0 序 言

系泊鏈?zhǔn)谴暗闹匾b置，其質(zhì)量問(wèn)題關(guān)系著船舶航行安全. 因此，近年來(lái)研究人員越來(lái)越關(guān)注系泊鏈制造中的質(zhì)量評(píng)估問(wèn)題. 傳統(tǒng)的系泊鏈焊接質(zhì)量檢測(cè)只能在生產(chǎn)后進(jìn)行拉力試驗(yàn)，這樣不僅不能保證鏈條的質(zhì)量，而且對(duì)故障鏈進(jìn)行修復(fù)需要耗費(fèi)較大的成本. 因此，系泊鏈在線(xiàn)質(zhì)量評(píng)估方法對(duì)于及時(shí)發(fā)現(xiàn)并避免故障產(chǎn)品和提高鏈條的質(zhì)量是至關(guān)重要的.

閃光焊過(guò)程具有熱效率高、焊接質(zhì)量好等優(yōu)點(diǎn)，而且可焊接的材料范圍廣，被廣泛應(yīng)用于各個(gè)領(lǐng)域[1]. 在系泊鏈的制造中也主要采用閃光焊接方法. 但是由于閃光焊接過(guò)程的復(fù)雜性和高度非線(xiàn)性，使得難以建立在線(xiàn)質(zhì)量評(píng)估的數(shù)學(xué)模型，大部分國(guó)內(nèi)外學(xué)者對(duì)閃光焊質(zhì)量評(píng)估的研究大都集中在對(duì)閃光焊接過(guò)程的時(shí)域信號(hào)和焊接參數(shù)等進(jìn)行分析. 例如，陳建[2]提出了將閃光聲信號(hào)用于焊接過(guò)程監(jiān)控與質(zhì)量診斷的研究，并采用小波分析方法提取的特征量作為輸入，以閃光穩(wěn)定性參數(shù)閃光率作為輸出向量建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型. Chvertko等人[3]采用統(tǒng)計(jì)分析方法給出了焊接接頭缺陷形成的主要原因，建立了基于神經(jīng)網(wǎng)絡(luò)的過(guò)程偏差在線(xiàn)監(jiān)測(cè)方法. 然而，現(xiàn)有的質(zhì)量評(píng)估方法不適合在兩個(gè)閃光焊接過(guò)程之間的短時(shí)間內(nèi)處理大量的傳感器信號(hào)，不能做到及時(shí)在線(xiàn)評(píng)估. 人工神經(jīng)網(wǎng)絡(luò)方法也需要大量的訓(xùn)練樣本和計(jì)算時(shí)間，不適合在實(shí)際的工業(yè)現(xiàn)場(chǎng)進(jìn)行在線(xiàn)評(píng)估.

文中主要介紹了研究閃光焊接在線(xiàn)質(zhì)量評(píng)估方法的初步工作. 經(jīng)實(shí)踐證明，電流和電極位置的變化情況對(duì)閃光焊接質(zhì)量影響很大[4]. 文中對(duì)閃光電流和電極位置信號(hào)進(jìn)行了分析，并建立了在線(xiàn)質(zhì)量評(píng)估方法. 提出將時(shí)空規(guī)整算法用于在線(xiàn)信息提取和模式識(shí)別，以實(shí)現(xiàn)閃光焊接過(guò)程的實(shí)時(shí)質(zhì)量評(píng)估，也為之后的評(píng)估方法的研究提供了參考.

1 試驗(yàn)方法

閃光焊接在線(xiàn)質(zhì)量評(píng)估方法由以下四個(gè)核心部分組成(圖1). (1)實(shí)時(shí)采集閃光焊接過(guò)程信息并收集各種傳感器數(shù)據(jù)，即電流和電極位置信號(hào)；(2)時(shí)空規(guī)整算法解決兩信號(hào)間的時(shí)空錯(cuò)位問(wèn)題，量化閃光焊接過(guò)程的兩個(gè)信號(hào)之間的不相似度；(3)提出了一種新的動(dòng)態(tài)嵌入算法從不相似距離矩陣中提取特征向量，這些特征向量在低維空間中將保留傳感器信號(hào)之間的原始不相似距離；(4)設(shè)計(jì)和開(kāi)發(fā)用于質(zhì)量評(píng)估的分類(lèi)模型. 四個(gè)部分最終都集成在閃光焊接質(zhì)量評(píng)估方法中，以使異常焊件傳感器信號(hào)的識(shí)別更加有效和高效.

圖 1 閃光焊接評(píng)估方法
Fig. 1 Methodology of flash welding monitoring

1.1 數(shù)據(jù)采集

采用文獻(xiàn)[5]中設(shè)計(jì)和開(kāi)發(fā)的閃光焊機(jī)控制系統(tǒng)，實(shí)時(shí)控制閃光焊接過(guò)程并且采集傳感器數(shù)據(jù)，即電極位置和電流信號(hào). 圖2為閃光焊接過(guò)程中典型的電極位置和電流信號(hào). 閃光焊接過(guò)程主要分為三個(gè)階段，即預(yù)熱階段，連續(xù)閃光階段和頂鍛階段[6].

2.2.2 翻身拍背。昏迷患者由于長(zhǎng)期臥床，自主咳嗽反射、吞咽反射弱，其口腔及呼吸道系統(tǒng)分泌物不能自行咳出或吞咽是引起呼吸道阻塞的根本原因，所以醫(yī)護(hù)人員應(yīng)協(xié)助患者有效的排痰，如每2小時(shí)翻身拍背一次，并且翻身前后給予吸痰。先吸口腔分泌物再吸氣道內(nèi)分泌物，防止口腔內(nèi)分泌物墜落到氣道內(nèi)。氣切插管盡量選用帶有囊上吸引的插管，以便吸出囊上潴留物。

預(yù)熱階段包括前進(jìn)階段S1、加熱階段S2、后退階段S3和均衡階段S4. 在焊接過(guò)程中，焊機(jī)通過(guò)控制電極的位置來(lái)預(yù)熱焊件，這四個(gè)階段根據(jù)系泊鏈的大小重復(fù)多次后直到焊接端口達(dá)到特定的溫度，進(jìn)入整個(gè)過(guò)程最重要的連續(xù)閃光階段. S5是連續(xù)閃光階段，通過(guò)控制電極的前進(jìn)速度與焊口的汽化速度始終相等，從而保證連續(xù)閃光過(guò)程的連續(xù)性. 頂鍛階段包括有電頂鍛S6、無(wú)電頂鍛S7和復(fù)位S8三個(gè)子階段. 頂鍛階段開(kāi)始時(shí)，為了防止焊口氧化，電極在進(jìn)入頂鍛階段的瞬間帶電，所以頂鍛階段分為有電頂鍛和無(wú)電頂鍛兩個(gè)階段. 最后，閃光焊接過(guò)程需要將電極復(fù)位到原來(lái)的位置，整個(gè)過(guò)程完成.

圖 2 閃光焊接過(guò)程中不同階段的電極位置和電流信號(hào)
Fig. 2 Electrode-position and current signals of flash welding process segmented with different stages

1.2 時(shí)空規(guī)整

如圖3所示，正常焊件傳感器信號(hào)(黑色)和異常焊件傳感器信號(hào)(紅色)之間的電極位置和電流信號(hào)波形有相似性和相異性. 兩種波形都有完整的焊接過(guò)程和相同的趨勢(shì)，然而，正常信號(hào)和異常信號(hào)之間的時(shí)間長(zhǎng)度不相等，幅值和相位也有顯著差異. 而且，由于相位偏移和離散采樣，測(cè)量?jī)蓚€(gè)錯(cuò)位的信號(hào)之間的不相似度具有極大的難度. 因此，迫切需要開(kāi)發(fā)新的數(shù)據(jù)驅(qū)動(dòng)方法來(lái)量化兩個(gè)時(shí)空錯(cuò)位的信號(hào)之間的不相似度，并進(jìn)一步利用這種不相似度來(lái)進(jìn)行統(tǒng)計(jì)過(guò)程控制.

傳統(tǒng)的動(dòng)態(tài)時(shí)間規(guī)整(DTW)算法用于測(cè)量?jī)蓚€(gè)錯(cuò)位的一維時(shí)間序列之間的不相似度[7-9]. 如前所述，閃光焊接過(guò)程的電流和電極位置信號(hào)都包含了焊接質(zhì)量信息，提出一種新的時(shí)空規(guī)整算法來(lái)量化這種二維信號(hào)之間的不相似度. 圖3a，3b分別是正常焊件(黑色)和異常焊件(紅色)的電流和電極位置焊接信號(hào)的時(shí)空對(duì)齊. 這種對(duì)齊對(duì)于評(píng)估焊接故障很重要. 以前的研究方法很少有用動(dòng)態(tài)時(shí)空規(guī)整算法測(cè)量焊接信號(hào)之間的差異，文中是首次嘗試用這種算法來(lái)量化閃光焊接質(zhì)量.

你知道嗎？當(dāng)我吹起散落在手心的葦絮的時(shí)候，流淚了。日落的時(shí)候，我對(duì)著暗黑的天空，對(duì)著那游輪上漸次點(diǎn)亮的漁火，對(duì)自己說(shuō)：不論身在何處，心向何方，一定要把自己活成你當(dāng)初想要的模樣。是的，我們，都要活成當(dāng)初彼此希望的模樣。

圖 3 正常和異常閃光焊接信號(hào)的波形及其時(shí)空對(duì)齊
Fig. 3 Waveforms of normal and abnormal flash welding signals with spatiotemporal alignment

對(duì)于[兩個(gè)]給定的多維信號(hào) s1 和 s2，首先構(gòu)造距離矩陣 D =di,j，其中元素 d i,j表 示 s1 (i)和 s2 (j)之間的歐幾里德距離，即

式中：N和M分別是 s1 和 s2的長(zhǎng)度. 然后在一個(gè)二維矩陣搜索一個(gè)連接 (1 ,1)和 (N ,M)的 規(guī)整路徑W={w1,w2,···,wK}， 即， w 1=(1,1)和 w K=(N,M)，同時(shí)滿(mǎn)足單調(diào)性和步長(zhǎng)小于r這兩個(gè)約束條件.

使用動(dòng)態(tài)規(guī)劃(DP)方法來(lái)尋找最優(yōu)路徑. 從初 始 條 件 G (1,j)=d1,j= ∥s1(1)? s2(j)∥,j=1,2,···,M，G(i,1)=di,1= ∥s1(i)? s2(1)∥,i=1,2,···,N開(kāi)始，步長(zhǎng)小于r，搜索算法如下

最后，計(jì)算不相似距離為

P(s1,s2)表 示兩個(gè)多維信號(hào) s1和 s 2的不相似度.分別計(jì)算采集的閃光焊接信號(hào)兩兩之間的不相似距離，并組成一個(gè)不相似距離矩陣，閃光焊接的異常變化特征可在不相似距離矩陣中得到.

1.3 動(dòng)態(tài)嵌入

1.2節(jié)得到的不相似距離矩陣不能直接作為識(shí)別閃光焊過(guò)程中故障焊件的特征，提出了動(dòng)態(tài)嵌入算法(又稱(chēng)多維尺度法)來(lái)提取該矩陣中的信息特征. 提取的特征向量不僅可以保留兩兩信號(hào)之間的原始不相似距離，而且還可以顯示信號(hào)之間的方向差異[10-11].

如圖4所示，五個(gè)節(jié)點(diǎn)的距離矩陣Δ是已知的. 在三維空間中重建節(jié)點(diǎn)的位置，則類(lèi)似于求解五個(gè)節(jié)點(diǎn)的坐標(biāo)向量 xi =(xi1,xi2,xi3),i=1,2,3,4,5，且求得的五個(gè)坐標(biāo)之間的歐幾里德距離可以得到距離矩陣 ?. 如圖4中 x 1～x5為動(dòng)態(tài)嵌入算法在三維空間中重構(gòu)的五個(gè)節(jié)點(diǎn)之間的坐標(biāo)向量，計(jì)算五個(gè)節(jié)點(diǎn)之間的歐幾里德距離得到矩陣 ? ′. 通過(guò)對(duì)比矩陣?′和五個(gè)節(jié)點(diǎn)的原始距離矩陣 ?，可以得知?jiǎng)討B(tài)嵌入算法將距離矩陣轉(zhuǎn)化為三維空間中的特征向量并且大致保留了信號(hào)之間的原始距離關(guān)系. 因此，信號(hào)之間的距離矩陣可大致由特征向量保存.

圖 4 動(dòng)態(tài)嵌入算法的示例
Fig. 4 Illustration of dynamic embedding algorithm

假設(shè)一個(gè)不相似距離矩陣 ?為

式中： δ ij表示第i個(gè)和第j個(gè)信號(hào)的不相似度；L是信號(hào)的個(gè)數(shù). 令 xi和 x j表示高維空間中的第i個(gè)和第j個(gè)坐標(biāo)(特征向量). 然后將動(dòng)態(tài)嵌入算法的目標(biāo)函數(shù)表示為

企業(yè)提供旅游人才需求的最新信息，學(xué)校根據(jù)旅游市場(chǎng)需求為旅游企業(yè)培養(yǎng)人才；企業(yè)為學(xué)生提供實(shí)踐練習(xí)的機(jī)會(huì),指導(dǎo)學(xué)生鞏固職業(yè)技能，中職旅游學(xué)?？梢耘c很多企業(yè)交流合作，達(dá)到教學(xué)實(shí)習(xí)目的?？裳?qǐng)企業(yè)的管理人員到學(xué)校給學(xué)生培訓(xùn)課程，設(shè)專(zhuān)題講座，開(kāi)展指導(dǎo)工作等。這些管理人員具有豐富的實(shí)踐經(jīng)驗(yàn)，他們的課往往不是空洞無(wú)物的，而是他們對(duì)實(shí)際工作的總結(jié)，形象生動(dòng)、實(shí)用性更強(qiáng)，可以把行業(yè)中新變化、新動(dòng)態(tài)等帶入課程，引進(jìn)實(shí)際案例教學(xué)，更能有效指導(dǎo)學(xué)生，開(kāi)闊學(xué)生眼界，增長(zhǎng)見(jiàn)識(shí)。

式中： ∥ ·∥是歐幾里德范數(shù). 為了解決這個(gè)優(yōu)化問(wèn)題，首先從不相似距離矩陣 ?中重構(gòu)出格拉姆矩陣B

式中： H =I?11T/L為中心矩陣，I為大小為L的單位矩陣，1為L個(gè)1組成的列向量，且 ? (2)中的每個(gè)元素為 因此，矩陣B中的元素 b ij可以表示為

已知格拉姆矩陣B被定義為向量積 B =XXT，其中矩陣X使式(5)中的目標(biāo)函數(shù)最小化. 格拉姆矩陣B可以進(jìn)一步特征值分解為其中V是特征向量矩陣，而 Λ是特征值的對(duì)角矩陣. 最終，求得特征向量為[x1,x2,···,xi,···,xj,···,xn]T，這樣每個(gè)閃光焊接信號(hào)被作為節(jié)點(diǎn)(坐標(biāo)作為特征向量)嵌入在保持不相似距離矩陣關(guān)系的低維空間中.

為改變枯燥無(wú)味的課堂教學(xué)，教師可采用“輕游戲”教學(xué)法，將教學(xué)內(nèi)容以“輕游戲”形式展示給學(xué)生，營(yíng)造一種輕松愉悅的學(xué)習(xí)氛圍，激發(fā)學(xué)生的學(xué)習(xí)興趣，幫助學(xué)生深入理解知識(shí)中蘊(yùn)含的思維和方法。

1.4 KNN分類(lèi)和K折交叉驗(yàn)證

1.4.1 KNN 分類(lèi)

高潮把馮可兒送到住處，攙扶到沙發(fā)上，安頓好，就準(zhǔn)備離開(kāi)。馮可兒一下子彈跳起來(lái)，雙手摟住高潮的脖子，小鳥(niǎo)依人一般偎在他耳邊，可憐兮兮地說(shuō)，她、她給、給人家生、生過(guò)小孩，你難、難道要和她奉、奉子成婚？

KNN(K-nearest neighbor)分類(lèi)算法是一個(gè)理論上比較成熟的方法，也是數(shù)據(jù)挖掘分類(lèi)算法中最為簡(jiǎn)單的方法之一. KNN算法的基本思想是計(jì)算樣本點(diǎn)與不同特征值之間的距離來(lái)確定樣本點(diǎn)的類(lèi)別[12]. 算法基本原理如下：選取一個(gè)訓(xùn)練數(shù)據(jù)集，該數(shù)據(jù)集合中的每個(gè)數(shù)據(jù)都有與之對(duì)應(yīng)的標(biāo)簽屬性.當(dāng)輸入一個(gè)測(cè)試數(shù)據(jù)時(shí)，計(jì)算該數(shù)據(jù)與訓(xùn)練數(shù)據(jù)集合中的每個(gè)數(shù)據(jù)的距離，并對(duì)所有計(jì)算出的距離進(jìn)行遞增排序，然后選取前k個(gè)距離最小的訓(xùn)練數(shù)據(jù)，統(tǒng)計(jì)前k個(gè)訓(xùn)練數(shù)據(jù)所屬的標(biāo)簽類(lèi)別，將出現(xiàn)頻率最高的標(biāo)簽類(lèi)別作為當(dāng)前測(cè)試數(shù)據(jù)的預(yù)測(cè)分類(lèi). 通常k是一個(gè)不大于20的整數(shù)，具體取值根據(jù)數(shù)據(jù)集的大小來(lái)確定.

如圖5所示，圓形代表一個(gè)測(cè)試數(shù)據(jù)，五邊形和正方形分別代表訓(xùn)練數(shù)據(jù)中的類(lèi)別一和類(lèi)別二.若選取k=3，則與測(cè)試數(shù)據(jù)距離最小的三個(gè)訓(xùn)練數(shù)據(jù)中有2/3屬于類(lèi)別一，所以訓(xùn)練數(shù)據(jù)分類(lèi)為類(lèi)別一. 若選取k=5，則與測(cè)試數(shù)據(jù)距離最小的五個(gè)訓(xùn)練數(shù)據(jù)中有3/5屬于類(lèi)別二，所以訓(xùn)練數(shù)據(jù)分類(lèi)為類(lèi)別二.

圖 5 KNN分類(lèi)算法原理
Fig. 5 KNN classification algorithm schematic

根據(jù)KNN算法的原理可知，對(duì)保留了信號(hào)之間原始不相似距離關(guān)系的特征向量進(jìn)行分類(lèi)，即可根據(jù)閃光焊接信號(hào)被量化的不相似度來(lái)識(shí)別異常信號(hào).

1.4.2 K 折交叉驗(yàn)證

圖 6 K折疊交叉驗(yàn)證
Fig. 6 Diagram of K-fold cross-validation

為了減少KNN分類(lèi)模型預(yù)測(cè)中的誤差，采用K折交叉驗(yàn)證. 如圖6所示，K折交叉驗(yàn)證將總數(shù)據(jù)集P劃分為K份，輪流將其中K-1份作為訓(xùn)練數(shù)據(jù)集，剩下的一份作為測(cè)試數(shù)據(jù)集. 完成所有的K次試驗(yàn)后，計(jì)算得到三個(gè)性能統(tǒng)計(jì)量，即靈敏度、特異度和準(zhǔn)確率，將K次的結(jié)果取平均值作為對(duì)算法精度的估計(jì). 一般還需要進(jìn)行多次K折交叉驗(yàn)證(例如10次K折交叉驗(yàn)證)，再求其均值，作為對(duì)算法準(zhǔn)確性的估計(jì).

準(zhǔn)確率是指正確識(shí)別測(cè)試數(shù)據(jù)集中對(duì)象(即正常焊接信號(hào)或異常焊接信號(hào))的比例. 靈敏度是指被正確識(shí)別的正常焊接信號(hào)的比例. 特異度是指被正確識(shí)別的異常焊接信號(hào)的比例.

在上述森林資源資產(chǎn)價(jià)值評(píng)估的基礎(chǔ)上，根據(jù)不同訴求類(lèi)別，分別對(duì)旅游生態(tài)系統(tǒng)功能服務(wù)價(jià)值、旅游生態(tài)保護(hù)和建設(shè)投入、生態(tài)環(huán)境恢復(fù)治理成本及相關(guān)主體生態(tài)經(jīng)濟(jì)利益損失等進(jìn)行核算，綜合制定補(bǔ)償標(biāo)準(zhǔn)[1]。

如表1所示，A是指被正確預(yù)測(cè)為正常信號(hào)的數(shù)量，D是指被正確預(yù)測(cè)為異常信號(hào)的數(shù)量，B是指被錯(cuò)誤預(yù)測(cè)為正常信號(hào)的數(shù)量，C是指被錯(cuò)誤預(yù)測(cè)為異常信號(hào)的數(shù)量.

3.創(chuàng)造性地提出要增強(qiáng)“四種意識(shí)”。報(bào)告提出：“全黨必須增強(qiáng)憂(yōu)患意識(shí)，謙虛謹(jǐn)慎，戒驕戒躁，始終保持清醒頭腦；必須增強(qiáng)創(chuàng)新意識(shí)，堅(jiān)持真理，修正錯(cuò)誤，始終保持奮發(fā)有為的精神狀態(tài)；必須增強(qiáng)宗旨意識(shí)，相信群眾，依靠群眾，始終把人民放在心中最高位置；必須增強(qiáng)使命意識(shí)，求真務(wù)實(shí)，艱苦奮斗，始終保持共產(chǎn)黨人的政治本色。

我國(guó)膠合板出口1 083.54萬(wàn)m3，其中美國(guó)160.34萬(wàn)m3，占我國(guó)膠合板出口的14.8%;中高密度纖維板出口298.5萬(wàn)m3，其中美國(guó)47.44萬(wàn)m3，占15.89%。

表 1 正常和異常信號(hào)及其預(yù)測(cè)分類(lèi)數(shù)量
Table 1 Normal and abnormal signals with predicted classification number

實(shí)際分類(lèi)/預(yù)測(cè)分類(lèi) 正常信號(hào) 異常信號(hào)正常信號(hào)A B異常信號(hào)C D

準(zhǔn)確率，靈敏度 = ，特異度

2 試驗(yàn)材料和結(jié)果

經(jīng)過(guò)進(jìn)一步評(píng)估和驗(yàn)證，從實(shí)際工業(yè)現(xiàn)場(chǎng)采集的不同焊件的傳感器信號(hào)，選取了200組試驗(yàn)數(shù)據(jù)(電流信號(hào)和電極位置信號(hào)). 其中100組屬于正常焊件的傳感器信號(hào)，其余100組為由于預(yù)熱不足或電極位置不正確等原因引起的異常焊件的傳感器信號(hào). 此外，在閃光焊接過(guò)程中由于供電不穩(wěn)定，電流可能在一定范圍內(nèi)發(fā)生變化，但這種變化對(duì)閃光焊接工藝的質(zhì)量影響較小，因此在對(duì)信號(hào)進(jìn)行計(jì)算之前，需要使用標(biāo)準(zhǔn)z-score算法進(jìn)行歸一化處理.

圖 7 r=0，90，∞時(shí)，電流、電極位置和組合信號(hào)的嵌入特征向量散點(diǎn)
Fig. 7 Scatter plots of feature distribution for current, electrode-position and combination recordings with various step sizes r=0, 90, ∞, respectively

用文中提出的時(shí)空規(guī)整算法對(duì)選取的傳感器信號(hào)之間的差異進(jìn)行量化；其次，用動(dòng)態(tài)嵌入算法從所得到的不相似距離矩陣中提取特征向量(即，三維空間中的坐標(biāo)). 圖7為動(dòng)態(tài)嵌入算法提取的特征向量可視化結(jié)果，顯示了電流信號(hào)、電極位置信號(hào)及其組合的二維信號(hào)的特征向量散點(diǎn). 黑色'?'表示正常焊件傳感器信號(hào)，紅色'﹡'表示異常焊件傳感器信號(hào). 如圖7所示，正常和異常兩種信號(hào)在三維特征空間有明顯的分離. 此外，電流信號(hào)(圖7a，7d和7g)和電流、電極位置組合的二維信號(hào)(圖7c，7f和7i)比電極位置信號(hào)(圖7b，7e和7h)對(duì)正常和異常信號(hào)的分離更加明顯. 而且，正常信號(hào)(黑色'?')集中在坐標(biāo)軸的左側(cè)部分(負(fù)半軸)，而異常信號(hào)(紅色'﹡')則大多分布在坐標(biāo)軸的右側(cè)部分(正半軸).

對(duì)圖7進(jìn)一步分析可知，時(shí)空規(guī)整算法中的步長(zhǎng)r也會(huì)影響正常和異常信號(hào)的分離程度，即r等于0(圖 7a ～ 7c)、r等于 90(圖 7d ～ 7f)和 r等于∞(圖 7g ～7i). 選擇較大的 r值 (即 r=90，∞)比較小的 r值(即r=0)計(jì)算出的不相似距離矩陣對(duì)正常和異常信號(hào)的分離更明顯. 這是因?yàn)檫x擇較小r值的時(shí)空規(guī)整算法在不考慮信號(hào)未對(duì)齊的情況下會(huì)直接計(jì)算信號(hào)之間的歐幾里德距離.

用KNN分類(lèi)算法對(duì)動(dòng)態(tài)嵌入提取的特征向量(三維空間中的坐標(biāo))進(jìn)行分類(lèi)，選取臨近點(diǎn)個(gè)數(shù)k=4. 為了減少KNN分類(lèi)模型誤差，進(jìn)行10次2折交叉驗(yàn)證來(lái)劃分訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，并且計(jì)算其結(jié)果的平均值和方差.

小兒功能性便秘，又稱(chēng)單純性便秘、習(xí)慣性便秘，是由腸道疾病或非全身疾病引起的原發(fā)性持續(xù)便秘。其主要表現(xiàn)為排便次數(shù)減少、排干硬糞便時(shí)疼痛，可伴隨大便失禁，以及厭食、早飽、腹部膨脹和疼痛。最常見(jiàn)的觸發(fā)因素，可能是疼痛或社會(huì)因素引起本能的克制排便。通常認(rèn)為纖維素、水果和蔬菜的攝入量過(guò)低，便秘家族史，肥胖和體力活動(dòng)少，與便秘的患病風(fēng)險(xiǎn)增加有關(guān)［1‐2］。流行病學(xué)調(diào)查結(jié)果顯示，我國(guó)北方5城市2～14歲兒童功能性便秘的患病率在4.27%～5.02%，高發(fā)年齡段為2～3歲［3］。影響胃腸功能、智力發(fā)育和記憶力、導(dǎo)致遺尿和便失禁是小兒功能性便秘的危害［4‐5］。

結(jié)果如表2所示，電流信號(hào)和組合的二維信號(hào)比電極位置信號(hào)對(duì)焊件質(zhì)量分類(lèi)的準(zhǔn)確率更高，選取較小步長(zhǎng)(r=0，30)比選取較大步長(zhǎng)(r=60，90，120)計(jì)算出的不相似距離矩陣分類(lèi)效果差，這與圖7中的可視化結(jié)果具有較高一致性. 試驗(yàn)結(jié)果表明，用文中所提出的方法對(duì)電流和電極位置組合的二維信號(hào)進(jìn)行分析，并選取時(shí)空規(guī)整算法的步長(zhǎng)為120時(shí)，焊件質(zhì)量分類(lèi)的準(zhǔn)確率較高，用于建立在線(xiàn)質(zhì)量評(píng)估模型的效果最好.

表 2 不同步長(zhǎng)和不同信號(hào)類(lèi)型的KNN分類(lèi)效果比較
Table 2 Performance comparison of KNN classification with various step sizes and signal type

步長(zhǎng)r電流信號(hào) 電極位置信號(hào) 組合信號(hào)準(zhǔn)確率 靈敏度 特異度 準(zhǔn)確率 靈敏度 特異度 準(zhǔn)確率 靈敏度 特異度099.60(±0.12)100(±0)99.20(±0.24)97.28(±0.28)97.60(±0.62)96.95(±0.57)99.40(±0.17)99.45(±0.15)99.35(±0.23)3099.90(±0.12)100(±0)99.80(±0.24)99.10(±0.23)98.60(±0.37)99.60(±0.44)99.95(±0.10)100(±0)99.90(±0.20)6099.95(±0.10)100(±0)99.90(±0.20)99.08(±0.25)98.45(±0.27)99.70(±0.33)99.90(±0.17)100(±0)99.80(±0.33)9099.95(±0.10)100(±0)99.90(±0.20)98.82(±0.20)98.40(±0.30)99.25(±0.25)99.98(±0.08)100(±0)99.95(±0.15)12099.90(±0.12)100(±0)99.80(±0.24)98.78(±0.18)98.45(±0.15)99.10(±0.30)99.95(±0.10)100(±0)99.90(±0.20)∞ 99.98(±0.08)100(±0)99.95(±0.15)98.78(±0.21)98.45(±0.27)99.10(±0.20)99.98(±0.08)100(±0)99.95(±0.15)

3 結(jié) 論

(1)文中所提出的方法將對(duì)故障焊件的識(shí)別轉(zhuǎn)換為對(duì)焊接過(guò)程中采集的傳感器信號(hào)(電流和電極位置信號(hào))進(jìn)行分析，省去了復(fù)雜的建模過(guò)程以及大量的計(jì)算，能夠量化正常焊接信號(hào)和異常焊接信號(hào)之間的時(shí)空不相似度，可以有效的對(duì)焊接質(zhì)量進(jìn)行分類(lèi)，并實(shí)現(xiàn)在線(xiàn)質(zhì)量評(píng)估.

(2)散點(diǎn)圖和準(zhǔn)確率表明，電流信號(hào)對(duì)確定閃光焊接的質(zhì)量比電極位置信號(hào)更重要.

(3)選擇較大步長(zhǎng)的時(shí)空規(guī)整算法得到的不相似距離矩陣能夠更好地揭示正常和異常信號(hào)之間的差異.

如果說(shuō)對(duì)于鄭仁規(guī)和李郢的奉和之作尚帶有文人唱和的風(fēng)雅，那么方干對(duì)于武人劉漢宏的奉承之作，只能說(shuō)明方干晚年人格的衰變和詩(shī)格的倒退。如方干詩(shī)《狂寇后上劉尚書(shū)》：

參考文獻(xiàn)：

[1]馮秋元, 李廷舉, 丁志敏, 等. 閃光對(duì)焊技術(shù)研究現(xiàn)狀及發(fā)展趨勢(shì) [J]. 材料科學(xué)與工藝, 2008(1): 49?53.Feng Qiuyuan, Li Tingju, Ding Zhimin, et al. Research situation and development trends of flash butt welding[J]. Materials Science & Technology, 2008(1): 49?53.

[2]陳 建. 鋼軌閃光焊接頭質(zhì)量檢測(cè)與預(yù)測(cè)[D]. 西南交通大學(xué),2010.

[3]Chvertko Y, Shevchenko M, Pirumov A. Monitoring of the process of flash-butt welding[J]. Soldagem & Inspe??o, 2013, 18(1):31?38.

[4]曾芬芳, 虞平良, 陳紅衛(wèi), 等. 錨鏈閃光焊計(jì)算機(jī)參數(shù)測(cè)試系統(tǒng) [J]. 造船技術(shù), 1995(8): 42?44, 47.Zeng Fenfang, Yu Pingliang, Chen Hongwei, et al. Computer parameter test system for flash welding of anchor chain[J]. Shipbuilding Technology, 1995(8): 42?44, 47.

[5]蘇世杰, 郜利利, 王新彥. 基于工控機(jī)的錨鏈閃光焊機(jī)控制系統(tǒng)設(shè)計(jì)與開(kāi)發(fā) [J]. 焊接學(xué)報(bào), 2011, 32(11): 96?99.Su Shijie, Gao Lili, Wang Xinyan. Control system for anchor chain flash butt welder based on industrial PC[J]. Transactions of the China Welding Institution, 2011, 32(11): 96?99.

[6]王治平, 王克爭(zhēng), 何方殿. 500 kW 預(yù)熱閃光焊工藝試驗(yàn) [J]. 焊接學(xué)報(bào), 2000, 21(4): 76?79, 101.Wang Zhiping, Wang Kezheng, He Fangdian. Technological experiment of 500 kW preheating flash butt welding[J]. Transactions of the China Welding Institution, 2000, 21(4): 76?79, 101.

[7]Jeong Y S, Jeong M K, Omitaomu O A. Weighted dynamic time warping for time series classification[J]. Pattern Recognition,2011, 44(9): 2231?2240.

[8]Myers C S, Rabiner L R, Rosenberg A E. Performance trade‐offs in dynamic time warping algorithms for isolated word recognition[J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1980, 28(6): 623?635.

[9]Tormene P, Quaglini G S, Stefanelli M. Matching incomplete time series with dynamic time warping: an algorithm and an application to post-stroke rehabilitation[J]. Artificial Intelligence in Medicine, 2009, 45(1): 11?34.

[10]Yang H, Kan C, Liu G, et al. Spatiotemporal differentiation of myocardial infarctions[J]. IEEE Transactions on Automation Science & Engineering, 2013, 10(4): 938?947.

[11]Chen K, Hui Y. Internet of hearts-large-scale stochastic network modeling and analysis of cardiac electrical signals[M]. Stochastic Modeling and Analytics in Healthcare Delivery Systems, 2017.

[12]張著英, 黃玉龍, 王翰虎. 一個(gè)高效的 KNN 分類(lèi)算法 [J]. 計(jì)算機(jī)科學(xué), 2008, 35(3): 170?172.Zhang Zhuying, Huang Yulong, Wang Hanhu. A new KNN classification approach[J]. Computer Science, 2008, 35(3): 170?172.