本發明屬于但不限于缺陷診斷，尤其涉及一種基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法及系統。

背景技術：

1、匯流排作為電力系統中的重要導電設備，廣泛應用于配電網絡、工業自動化和電動汽車等領域。匯流排通常通過焊接實現高效的電氣連接，然而匯流排往往用于承擔大規模的電流傳輸，這意味著大量的焊接工序，例如在汽車動力電池中，一個電池模組就包含數千個需要連接到厚臉皮的電芯，這對焊接的效率以及焊接質量的高度可靠性和一致性提出了挑戰。

2、激光焊接因其高精度、高速度及低熱影響區的優點，被廣泛應用于匯流排的電氣連接，能夠實現低接觸電阻和高接頭強度。然而，在加工過程中設備老化和故障導致的激光功率不足、夾具松動造成的搭接間隙變化、重復定位誤差導致的焊接頭與工件距離不穩定、加工殘留和存儲環境不良導致的工件表面污染等因素可能導致激光焊接質量問題，尤其是虛焊缺陷。虛焊缺陷不僅增加接觸電阻，降低供電能力，還可能導致焊縫脫落，嚴重影響匯流排的性能與安全性。因此，及時檢測虛焊缺陷至關重要。通過自動化質量檢測，可以及時發現和修正缺陷，降低返工和廢品率，提高生產效率并減少成本。

3、近年來，先進的傳感技術被用于匯流排質量診斷，如光譜儀、高速相機、光學相干層析成像、光電二極管等，具有非接觸、高實時性等優點。這些傳感方法經常與圖像處理、統計學方法、機器學習/深度學習等技術結合在一起，為激光焊接過程信號監測和缺陷診斷提供解決方案。

4、然而，相機容易受環境中的煙霧、灰塵及光線變化會影響圖像質量，增加實時處理的挑戰。光譜數據分析復雜，光譜儀監測區域有限，且易受噪聲、外界光線及焊接動態變化影響，導致檢測精度下降。oct用于焊接質量診斷的局限性包括設備成本高、操作復雜、工藝參數改變時需要重新精確對準，且對振動和溫度變化敏感。使用光電二極管傳感器的焊接質量檢診斷技術具有設備成本低、配置靈活、結構簡單、采樣頻率高、處理速度快等優點，在匯流排實際工業生產過程的質量監控中有應用優勢。

5、現有的基于光電信號的激光焊接質量診斷技術目前在工業實際中大多使用閾值判定方法，即通過人為設定閾值定量描述被測工件生成信號曲線超出良好焊縫計算得到的包絡線的程度判斷焊接質量，這樣的方法的準確率依賴于閾值設置的人為因素，可靠性較差并且智能化程度比較低。近年來，有研究人員嘗試使用機器學習算法結合光電信號特征的方式進行焊接質量的智能診斷，然而這些研究通常提取光電信號本身的特征，例如提取不同波段信號的均值和散度等統計學特征，或者采用小波包變換分析和概率密度分析提取到原始光電信號的特征值，反映出相對應的激光焊接質量狀態。這些方法的特點是僅從每次激光焊接過程中產生的光電信號本身提取特征。由于光電信號并非直接測量焊縫的尺寸，工藝參數的相互作用會干擾質量診斷的結果。并且不同工藝條件下激光焊接產生的光輻射特性差異較大。例如，激光功率會改變光輻射信號的強度，搭接材料的不同會影響背反射的特性，這些因素使得在不同工藝條件下，判定為良好焊縫的光電信號特征區間可能有所不同。如果在每種工藝條件下都需要重新獲取大量數據來訓練質量評估模型，這將無法滿足匯流排激光焊接質量診斷對高效率和高可靠性的要求。

6、鑒于上述分析，現有技術存在的急需解決的技術問題為：現有的閾值方法的準確率依賴于閾值設置的人為因素，可靠性較差并且智能化程度比較低；現有的機器學習方法的特征輸入依賴于信號本身，準確率和對于不同工藝條件的適應性不足。

技術實現思路

1、針對現有激光焊接質量診斷技術中的缺陷和不足，本發明提出了一種基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法及系統。在提出的方法中，提出了一種基于參考值的特征定義方法，這種特征定義方法通過多波段的數據分割和信號差異系數特征矩陣的計算提高了診斷的準確率，具備適應不同工藝條件及檢查局部缺陷的優勢。在此基礎上，構建了基于隨機森林的質量診斷模型。該方法不僅能夠檢測匯流排激光焊接中是否存在虛焊缺陷，還能進一步診斷虛焊缺陷的誘發因素，這為工業生產中快速定位問題來源并采取針對性措施提供了有效支持。

2、本發明是這樣實現的，一種基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法，包括：

3、s1，原始光電信號數據處理；

4、s2，基于參考值的特征定義；

5、s3，搭建基于隨機森林的質量診斷模型。

6、進一步，s1具體包括：在每次激光焊接過程中，光電二極管記錄了三個波段的光信號采樣點序列。每個采樣點包含時間、波段及其對應的信號強度信息。為了提取有效數據，首先通過設定合適的閾值去除未發生焊接的無效部分，并計算出焊接開始的時間點，從而確定信號的有效區間。

7、為了消除原始信號中的高頻噪聲干擾，采用低通濾波器對信號進行處理。低通濾波能夠去除信號中的高頻成分，同時保留低頻的原始特征，從而平滑信號曲線。低通濾波器的作用是通過公式1對信號進行濾波。

8、

9、其中，x(t)為原始信號，h(t)為濾波器的沖擊響應函數，常見的低通濾波器如理想低通濾波器、巴特沃斯低通濾波器等。

10、

11、理想低通濾波器的頻率響應見式2。其中fc為濾波器的截止頻率，表示通過的最高頻率。完成濾波后，繪制了三波段的“時間-信號強度”曲線圖，便于進一步分析。

12、進一步，s2具體包括：通過將特定工藝條件下的質量評估模板作為參考來計算特征，從而提高了質量診斷模型的可靠性，并使其能夠適應不同工藝條件下的焊接過程診斷。為了全面反映激光焊接過程并避免遺漏局部缺陷，本發明采用了多波段數據分割方法，并計算了每個波段的信號差異系數。其中，信號差異系數表示每個數據段內信號與參考之間的差異比例，反映了信號與參考之間的差異程度和方向等信息。將信號差異系數按規定位置排列成信號差異系數-特征矩陣，作為輸入模型的特征，既增加了模型的可解釋性，又為缺陷的進一步細分提供了支持。

13、進一步，特征提取的具體計算過程如下。

14、記參考曲線為x-y，被測樣本曲線為x-y，樣本采樣點總數為n。

15、首先，計算質量評估模板。每個樣本對應其工藝條件下包含至少15個樣本的良好焊縫實驗樣本組。計算良好焊縫實驗樣本組內所有樣本的光電信號數據同一波段范圍內、同一時間點下強度的平均值，從而生成該樣本三個波段的參考。

16、其次，進行多波段的數據分割。首先需要對參考曲線和被測樣本曲線的光電信號進行數據對齊，確保在它們發生在同一時間序列上，再對樣本數據進行數據分割處理。具體而言，將光電信號數據按時間平均分為50段，計算每段的基本采樣點數a和余數b，滿足公式3。

17、n＝50a+b，?0≤b<50?(3)

18、根據此分割規則，前49段的每段包含a個采樣點，而第50段的采樣點數為a+b。若n能被50整除(即b＝0)，則所有50段均包含a個采樣點。

19、接下來，計算每個數據段內的信號差異系數。以第1個波段中第i段數據的信號差異系數為例，它在矩陣中的位置是(1,i)。信號差異系數的計算規則如下，計算該數據段內的被測樣本曲線與參考曲線的所有采樣點的縱坐標差值與參考曲線對應采樣點縱坐標的比值，并取這些比值的平均值。假設該段數據包含的采樣點的時間坐標值為從t1到t2，則信號差異系數的計算滿足公式4。

20、

21、最后，得到完整的rdc-fm。計算實驗樣本三個波段中所有數據段的信號差異系數，生成3x50的信號差異系數特征矩陣。信號差異系數特征矩陣描述了被測樣本曲線參考曲線的差異程度，涵蓋了差異的幅度、方向、時間和波段等信息，統一了不同焊接條件下良好焊縫的判斷標準。這種方法可確保以精確且適應不同焊接條件的方式捕獲整個焊接過程，包括局部的虛焊缺陷，為后續的機器學習模型訓練和焊接缺質量診斷提供了重要的基礎數據。

22、進一步，s3具體包括：

23、數據集構建：從原始訓練集通過bootstrap抽樣生成多個子數據集。每個子數據集由原始數據集中的部分樣本組成，部分樣本由于帶放回抽樣的原因可能會重復出現。假設訓練集d＝{x_1,x_2,...,x_n}，其中xi表示訓練樣本，n是樣本數量。在bootstrap抽樣過程中，每次從訓練集d中隨機抽取n個樣本，可能出現重復樣本。

24、決策樹訓練：對于每個通過bootstrap抽樣生成的子數據集d1，構建一棵決策樹。在樹的每個節點，隨機選擇部分特征子集(特征的隨機選擇)來尋找最優的分裂特征。通過遞歸地分裂節點，直到滿足停止準則(例如樹的深度或葉子節點的樣本數量)。決策樹的構建依賴于信息增益(information?gain，ig)和基尼指數(gini?index)來衡量分裂質量。

25、信息增益是衡量通過某一特征分裂數據集后，類別純度的提升。假設在節點n上選擇特征a進行分裂，信息增益的計算公式為：

26、

27、其中，h(d)是數據集d的熵(entropy)，表示數據集的不確定性：

28、

29、其中，pi是數據集中類別i的概率，m是類別總數；dv是特征a取值為v時的數據子集。

30、基尼指數用于衡量數據集的不純度，基尼指數越小，表示數據集的純度越高。基尼指數的計算公式為：

31、

32、其中，pi是數據集d中屬于類別i的概率。

33、集成與投票：在每棵決策樹訓練完成后，所有決策樹的預測結果通過多數投票法進行集成。在測試階段，對于輸入樣本x，每棵決策樹ti會輸出一個類別預測ci。最終的預測類別c通過投票確定：

34、c＝mode(c1,c2,...,cn)?(8)

35、其中，n是隨機森林中決策樹的數量，mode表示選擇出現頻率最高的類別。

36、輸出結果：隨著所有決策樹的分類結果整合，最終分類結果即為隨機森林的輸出。這種集成方式能夠顯著提升分類性能，減少單棵決策樹在訓練集上可能產生的偏差和方差。

37、其中，n是隨機森林中決策樹的數量，mode表示選擇出現頻率最高的類別。

38、進一步，針對決策樹數量和最小葉子數兩個超參數進行了調優。調優的過程采用了網格搜索結合貝葉斯優化的策略。

39、首先，通過網格搜索系統性地探索超參數空間，為后續的貝葉斯優化提供初始結果。網格搜索的超參數范圍設定為：最小葉子數(1,3,5,7,9)和決策樹數量(50,100,150,200,250)。通過數據集上的5折交叉驗證進行性能評估，網格搜索得出的最優超參數組合為最小葉子數為1、決策樹數量為100。

40、在此基礎上，為進一步優化模型性能，采用貝葉斯優化在更精細的超參數范圍內進行調優。具體來說，最小葉子數的范圍為1-6，決策樹數量的范圍為50-150。貝葉斯優化通過迭代方式，根據前一輪的結果不斷調整參數，最終收斂到全局最優超參數組合。觀測到的最佳參數組合為最小葉子數為1、決策樹數量為107，根據代理模型得到的最佳參數組合為最小葉子數為1、決策樹數量為143。最終確定的超參數組合顯著提升了模型的準確性和魯棒性，為診斷任務提供了可靠的支持。

41、本發明的另一目的在于提供一種實現所述基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法的基于光電信號的匯流排激光焊接虛焊缺陷在線診斷系統，包括：

42、數據處理模塊，用于進行原始光電信號數據處理；

43、特征定義模塊，用于進行基于參考值的特征定義；

44、質量診斷模型搭建模塊，用于搭建基于隨機森林的質量診斷模型。

45、本發明的另一目的在于提供一種計算機設備，計算機設備包括存儲器和處理器，存儲器存儲有計算機程序，計算機程序被處理器執行時，使得處理器執行所述的基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法的步驟。

46、本發明的另一目的在于提供一種計算機可讀存儲介質，存儲有計算機程序，計算機程序被處理器執行時，使得處理器執行所述的基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法的步驟。

47、本發明的另一目的在于提供一種信息數據處理終端，信息數據處理終端包括所述的基于光電信號的匯流排激光焊接虛焊缺陷在線診斷系統。

48、結合上述的技術方案和解決的技術問題，本發明所要保護的技術方案所具備的優點及積極效果為：

49、第一、針對現有激光焊接質量診斷技術中的缺陷和不足，本發明提出了一種基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法。在提出的方法中，提出了一種基于參考值的特征定義方法，這種特征定義方法通過多波段的數據分割和信號差異系數特征矩陣的計算提高了診斷的準確率，具備適應不同工藝條件及檢查局部缺陷的優勢。在此基礎上，構建了基于隨機森林的質量診斷模型。該方法不僅能夠檢測匯流排激光焊接中是否存在虛焊缺陷，還能進一步診斷虛焊缺陷的誘發因素，這為工業生產中快速定位問題來源并采取針對性措施提供了有效支持。

50、第二，本發明提出的基于光電信號驅動機器學習的匯流排激光焊接虛焊缺陷在線診斷方法，采用光電二極管作為傳感器，具有成本低、配置靈活、響應迅速等顯著優勢。結合這些技術特點，本發明不僅具備強大的技術優勢，還能為多個行業帶來顯著的經濟效益和商業價值。

51、(1)提高生產效率與質量

52、該技術能夠實時在線檢測焊接過程中的虛焊缺陷，并診斷缺陷的誘發因素，顯著提高了焊接過程的自動化水平和產品質量的可靠性。光電二極管傳感器的使用，使得檢測系統不僅低成本、快速響應，而且能夠靈活配置，適應不同生產環境與工藝要求。這些特點使得該技術在大規模制造過程中，能夠顯著提高生產效率、降低不良品率、減少返修和廢品，從而降低了整體生產成本。

53、(2)降低運營成本

54、光電二極管作為傳感器，具有極高的靈敏度和穩定性，在焊接過程中能快速捕捉到虛焊缺陷的信號，進而提升缺陷檢測的準確性與及時性。這一優勢不僅有助于企業節省因缺陷帶來的維修和替換成本，還能減少設備停機時間，提高生產連續性。此外，隨著焊接質量的提升和缺陷檢測精度的提高，產品的整體質量將得到保障，客戶的滿意度也將提高，進一步促進企業的市場競爭力。

55、(3)推動產業升級與技術創新

56、隨著電動汽車、智能電網及其他高科技領域的發展，對高效、可靠電氣連接的需求日益增加。本發明的在線虛焊檢測系統不僅能滿足現有制造需求，還能推動這些行業在智能制造和自動化檢測方面的技術創新。特別是在電動汽車的制造過程中，焊接質量對于電池組的安全性和性能至關重要。光電二極管傳感器的高響應速度和靈活配置，使得該技術能夠在不同的焊接環境中實現高效、精確的缺陷診斷，進一步推動相關產業的技術升級。

57、(4)市場競爭優勢與需求增長

58、全球社會面臨氣候變化與能源緊缺等挑戰，電動汽車的需求正在快速增長。為減少溫室氣體排放，電動汽車替代傳統化石燃料汽車已成為全球趨勢。根據預計，到2030年，僅歐盟將有至少3000萬輛零排放電動汽車(ev)上路。組裝電動汽車電池組需要進行約2萬個電池到標簽的焊接，這意味著每年將進行數十億次焊接，焊接質量和效率的提高對于電動汽車制造商至關重要。

59、本發明的虛焊缺陷在線檢測方法，尤其是在電池組焊接過程中具有廣泛的應用前景。隨著電動汽車生產的規模化與焊接工藝的復雜化，對焊接質量控制的要求日益提高，本發明將成為電動汽車產業中不可或缺的關鍵技術之一。

60、(5)投資潛力與回報

61、本發明不僅能為現有制造企業提供高效、低成本的焊接質量檢測方案，還具備廣泛的行業適用性。隨著電動汽車需求的爆發和全球對高精度制造技術的關注，該技術的商業化將吸引大量投資者關注。預計隨著技術的逐步推廣與市場應用的擴大，投資回報將在短期內顯現，長期則可獲得持續增長的盈利。特別是在電動汽車、電力系統等高增長領域，本技術的投資回報率極具吸引力。

62、本發明的技術方案通過光電二極管傳感器的低成本、高響應、靈活配置的優勢，結合光電信號驅動的機器學習虛焊缺陷檢測方法，在提高焊接質量、降低生產成本和提升效率方面具有顯著優勢。隨著電動汽車需求的快速增長及全球能源轉型，本發明將為制造業、特別是電動汽車產業帶來重要的技術突破和商業機會。其廣闊的市場前景和技術創新價值將為相關企業提供強大的競爭力，并為投資者帶來可觀的回報。

63、第三，現有的基于光電信號的激光焊接質量診斷技術，在工業實際應用中大多依賴于閾值判定方法。該方法通過人為設定一個閾值，定量描述被測工件生成的信號曲線超出良好焊縫的包絡線程度，進而判斷焊接質量。然而，這種方法的準確率高度依賴于閾值的設置，且閾值的設定通常受到人為因素的影響，這使得其可靠性較差，且智能化程度較低。隨著工業需求對更高智能化和準確性的要求，現有的診斷方法已難以滿足復雜工藝條件下的高效焊接質量診斷需求。

64、近年來，部分研究人員嘗試結合機器學習算法和光電信號特征進行焊接質量的智能診斷，盡管這類方法在一定程度上改善了焊接質量檢測的精度。大多數研究僅提取光電信號本身的特征，如不同波段信號的均值、方差等統計學特征，或采用小波包變換、概率密度分析等方法提取光電信號的特征值，以此來反映激光焊接質量的狀態。然而，這些方法存在以下不足：

65、(1)工藝參數干擾：光電信號本身并不直接測量焊縫的尺寸，因此焊接過程中的各種工藝參數，如激光功率、焦點位置、焊接材料的特性等，會對光電信號產生影響，進而影響質量診斷的準確性。

66、(2)光輻射特性差異：在不同工藝條件下，激光焊接產生的光輻射特性存在顯著差異。例如，激光功率的波動可能導致光輻射信號強度的變化，搭接材料不同會影響背反射的特性。這些因素導致在不同工藝條件下，定義為良好焊縫的光電信號特征區間可能發生變化，從而影響質量診斷的穩定性和準確性。

67、(3)缺乏適應性：現有的診斷方法通常要求在每種工藝條件下重新收集大量數據來訓練模型，這使得它們難以滿足如匯流排激光焊接這種對高效率和高可靠性要求較高的工業應用。

68、為了填補這一技術空白，本發明提出了一種創新的基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法及系統。該方法通過實時采集激光焊接過程中的光電信號，并采用基于參考值的特征定義方法對信號數據進行處理和特征提取。具體而言，基于參考值的特征定義方法通過多波段數據分割和信號差異系數的計算，顯著提升了焊接質量診斷模型的準確率和魯棒性。此外，本發明還構建了基于隨機森林算法的虛焊缺陷診斷模型，實現了在不同工藝條件下對匯流排激光焊接虛焊缺陷的高效、準確診斷。

69、主要創新和優勢體現在以下幾個方面：

70、基于參考值的特征定義方法：本發明提出的基于參考值的特征定義方法通過多波段數據分割和信號差異系數的計算，克服了傳統方法中由于工藝參數差異帶來的信號特征區間變化問題。與傳統的基于信號本身的特征定義方法方法相比，基于參考值的特征定義方法顯著提高了質量診斷的準確率和魯棒性，能夠在多種工藝條件下實現穩定、高效的缺陷診斷。

71、基于隨機森林的缺陷診斷模型：本發明構建的隨機森林模型，在1427個不同工藝條件下的焊縫樣本中，檢測虛焊缺陷的平均準確率達到99.20％。這一高準確率確保了焊接質量的可靠評估，并為工業現場提供了可行的診斷工具。

72、缺陷誘發因素診斷：該方法不僅能夠準確檢測虛焊缺陷，還能進一步診斷虛焊缺陷的誘發因素，如激光功率波動、焦點移位、表面污染和接頭間隙不穩定等。實驗結果表明，模型在診斷這些誘發因素方面的平均準確率為98.75％，為生產現場提供了更深入的故障診斷支持。

73、通過上述創新，本發明的技術方案不僅填補了目前國內外在激光焊接質量診斷領域的技術空白，還為匯流排及其他高要求焊接質量控制提供了一種智能、精準、高效的解決方案。特別是在電動汽車、電力系統及新能源產業的應用中，本技術能夠大幅提升焊接過程的質量控制水平，降低生產成本，提升產品的安全性和可靠性，為相關行業的技術進步和產業升級提供有力支持。

74、第四，在激光焊接領域，尤其是高精度焊接應用中，焊接質量的實時檢測和虛焊缺陷的精準診斷，一直是技術人員和工程師面臨的重大難題。盡管現代焊接技術不斷發展，但如何在復雜的工藝條件下實現對焊接質量的智能、精準、實時診斷，依然沒有一個成熟、通用的解決方案。

75、(1)焊接質量診斷的高難度

76、焊接過程中，各種因素如激光功率波動、表面污染、夾具不穩定、激光焦點移位等都會影響最終焊縫的質量。盡管傳統的焊接質量檢測方法，例如基于圖像的視覺檢測、紅外熱像檢測等手段，已經在一定程度上應用于焊接過程的質量控制，但這些方法大多存在以下問題：

77、依賴人工經驗：傳統的檢測方法往往依賴于操作人員的經驗，自動化和智能化水平較低，難以在大規模生產中實現高效穩定的質量控制。

78、受工藝條件影響大：激光焊接過程中，工藝參數的變化(如激光功率、焦點位置、材料種類等)會導致焊接過程中產生的光電信號特性發生顯著變化。傳統方法常常需要在不同工藝條件下重新訓練模型，這大大增加了時間成本和技術難度。

79、缺乏實時性：現有的質量檢測方法大多為離線檢測，無法在實際生產過程中實現實時、在線的缺陷檢測和質量評估。

80、這些問題長期困擾著工業界，尤其是在高精度、高效率的焊接應用中，焊接質量檢測的準確性和及時性對于產品的質量控制、生產效率和設備安全至關重要。雖然科研人員已在這一領域做出很多嘗試，但始終未能突破上述難題，無法提供一個既能適應復雜工藝條件，又能實現高效、智能化診斷的解決方案。

81、本發明的技術方案通過基于光電信號和機器學習的智能診斷方法，解決了上述難題。具體來說，本發明提出的基于光電信號的匯流排激光焊接虛焊缺陷在線診斷方法及系統，引入了基于參考值的特征定義方法，通過多波段數據分割和信號差異系數計算，有效提高了焊接缺陷診斷的準確性和魯棒性，突破了傳統閾值判定方法的局限，成功克服了因工藝變化導致的診斷準確度下降的問題。

82、本發明的核心創新在于：

83、智能化高效診斷：通過機器學習算法，結合光電信號的特征，建立了基于隨機森林的焊接質量診斷模型，實現了焊接缺陷的實時、智能化檢測。與傳統人工設定閾值方法相比，該方法在焊接質量的識別和缺陷檢測中具有更高的準確性、穩定性和自動化水平。

84、跨工藝適應性強：通過引入基于參考值的特征定義方法，本發明能夠適應不同工藝條件下的焊接過程，克服了傳統方法在面對不同激光功率、表面污染、接頭間隙等復雜因素時，模型準確性下降的問題。該方法可以在多種焊接條件下進行自動化診斷，無需重新采集大量數據進行訓練，從而大大提高了診斷效率。

85、實時在線檢測：本發明通過實時采集激光焊接過程中的光電信號，并通過高效的算法進行快速分析和診斷，解決了現有技術中無法進行實時、在線焊接質量檢測的難題。這一創新使得本發明可以直接應用于生產線中，實現焊接質量的動態監控，快速定位缺陷并及時調整生產工藝，極大地提高了生產效率。

86、高準確性和魯棒性：本發明提出的虛焊缺陷診斷模型，在不同工藝條件下的1427個焊縫樣本中，虛焊缺陷檢測的平均準確率達到99.20％，而對于缺陷誘發因素(如激光功率波動、焦點移位、表面污染等)的診斷準確率為98.75％。這一高準確率使得本發明能夠有效解決傳統方法診斷準確性不足的問題，滿足了高精度焊接質量控制的需求。

87、因此，本發明的技術方案不僅成功突破了傳統光電信號焊接質量診斷方法的局限，填補了該領域的技術空白，而且為焊接質量控制提供了一個高效、智能、適應性強的解決方案。它解決了人們長期渴望解決的技術難題，即如何在復雜工藝條件下，利用光電信號實現對焊接過程中的虛焊缺陷進行實時、準確的在線診斷，并在此基礎上進一步診斷缺陷的誘發因素。