1.一种基于大数据处理的钢结构焊接工艺质量管理推荐方法，包括：获取焊接过程中的图像数据和实时数据，实时数据包含焊接的电流、电压和速度；

对图像数据进行标记，标记焊接缺陷的位置和类型；将标记后的图像数据与对应的实时数据进行同步，生成带标签的数据集；

对带标签的数据集进行预处理，预处理包含图像增强，生成预处理数据集；

根据预处理数据集，提取关键特征，关键特征包含材料类型、厚度和焊接方法，生成特征数据集；

对特征数据集进行聚类分析，获取不同焊接参数和环境条件下的工艺模式；

根据预处理数据集和特征数据集，通过迁移学习建立焊接模型，进行焊接缺陷检测；

根据用户的历史行为和偏好，构建用户画像；

结合用户画像、工艺模式和焊接缺陷检测结果，建立推荐模型，进行焊接工艺推荐；

根据识别的工艺模式和推荐的焊接工艺，通过多臂老虎机策略进行推荐结果的优化。

2.根据权利要求1所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：图像增强，包括：

将带标签的数据集划分为多个局部窗口；

计算每个局部窗口内的像素灰度值的累积分布函数CDF，将CDF映射到指定的动态范围内，映射后的灰度值范围为0至255，映射函数为：其中，i为原始灰度值，CDF(i)为灰度值i对应的累积分布函数值，CDF_min和CDF_max分别为局部窗口内CDF的最小值和最大值，round为四舍五入取整函数；

采用双线性插值方法对相邻局部窗口的映射结果进行平滑过渡，插值系数根据局部窗口的重叠率计算，计算公式为：coefficient＝1-overlap_ratio其中，window_size为局部窗口的大小，stride为相邻局部窗口之间的步长，overlap_ratio为局部窗口的重叠率，coefficient为插值系数。

3.根据权利要求2所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：图像增强，还包括：

计算每个局部窗口内像素灰度值的对比度和熵值，对比度计算公式为：其中，max_gray和min_gray分别为局部窗口内像素灰度值的最大值和最小值；

熵值计算公式为：

entropy＝-∑(p×log2(p))其中，p为局部窗口内每个灰度值出现的概率；

根据对比度和熵值的大小调整局部窗口的大小和重叠率；

其中，当对比度小于预设的对比度阈值且熵值小于预设的熵值阈值时，将局部窗口的大小增大，重叠率减小；当对比度大于预设的对比度阈值且熵值大于预设的熵值阈值时，将局部窗口的大小减小，重叠率增大；

将所有局部窗口的映射结果和插值结果组合，得到对比度增强后的图像数据。

4.根据权利要求3所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：对特征数据集进行聚类分析，包括：

采用最小-最大归一化方法对特征数据集进行归一化处理，将特征数据集中的每个特征的取值范围缩放到0至1区间内，得到归一化后的特征数据集；

将归一化处理后的特征数据集划分为训练集和验证集，其中，训练集用于特征选择，验证集用于评估特征集的聚类性能；

初始化候选特征子集为空集，初始化最优特征子集为全集，将归一化后的特征数据集作为初始的候选特征子集；

重复以下步骤，直至最优特征子集的大小达到预设的特征数量阈值k：将候选特征子集中的每个候选特征，将其加入当前最优特征子集，得到新的特征子集；

在训练集上采用新的特征子集训练聚类模型，得到聚类结果；

在验证集上采用训练得到的聚类模型进行聚类，评估聚类性能；

选择加入后使得聚类性能提升最大的特征，将其从候选特征子集中移除，加入最优特征子集，得到新的最优特征子集和新的候选特征子集；

如果当前候选特征子集的聚类性能优于最优特征子集，则将当前候选特征子集更新为最优特征子集；

输出最优特征子集，最优特征子集包含了对聚类结果影响最大的前k个特征。

5.根据权利要求4所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：对特征数据集进行聚类分析，还包括：

计算最优特征子集的核密度估计，其中，核密度估计采用高斯核函数，核密度估计的带宽参数采用Silverman's rule of thumb方法确定；

根据核密度估计的结果，选择密度最高的数据点作为第一个聚类中心；

计算最优特征子集中的每个数据点与第一个聚类中心的距离，距离计算公式为：其中，x为数据点的特征向量，c为聚类中心的特征向量，Σ为特征数据集的协方差矩阵；

根据计算得到的距离，计算每个数据点被选为下一聚类中心的概率，概率计算公式为：其中，d(x)为数据点x与已选聚类中心的距离；

根据计算得到的概率，采用Roulette Wheel Selection方法随机选择一个新的数据点作为下一个聚类中心；

重复以上步骤，直至选择出k个聚类中心。

6.根据权利要求5所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：对特征数据集进行聚类分析，还包括：

计算最优特征子集中的每个数据点属于各个聚类中心的隶属度，隶属度计算公式为：其中，c

根据数据点的隶属度，更新聚类中心的位置，更新聚类中心的位置的公式为：其中，u(x,c)为数据点x对聚类中心c的隶属度，x为数据点的特征向量，c为聚类中心的特征向量；

重复以上步骤，直至聚类中心的变化小于预设的阈值或达到最大的迭代次数。

7.根据权利要求6所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：评估聚类性能，包括：

采用如下公式评估聚类结果的紧凑度和分离度：其中，a(i)为数据点i与同一类别中其他数据点之间的平均距离，b(i)为数据点i与最近的其他类别中数据点之间的平均距离；s(i)取值范围为-1至1，s(i)值越大表示聚类结果的紧凑度和分离度越好；

采用如下公式评估聚类结果的整体性能：

其中，SS_b为类别之间的离差平方和，SS_w为类别内部的离差平方和，k为聚类的类别数，n为数据点的总数；CH值越大，表示聚类结果的类别之间差异越大，类别内部差异越小，聚类性能越好。

8.根据权利要求1至7任一所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：结合用户画像、工艺模式和焊接缺陷检测结果，建立推荐模型，进行焊接工艺推荐，包括：构建用户-工艺模式-缺陷检测结果的三元关系矩阵R，矩阵R中的元素r(u,i,j)表示用户u在工艺模式i下的焊接操作对应的缺陷检测结果j，r(u,i,j)取值为1表示用户在对应工艺模式下的操作结果为j，取值为0表示未知或未发生；

对构建的三元关系矩阵R进行分解，得到用户隐因子矩阵P、工艺模式隐因子矩阵Q和缺陷检测结果隐因子矩阵Y，分解公式为：R≈μ+B

其中，R为m×n×lm×n×l维三元关系矩阵，m为用户数，n为工艺模式数，l为缺陷检测结果类别数；P为m×k维用户隐因子矩阵，k为隐因子维度；Q为n×k维工艺模式隐因子矩阵；Y为l×k维缺陷检测结果隐因子矩阵；B

9.根据权利要求8所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：结合用户画像、工艺模式和焊接缺陷检测结果，建立推荐模型，进行焊接工艺推荐，还包括：通过如下公式修正分解公式：

r(u,i,j)≈μ+b

其中，μ为全局偏置项，b

采用随机梯度下降法最小化误差平方和，优化隐因子矩阵P、Q、Y和偏置项b其中，λ为正则化参数，||·||表示矩阵的Frobenius范数，采用交替最小二乘法对目标函数进行优化求解，交替固定部分参数，优化其他参数，迭代优化直至收敛，得到最优的隐因子矩阵P、Q、Y和偏置项b

10.根据权利要求9所述的基于大数据处理的钢结构焊接工艺质量管理推荐方法，其特征在于：结合用户画像、工艺模式和焊接缺陷检测结果，建立推荐模型，进行焊接工艺推荐，还包括：利用训练得到的最优隐因子矩阵P、Q、Y和偏置项br

其中，r

根据预测的缺陷检测结果概率分布，计算用户u对工艺模式i的潜在偏好，偏好值计算公式为：Preference(u,i)＝∑j×r其中，v

对于给定用户，根据其对不同工艺模式的潜在偏好值排序，得到对应用户的工艺模式偏好排序结果，为用户推荐潜在偏好值最高的工艺模式组合。