【技术实现步骤摘要】
本专利技术涉及焊接，特别是涉及一种基于电流数据的焊接质量智能评估方法。
技术介绍
1、传统的焊接质量检测方法主要依靠人工检测，包括目测法、x射线、超声波，杯突实验等。这些方法存在效率低、精度差、主观性强等问题。近年来，基于焊接参数的焊接质量预测方法逐渐成为研究热点。通常采用焊接参数为气体流量、焊接温度、送丝速度、焊接电流等。目前大多数方法只能处理结构简单、特征明显的问题。还有一些基于机器学习和深度学习的焊接质量评估方法，这些方法仍存在特征提取不充分、模型精度有限的问题。随着工业自动化的发展，焊接过程中的质量控制要求越来越高，亟需一种高效、准确、客观的焊接质量评估方法，因此本专利技术提出了一种基于改进densenet模型的焊接质量智能评估方法。
技术实现思路
1、本专利技术的目的是提供一种基于电流数据的焊接质量智能评估方法，通过改进的densenet模型，提高焊接质量预测的准确性与高效性。
2、步骤1、数据采集
3、在焊接过程中，通过数据采集模块实时采集焊接电流信号，采集频率为50hz至1000hz，以确保信号的完整性和细节捕捉。
4、步骤2、数据预处理
5、对采集到的电流信号进行预处理，对焊接前后采集的部分无效数据进行剔除，同时使用带通滤波器去除高频和低频噪声，以消除环境干扰和设备噪声，确保信号的纯净性，以免影响后续深度学习训练。
6、步骤3、特征提取
7、对采集到的焊接电流信号进行连续小波变换(continu
8、连续小波变换的定义如下：
9、
10、其中，x(t)是输入信号，是小波函数，a是尺度参数，b是平移参数
11、步骤4、制作数据集
12、利用连续小波变换后的数据生成16*1的时频图再裁剪成8张2*1的图像，以便后续区分焊接时哪些段合格，哪些段不合格。并且对原始图像进行左右镜像处理。这样的操作不仅扩增了数据集的规模，还有助于提高模型的泛化能力。接着对生成的图像进行了归一化处理，以确保数据具有相同的尺度。最后，将数据集按照8：2划分为训练集和测试集。
13、步骤5、模型构建
14、将注意力机制嵌入densenet模型中，每个稠密块由多个卷积层组成，且每个卷积层接收前面所有卷积层的输出。在每个稠密块后添加注意力模块，对特征图进行加权处理，生成增强的特征表示。
15、步骤6、模型训练
16、将训练集数据及测试集数据输入densenet模型进行训练，通过调整模型参数，使其能够准确预测焊接质量。训练过程中采用交叉验证法评估模型性能，并通过优化算法不断提升模型的预测准确率。
17、步骤7、在线评估
18、在实际应用中，将实时采集的焊接电流信号输入训练好的densenet模型，在线预测焊接质量。模型输出的焊接质量评分包括缺陷类型和缺陷位置。可用于实时监控焊接过程，并及时发现和纠正焊接缺陷。
本文档来自技高网...【技术保护点】
1.一种基于电流数据的焊接质量智能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于电流数据的焊接质量智能评估方法，其特征在于：对焊接前后采集的部分无效数据进行剔除。同时使用带通滤波器对采集到的电流信号进行预处理，去除高频和低频噪声。
3.根据权利要求1所述的基于电流数据的焊接质量智能评估方法，其特征在于：所述步骤4中，制作数据集首先采用连续小波变换对焊接时电流的时频型号后得到的时域，频域，小波系数制作三维时频图，同时标记此次焊接缺陷类型，将时频图按相同间隔分割成几段，增加数据集的同时以便后续区分焊接中每段是否正常。
4.根据权利要求1所述的基于电流数据的焊接质量智能评估方法，其特征在于：所述步骤5中构建改进的DenseNet卷积神经网络模型，所述模型包括多个稠密块(Dense Block)，每个稠密块由多个卷积层组成，且每个卷积层接收前面所有卷积层的输出。同时，引入注意力机制，通过在DenseNet模型中添加注意力模块，自适应地重新校准特征通道，以增强特征提取的有效性。
5.根据权利要求1所述的基于电流数据的焊接质
...【技术特征摘要】
1.一种基于电流数据的焊接质量智能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于电流数据的焊接质量智能评估方法，其特征在于：对焊接前后采集的部分无效数据进行剔除。同时使用带通滤波器对采集到的电流信号进行预处理，去除高频和低频噪声。
3.根据权利要求1所述的基于电流数据的焊接质量智能评估方法，其特征在于：所述步骤4中，制作数据集首先采用连续小波变换对焊接时电流的时频型号后得到的时域，频域，小波系数制作三维时频图，同时标记此次焊接缺陷类型，将时频图按相同间隔分割成几段，增加数据集的同时以便后续区...
【专利技术属性】
技术研发人员：唐泽世，刘翊，朱思敏，刘淑丽，雷高攀，李明富，刘金刚，
申请(专利权)人：湘潭大学，
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。