CN112475541B 使用机器学习技术标记焊接监视时间段的系统和方法 （伊利诺斯工具制品有限公司）

US2017032281A1,2017.0US2014021184A1,2014.使用机器学习技术标记焊接监视时间段的描述了用于使用机器学习技术来标记非焊视系统可以在某个时间段内从焊接区域中的传感器和/或焊接设备收集各种数据。可以对该数据进行评估以将该时间段划分为焊接时间段和的数据使用一个或多个机器学习模型和/或技术来确定在非焊接时间段期间进行了哪些非焊接其他个人的反馈、来自正在进行的焊接和/或非焊接活动的数据以及来自其他焊接监视系统和/或机器学习模型的数据来连续地训练、更新和/2焊接监视系统，所述焊接监视系统被配置为在第一时间段内经由用户存储器电路系统，所述存储器电路系统包括一个或多个机器学使用所述一个或多个机器学习模型，基于所述一个或多个特响应于确定所述一个或多个标记中的某个标记可应用于所述一个或多个未标记的非接时间段之间的关联以及与所述未标记的非焊接时间段相关联的至少一个特征特性来训使用第一机器学习模型来确定可应用于所述未标记的非焊接活动时间段的第一标记使用第二机器学习模型来确定可应用于所述未标记的非焊接活动时间段的第二标记基于所述第一置信程度或所述第二置信程度将所述标记与所述未标记的非焊接活动应用于所述一个或多个未标记的非焊接活动时使用所述休息模型，基于所述一个或多个特征特性，确定一个3使用所述常规活动模型和聚类分析，基于所述一个或多个特常规活动标记是否可应用于所述一个或多个使用所述聚类分析确定所述一个或多个未标记的非焊接时间段中的离群时间段与其他一个或多个未标记的非焊接时间段或者所述一个或多个常规活动模式的不相似是否达11.如权利要求10所述的系统，其中，所述存储器电路系统进一步包括计算机可读指12.如权利要求11所述的系统，其中，所述存储器电路系统进一步包括计算机可读指标记为异常并且与高临界分级相关联而发出警4个或多个标记与所识别的非焊接时间段中的一个或多使用所述一个或多个机器学习模型，基于所述一个或多个特响应于确定所述一个或多个标记中的某个标记可应用于所述一个或多个剩余的未标在某个时间段内经由用户接口或者一个或多个传感器捕获所述焊接相关操作的一个经由处理电路系统，基于所述一个或多个特征特性，识别使用存储在存储器电路系统中的一个或多个机器学习模型，响应于确定所述一个或多个标记中的某个标记可应用于所述一个或多个未标记的非基于计划的非焊接活动，将所述一个或多个标记与所识别的非焊接使用存储在所述存储器电路系统中的所述一个或多个机器学习模响应于确定所述一个或多个标记中的某个标记可应用于所述一个或多个剩余的未标5[0002]本申请要求于2019年9月12日提交的名称为“SystemsandMethodsforLabelingWeldMonitoringTimePeriodsUsingMachineLearningTechniques[使用机器学习技术来标记焊接监视时间段的系统和方法]”的美国临时申请号62/899,293的优[0005]通过将常规和传统的系统与在本申请的其余部分参照附图阐述的本公开内容相本上如由至少一个图所展示和/或结合至少一个图描述的并且如权利要求更完整地阐述[0009]图2是示出了根据本公开内容的一些方面的图1的本地监视站的进一步细节的框[0011]图4a至图4d展示了根据本公开内容的一些方面的使用图3a至图3b的活动识别程6接监视系统被配置用于在第一时间段内经由用户接口或者一个或多个传感器捕获焊接相来确定可应用于该未标记的非焊接活动时间段的第一标记以及该第一标记的第一置信程定一个或多个休息标记是否可应用于该一个或多个未标记的非焊接时间段。在一些示例7路系统进一步包括常规活动模型，该常规活动模型包括一个或多个常规活动模式的模型，并且确定该一个或多个标记是否可应用于该一个或多个未标记的非焊接时间段进一步包的离群时间段与其他一个或多个未标记的非焊接时间段或者该一个或多个常规活动模式[0020]本公开内容的一些示例涉及一种自动标记焊接相关操作焊接时间段中的某个未标记的非焊接时间段，将该标记与该未标记的非焊接时间段相关8[0022]在图1的示例中，操作者116正在焊接单元101内的焊接工作台112附近操纵焊炬作者116可以是(和/或控制)机器人和/也经由夹具线缆115耦接至焊接型电力供应器108。焊接型电力供应器108进而比如经由导些示例中，焊炬118可以包括被配置用于保护金属电弧焊(SMAW)的电极固持器(即，端头配置用于将焊丝电极(例如，从卷轴)送入到焊炬118和/或从焊炬118收回焊丝电极(例如，如本文中所用，保护气体可以指可以被提供给电弧和/或焊接熔池以便提供特定的局部气可以使用操作者接口144来输入和/或选择焊接型电力供应器108的一个或多个焊接参数9转换电路系统132的操作，和/或影响由电力转换电路系统132提供的输出电力的特性(例路系统132产生适当的焊接型输出电力以实施[0030]在一些示例中，控制电路系统134还与送丝器140和/或气体源142电耦接和/或被标速度将焊丝电极250送入到焊炬118(和/或从焊炬中收回焊丝电极250)。在一些示例中，电力转换电路系统132输出的电力的电压和/或电流。作为另一个示例，传感器150可以感和/或测量焊炬118的扳机作用信号(例如，致动、解除致动(de-actuation)等)和/或夹具或全部的传感器150通信和/或以其他方式被配置用于从传感器150接收信息。在一些示例[0035]在一些示例中，当操作者116致动焊炬118的扳机119(和/或以其他方式启动焊炬110之间产生焊接电弧。电弧的热量可以熔化填料材料(例如，焊丝)和/或工件110的一部[0036]当焊接操作完成时，操作者116可以释放扳机119(和/或以其他方式停用/解除致配置用于(直接地和/或通过焊接型电力供应器108)将此焊接数据传送到本地监视站200。监视站200被电(和/或通信地)耦接至几个示例焊接单元101的传感器150和/或焊接设备些计划的非焊接活动216和数据库218。尽管在图2的示例中被示为本地监视站200的一部储在(多个)中央服务器206和/或一个或多个远程监视站204的存储器电路系统中。在一些活动识别程序300可以基于对数据的分析来确定某些特征特性。可以使用这些特征特性来[0044]在一些示例中，可以使用计划的非焊接活动216来将活动标记与尚未被标记的一焊接作业和预期将会发生该一个或多个活动的(多个)日期/时间安排的一个或多个非焊接特定的工作地点处和/或对于特定的焊接作业用特定焊接设备151工作的操作者116的一个活动标记，所述一个或多个活动标记归属于在考虑了计划的非焊接活动216之后仍未被标[0046]在一些示例中，一个或多个机器学习模型220可以使用来自与其他焊接单元101、以使用来自其他远程监视站204的其他机器学习模型220的数据进行连续地训练和/或更站200和/或其他远程监视站204的计划的非焊接活动216进行连续地训练和/序300可以用存储在存储器电路系统214中和/或由处理电路系统212执行的机器可读(和/传感器150检测和/或测量的数据和/或由操作者116经由操作者接口144和/或UI202输入由操作者116经由操作者接口144和/或UI202供应的凭证和/或基于由传感器150检测到的活动后阶段结束时间、活动前阶段持续时间和/或活动后阶段持续时间、已完成焊接的数识别程序300基于在框304处确定的特征特性来标识一个或多个焊接时间段402和/或非焊或持续时间有关的特征特性，并且这些特征特性可以用于确定一个或多个焊接时间段和/识别程序300基于计划的非焊接活动216和/或一个或多个用户输入来向一个或多个标记分配一个或多个所识别的非焊接时间段和/或将一个或多个标记与一个或多个所识别的非焊将一个或多个所识别的非焊接时间段标记为归属于某种其他非焊接活动(例如，洗手间休个)非焊接标记与(多个)适当的非焊接时间段404相关联，和/或将所述(多个)相应的关联接时间段404c可能已经在活动识别程序300的框302或304处被操作者116(例如，经由UI识别程序300使用框308的(多个)已标记的非焊接时间段404来训练一个或多个机器学习模或一个或多个之前时间段和/或相继时间段)相关联的所采集数据和/或特征特性来训练识别程序300使用一个或多个机器学习模型220和/或一个或多个(例如，无监督的)机器学个信号代表用于禁用焊接设备151和/或禁止焊接设备151的一个或多个功在框350处应用于非焊接时间段404的标记和/或相关联的所采集数据和/或特征特性来更的标记(和/或相关联的所采集数据和/或特征特性)来更新和/或训练一个或多个机器学习时间段404和/或用某些特征特性来标记非焊接时间段404。可以对用于不同焊接单元101b的(多个)机器学习模型220进行训练以使用来自用于焊接单元101a的(多个)机器学习模型联的数据可以是本地监视站200和/或一个或多个远程监视站204的机器学习模型和/或数于缺少更好的标记)的内容可以被更精确地标记为清理活动。作为另一个示例，用户可以(例如，经由UI202)手动地指示已被活动识别程序300标记为异常的内容实际上是洗手间标记的非焊接时间段实际上是集中在一起的几个较短的非焊接时间220中的)一个或多个休息模型应用于一个或多个剩余的未标记的非焊接时间段404(和/或与该时间段和/或一个或多个之前和/或之后的时间段有关的特征特性)。在一些示例中，(多个)休息模型可以对观察到的针对某些操作者116而发生的休息模式进行建模。在一些[0062]在一些示例中，活动识别程序300可以被配置用于识别与(多个)休息模型的(多的焊接操作者116的休息模型可以对所观察到的、较新手的操作者116在早上和/或下午在别程序300可以分析与一个或多个剩余的未标记的非焊接时间段有关的特征特性，并且确定这些特征特性是否与(多个)休息模型的任何模式相适应。如果活动识别程序300确定与作者或操作者类型)，则活动识别程序300可以相应地标记非焊接时间段404。在一些示例多个不同的休息模型将两个或更多个不同的标记关联到同一未标记的非焊接时间段的情[0065]图4c展示了已经由活动识别程序300的框352至356标记的非焊接时间段404b。例息模型的一个或多个咖啡休息模式相匹配，并将非焊接时间段404b标记为咖啡休息活动。识别程序300对一个或多个剩余的未标记的非焊接时间段404(和/或与该时间段和/或一个个或多个已标记的和/或未标记的非焊接时间段404(和/或相关的特征特性)执行聚类分非焊接时间段聚类到具有一个或多个相似地(或相同地)标记的非焊接时间段的分类中的剩余的未标记的非焊接时间段(和/或与这些非焊接时间段有关的特征特性)。在一些示例[0069]在一些示例中，活动识别程序300可以分析与一个或多个剩余的未标记的非焊接多个不同的常规活动模型将两个或更多个不同的标记关联到同一未标记的非焊接时间段例如，活动识别程序300可以将非焊接时间段404f(和/或相关联的特征特性)识别为与(多个)常规活动模型的一个或多个预加热模式相匹配，并将非焊接时间段404b标记为预加热识别程序300将剩余的未标记的非焊接时间段中的每一个标记为未知停机活动、异常活动将低临界分级与持续时间相对较短(例如，20分钟)和/或至少稍微类似于一个或多个其他已标记时间段(例如，相比分类树中的某个阈值距离更近)的未知停机非焊接时间段相关[0076]本公开内容设想了在操作者116疏忽告知系统正在发生什么时使用机器学习技术在至少一个计算系统中实现本方法和/或系统，或者以不同的要素遍布在若干互连的计算系统或云系统上的分布式方式实现本方法和/或系统。适用于执行本文所描述的方法的任[0078]尽管已经参考某些实施方式描述了本方法和/或系统，但是本领域技术人员将理解，在不脱离本方法和/或系统的范围的情况下，可以进行各种改变并且可以用等效物代是本方法和/或系统将包括落在所附权利要求的范围内的所有如本文所使用的，例如，特定的处理器和存储器可以在执行第一一行或多行代码时构成第统包括执行某项功能所必需的硬件和/或代码(如果有必要)时，电路系统“可