基于GRU-C网络的点焊质量检测方法、装置及存储介质制造方法及图纸

本发明专利技术涉及焊接技术领域，公开一种基于GRU

【技术实现步骤摘要】
基于GRU
‑
C网络的点焊质量检测方法、装置及存储介质


[0001]本专利技术涉及焊接
，尤其涉及一种基于GRU
‑
C网络的点焊质量检测方法、装置及存储介质。

技术介绍

[0002]在汽车生产线上，需要检测车身焊点的质量。目前，传统的人工检测手段成本高、效率低，且不能完成全覆盖检测。现有的采用机器学习的焊点检测方法往往只根据某一个参数进行分析，不能充分的利用采集的数据，导致无法做到高精度的检测。此外，常见的深度学习的方法虽然提升了检测精度，但是参数量较多，应用在生产线上时速度较慢，不利于实时处理故障。

技术实现思路

[0003]本专利技术提供了一种基于GRU
‑
C网络的点焊质量检测方法、装置及存储介质，以实现板材间隙等隐蔽故障的高精度检测，并且减少参数数量与训练时间，提高了检测效率。
[0004]第一方面，为了解决上述技术问题，本专利技术提供了一种基于GRU
‑
C网络的点焊质量检测方法，包括：
[0005]获取点焊过程中的原始工况数据，并对所述原始工况数据进行归一化处理，得到输入工况数据；
[0006]根据交叉网络单元对所述输入工况数据进行特征提取，得到交叉特征数据；
[0007]根据GRU网络模型对所述输入工况数据进行特征提取，得到时序特征数据；
[0008]将所述交叉特征数据与所述时序特征数据进行特征融合，得到融合特征数据；
[0009]将所述融合特征数据输入到优化完成的假设函数中，并通过激活函数得到对于焊点质量的判别概率。
[0010]优选地，所述假设函数的优化过程包括：
[0011]构建包括k维向量的假设函数，并根据所述假设函数构建损失函数；其中，所述假设函数用于表示样本属于每一种类型的概率；
[0012]根据BP反向传导算法对所述假设函数的参数进行优化，以使所述损失函数收敛于最小值。
[0013]优选地，所述根据GRU网络模型对所述输入工况数据进行特征提取，得到时序特征数据，包括：
[0014]将所述输入工况数据与上一时刻状态变量的拼接矩阵变换后得到更新门状态变量和重置门状态变量；
[0015]根据所述更新门状态变量、所述上一时刻状态变量和所述输入工况数据，得到此时候选集状态；
[0016]在重置门中确定写入候选集中的数据，并根据所述重置门状态变量、所述上一时刻状态变量和所述此时候选集状态得到当前时刻状态变量；
[0017]将所述当前时刻状态变量输入到激活函数中，得到时序特征数据。
[0018]优选地，所述GRU网络模型包括：
[0019]r
t
＝σ(W
r
×
[h
t
‑1，x
t
])
[0020]z
t
＝σ(W
s
×
[h
t
‑1，x
t
])
[0021][0022][0023]y
t
＝σ(W
o
×
h
t
)
[0024]式中：x
t
为当前时刻的输入工况数据；h
t
‑1为上一时刻状态变量；h
t
为当前时刻状态变量；r
t
为更新门状态变量；z
t
为重置门状态变量；为此时候选集状态；y
t
为时序特征数据；W
o
、W
s
、W
r
分别为输出向量与x
t
、h
t
‑1构成矩阵相乘得出的权重、候选集、重置门以及更新门；σ为sigmoid激活函数，为tanh激活函数。
[0025]优选地，所述交叉网络单元为多层交叉层级联，传递公式为：
[0026][0027]其中，x0表示输入工况数据，x
l
、x
l+1
分别代表多层穿越网络中第l层与第l+1层输出的列向量，w
l
为交叉层中第l层的权重向量，b
l
为交叉层中第l层的偏置。
[0028]优选地，所述交叉网络单元为单层交叉网络，传递公式为：
[0029]y＝x0*x
′
*w+b+x
[0030]其中，x0表示输入工况数据，x表示这一层的输入，x
′
表示输入的转置，w表示权重向量，b表示偏置。
[0031]优选地，所述假设函数为：
[0032][0033]其中，j表示向量的第j个元素，k是类别数，i表示焊点的样本编号。
[0034]优选地，所述损失函数为：
[0035][0036]其中，是参数衰减项。
[0037]第二方面，本专利技术提供了一种基于GRU
‑
C网络的点焊质量检测装置，包括：
[0038]数据处理模块，用于获取点焊过程中的原始工况数据，并对所述原始工况数据进
行归一化处理，得到输入工况数据；
[0039]交叉特征模块，用于根据交叉网络单元对所述输入工况数据进行特征提取，得到交叉特征数据；
[0040]时序特征模块，用于根据GRU网络模型对所述输入工况数据进行特征提取，得到时序特征数据；
[0041]特征融合模块，用于将所述交叉特征数据与所述时序特征数据进行特征融合，得到融合特征数据；
[0042]质量判别模块，用于将所述融合特征数据输入到优化完成的假设函数中，并通过激活函数得到对于焊点质量的判别概率。
[0043]第三方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于GRU
‑
C网络的点焊质量检测方法。
[0044]相比于现有技术，本专利技术具有如下有益效果：
[0045]本专利技术提供的基于GRU
‑
C网络的点焊质量检测方法，通过获取点焊过程中的原始工况数据，并对所述原始工况数据进行归一化处理，得到输入工况数据；根据交叉网络单元对所述输入工况数据进行特征提取，得到交叉特征数据；根据GRU网络模型对所述输入工况数据进行特征提取，得到时序特征数据；将所述交叉特征数据与所述时序特征数据进行特征融合，得到融合特征数据；将所述融合特征数据输入到优化完成的假设函数中，并通过激活函数得到对于焊点质量的判别概率。
[0046]相比于长短时记忆网络等现有技术，GRU网络模型的参数量减少了约25％。同时，交叉特征和时序特征经输出层进行特征融合，并通过Softmax函数输出网络对于焊点质量的判别概率。本专利技术能提升总体故障工况检出率，完成板材间隙等隐蔽故障的高精度检测，并且减少参数数量与训练时间，提高了检测效率。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GRU
‑
C网络的点焊质量检测方法，其特征在于，包括：获取点焊过程中的原始工况数据，并对所述原始工况数据进行归一化处理，得到输入工况数据；根据交叉网络单元对所述输入工况数据进行特征提取，得到交叉特征数据；根据GRU网络模型对所述输入工况数据进行特征提取，得到时序特征数据；将所述交叉特征数据与所述时序特征数据进行特征融合，得到融合特征数据；将所述融合特征数据输入到优化完成的假设函数中，并通过激活函数得到对于焊点质量的判别概率。2.根据权利要求1所述的基于GRU
‑
C网络的点焊质量检测方法，其特征在于，所述假设函数的优化过程包括：构建包括k维向量的假设函数，并根据所述假设函数构建损失函数；其中，所述假设函数用于表示样本属于每一种类型的概率；根据BP反向传导算法对所述假设函数的参数进行优化，以使所述损失函数收敛于最小值。3.根据权利要求1所述的基于GRU
‑
C网络的点焊质量检测方法，其特征在于，所述根据GRU网络模型对所述输入工况数据进行特征提取，得到时序特征数据，包括：将所述输入工况数据与上一时刻状态变量的拼接矩阵变换后得到更新门状态变量和重置门状态变量；根据所述更新门状态变量、所述上一时刻状态变量和所述输入工况数据，得到此时候选集状态；在重置门中确定写入候选集中的数据，并根据所述重置门状态变量、所述上一时刻状态变量和所述此时候选集状态得到当前时刻状态变量；将所述当前时刻状态变量输入到激活函数中，得到时序特征数据。4.根据权利要求3所述的基于GRU
‑
C网络的点焊质量检测方法，其特征在于，所述GRU网络模型包括：r
t
＝σ(W
r
×
[h
t
‑1,x
t
])z
t
＝σ(W
s
×
[h
t
‑1,x
t
])])y
t
＝σ(W
o
×
h
t
)式中：x
t
为当前时刻的输入工况数据；h
t
‑1为上一时刻状态变量；h
t
为当前时刻状态变量；r
t
为更新门状态变量；z
t
为重置门状态变量；为此时候选集状态；y
t<...

【专利技术属性】
技术研发人员：陶志宏，何锡焕，刘祝托，郑世卿，庄树祥，邹见效，凡时财，苌洋，王宏晔，王子栋，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：