与测试集数据，分别利用步骤3、步骤4的方法得到其最优特征子集其中xi是样本数据，yi是样本类别，
[0116]
步骤5-2：将其输入机器学习模型中进行模型训练；
[0117]
步骤5-3：使用焊接过程实时测量的力信号输入训练好的机器学习状态识别模型进行预测即可实现焊接过程质量状态的智能识别。
[0118]
在另一实施例，具体如下：
[0119]
基于双通道焊接力多域特征提取与svm的焊接材料硬度异常状态智能分类方法；
[0120]
本实施例中，通过使用本发明所提出的技术对金属超声焊接过程中焊接材料硬度的不同异常状态进行智能识别，主要存在正常状态、材料变软、材料变硬三个状态，具体实
施包括以下步骤：
[0121]
步骤1：获取焊接力数据：
[0122]
使用力传感器实时采集焊接过程中焊接摩擦方向水平摩擦力信号f
x
(t)；
[0123]
使用力传感器实时采集焊接过程中焊接加压方向垂直压力信号fz(t)；
[0124]
步骤2：数据预处理：
[0125]
步骤2-1：采用最小二乘法来去除夹杂在测量信号中的线性趋势项；
[0126]
步骤2-2：将采集到的数据划分为训练集和测试集。
[0127]
步骤3：多域特征提取，共提取双通道力信号总共29维特征：
[0128]
步骤3-1：别提取双通道力信号的9类时域统计特征，所述时域统计特征包括但不限于：峰值x
peak
、峭度ck、均方根x
rms
、偏度x
sf
、标准差x
std
、波形因子sf、峰值因子c、裕度因子ce、脉冲因子i，包括x方向和z方向共18维特征，所述时域统计特征提取的具体方法为：
[0129]
峰值特征提取公式为x
peak
＝max{|x(1)|,|x(2)|,...,|x(n)|}，其中，x(n)为离散时域信号，n是采样点数；
[0130]
峭度特征提取公式为
[0131][0132]
其中，ck为峭度，x(i)为信号x(n)的第i个采样点，峭度可以反映随机变量分布特性；
[0133]
均方根特征提取公式为
[0134][0135]
其中，x
rms
为信号均方根值；
[0136]
偏度特征提取公式为
[0137][0138]
其中，
[0139]
是平均值，
[0140][0141]
标准差特征提取公式为
[0142][0143]
波形因子特征提取公式为
[0144][0145]
其中，x
rms
为信号均方根值；
[0146]
峰值因子特征提取公式为
[0147][0148]
其中，x
peak
为信号峰值，x
rms
为信号均方根值；
[0149]
裕度因子特征提取公式为
[0150][0151]
其中，xr为信号方根幅值；
[0152]
脉冲因子特征提取公式为
[0153][0154]
步骤3-2：提取双通道力信号的5类频域统计特征，所述频域统计特征包括但不限于：焊接工作频率基频幅值焊接工作频率2倍频幅值焊接工作频率3倍频幅值焊接工作频率幅值在整个频率范围内的幅值占比焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比包括x方向和z方向共10维特征；
[0155]
焊接工作频率幅值在整个频率范围内的幅值占比提取公式为其中，∑af代表所有频率成分幅值之和；焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比提取公式为其中，代表低于焊接工作频率的成分的幅值之和；步骤3-3：提取双通道联合动态摩擦系数最大值μ
max
，共1维；步骤4：对步骤3中所提取的双通力信号多域的29维特征进行特征优化选择，本实施例中使用包括但不限于最大相关最小冗余mrmr算法的特征优化选择算法计算出与焊接材料硬度状态最相关且相互无信息冗余的包含3个维度元素的最优特征子集。步骤4-1：从步骤3中所提取的高维多域特征中，寻找一个具有k个特征的特征子集s＝{x1,x2,...,xk}，这些特征与目标分类c有最大的相关性：其中，d(s,c)表示特征子集s与目标分类的相关性，|s|＝k，相关性以特征xk与目
标分类c的互信息i(xk；c)的平均值来衡量；步骤4-2：对于步骤4-1选择出的最大相关性特征子集，使用最小冗余约束去除特征子集中的冗余特征：其中，r(s)表示特征子集s中特征间的相关性，即冗余信息；步骤4-3：采用增量搜索方法联合优化步骤4-1与步骤4-2中的最大相关与最小冗余问题，具体的优化条件为：通过求解最大相关与最小冗余，筛选出与焊接状态类型相关且不存在冗余的特征子集s。本实施例中，使用mrmr筛选出的最优特征子集中，包含的特征为：fz时域均方根、fz时域峰值因子和fz焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比；步骤5：本实施例中，使用包括但不限于支持向量机svm作为机器学习模型，训练支持向量机svm模型，利用训练好的模型进行焊接材料硬度异常状态识别；步骤5-1：对于步骤2-2中所划分的训练集与测试集数据，分别利用步骤3、步骤4的方法得到其最优特征子集s；步骤5-2：使用svm对训练集数据进行训练，具体的训练过程公式为
[0156][0157]
其中，w代表权重向量，b代表偏置向量，ξi≥0,i＝1,2,
…
,n为松弛因子，c代表惩罚因子；
[0158]
步骤5-3：使用测试集数据输入训练好的svm状态识别模型进行焊接材料硬度异常状态识别；
[0159]
本实施例中，对于测试集中的不同焊接材料硬度异常状态，识别的准确率为100％。
[0160]
如图4所示，本发明实施例还提供一种基于双通道特征的焊接状态的识别装置，所述装置包括：
[0161]
获取模块21，用于实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；
[0162]
提取模块22，用于对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征；
[0163]
优化模块23，用于将多个所述频域统计特征进行优化，并筛选出用于状态分类的
主要特征；
[0164]
状态模块24，用于将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态。
[0165]
本发明实施例提供的一种基于双通道特征的焊接状态的识别装置，其功能结构与本发明实施例提供的一种基于双通道特征的焊接状态的识别方法相对应，在此不再赘述。
[0166]
图5为本发明电子设备一个实施例的结构示意图，实现本发明图1-3所示实施例的流程，如图4所示，上述电子设备包括：壳体41、处理器42、存储器43、电路板44和电源电路45，其中，电路板44安置在壳体41围成的空间内部，处理器42和存储器43设置在电路板44上；电源电路45，用于为上述电子设备的各个电路或器件供电；存储器43用于存储可执行程序代码；处理器42通过读取存储器43中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的基于双通道特征的焊接状态的识别方法。
[0167]
处理器42对上述步骤的具体执行过程以及处理器42通过运行可执行程序代码来进一步执行的步骤，参见本发明图1-3所示实施例的描述，在此不再赘述。
[0168]
该电子设备以多种形式存在，包括但不限于：
[0169]
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
[0170]
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：pda、mid和umpc设备等，例如ipad。
[0171]
(3)便携式娱乐设备：这类设备显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
[0172]
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
[0173]
(5)其他具有数据交互功能的电子设备。
[0174]
在示例性实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述的基于双通道特征的焊接状态的识别方法。例如，所述计算机可读存储介质是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0175]
另外，本发明的实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述的基于双通道特征的焊接状态的识别方法。
[0176]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0177]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0178]
尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0179]
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
[0180]
本领域普通技术人员理解实现上述实施例方法中的全部或部分流程，是通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0181]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于双通道特征的焊接状态的识别方法，其特征在于，包括：实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征；将多个所述频域统计特征进行优化，并筛选出用于状态分类的主要特征；将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态。2.根据权利要求1所述的基于双通道特征的焊接状态的识别方法，其特征在于，所述实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号，包括：基于振动加速度传感器实时采集焊座在焊接过程时双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；对双通道力信号进行数据预处理，其中，振动加速度信号进行去均值、滤波、消除趋势项；对预处理之后的双通道力信号进行特征提取。3.根据权利要求1所述的基于双通道特征的焊接状态的识别方法，其特征在于，所述对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，包括：对预处理后的双通道力信号进行快速傅里叶变换fft得到双通道力信号频域幅值分布；由频域幅值分布中提取出与焊接工作频率有关的频域统计特征，以确定多个频域统计特征，其中，多个频域统计特征分别为焊接工作频率基频幅值焊接工作频率2倍频幅值焊接工作频率3倍频幅值焊接工作频率幅值在整个频率范围内的幅值占比焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比4.根据权利要求3所述的基于双通道特征的焊接状态的识别方法，其特征在于，所述对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，包括：焊接工作频率幅值在整个频率范围内的幅值占比提取公式为其中，∑a
f
代表所有频率成分幅值之和；焊接工作频率以下的频率成分幅值在整个频率范围内的幅值占比提取公式为其中，代表低于焊接工作频率的成分的幅值之和。
5.根据权利要求1所述的基于双通道特征的焊接状态的识别方法，其特征在于，所述对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，包括：对时变过程中f
x
(t)和f
z
(t)进行分段采样，利用每一数据段的绝对峰值作为峰值采样点：点：其中，n为总采样点数，m为总段数，和分别为两方向力信号的第m个峰值采样点。因此可以定义每段采样点中的动态摩擦系数选择整个焊接过程的动态摩擦系数的最大值作为力信号的多通道联合特征进行提取μ
max
＝max{μ1，μ2,...,μ
m
}。6.根据权利要求5所述的基于双通道特征的焊接状态的识别方法，其特征在于，所述将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态，包括：将优化后的主要特征输入至焊接状态监测模型，其中，焊接状态监测模型通过以往的主要特征数据进行训练而成；基于焊接状态监测模型出焊接过程中的焊接状态，并将该焊接状态作为工件的当前焊接状态。7.根据权利要求1所述的基于双通道特征的焊接状态的识别方法，其特征在于，将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态，还包括：焊接状态监测模型的训练如下：焊接状态监测模型的训练如下：其中，w代表权重向量，b代表偏置向量，ξ
i
≥0,i＝1,2,...,n为松弛因子，c代表惩罚因子。8.根据权利要求7所述的基于双通道特征的焊接状态的识别方法，其特征在于，所述基于双通道特征的焊接状态的识别方法，还包括：基于svm状态识别模型对焊接材料的硬度进行异常状态识别。9.根据权利要求8所述的基于双通道特征的焊接状态的识别方法，其特征在于，所述焊接状态监测模型的训练如下：
其中，w代表权重向量，b代表偏置向量，ξ
i
≥0,i＝1,2,...,n为松弛因子，c代表惩罚因子。10.一种基于双通道特征的焊接状态的识别装置，其特征在于，包括：获取模块，用于实时获取焊座的双通道力信号，其中，双通道力信号包括水平摩擦力信号和垂直压力信号；提取模块，用于对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征；优化模块，用于将多个所述频域统计特征进行优化，并筛选出用于状态分类的主要特征；状态模块，用于将优化后的主要特征输入至焊接状态监测模型，以输出焊接过程中的焊接状态。11.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求1至9任一项所述的基于双通道特征的焊接状态的识别方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求1至9任一项所述的基于双通道特征的焊接状态的识别方法。

技术总结
本发明的实施例公开一种基于双通道特征的焊接状态的识别方法、装置和电子设备，本发明涉及超声波焊接技术领域，本申请并非对工件进行信号获取，而是实时获取焊座的双通道力信号，此时，对所述双通道力信号进行频域统计特征的提取，以确定多个频域统计特征，并通过对多个所述频域统计特征进行优化，以便于得到较为精准的主要特征，主要特征用于状态分类，并输入至焊接状态监测模型，以输出焊接过程中的焊接状态，从而实现焊接状态的实时获取，以便于对工件的焊接进行全检，保证了各个工件的焊接状态实时把握，避免了离线质量监测无法对产品进行全检的问题。品进行全检的问题。品进行全检的问题。


技术研发人员：石新华 余龙靖 殷万武
受保护的技术使用者：上海骄成超声波技术股份有限公司
技术研发日：2022.12.29
技术公布日：2023/9/11