系泊鏈是船舶的重要裝置，其質量問題關系著船舶航行安全. 因此，近年來研究人員越來越關注系泊鏈制造中的質量評估問題. 傳統(tǒng)的系泊鏈焊接質量檢測只能在生產后進行拉力試驗，這樣不僅不能保證鏈條的質量，而且對故障鏈進行修復需要耗費較大的成本. 因此，系泊鏈在線質量評估方法對于及時發(fā)現(xiàn)并避免故障產品和提高鏈條的質量是至關重要的.
閃光焊過程具有熱效率高、焊接質量好等優(yōu)點，而且可焊接的材料范圍廣，被廣泛應用于各個領域[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程的復雜性和高度非線性，使得難以建立在線質量評估的數(shù)學模型，大部分國內外學者對閃光焊質量評估的研究大都集中在對閃光焊接過程的時域信號和焊接參數(shù)等進行分析. 例如，陳建[2]提出了將閃光聲信號用于焊接過程監(jiān)控與質量診斷的研究，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神經網絡預測模型. Chvertko等人[3]采用統(tǒng)計分析方法給出了焊接接頭缺陷形成的主要原因，建立了基于神經網絡的過程偏差在線監(jiān)測方法. 然而，現(xiàn)有的質量評估方法不適合在兩個閃光焊接過程之間的短時間內處理大量的傳感器信號，不能做到及時在線評估. 人工神經網絡方法也需要大量的訓練樣本和計算時間，不適合在實際的工業(yè)現(xiàn)場進行在線評估.
文中主要介紹了研究閃光焊接在線質量評估方法的初步工作. 經實踐證明，電流和電極位置的變化情況對閃光焊接質量影響很大[4]. 文中對閃光電流和電極位置信號進行了分析，并建立了在線質量評估方法. 提出將時空規(guī)整算法用于在線信息提取和模式識別，以實現(xiàn)閃光焊接過程的實時質量評估，也為之后的評估方法的研究提供了參考.
閃光焊接在線質量評估方法由以下四個核心部分組成(圖1). (1)實時采集閃光焊接過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；(2)時空規(guī)整算法解決兩信號間的時空錯位問題，量化閃光焊接過程的兩個信號之間的不相似度；(3)提出了一種新的動態(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之間的原始不相似距離；(4)設計和開發(fā)用于質量評估的分類模型. 四個部分最終都集成在閃光焊接質量評估方法中，以使異常焊件傳感器信號的識別更加有效和高效.
圖 1 閃光焊接評估方法
Fig. 1 Methodology of flash welding monitoring
采用文獻[5]中設計和開發(fā)的閃光焊機控制系統(tǒng)，實時控制閃光焊接過程并且采集傳感器數(shù)據(jù)，即電極位置和電流信號. 圖2為閃光焊接過程中典型的電極位置和電流信號. 閃光焊接過程主要分為三個階段，即預熱階段，連續(xù)閃光階段和頂鍛階段[6].
2.2.2 翻身拍背?；杳曰颊哂捎陂L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)護人員應協(xié)助患者有效的排痰，如每2小時翻身拍背一次，并且翻身前后給予吸痰。先吸口腔分泌物再吸氣道內分泌物，防止口腔內分泌物墜落到氣道內。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。
預熱階段包括前進階段S1、加熱階段S2、后退階段S3和均衡階段S4. 在焊接過程中，焊機通過控制電極的位置來預熱焊件，這四個階段根據(jù)系泊鏈的大小重復多次后直到焊接端口達到特定的溫度，進入整個過程最重要的連續(xù)閃光階段. S5是連續(xù)閃光階段，通過控制電極的前進速度與焊口的汽化速度始終相等，從而保證連續(xù)閃光過程的連續(xù)性. 頂鍛階段包括有電頂鍛S6、無電頂鍛S7和復位S8三個子階段. 頂鍛階段開始時，為了防止焊口氧化，電極在進入頂鍛階段的瞬間帶電，所以頂鍛階段分為有電頂鍛和無電頂鍛兩個階段. 最后，閃光焊接過程需要將電極復位到原來的位置，整個過程完成.
圖 2 閃光焊接過程中不同階段的電極位置和電流信號
Fig. 2 Electrode-position and current signals of flash welding process segmented with different stages
如圖3所示，正常焊件傳感器信號(黑色)和異常焊件傳感器信號(紅色)之間的電極位置和電流信號波形有相似性和相異性. 兩種波形都有完整的焊接過程和相同的趨勢，然而，正常信號和異常信號之間的時間長度不相等，幅值和相位也有顯著差異. 而且，由于相位偏移和離散采樣，測量兩個錯位的信號之間的不相似度具有極大的難度. 因此，迫切需要開發(fā)新的數(shù)據(jù)驅動方法來量化兩個時空錯位的信號之間的不相似度，并進一步利用這種不相似度來進行統(tǒng)計過程控制.
傳統(tǒng)的動態(tài)時間規(guī)整(DTW)算法用于測量兩個錯位的一維時間序列之間的不相似度[7-9]. 如前所述，閃光焊接過程的電流和電極位置信號都包含了焊接質量信息，提出一種新的時空規(guī)整算法來量化這種二維信號之間的不相似度. 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的時空對齊. 這種對齊對于評估焊接故障很重要. 以前的研究方法很少有用動態(tài)時空規(guī)整算法測量焊接信號之間的差異，文中是首次嘗試用這種算法來量化閃光焊接質量.
你知道嗎？當我吹起散落在手心的葦絮的時候，流淚了。日落的時候，我對著暗黑的天空，對著那游輪上漸次點亮的漁火，對自己說：不論身在何處，心向何方，一定要把自己活成你當初想要的模樣。是的，我們，都要活成當初彼此希望的模樣。
圖 3 正常和異常閃光焊接信號的波形及其時空對齊
Fig. 3 Waveforms of normal and abnormal flash welding signals with spatiotemporal alignment
對于[兩個]給定的多維信號 s1 和 s2，首先構造距離矩陣 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的長度. 然后在一個二維矩陣搜索一個連接 (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)，同時滿足單調性和步長小于r這兩個約束條件.
使用動態(tài)規(guī)劃(DP)方法來尋找最優(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開始，步長小于r，搜索算法如下
最后，計算不相似距離為
P(s1,s2)表 示兩個多維信號 s1和 s 2的不相似度.分別計算采集的閃光焊接信號兩兩之間的不相似距離，并組成一個不相似距離矩陣，閃光焊接的異常變化特征可在不相似距離矩陣中得到.
1.2節(jié)得到的不相似距離矩陣不能直接作為識別閃光焊過程中故障焊件的特征，提出了動態(tài)嵌入算法(又稱多維尺度法)來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之間的原始不相似距離，而且還可以顯示信號之間的方向差異[10-11].
如圖4所示，五個節(jié)點的距離矩陣Δ是已知的. 在三維空間中重建節(jié)點的位置，則類似于求解五個節(jié)點的坐標向量 xi =(xi1,xi2,xi3),i=1,2,3,4,5，且求得的五個坐標之間的歐幾里德距離可以得到距離矩陣 ?. 如圖4中 x 1～x5為動態(tài)嵌入算法在三維空間中重構的五個節(jié)點之間的坐標向量，計算五個節(jié)點之間的歐幾里德距離得到矩陣 ? ′. 通過對比矩陣?′和五個節(jié)點的原始距離矩陣 ?，可以得知動態(tài)嵌入算法將距離矩陣轉化為三維空間中的特征向量并且大致保留了信號之間的原始距離關系. 因此，信號之間的距離矩陣可大致由特征向量保存.
圖 4 動態(tài)嵌入算法的示例
Fig. 4 Illustration of dynamic embedding algorithm
假設一個不相似距離矩陣 ?為
式中： δ ij表示第i個和第j個信號的不相似度；L是信號的個數(shù). 令 xi和 x j表示高維空間中的第i個和第j個坐標(特征向量). 然后將動態(tài)嵌入算法的目標函數(shù)表示為
企業(yè)提供旅游人才需求的最新信息，學校根據(jù)旅游市場需求為旅游企業(yè)培養(yǎng)人才；企業(yè)為學生提供實踐練習的機會,指導學生鞏固職業(yè)技能，中職旅游學?？梢耘c很多企業(yè)交流合作，達到教學實習目的?？裳埰髽I(yè)的管理人員到學校給學生培訓課程，設專題講座，開展指導工作等。這些管理人員具有豐富的實踐經驗，他們的課往往不是空洞無物的，而是他們對實際工作的總結，形象生動、實用性更強，可以把行業(yè)中新變化、新動態(tài)等帶入課程，引進實際案例教學，更能有效指導學生，開闊學生眼界，增長見識。
式中： ∥ ·∥是歐幾里德范數(shù). 為了解決這個優(yōu)化問題，首先從不相似距離矩陣 ?中重構出格拉姆矩陣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1組成的列向量，且 ? (2)中的每個元素為
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)中的目標函數(shù)最小化. 格拉姆矩陣B可以進一步特征值分解為
為改變枯燥無味的課堂教學，教師可采用“輕游戲”教學法，將教學內容以“輕游戲”形式展示給學生，營造一種輕松愉悅的學習氛圍，激發(fā)學生的學習興趣，幫助學生深入理解知識中蘊含的思維和方法。
1.4.1 KNN 分類
高潮把馮可兒送到住處，攙扶到沙發(fā)上，安頓好，就準備離開。馮可兒一下子彈跳起來，雙手摟住高潮的脖子，小鳥依人一般偎在他耳邊，可憐兮兮地說，她、她給、給人家生、生過小孩，你難、難道要和她奉、奉子成婚？
KNN(K-nearest neighbor)分類算法是一個理論上比較成熟的方法，也是數(shù)據(jù)挖掘分類算法中最為簡單的方法之一. KNN算法的基本思想是計算樣本點與不同特征值之間的距離來確定樣本點的類別[12]. 算法基本原理如下：選取一個訓練數(shù)據(jù)集，該數(shù)據(jù)集合中的每個數(shù)據(jù)都有與之對應的標簽屬性.當輸入一個測試數(shù)據(jù)時，計算該數(shù)據(jù)與訓練數(shù)據(jù)集合中的每個數(shù)據(jù)的距離，并對所有計算出的距離進行遞增排序，然后選取前k個距離最小的訓練數(shù)據(jù)，統(tǒng)計前k個訓練數(shù)據(jù)所屬的標簽類別，將出現(xiàn)頻率最高的標簽類別作為當前測試數(shù)據(jù)的預測分類. 通常k是一個不大于20的整數(shù)，具體取值根據(jù)數(shù)據(jù)集的大小來確定.
如圖5所示，圓形代表一個測試數(shù)據(jù)，五邊形和正方形分別代表訓練數(shù)據(jù)中的類別一和類別二.若選取k=3，則與測試數(shù)據(jù)距離最小的三個訓練數(shù)據(jù)中有2/3屬于類別一，所以訓練數(shù)據(jù)分類為類別一. 若選取k=5，則與測試數(shù)據(jù)距離最小的五個訓練數(shù)據(jù)中有3/5屬于類別二，所以訓練數(shù)據(jù)分類為類別二.
圖 5 KNN分類算法原理
Fig. 5 KNN classification algorithm schematic
根據(jù)KNN算法的原理可知，對保留了信號之間原始不相似距離關系的特征向量進行分類，即可根據(jù)閃光焊接信號被量化的不相似度來識別異常信號.
1.4.2 K 折交叉驗證
圖 6 K折疊交叉驗證
Fig. 6 Diagram of K-fold cross-validation
為了減少KNN分類模型預測中的誤差，采用K折交叉驗證. 如圖6所示，K折交叉驗證將總數(shù)據(jù)集P劃分為K份，輪流將其中K-1份作為訓練數(shù)據(jù)集，剩下的一份作為測試數(shù)據(jù)集. 完成所有的K次試驗后，計算得到三個性能統(tǒng)計量，即靈敏度、特異度和準確率，將K次的結果取平均值作為對算法精度的估計. 一般還需要進行多次K折交叉驗證(例如10次K折交叉驗證)，再求其均值，作為對算法準確性的估計.
準確率是指正確識別測試數(shù)據(jù)集中對象(即正常焊接信號或異常焊接信號)的比例. 靈敏度是指被正確識別的正常焊接信號的比例. 特異度是指被正確識別的異常焊接信號的比例.
在上述森林資源資產價值評估的基礎上，根據(jù)不同訴求類別，分別對旅游生態(tài)系統(tǒng)功能服務價值、旅游生態(tài)保護和建設投入、生態(tài)環(huán)境恢復治理成本及相關主體生態(tài)經濟利益損失等進行核算，綜合制定補償標準[1]。
如表1所示，A是指被正確預測為正常信號的數(shù)量，D是指被正確預測為異常信號的數(shù)量，B是指被錯誤預測為正常信號的數(shù)量，C是指被錯誤預測為異常信號的數(shù)量.
3.創(chuàng)造性地提出要增強“四種意識”。報告提出：“全黨必須增強憂患意識，謙虛謹慎，戒驕戒躁，始終保持清醒頭腦；必須增強創(chuàng)新意識，堅持真理，修正錯誤，始終保持奮發(fā)有為的精神狀態(tài)；必須增強宗旨意識，相信群眾，依靠群眾，始終把人民放在心中最高位置；必須增強使命意識，求真務實，艱苦奮斗，始終保持共產黨人的政治本色。
我國膠合板出口1 083.54萬m3，其中美國160.34萬m3，占我國膠合板出口的14.8%;中高密度纖維板出口298.5萬m3，其中美國47.44萬m3，占15.89%。
表 1 正常和異常信號及其預測分類數(shù)量
Table 1 Normal and abnormal signals with predicted classification number
實際分類/預測分類 正常信號 異常信號正常信號A B異常信號C D
準確率
經過進一步評估和驗證，從實際工業(yè)現(xiàn)場采集的不同焊件的傳感器信號，選取了200組試驗數(shù)據(jù)(電流信號和電極位置信號). 其中100組屬于正常焊件的傳感器信號，其余100組為由于預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. 此外，在閃光焊接過程中由于供電不穩(wěn)定，電流可能在一定范圍內發(fā)生變化，但這種變化對閃光焊接工藝的質量影響較小，因此在對信號進行計算之前，需要使用標準z-score算法進行歸一化處理.
圖 7 r=0，90，∞時，電流、電極位置和組合信號的嵌入特征向量散點
Fig. 7 Scatter plots of feature distribution for current, electrode-position and combination recordings with various step sizes r=0, 90, ∞, respectively
用文中提出的時空規(guī)整算法對選取的傳感器信號之間的差異進行量化；其次，用動態(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). 圖7為動態(tài)嵌入算法提取的特征向量可視化結果，顯示了電流信號、電極位置信號及其組合的二維信號的特征向量散點. 黑色'?'表示正常焊件傳感器信號，紅色'﹡'表示異常焊件傳感器信號. 如圖7所示，正常和異常兩種信號在三維特征空間有明顯的分離. 此外，電流信號(圖7a，7d和7g)和電流、電極位置組合的二維信號(圖7c，7f和7i)比電極位置信號(圖7b，7e和7h)對正常和異常信號的分離更加明顯. 而且，正常信號(黑色'?')集中在坐標軸的左側部分(負半軸)，而異常信號(紅色'﹡')則大多分布在坐標軸的右側部分(正半軸).
對圖7進一步分析可知，時空規(guī)整算法中的步長r也會影響正常和異常信號的分離程度，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)計算出的不相似距離矩陣對正常和異常信號的分離更明顯. 這是因為選擇較小r值的時空規(guī)整算法在不考慮信號未對齊的情況下會直接計算信號之間的歐幾里德距離.
用KNN分類算法對動態(tài)嵌入提取的特征向量(三維空間中的坐標)進行分類，選取臨近點個數(shù)k=4. 為了減少KNN分類模型誤差，進行10次2折交叉驗證來劃分訓練數(shù)據(jù)和測試數(shù)據(jù)，并且計算其結果的平均值和方差.
小兒功能性便秘，又稱單純性便秘、習慣性便秘，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。最常見的觸發(fā)因素，可能是疼痛或社會因素引起本能的克制排便。通常認為纖維素、水果和蔬菜的攝入量過低，便秘家族史，肥胖和體力活動少，與便秘的患病風險增加有關［1‐2］。流行病學調查結果顯示，我國北方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、導致遺尿和便失禁是小兒功能性便秘的危害［4‐5］。
結果如表2所示，電流信號和組合的二維信號比電極位置信號對焊件質量分類的準確率更高，選取較小步長(r=0，30)比選取較大步長(r=60，90，120)計算出的不相似距離矩陣分類效果差，這與圖7中的可視化結果具有較高一致性. 試驗結果表明，用文中所提出的方法對電流和電極位置組合的二維信號進行分析，并選取時空規(guī)整算法的步長為120時，焊件質量分類的準確率較高，用于建立在線質量評估模型的效果最好.
表 2 不同步長和不同信號類型的KNN分類效果比較
Table 2 Performance comparison of KNN classification with various step sizes and signal type
步長r電流信號 電極位置信號 組合信號準確率 靈敏度 特異度 準確率 靈敏度 特異度 準確率 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)
(1)文中所提出的方法將對故障焊件的識別轉換為對焊接過程中采集的傳感器信號(電流和電極位置信號)進行分析，省去了復雜的建模過程以及大量的計算，能夠量化正常焊接信號和異常焊接信號之間的時空不相似度，可以有效的對焊接質量進行分類，并實現(xiàn)在線質量評估.
(2)散點圖和準確率表明，電流信號對確定閃光焊接的質量比電極位置信號更重要.
(3)選擇較大步長的時空規(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之間的差異.
如果說對于鄭仁規(guī)和李郢的奉和之作尚帶有文人唱和的風雅，那么方干對于武人劉漢宏的奉承之作，只能說明方干晚年人格的衰變和詩格的倒退。如方干詩《狂寇后上劉尚書》：
參考文獻：
[1]馮秋元, 李廷舉, 丁志敏, 等. 閃光對焊技術研究現(xiàn)狀及發(fā)展趨勢 [J]. 材料科學與工藝, 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. 鋼軌閃光焊接頭質量檢測與預測[D]. 西南交通大學,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. 錨鏈閃光焊計算機參數(shù)測試系統(tǒng) [J]. 造船技術, 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. 基于工控機的錨鏈閃光焊機控制系統(tǒng)設計與開發(fā) [J]. 焊接學報, 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, 何方殿. 500 kW 預熱閃光焊工藝試驗 [J]. 焊接學報, 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. 一個高效的 KNN 分類算法 [J]. 計算機科學, 2008, 35(3): 170?172.Zhang Zhuying, Huang Yulong, Wang Hanhu. A new KNN classification approach[J]. Computer Science, 2008, 35(3): 170?172.
