公开/公告号CN114936517A
专利类型发明专利
公开/公告日2022-08-23
原文格式PDF
申请/专利权人 上海波士内智能科技有限公司;
申请/专利号CN202210460042.8
申请日2022-04-28
分类号G06F30/27(2020.01);G06N3/04(2006.01);G06N3/08(2006.01);G06K9/00(2022.01);
代理机构上海骁象知识产权代理有限公司 31315;
代理人柏祝扣
地址 201612 上海市松江区新桥镇千帆路288弄6号902室-1
入库时间 2023-06-19 16:26:56
法律状态公告日
法律状态信息
法律状态
2023-04-07
授权
发明专利权授予
2022-09-09
实质审查的生效 IPC(主分类):G06F30/27 专利申请号:2022104600428 申请日:20220428
实质审查的生效
技术领域
本发明涉及计算机辅助设计技术领域,具体涉及一种基于深度学习的金属焊接信号特征曲线特征建模方法。
背景技术
金属焊接作为金属连接工艺在制造业中有广泛应用。在金属焊接质量评价技术领域,利用过程信号进行质量指标的间接推断被认为是一种可行的方案。基于统计和机器学习方法的方案首先需要对过程信号进行特征建模,即从单一过程信号或多个过程信号中提取若干信号特征。因此,焊接过程信号的数据特征建模质量直接影响后续焊接质量评估技术实施的难度与质量。
在金属焊接的数据特征建模领域,使用高频数采设备采集焊接过程信号,包括电学信号、压力信号、声学信号等,形成信号特征曲线,再依据焊接行业机理使用人工建模方法从信号特征曲线中抽取信号特征。人工特征建模的问题包括:非常依赖科研和技术人员的经验;不同焊接工况的过程信号曲线特征差异较大,为特征信息提取造成很大困难;不同的人工特征建模方案会损失一定的有用信息。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习的金属焊接信号特征曲线特征建模方法,克服了传统人工特征建模方法的局限性,实现了对多种信号特征曲线进行统一建模。定义特征编码的三大评估指标,从压缩率、编码精度和编码速度三个角度科学地评估特征编码的性能。利用三大评估指标,根据业务需求可对多种特征编码方法针对某一侧重点进行横向比较。
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于深度学习的金属焊接信号特征曲线特征建模方法,包括以下步骤:
步骤S1:标识信号特征曲线;
步骤S2:构建并划分数据集;
步骤S3:预处理信号特征曲线;
步骤S4:设置信号特征曲线编码器;
步骤S5:设置信号特征曲线解码器和多任务分类器;
步骤S6:训练和评估深度神经网络;
步骤S7:提取特征编码;
步骤S8:评估特征编码的性能。
优选地,所述步骤S1中的信号特征曲线标识方法为:通过信号特征曲线类型、焊接位置编号、控制器名称、焊接程序号、被焊零件属性和时间戳9大类属性标识一条信号特征曲线。
优选地,所述步骤S2具体包括以下步骤:
步骤S21:每次焊接形成一个焊接曲线组,由信号类型不同且其他信息相同的信号特征曲线组成。一个焊接曲线组被称为一条焊接数据,它描述了一次焊接过程中不同类型信号的变化。
步骤S22:多条焊接数据构成数据集,通过按比例随机抽样将整个数据集分为训练集、验证集和测试集三部分。
优选地,所述步骤S3具体包括以下步骤:
步骤S31:统一信号特征曲线量纲;
步骤S32:定义信号特征曲线统一横轴截断长度为CUT_TIME;
步骤S33:对每条焊接数据中的各类信号特征曲线进行曲线预处理。优选地,使用标准化方法处理焊接曲线:
其中,C表示原始曲线,C
优选地,所述步骤S4中具体包括以下步骤:
步骤S41:设置0至多种信号特征曲线人工特征子编码器;
步骤S42:设置1至多种信号特征曲线深度神经网络子编码器和用于输出后处理的Bottleneck模块;
步骤S43:多种子编码器的输出通过特征拼接融合构建联合特征;
步骤S44:设置深度神经网络主编码器和用于输出后处理的Bottleneck模块,步骤S43的子编码器联合特征接入主编码器。
步骤S45:设置主特征编码长度。
优选地,所述步骤S5中具体包括以下步骤:
步骤S51:设置信号特征曲线深度神经网络解码器;
步骤S52:根据步骤S45的主特征编码长度设置信号特征曲线深度神经网络解码器的输入维度;
步骤S53:根据步骤S3处理后的信号特征曲线矩阵形状设置解码器的输出维度;
步骤S54:根据输入维度和输出维度设置深度神经网络解码器网络的层数和每层网络神经元数;
步骤S55:根据数据标注可设置多任务分类器,与解码器共用输入;
步骤S56:步骤S4的编码器网络与解码器网络、多任务分类器网络共同组成完整的端到端焊接电学曲线深度神经网络编码器,通过多任务训练方式促进编码器学习到有效的焊接特征。
优选地,所述步骤S6具体包括以下步骤:
步骤S61:设置模型训练的Loss函数,由深度神经网络子编码器编码-解码的差异损失Loss
Loss=Loss
其中,α,β,λ是人工设置参数。
步骤S62:设置深度神经网络训练的优化器、学习率、学习率变化方案、训练轮数等其他超参数,进行模型训练。
优选地,所述步骤S7具体包括:将一条数据输入至已完成训练的模型,提取深度神经网络主编码器Bottleneck模块输出的向量即为该条数据的特征编码。
优选地,所述步骤S8中有关信号特征曲线特征编码的性能评估包括如下指标:
曲线压缩率r:为特征编码长度与原始曲线长度的比例;
特征编码精度:使用解码器对测试集进行精度评估,基于平均绝对误差为特征编码精度建立精度评估指标M。
其中,C
特征编码速度:使用编码器进行编码速度评估;基于每秒帧率概念定义特征编码速度指标FPS
其中,n表示评估数据集规模;t表示评估整体时间。
本发明提供了一种基于深度学习的金属焊接信号特征曲线特征建模方法。具备以下有益效果:通过使用深度学习方法对多种信号特征曲线进行统一、高效、智能、可用的特征建模。然后,针对建模效果提出了科学实用的评估方法。克服了传统人工特征建模方法的局限性,实现了对多种信号特征曲线进行统一建模,按需设置编码长度。定义特征编码的三大评估指标,从压缩率、编码精度和编码速度三个角度科学地评估特征编码的性能。利用三大评估指标,根据业务需求可对多种特征编码方法针对某一侧重点进行横向比较。在基于数据分析的焊接质量智能预测系统中,本发明的智能特征建模方法同时对多种曲线进行统一建模、高效提炼数据信息、降低数据维度、提升数据质量,保证统计分析、机器学习等方法进行高效学习。可广泛应用于焊接等金属连接工艺的质量评估与控制领域。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1本发明的步骤流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。
实施例
如图1所示,一种基于深度学习的金属焊接信号特征曲线特征建模方法,包括以下步骤:
步骤S1:标识信号特征曲线;
在电阻点焊中,主要通过焊接控制器上的高频传感器获得电流曲线I、电压曲线U和压力曲线p。根据电流、电压曲线可计算出电阻动态曲线R和功率曲线P;因此,一次电阻点焊可形成至少5条信号特征曲线。这5条信号特征曲线被成为一条焊接数据,描述了一次点焊过程中I,U,R,P,p五类信号的变化;
再使用曲线类型(C_TYPE)、焊点名称(SPOT_NAME)、控制器名称(TIMER_NAME)、程序号(PROG_NO)、零件层数(PART_LAYERS)、零件厚度(PART_THICKNESS)、零件材料组合(PART_MATERIAL)、涂胶(GLUING)和时间戳(DATETIME)共9种属性标识一条信号特征曲线。
其中,焊点名称(SPOT_NAME)、控制器名称(TIMER_NAME)、程序号(PROG_NO)表征焊点设置信息;零件层数(PART_LAYERS)、零件厚度(PART_THICKNESS)、零件材料组合(PART_MATERIAL)、涂胶(GLUING)表征焊点对应的零件板材、搭接和厚度信息,时间戳(DATETIME)表征时间信息,信号特征曲线类型(C_TYPE)表征曲线类别。
步骤S2:收集的电阻点焊数据构建并划分数据集。按照一定比例通过随机抽样将数据集分为训练集、验证集和测试集三个部分;
步骤S21:每次焊接形成一个焊接曲线组,由信号类型不同且其他信息相同的信号特征曲线组成。其中,定义一条金属焊接数据为:由具有相同的焊点名称(SPOT_NAME)、控制器名称(TIMER_NAME)、程序号(PROG_NO)和时间戳(DATETIME)、不同的信号特征曲线类型(C_TYPE)组成的信号特征曲线组。例如一条数据的属性信息为:SPOT_NAME=“spot001”,TIMER_NAME=“timer1”,PROG_NO=“101”,DATETIME=“2010.01.0110:57:25”,C_TYPE包括[I,U,R,P],表示焊接控制器timer1下使用程序号101在2010.01.0110:57:25这一时刻完成了一次名为spot001焊点的焊接,生成了5条信号特征曲线I,U,R,P,p。
步骤S22:多条焊接数据构成数据集,通过按比例随机抽样将整个数据集分为训练集、验证集和测试集三部分。训练集用于训练深度神经网络;验证集用于在训练过程中调试各项超参数理想值;测试集用于在训练结束后评估信号特征曲线编码效果。三种数据集划分比例可调节,标识为TRAIN_PROP、VAL_PROP、TEST_PROP。例如:TRAIN_PROP=0.5、VAL_PROP=0.1、TEST_PROP=0.4。
步骤S3:预处理信号特征曲线;
步骤S31:统一信号特征曲线量纲。首先统一信号特征曲线量纲,在本实施例中,统一时间单位为毫秒(mm),电流单位为千安培(kA),电压单位为伏特(V),电阻单位为微欧姆(μΩ),电功率单位为千瓦特(kW),时间单位为毫秒(mm),压力单位为千牛顿(kN);
步骤S32:再定义信号特征曲线统一横轴截断长度为CUT_TIME;例如:CUT_TIME=1000mm。按CUT_TIME截断所有信号特征曲线为定长;
步骤S33:对每条焊接数据中的各类信号特征曲线进行曲线预处理。优选使用标准化处理,相同C_TYPE的信号特征曲线集合计算均值μ和标准差σ,进行标准化处理;处理公式为:
其中,C表示原始曲线,C
步骤S4:设置信号特征曲线编码器;
步骤S41:设置0至多种信号特征曲线人工特征子编码器。电阻点焊设置电阻曲线编码器、电流曲线编码器、电极压力曲线编码器三种人工特征子编码器。
骤S42:设置1至多种信号特征曲线深度神经网络子编码器和用于输出后处理的Bottleneck模块。子编码器参考选型包括但不限于:全连接网络FC;长短时记忆网络LSTM;卷积神经网络CNN;门循环模块网络GRU;带注意力机制的LSTM;Transformer编码器。BottleNeck参考选型包括但不限于:Identity_Bottleneck;VAE_Bottleneck;Sparse_Bottleneck;VectorQuantize_Bottleneck。本实施例,电阻点焊深度神经网络子编码器使用CNN、GRU结合FC,Bottleneck选用VAE_Bottleneck。
步骤S43:多种子编码器的输出通过特征拼接融合构建联合特征。电阻曲线编码器、电流曲线编码器、电极压力曲线编码器三种人工编码器的输出与深度神经网络子编码器后处理Bottleneck的输出进行特征融合形成子编码器联合特征向量。
步骤S44:设置电阻点焊深度神经网络主编码器为FC网络,用于输出后处理的Bottleneck模块选用VAE_Bottleneck。步骤S43的子编码器联合特征向量接入主编码器。
步骤S45:设置电阻点焊主特征编码长度,优选值为256。
步骤S5:设置信号特征曲线解码器和多任务分类器;
步骤S51:设置电阻点焊信号特征曲线深度神经网络解码器为4层FC网络;
步骤S52:根据步骤S45的主特征编码长度设置信号特征曲线深度神经网络解码器的输入维度;
步骤S53:根据步骤S3处理后的信号特征曲线矩阵形状设置解码器的输出维度;
步骤S54:根据输入维度和输出维度设置电阻点焊深度神经网络解码器网络的层数和每层网络神经元数;
步骤S55:根据数据标注可设置多任务分类器。电阻点焊深度神经网络根据质量缺陷和焊核直径设置两个任务分类器网络,这两个网络与解码器共用输入;
步骤S56:步骤S4的编码器网络与解码器网络、质量缺陷分类器网络和焊核直径分类器网络共同组成完整的端到端电阻点焊曲线深度神经网络编码器,通过多任务训练方式促进编码器学习到有效的焊接特征。
步骤S6:训练和评估深度神经网络;
步骤S61:设置模型训练的Loss函数,由深度神经网络子编码器编码-解码的差异损失Loss
Loss=Loss
Loss
步骤S62:设置电阻点焊深度神经网络训练的优化器为Adam、学习率为0.001、学习率调整方案为cosine、训练轮数为1000epoch,进行模型训练。
步骤S7:提取特征编码;
将一条数据输入至已完成训练的模型,提取主编码器Bottleneck模块输出的向量即为该条数据的特征编码。
步骤S8:评估特征编码的性能。
在本实施例中,信号特征曲线特征编码的性能评估包括如下指标:
1)曲线压缩率r:为特征编码长度与原始曲线长度的比例;
2)特征编码精度:使用解码器对测试集进行精度评估,基于平均绝对误差为特征编码精度建立精度评估指标M。
其中,C
3)特征编码速度:使用编码器进行编码速度评估;基于每秒帧率概念定义特征编码速度指标FPS
其中,n表示评估数据集规模;t表示评估整体时间。
训练结束后使用测试集评估编码器的三项指标。
利用上述基于深度学习的金属焊接信号特征曲线特征建模方法克服了传统人工特征建模方法的局限性,实现了对多种信号特征曲线进行统一建模,按需设置编码长度。定义特征编码的三大评估指标,从压缩率、编码精度和编码速度三个角度科学地评估特征编码的性能。利用三大评估指标,根据业务需求可对多种特征编码方法针对某一侧重点进行横向比较。在基于数据分析的焊接质量智能预测系统中,本发明的智能特征建模方法同时对多种曲线进行统一建模、高效提炼数据信息、降低数据维度、提升数据质量,保证统计分析、机器学习等方法进行高效学习。可广泛应用于焊接等金属连接工艺的质量评估与控制领域。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
机译: 通过车辆驾驶员辅助系统的控制装置确定驻车制动器特征曲线的方法,包括基于力-位移特征确定制动器活塞的压力-体积特征曲线
机译: 基于深度学习技术的特征人物面部表情自动建模方法
机译: 基于深度学习技术的特征人物面部表情自动建模方法