本发明属于电焊质量管控技术领域，具体涉及一种基于集成学习的电阻点焊质量预测方法。
背景技术：
随着工业领域的发展，各类电子设备已经成为人们日常生活中的必需品。电子设备生产环节中需要大量的元器件电阻点焊工作，焊接的质量直接影响了产品的质量，性能及成本，因此焊点质量的检测成为各大生产商无法避免的问题。点焊过程本身是一个高度非线性、具有多变量耦合作用并伴随着大量随机不确定因素的过程，其受电流、电压、电阻以及压力(都会随时间变化)等因素的影响，造成点焊质量不稳定和难以控制。目前对于焊点的质量检测主要依靠人工，如人工目视检测，超声波无损探检，机械性破环检测等。这些传统的焊点质量检测方法费时费力，并且由于焊点不良率本身比较低，这些主要以抽检方式进行的检测尤如大海捞针，投入大量人力物力但是效率低下。
技术实现要素：
针对上述传统的焊点质量检测方法费时费力的技术问题，本发明提供了一种稳定性强、效率高、成本低的一种基于集成学习的电阻点焊质量预测方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于集成学习的电阻点焊质量预测方法，包括下列步骤：
s1、根据焊接过程中传感器测得的过程参数，所述过程参数包括电流，电压，电阻和压力，采集该焊点样本的焊接过程数据；
s2、构建数据库；
s3、对输入数据集通过特征进行预处理；
s4、将预处理完成的数据输入训练好的不同分类器中，针对上述预处理的焊接过程数据集，通过集成学习，建立焊点治理预测的集成学习模型；
s5、每个分类器分别输出待测样本的质量预测结果；
s6、根据不同分类器的输出结果，根据投票的方式，集成不同分类器对于该待测焊点样本质量预测的结果，以多数判定结果为最终的预测输出。
所述s1中，在采集过程数据时，对传感器记录的过程数据进行离散化，在参数变化的转折点采集数据。
所述s2中构建数据库的方法为：根据对应焊点质量的人工判定结果，以焊接过程参数为特征，以人工判定的焊点质量为标签，针对每一个可测得的焊点样本，构建焊接过程参数与焊点质量标签数据对，以此建立焊接参数数据库。
所述s3中预处理的方法包括：数据最大—最小标准化和滤除相关性较大的冗余特征参数。
所述s4中的集成学习模型通过选取逻辑回归、支持向量机以及随机森林作为基本的分类模型，将上述的焊接过程数据划分为训练集和测试集，通过训练集分别训练不同模型的参数，利用测试集验证不同模型的分类性能，使其输出对应焊点质量的预测结果。
所述逻辑回归分类器通过最大化似然函数并由sigmoid函数将输出整合到关于{0,1}概率的分布，从而实现对样本的划分；
所述支持向量机通过搜寻样本中的支持向量，最大化两类样本的距离实现对样本的划分；
所述随机森林则通过树的结构，根据特征参数的取值大小，逐步实现对样本的划分。
本发明与现有技术相比，具有的有益效果是：
本发明能有效解决传统焊点质量检测过程中的高损耗和低效率问题，能够快速且准确地基于焊接过程参数识别预测焊点质量，极大的提高电子元器件的焊点质量分析的效率，节约生产成本；本发明的预测方法简捷有效，既能保证准确地预测待评估焊点质量，又能最大程度节省焊点检测时间；同时本发明基于集成学习方法能够实现稳定的焊点质量预测，通过逐步累积的训练样本，能够实现焊点质量检测准确率的进一步提升。
附图说明
图1为本发明的低碳钢点焊过程中电阻的动态变化曲线；
图2为本发明的电阻点焊焊接参数数据库建立示意图；
图3为本发明的预测模型方法示意图；
图4为本发明的预测方法实施流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于集成学习的电阻点焊质量预测方法，包括下列步骤：
步骤1、基于已有的电阻点焊装置及其相关传感器设备，在点焊过程中通过传感器采集与焊接质量相关的过程参数，如焊接电流，电压，电阻以及压力等。考虑到焊接过程中上述参数均是时变的，因此在采集数据时，对传感器记录的过程数据进行离散化，在参数变化的关键时间点采集相应的数据，如图1所示关于某低碳钢的电阻动态变化曲线，我们可以采集a,b,c,d四个时间点处的电阻值来表示该焊接过程中电阻的取值。
步骤2、如图2所示，对采集到的相关焊接参数进行清洗，归纳等预处理，同时根据对应焊点质量的人工判定结果，以焊接过程参数为特征，以人工判定的焊点质量为标签，针对每一个可测得的焊点样本，构建焊接过程参数与焊点质量标签数据对，以此建立焊接参数数据库。
步骤3、基于建立的焊接参数数据库，首先，对得到焊接数据通过特征工程进行处理，这里我们使用最大-最小归一化方法统一不同类型参数的量纲。其原理为对每一列特征或者每一种焊接参数，用其所对应样本的最大值减去最小值作为分母，用该样本在这一参数下的取值减去最小值作为分子。这样就将数据映射到了[0,1]区间，不受不同参数类型量纲差异的影响。其次，由于焊接过程中这些参数时耦合的，因此需要针对所获得的焊接参数进行解耦，这样能够保证在训练模型时，不受特征之间相关性的影响。其原理为计算各个焊接参数之间的皮尔森相关系数，对超过一定阈值的特征进行滤除。这样既能够减少训练模型时的计算开销，又能够提升模型预测结果的准确率。
步骤4、如图3和图4所示，针对处理上述处理好的焊接过程数据，我们基于集成学习的思想，建立焊点治理预测的集成学习模型。具体而言，我们选取逻辑回归，支持向量机以及随机森林作为基本的分类模型，将上述的焊接过程数据划分为训练集和测试集，通过训练集分别训练不同模型的参数，利用测试集验证不同模型的分类性能，使其输出对应焊点质量的预测结果。其中逻辑回归分类器通过最大化似然函数并由sigmoid函数将输出整合到关于{0,1}概率的分布，从而实现对样本的划分。支持向量机则通过搜寻样本中的支持向量，最大化两类样本的距离实现对样本的划分。随机森林则通过树的结构，根据特征参数的取值大小，逐步实现对样本的划分。
步骤5、每个分类器分别输出待测样本的质量预测结果。
步骤6、根据不同分类器的输出结果，根据投票的方式，集成不同分类器对于该待测焊点样本质量预测的结果，以多数判定结果为最终的预测输出；这三种分类器从样本属性的不同方面进行分析，并获得对样本的划分，因此它们对同一样本的判定结果可能不一致。由于使用了集成学习模式，因此我们针对上述每种分类器的预测结果，通过投票的方式进行整合。以某次训练过程为例，对某个待评估样本，假设上述三个分类器分别输出质量达标，不达标，不达标三种判定结果，则根据投票的原则，最终对于该样本的预测结果为不达标。
完成了焊点质量预测的集成学习模型的构建之后，我们就可以针对未知的待评估样本，通过输入其焊接过程参数实现对于焊点质量的预测。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
1.一种基于集成学习的电阻点焊质量预测方法，其特征在于：包括下列步骤：
s1、根据焊接过程中传感器测得的过程参数，所述过程参数包括电流，电压，电阻和压力，采集该焊点样本的焊接过程数据；
s2、构建数据库；
s3、对输入数据集通过特征进行预处理；
s4、将预处理完成的数据输入训练好的不同分类器中，针对上述预处理的焊接过程数据集，通过集成学习，建立焊点治理预测的集成学习模型；
s5、每个分类器分别输出待测样本的质量预测结果；
s6、根据不同分类器的输出结果，根据投票的方式，集成不同分类器对于该待测焊点样本质量预测的结果，以多数判定结果为最终的预测输出。
2.根据权利要求1所述的一种基于集成学习的电阻点焊质量预测方法，其特征在于：所述s1中，在采集过程数据时，对传感器记录的过程数据进行离散化，在参数变化的转折点采集数据。
3.根据权利要求1所述的一种基于集成学习的电阻点焊质量预测方法，其特征在于：所述s2中构建数据库的方法为：根据对应焊点质量的人工判定结果，以焊接过程参数为特征，以人工判定的焊点质量为标签，针对每一个可测得的焊点样本，构建焊接过程参数与焊点质量标签数据对，以此建立焊接参数数据库。
4.根据权利要求1所述的一种基于集成学习的电阻点焊质量预测方法，其特征在于：所述s3中预处理的方法包括：数据最大—最小标准化和滤除相关性较大的冗余特征参数。
5.根据权利要求1所述的一种基于集成学习的电阻点焊质量预测方法，其特征在于：所述s4中的集成学习模型通过选取逻辑回归、支持向量机以及随机森林作为基本的分类模型，将上述的焊接过程数据划分为训练集和测试集，通过训练集分别训练不同模型的参数，利用测试集验证不同模型的分类性能，使其输出对应焊点质量的预测结果。
6.根据权利要求5所述的一种基于集成学习的电阻点焊质量预测方法，其特征在于：所述逻辑回归分类器通过最大化似然函数并由sigmoid函数将输出整合到关于{0,1}概率的分布，从而实现对样本的划分；
所述支持向量机通过搜寻样本中的支持向量，最大化两类样本的距离实现对样本的划分；
所述随机森林则通过树的结构，根据特征参数的取值大小，逐步实现对样本的划分。
技术总结