焊接设备智能监测异常识别大数据平台，以大数据技术、机器学习、深度神经网络模型为支撑，采集焊钳设备过程和工况海量数据，构建机器学习、深度神经网络模型，实现在焊接过程中识别设备异常（焊点质量），对虚焊、批量异常、飞溅三类异常进行有效识别和预警，及时发现焊钳设备异常，提高焊接质量。大数据平台根据业务需求，构建各类异常识别模型，提供智能应用系统。

焊接设备智能监测异常识别大数据平台，包括数据采集子系统、大数据建模、焊点异常识别模型、数据分析子系统、告警信息接口服务。

大数据建模

平台通过机器学习和深度神经网络，让机器从大量样本数据中自动学习其规律，并根据学习到的规律预测未知数据。平台根据业务需求，构建各类异常识别模型，提供智能应用系统。

大数据建模过程，主要包括数据采集、数据预处理、特征选择、模型建模、模型评价。数据采集，需要收集有效的数据，并确保数据的准确性和完整性；数据预处理，通过数据转换、缺失数据处理等对数据进行处理，并进行数据清洗；特征选择，根据业务的需要进行特征筛选，提取符合业务需求的特征；模型建模，根据业务需求，从数据中提取重要特征，建立相应的模型进行预测或推断；模型评价，对模型的准确率、可靠性、完整性等指标进行测试、模拟和评估。

基于沃达德大数据平台，通过对海量数据采集、处理、存储、分析和数据挖掘，根据数据的特性，采用合适的可视化方式，将数据直观地展现出来，以帮助人们认识数据、理解数据，同时找出包含在海量数据中的规律或者信息，预测未来发展趋势，进行智能化决策分析，使得数据资产成为核心竞争力。