【技术实现步骤摘要】
本专利技术属于铝焊生产，具体是指基于人工智能的铝焊生产线监管方法及系统。
技术介绍
1、铝焊生产线监管通过人工智能技术监控生产线上的各项参数，能够快速识别潜在问题，及时作出调整，降低次品率和能源消耗，从而提高生产效率、保障产品质量、降低成本和增强生产过程的安全性，推动工业生产的智能化发展。但在现有的铝焊生产线监管过程中，存在复杂的高温烟尘环境，导致红外热图像夹杂大量干扰信息和背景噪音，对铝焊生产线监管系统的准确性产生不良影响的技术问题；存在焊缝熔深容易受到焊接条件变化的影响，对模型鲁棒性要求较高，缺少一种能够快速适应新焊接条件的预测方法的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的铝焊生产线监管方法及系统，针对在铝焊生产线监管过程中，存在复杂的高温烟尘环境，导致红外热图像夹杂大量干扰信息和背景噪音，对铝焊生产线监管系统的准确性产生不良影响的技术问题，本方案采用局部二值模式算法，能够在局部范围进行特征提取，有助于减少对全局信息的敏感度，有效抵抗图像中的干扰和噪音，从而更好地适应复杂的生产环境，有助于提升铝焊生产线监管系统的准确性和有效性；针对在铝焊生产线监管过程中，存在焊缝熔深容易受到焊接条件变化的影响，对模型鲁棒性要求较高，缺少一种能够快速适应新焊接条件的预测方法的技术问题，本方案采用基于模型无关元学习的焊缝熔深预测，结合了焊接图像和焊接数据进行预测，促进了模型对焊接过程的理解，对少样本具有更好的学习能力，减少了对大量数据的依赖，
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的铝焊生产线监管方法，该方法包括以下步骤：
3、步骤s1：数据监控，具体为通过数据监控从铝焊生产线获取不同焊接任务的铝焊生产数据和焊缝熔深数据，将所述焊缝熔深数据作为模型标签；
4、步骤s2：数据预处理；
5、步骤s3：焊接特征工程，具体为采用局部二值模式算法对焊接标准图像进行特征提取，计算得到焊接图特征向量；
6、步骤s4：焊缝熔深预测；
7、步骤s5：铝焊生产线监管报告生成。
8、进一步地，在步骤s1中，所述铝焊生产数据包括焊接图像和焊接数据，焊接图像具体为通过红外热像仪测量得到的红外热成像图，所述焊接数据具体为从铝焊生产线采集的焊接过程信号。
9、进一步地，在步骤s2中，所述数据预处理，包括以下步骤：
10、步骤s21：焊接图像预处理，具体为通过对焊接图像进行图像增强和归一化操作，得到焊接标准图像；
11、步骤s22：焊接数据预处理，具体为通过对焊接数据进行下采样和小波变换操作，得到焊接频谱特征。
12、进一步地，在步骤s3中，所述焊接特征工程，具体为采用局部二值模式算法对焊接标准图像进行特征提取，包括以下步骤：
13、步骤s31：将焊接标准图像划分为不重叠的窗口，得到n个子窗口；
14、步骤s32：从n个子窗口中选择一个子窗口作为当前子窗口；
15、步骤s33：计算当前子窗口的像素强度标准差，计算公式为：
16、；
17、式中，sdz是当前子窗口的像素强度标准差，m是当前子窗口的像素数量，j是当前子窗口的像素索引，gij是当前子窗口中第j个像素的灰度强度值，gg是当前子窗口的平均灰度强度；
18、步骤s34：依据红外热像仪的温度误差，调整符号函数，得到符号改进函数，所述符号改进函数的计算公式为：
19、；
20、式中，s(·)是符号改进函数，y是符号改进函数的参数，err是红外热像仪的温度误差；
21、步骤s35：定义局部二值模式计算函数，计算公式为：
22、；
23、式中，lbp(·)是局部二值计算函数，au是当前子窗口中心像素的横坐标，bu是当前子窗口中心像素的纵坐标，i是相邻像素索引，所述相邻像素用于表示与当前子窗口中心像素邻近的像素，gi是相邻像素值，gu是当前子窗口中心像素值；
24、步骤s36：通过局部二值模式计算函数，计算当前子窗口中每个像素的局部二值特征，得到当前子窗口局部二值特征；
25、步骤s37：依据当前子窗口的像素强度标准差和符号改进函数，修正当前子窗口局部二值特征，得到当前子窗口的修正特征，计算公式为：
26、；
27、式中，是当前子窗口的修正特征，lbpz是当前子窗口局部二值特征，sdz是当前子窗口的像素强度标准差，n是子窗口的数量，r是子窗口索引，sdr是第r个子窗口的像素强度标准差；
28、步骤s38：重复步骤s32及其后续步骤操作，计算得到每个子窗口的修正特征；
29、步骤s39：将每个子窗口的修正特征拼接起来，并进行主成分分析，得到焊接图特征向量。
30、进一步地，在步骤s4中，所述焊缝熔深预测，用于依据焊接频谱特征和焊接图特征向量进行焊缝熔深预测，具体为基于模型无关元学习的焊缝熔深预测，包括以下步骤：
31、步骤s41：将多层感知器作为模型的内部学习器，元模型作为模型的外部学习器，获取焊接频谱特征和焊接图特征向量作为模型的输入数据；
32、步骤s42：将每个焊接任务视为一个独立的任务，并将来自不同任务的输入数据视为不同的领域；
33、步骤s43：通过内循环和外循环进行元训练，得到最优元知识，包括以下步骤：
34、步骤s431：在每个焊接任务的输入数据中，通过随机选择得到相应的支持集和查询集；
35、步骤s432：初始化内部学习器参数和外部学习器参数，将外部学习器参数作为元知识；
36、步骤s433：设计内循环训练，包括以下步骤：
37、步骤s4331：使用支持集计算任务损失函数，计算公式为：
38、；
39、式中，w是焊接任务索引，是任务损失函数，所述任务损失函数用于表示第w个焊接任务的损失函数，qv是第w个焊接任务的支持集数据，pv是支持集真实标签，所述支持集真实标签用于表示第w个焊接任务的支持集数据对应的模型标签，是第w个焊接任务的支持集，loss(·)是交叉熵损失函数，是支持集预测标签，所述支持集预测标签用于表示第w个焊接任务的支持集数据对应的预测标签；
40、步骤s4332：通过梯度下降对内部学习器参数进行更新，计算公式为：
41、；
42、式中，是针对第w个焊接任务更新后的内部学习器参数，α是内部学习器参数，β是内循环学习率，γ是元知识，所述元知识具体指外部学习器参数，是任务损失函数关于内部学习器参数的梯度；
43、步骤s434：设计外循环训练，用于更新元知识，包括以下步骤：
44、步骤s4341：使用查询集计算元损失函数，计算公式为：
【技术保护点】
1.基于人工智能的铝焊生产线监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤S43中，所述通过内循环和外循环进行元训练，得到最优元知识，包括以下步骤：
3.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤S3中，所述焊接特征工程，包括以下步骤：
4.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤S2中，所述数据预处理，包括以下步骤：
5.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤S1中，所述铝焊生产数据包括焊接图像和焊接数据，焊接图像具体为通过红外热像仪测量得到的红外热成像图，所述焊接数据具体为从铝焊生产线采集的焊接过程信号。
6.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤S5中，所述铝焊生产线监管报告生成，具体为将焊缝熔深预测数据与设定阈值进行比较，如果焊缝熔深预测数据偏离设定阈值，则进行预警反馈，并生成铝焊生产线监管报告。
7
8.根据权利要求7所述的基于人工智能的铝焊生产线监管系统，其特征在于：所述数据监控模块，用于获取数据，具体为通过数据监控从铝焊生产线获取数据，得到铝焊生产数据和焊缝熔深数据，并将所述铝焊生产数据发送至数据预处理模块，将所述焊缝熔深数据发送至焊缝熔深预测模块；
...【技术特征摘要】
1.基于人工智能的铝焊生产线监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤s43中，所述通过内循环和外循环进行元训练，得到最优元知识，包括以下步骤：
3.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤s3中，所述焊接特征工程，包括以下步骤：
4.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤s2中，所述数据预处理，包括以下步骤：
5.根据权利要求1所述的基于人工智能的铝焊生产线监管方法，其特征在于：在步骤s1中，所述铝焊生产数据包括焊接图像和焊接数据，焊接图像具体为通过红外热像仪测量得到的红外热成像图，所述焊接数据具体为从铝焊生产线采集的焊接过程信号。
<...【专利技术属性】
技术研发人员：王志友，林亦鹤，樊友安，
申请(专利权)人：厦门锋元机器人有限公司，
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。