发明内容

发明目的：针对现有技术所存在的问题，本发明提供一种基于LSTM与残差分布的焊接质量实时检测方法及系统，基于所采集的高频时序信号数据，利用LSTM构建真实数据与预测数据的残差矩阵，衡量残差矩阵分布相似度，确定异常时序阈值来识别焊接质量缺陷，从而解决焊接图像、光谱、声音等数据难以采集、缺陷数据难以标注、模型鲁棒性不足等技术问题。

技术方案：着眼于现有技术的不足，本发明将目标定位于降低数据采集成本及异常标注成本，无需对异常时序数据进行异常标注，同时将焊接质量检测问题转化为对焊接过程中时序异常信号的检测，考虑到焊接质量缺陷的时间依存关系以及非线性性质，选用LSTM进行模型训练，对于正常的焊接过程中残差应该是零值，但由于系统不稳定以及外界环境影响，残差都是偏离零值的，但整体残差分布是稳定的，结合高频数据特性（单位时间内采样点较多）及焊接实时检测要求，对极短的时间序列窗口构建残差矩阵，衡量单个时间窗口内的残差矩阵与整体残差矩阵的分布相似度，根据分布相似度确定其阈值，实现短时间内的焊接质量缺陷检测。具体包括以下步骤：

步骤1：将正常焊接过程中所采集的高频时序数据拆分为三份数据集，并以Train_Windows为训练时间窗口，Label_Windows为预测时间窗口，Rolling_Step为步长分别对三份数据集进行窗口滑动切割，构建三份可入模数据集[Seq1,Seq2,Seq3]；

步骤2：利用Seq1进行LSTM模型的训练，确定LSTM结构及相关参数；

步骤3：加载预训练的LSTM模型对Seq2进行推理，并利用Seq2所有Label_Windows的预测值（对于相同时间点的多个预测值，选取更靠近Train_Windows的预测数据）与真实值计算残差，进而构建残差矩阵M（对于多维的高频时间序列，利用差值构建多维的残差矩阵M）；

步骤4：利用预训练的LSTM模型对Seq3的每一个Label_Windows进行推理，对每次推理的Label_Windows预测值与真实值计算残差，得到N个Label_Windows大小的残差矩阵；

步骤5：分别计算N个Label_Windows大小的残差矩阵与残差矩阵M的分布相似度，进而根据分布相似度的数据分布确定异常阈值；

步骤6：对于新的高频焊接时序数据，按照Train_Windows进行滑窗并导入训练好的LSTM模型中进行推理，计算每个Label_Windows残差矩阵与残差矩阵M的分布相似度，并根据该分布相似度是否超过阈值来判定此Label_Windows是否出现异常。

进一步的，所述步骤1中所采集的高频时序数据为利用非侵入性的数据采集设备在正常焊接过程中采集较长时间段的高频信号数据，包括但不限于电流、电压、送丝速度、气流速度中的一种或多种，其频率不低于10KHz。

进一步的，所述步骤1还包括：对数据集[Seq1,Seq2,Seq3]进行归一化处理，从而加快模型训练速度。

进一步的，所述步骤5、6中对分布相似度的计算包括但不限于KL散度、JS散度或W（Wasserstein）距离等。

进一步的，所述步骤5中通过对计算得到的分布相似度进行正态拟合后，取设定置信度的数据作为异常阈值。

此外，本发明还提供了一种基于LSTM与残差分布的焊接质量实时检测系统，包括数据采集模块和数据处理模块，其中数据处理模块采用上述焊接质量实时检测方法，根据数据采集模块采集到的高频焊接信号数据，包括但不限于电流、电压、送丝速度、气流速度，来进行焊接缺陷的实时检测。

有益效果：本发明所提供的一种基于LSTM与残差分布的焊接质量实时检测方法及系统，相对于现有技术，具有以下优点：

1、相对于利用声音、光谱、图像等数据构建分类模型进行焊接质量在线诊断，本方法只需利用非侵入性数据采集设备采集焊接过程中高频时间序列数据，数据易采集，检测成本较低。

2、对时间序列模型进行预训练，确定LSTM模型参数，在实际使用的过程中只需利用训练好的模型进行推理滑动窗口的数据结合阈值判断即可识别焊接质量缺陷，不需要大量的异常标注，克服了焊接质量缺陷难以标注的缺点。

3、在实际生产过程中，时间序列数据相对标准化，不易受到环境因素影响，利用高频时间序列构建模型，模型更加健壮，具有良好的鲁棒性。