1.基于增量学习的锚链闪光焊接质量在线检测方法，其特征在于，包括以下步骤：(1)采集M个不合格样本S＝{S1,S2,…,Si,…,SM}与N个合格样本T＝{T1,T2,…,Ti,…,TN}；

(2)通过分段线性插值使不合格样本和合格样本的信号长度一致，包括：将Li(1)个连续递增的整数 作为不合格样本Si在预热阶段的插值节点，是插值节点对应预热阶段电极位置信号Ai(1)的函数值，分段线性插值函数R(x)表示为：

其中 为预热阶段电极位置信号Ai(1)的插值基函数，具体表示为：

若x∈[xj,xj+1]，则预热阶段电极位置信号Ai(1)的分段线性插值函数R(x)表示为：其中，不合格样本S＝{S1,S2,…,Si,…,SM}与合格样本T＝{T1,T2,…,Ti,…,TN}的信号均由电极位置信号和电流信号组成，第i个不合格样本表示为Si＝[Ai,Bi]，在预热阶段、连续闪光阶段和顶锻阶段的长度分别为Li(1)、Li(2)和Li(3)，不合格样本的电极位置信号Ai表示为Ai＝[Ai(1),Ai(2),Ai(3)]，预热阶段的电极位置信号表示为连续闪光阶段的电极位置信号表示为 顶锻阶段的电极位置信号表示为 电流信号Bi表示为Bi＝[Bi(1),Bi(2),Bi(3)]，预热阶段的电流信号表示为 连续闪光阶段的电流信号表示为顶锻阶段的电流信号表示为

第i个合格样本表示为Ti＝[Ci,Di]，在预热阶段、连续光阶段和顶锻阶段的长度分别为Qi(1)、Qi(2)和Qi(3)，合格样本的电极位置信号Ci表示为Ci＝[Ci(1),Ci(2),Ci(3)]，预热阶段的电极位置信号表示为 连续闪光的电极位置信号表示为顶锻的电极位置信号表示为

电流信号Di表示为Di＝[Di(1) ,Di(2),Di(3)]，预热阶段的流信号表示为连续闪光阶段的电流信号表示为

顶锻阶段的电流信号表示

分段线性插值后不合格样本的长度为G，预热阶段、连续闪光阶段和顶锻阶段的长度分别为G1、G2和G3，插值后预热阶段的电极位置信号为 同理连续闪光阶段的电极位置信号为 顶锻阶段的电极位置信号为 A′i＝[A′i(1),A′i(2),A′i(3)]为不合格样本Si的电极位置信号Ai分段线性插值后的结果，同理B′i＝[B′i(1),B′i(2),B′i(3)]为不合格样本Si的电流信号Bi分段线性插值后的结果，S′i＝[A′i,B′i]为不合格样本Si分段线性插值后的结果，按照上述公式对合格样本进行分段线性插值，同理合格样本的长度为G，预热阶段、连续闪光阶段和顶锻阶段的长度分别为G1、G2和G3，C′i＝[C′i(1),C′i(2),C′i(3)]为合格样本Ti的电极位置信号Ci分段线性插值后的结果，同理D′i＝[D′i(1),D′i(2),D′i(3)]为合格样本Si的电流信号Di分段线性插值后的结果，Ti′＝[C′i,D′i]为合格样本Ti分段线性插值后的结果；

(3)对不合格样本和合格样本的信号进行归一化处理；

(4)计算不合格样本之间的距离，建立距离矩阵；

(5)从不合格样本中随机抽取样本后根据距离矩阵找到与抽取样本距离最近的样本，抽取样本和与其距离最近的样本合成新不合格样本，并计算新样本与已有不合格样本之间的距离；

(6)判断新不合格样本的数量是否与合格样本的数量相同，判断为是，则执行步骤(7)；

判断为否，则执行步骤(5)；

(7)构建卷积神经网络，选择一半的新不合格样本和一半的合格样本作为训练集对模型进行训练，其余的新不合格样本与合格样本作为测试集代入模型中，输出模型在测试集上的预测结果；

(8)判断是否有新增样本加入，判断为是，则执行步骤(9)；判断为否，则完成模型训练；

(9)利用新增样本对模型进行训练，训练完成后更新模型的参数；

(10)将测试集不合格样本与合格样本代入增量学习后的模型中，得到样本属于每个类别的预测概率，输出增量学习后模型的预测结果。

2.根据权利要求1所述的基于增量学习的锚链闪光焊接质量在线检测方法，其特征在于，所述步骤(3)具体为：

对每一个不合格样本S′i，采用如下公式进行归一化：其中，a′i,max为电极位置信号A′i的最大值，a′i,min为电极位置信号A′i的最小值，A″i＝[a″i,1,a″i,2,…,a″i,j,…,a″i,G]为电极位置信号A′i归一化后的结果；b′i,max为电流信号B′i的最大值，b′i,min为电流信号B′i的最小值，B″i＝[b″i,1,b″i,2,…,b″i,j,…,b″i,G]为电流信号B′i归一化后的结果，S″i＝[A″i,B″i]为不合格样本S′i归一化后的结果，按照上述公式对合格样本的信号进行归一化，同理归一化后的电极位置信号为C″i＝[c″i，1,c″i,2,…,c″i,j,…,c″i,G]，电流信号为D″i＝[d″i,1,d″i,2,…,d″i,j,…,d″i,G]，Ti″＝[C″i,D″i]为合格样本Ti′归一化后的结果。

3.根据权利要求1所述的基于增量学习的锚链闪光焊接质量在线检测方法，其特征在于，所述步骤(4)具体为：

不合格样本S″i和S″j之间的距离的计算公式如下：根据计算的距离，建立一个M*M的距离矩阵H：

其中，hi,j表示不合格样本S″i和S″j之间的距离；a″i,k表示不合格样本S″i的电极位置信号A″i中的第k个数；a″j,k表示不合格样本S″j的电极位置信号A″j中的第k个数；b″i,k表示不合格样本S″i的电流信号Bi″中的第k个数；b″j,k表示不合格样本S″j的电流信号B″j中的第k个数。

4.根据权利要求1所述的基于增量学习的锚链闪光焊接质量在线检测方法，其特征在于，所述步骤(5)中计算新样本与已有不合格样本之间的距离的具体步骤如下：对不合格样本S″i和S″j的电极位置信号进行合成：r＝rand(0.1,0.9)

Anew＝r×A″i+(1‑r)×A″j

其中r表示随机生成一个0.1到0.9之间的数，Anew表示合成之后的电极位置信号；

对不合格样本S″i和S″j的电流信号进行合成：

Bnew＝r×B″i+(1‑r)×B″j

Bnew表示合成之后的电流信号；Snew＝[Anew,Bnew]为合成之后的新样本，添加一行一列至距离矩阵H，用于存放新样本Snew与已有不合格样本之间的距离。

5.根据权利要求1所述的基于增量学习的锚链闪光焊接质量在线检测方法，其特征在于，所述步骤(7)具体为：

构建一个卷积神经网络模型，包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层；其中2个卷积层分别采用8通道和16通道，卷积核尺寸均为1*3；2个池化层均采用最大池化，池化核大小均为1*2；全连接层的神经元个数为3200；输出层的2个类别为合格与不合格；

采用反向传播和梯度下降更新模型的参数，在训练时使丢弃率dropout＝0.2，在迭代训练后保存模型，即得到检测锚链闪光焊接质量的模型；

将测试集的不合格样本与合格样本代入模型中，得到样本属于不合格与合格每个类别的预测概率，其中概率较大的类别为模型的预测结果。

6.权利要求1所述的基于增量学习的锚链闪光焊接质量在线检测方法，其特征在于，所述步骤(9)具体为：从新增样本中抽取M′个不合格样本与N′个合格样本，根据步骤(2)对样本的信号进行分段线性插值处理；

根据步骤(3)对样本的信号进行归一化处理；

根据步骤(4)计算M′个新增的不合格样本之间的距离，并计算与已有的不合格样本之间的距离，添加M′行M′列至距离矩阵H，用于存放计算好的距离；

从M′个新增的不合格样本中抽取一个样本，找到与其距离最近的一个样本来合成新样本，添加一行一列至距离矩阵H，用于存放合成的新样本与已有的不合格样本之间的距离；

判断不合格样本的数量是否与合格样本的数量相同，判断为是，则执行下一步判断为否，则执行上一步；

将新增样本输入到模型中进行训练，训练完成后更新模型的参数。