System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于智能焊接,具体涉及一种基于表征学习的焊接接头质量时序预测方法和系统。
技术介绍
1、近年来,随着机器人和人工智能技术的发展,传统的焊接制造方式正从自动化、数字化和网络化向智能化发展和演进。因为焊接制造过程是一个复杂“热-力-冶金耦合”的过程,当受到来自外部环境和各种非人为因素的干扰,所采取的固定焊接工艺并不能保证焊接的接头质量。作为表征焊接质量重要的特征信息之一,焊接接头的熔透状态识别一直是焊接过程感知的研究热点,由于决定焊接接头熔透状态的熔池下表面隐藏于工件之下,难以进行直接观测,因此常用的解决手段是通过观测工件表面的可直接获得的物理信息对接头熔透状态进行估计识别。
2、目前熔透识别技术主要包括电弧声信号及视觉传感的监测方法,相比之下视觉传感获得的图像所表达的信息更为直观,更容易提取熔透信息特征。但是目前对于使用视觉传感对焊接接头熔透状态进行深度学习识别的方法往往将熔透识别问题定义为分类问题即划分为部分熔透、完全熔透、过分熔透,其先验假设在整个焊接过程中并不成立,而且目前采用的大规模标签数据集进行训练数据标注成本高且困难,另外,焊接过程是一个连续的过程,当前时刻的焊接质量往往与前一时刻的焊接程度相关,现有技术却并未考虑前后图像时序关联性,这就导致焊接信息的熔透信息预测不准确,进而导致焊接接头质量控制难度增大,降低了焊接质量。
技术实现思路
1、为了解决现有技术存在的往往将熔透识别问题定义为分类问题即划分为部分熔透、完全熔透、过分熔透,其先验假设在整个焊接
2、第一方面
3、本专利技术提供了一种基于表征学习的焊接接头质量时序预测方法,包括:
4、s101:采集焊接区域图像,其中,焊接区域图像包括熔池背面图像和熔池正面图像;
5、s102:从熔池背面图像中分割熔池区域;
6、s103:确定熔池区域面积和熔池区域长度之间的关系,对分割导致的误差进行矫正,获取真实熔池区域面积,建立所述真实熔池区域面积和所述熔池区域长度的标注函数;
7、s104:基于所述标注函数标注所述熔池正面图像的标签数据,结合熔池正面图像和其相应标签数据建立样本数据集,其中,所述样本数据集包括按预设比例划分的训练集、验证集和测试集;
8、s105:结合注意力机制构建卷积自编码器,其中,卷积自编码器包括依次连接的输入层、多个卷积层、最大池化层、全连接层、输出层和多层反卷积层,其中,每个卷积层之后均设置有相互连接的注意力机制层和归一化层;
9、s106:利用样本数据集对卷积自编码器进行训练,确定卷积自编码器的模型参数;
10、s107:建立门控循环单元网络模型,其中,门控循环单元网络模型包括依次连接的输入层、隐藏层、注意力模块、批量归一化层和输出层,其中,隐藏层包括更新门和重置门,输出层包括leakyrelu激活函数;
11、s108:将卷积自编码器提取的熔池正面图像特征向量作为输入数据,对门控循环单元网络模型进行训练,输出预测熔池长度,采用均方根误差函数作为门控循环单元网络模型损失函数,计算预测熔池长度与标注的熔池长度之间的损失,确定门控循环单元网络模型的模型参数;
12、s109:采集焊接过程中的熔池背面图像,将焊接过程中的熔池背面图像输入至训练后的卷积自编码器和门控循环单元网络模型进行预测,输出焊接过程中的熔池长度;
13、s110:根据焊接过程中的熔池长度调整焊接时长。
14、第二方面
15、本专利技术提供了一种基于表征学习的焊接接头质量时序预测系统,包括处理器和用于存储处理器可执行指令的存储器;所述处理器被配置为调用所述存储器存储的指令,用于执行第一方面中的基于表征学习的焊接接头质量时序预测方法。
16、与现有技术相比,本专利技术至少具有以下有益技术效果:
17、在本专利技术中,建立了熔池区域面积和熔池区域长度的关系,进而确定了标注函数对熔池正面图像进行自监督标注,标注出相应的熔池长度,完成自动化标注,在降低标注成本和标注困难的同时,保持了标注准确性。另外,结合注意力机制构建卷积自编码器,聚焦并提取熔池正面图像的有效特征权重,降低无效或效果小的特征图权重,即使在少量样本数据集的情况下,也能提取到有效且准确的图像特征,进一步降低了样本数据集的获取成本和标注难度。此外,设计具有更新门和重置门的门控循环单元网络模型预测熔池长度,充分利用门控机制决策是否利用前一时刻状态的输出信息更新当前时刻的熔池长度,在熔池长度的预测过程中将整个焊接过程作为一个有序过程,充分考虑时序关系,进行准确熔池长度预测,提升熔池长度预测精度,确保焊接质量。
本文档来自技高网...【技术保护点】
1.一种基于表征学习的焊接接头质量时序预测方法,其特征在于,包括:
2.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述S101具体包括:
3.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述S102具体包括:
4.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述S103具体包括:
5.根据权利要求4所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,通过最小二乘法确定所述第二调整系数和所述截距参数。
6.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述S106具体包括:
7.根据权利要求6所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述S1061具体包括:
8.根据权利要求6所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述S1062具体包括:
9.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述S108具体包括:
10.一种基于表征学习的焊接接头质量时序预测系统,其特征在于,包括处理器和用于存储处理器可执行指令的存储器;所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任一项所述的基于表征学习的焊接接头质量时序预测方法。
...【技术特征摘要】
1.一种基于表征学习的焊接接头质量时序预测方法,其特征在于,包括:
2.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述s101具体包括:
3.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述s102具体包括:
4.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,所述s103具体包括:
5.根据权利要求4所述的基于表征学习的焊接接头质量时序预测方法,其特征在于,通过最小二乘法确定所述第二调整系数和所述截距参数。
6.根据权利要求1所述的基于表征学习的焊接接头质量时序预测方法...
【专利技术属性】
技术研发人员:张旭东,王飞,王启越,陈友荣,张恒,王章权,刘半藤,
申请(专利权)人:浙江树人学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。