CN108334896B - 一种基于熔池光谱的协同感知装置的光谱分类方法 - Google Patents

一种基于熔池光谱的协同感知装置的光谱分类方法 Download PDF

Info

Publication number
CN108334896B
CN108334896B CN201810039677.4A CN201810039677A CN108334896B CN 108334896 B CN108334896 B CN 108334896B CN 201810039677 A CN201810039677 A CN 201810039677A CN 108334896 B CN108334896 B CN 108334896B
Authority
CN
China
Prior art keywords
spectrum
formula
classification
rssr
ssm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810039677.4A
Other languages
English (en)
Other versions
CN108334896A (zh
Inventor
韩静
杨盼
赵壮
柏连发
张毅
孙钡
张亦成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201810039677.4A priority Critical patent/CN108334896B/zh
Publication of CN108334896A publication Critical patent/CN108334896A/zh
Application granted granted Critical
Publication of CN108334896B publication Critical patent/CN108334896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于熔池光谱的协同感知装置的光谱分类方法。本发明使用FPGA作为工艺参数采集触发模块，并在CPU端对所得数据进行训练学习分类，以CPU与FPGA相结合的方式设计了一种嵌入式的熔池光谱协同感知装置。充分利用了FPGA的并行处理及其50KHZ的高频率采样特性，通过检测下降沿和上升沿，分别在基值时刻和峰值时刻触发光谱仪得到相应的熔池光谱数据。本发明通过峰值时刻的光谱数据减去基值时刻的光谱数据可有效的排除其他噪声的干扰，得到有效的光谱数据，然后所得光谱数据在经CPU端通过SSM‑RSSR分类算法训练分析可得焊接过程中保护气成分以及有无氧化层来判断焊接质量。

Description

一种基于熔池光谱的协同感知装置的光谱分类方法
技术领域
本发明属于光谱分类的技术领域，具体设计一种基于熔池光谱的协同感知装置的光谱分类方法。
背景技术
焊接电弧直接影响焊缝成型和焊接质量,因此研究焊接电弧的种种特性对于完善焊接理论特别重要。通常实验室和工业生产中所使用的电弧其等离子体的几何尺度比较小，而且离子密度较大，一般可以采用非接触式的诊断手段如激光干涉法、光谱法等。但是激光干涉法在复杂成分的焊接电弧等离子体的理论计算上出现了困难，复杂成分的等离子体中含有大量未知成分和无法预测的空间分布形式，使得焊接电弧等离子体的折射率和粒子密度关系之间不存在确定的关系。所以在很多情况下，光谱诊断就成为了当前唯一适用并有较大可行性的等离子体诊断方法。
光谱法理论较成熟，应用最广，其辐射光谱包含信息量丰富。电弧等离子体辐射的光谱受其内部热、电、磁等多种物理状态的影响，所以可以反映等离子内部的各种物理特性。同时光谱波长和辐射强度的精确测量较为容易，这就为焊接电弧等离子体各物理参数的定量化求解提供有力的实验基础，这是激光干涉诊断中很难做到的。研究表明，电弧光谱信息包含了焊接电弧全部热力学参数。
深度学习可以提取光谱图像深层的特征，使得特征更加抽象更易于分类，是近年来机器学习领域的研究热点。深度学习可以构建深度网络，增大模型的参数量，使模型可以记住更多的训练数据。同时，如何针对具体的问题构建网络，也是深度学习的研究内容之一。其可以针对光谱图像的特点，综合利用数据光谱信息和空间信息，基于两种深度网络模型(优化的多层感知器和卷积神经网络)对光谱图像进行分类。
本发明结合了光谱诊断法和深度学习分类算法对熔池的光谱图像进行了分类，提高了熔池光谱分类的准确率，对于焊缝成型和焊接质量的判断提供了重要的依据。
发明内容
本发明的目的在于提供一种基于熔池光谱的协同感知装置的光谱分类方法。完成对于焊接过程中电弧光谱成分的测量以及分类。
本发明基于熔池光谱的协同感知装置，包括焊机、FPGA模块、光谱仪、CPU端、信号发生器。
在线上实验时，FPGA模块先采集到焊接过程中电流变化情况，然后将数据传输到CPU端，在CPU端经数据分析得到电流变化图像。然后在CPU端设计Verilog触发程序并进一步用信号发生器模拟测试。测试成功后在进行线上试验时，将所得程序烧入FPGA模块，焊接时触发光谱仪采集光谱信号，并于此同时保存触发时刻的电流值大小，在实验后输出到CPU端。得到的光谱信号在经光谱仪传入CPU端保存。多次的进行线上实验，采集到足够的光谱信息。
一种基于熔池光谱的协同感知装置，其工作方式如下：
电流触发方式：设计工艺参数协同感知FPGA模块，同步获取视觉、光谱与工艺数据。工艺参数采集触发模块采用电流触发和光强触发两种工作方式。FPGA采样频率50KHz，对采集到的工艺电流信号和光敏器件电压信号，采用检测下降沿的方式实现准确的基值触发，检测上升沿的方式峰值触发光谱仪采集光谱数据。
光强触发方式：由FPGA模块所得的工艺数据在CPU端进行数据处理，可得焊接过程中电流大小的详细变化情况，以及在触发时刻所对应的电流值。
基于熔池光谱的协同感知装置的光谱分类方法，包括以下步骤：
步骤1：以FPGA模块作为工艺参数采集触发模块；首先使用FPGA的AD模块采集整个焊接过程中电流的变化情况或者通过光敏器件转化的电压信号，然后经外设串口将采集到的信号输出到CPU端，再进行数据分析设计光谱仪的触发程序；
步骤2：打开光谱仪，调整工作模式为触发模式，将触发信号通过FPGA外设连接到光谱仪触发端口上，并在焊机上固定好光谱仪，通过在焊接过程中的触发信号采集光谱信息，并在CPU端保存；
步骤3：进行多次实验，并采集实验数据，得到光谱数据的训练集X∈RM×N；
步骤4：在CPU端通过SSM-RSSR分类算法完成光谱数据的分类。
更进一步的，步骤4所述的SSM-RSSR分类算法具体实现包括以下步骤：
步骤4-1：将所得样本分类标签为(X,Y)＝{(x1,y1),,(xl,yl),,(xN,yN)}，其中，X∈RM×N是训练集，Y∈RN×C是所有训练集的分类标签，M是样本维度，N＝l+u是所有样本数量，C是类别数；第一个l样本为分类样本，分类标签yi为C×1的列向量，如果xi属于第c类的话，则yi(c)＝1，且yi的其他元素都等于0；另外u个未被标记的样本，分类标签yi为C×1的列向量且所有的元素都为0；
步骤4-2：生成随机子空间T和相应的字典：随机生成T选择向量pt(1≤t≤T)：
Figure GDA0003467356260000031
其中，如果第i个特征被选在第t个随机子空间中，则pti＝1，否则pti＝0；
假设字典为D＝[d1,,dl,dN]T，则子空间字典Dt和子空间集合Xt可以生成为：
Xt＝X(pt),Dt＝D(pt)
其中，
Figure GDA0003467356260000032
Figure GDA0003467356260000033
是Xt的第i个样本；
步骤4-3：计算SSM-RSSR的目标函数：
Figure GDA0003467356260000034
式中，Δ(f,X,Y)是损失函数，
Figure GDA0003467356260000035
是SSM-RSSR的正则项，
Figure GDA0003467356260000036
是另一个正则项；将平方损失函数Δ(f,X,Y)写为：
Figure GDA0003467356260000037
式中，V∈RM×C是最优投影矩阵，b∈RC×1是偏差项，tr()是矩阵的迹，e是一个所有元素为1的一个N维向量；H是一个N×N的对角矩阵，如果xi为标记的样本，则Hii＝1，否则Hii＝0；
假设我们生成了随机子空间T，则正则项
Figure GDA0003467356260000038
可以写为：
Figure GDA0003467356260000039
式中，αi是每个子空间的系数，r是一个常数参数；通过一些代数公式简化可得：
Figure GDA0003467356260000041
式中，Ls＝I-S-ST+SST，qj表示一个N维选择性向量，它的第j个元素为1，其他为0；sj为稀疏系数，I表示一个单位矩阵；
把式
Figure GDA0003467356260000042
和
Figure GDA0003467356260000043
结合得正则项：
Figure GDA0003467356260000044
式中，
Figure GDA0003467356260000045
为第i个随机子空间的图，且
Figure GDA0003467356260000046
则SSM-RSSR提出的目标函数可以写为：
J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)；
步骤4-4：最优化SSM-RSSR算法：
采用交替优化方法，改变α,V和b的值迭代直到收敛：首先固定α的值不变，改变V和b的值；在公式J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)中，当α固定时，通过求J分别对V和b的偏导数，可以求得目标函数J：
Figure GDA0003467356260000047
令
Figure GDA0003467356260000048
和
Figure GDA0003467356260000049
得到：
V＝(XHCXT+γAI+γlXLXT)-1XHCY，
Figure GDA00034673562600000410
其中，
Figure GDA00034673562600000411
从而得出，V和b取决于L，而L来源于每个随机子空间的αi和稀疏系数
Figure GDA00034673562600000412
其次固定V和b的值，改变α；通过使用拉格朗日乘数λ，得到拉格朗日函数L(α,λ)：
Figure GDA0003467356260000051
通过L(α,λ)分别对α和λ求偏导数：
Figure GDA0003467356260000052
令
Figure GDA0003467356260000053
和
Figure GDA0003467356260000054
得
Figure GDA0003467356260000055
从上式可得：如果r→∞，所有的αi都有相同的值；如果r→1，就只有αi＝1；重复公式J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)、公式
Figure GDA0003467356260000056
和公式
Figure GDA0003467356260000057
直至αi收敛；得到αi的最优解后，使用公式V＝(XHCXT+γAI+γlXLXT)-1XHCY和公式
Figure GDA0003467356260000058
解得V和b的最优解；
步骤4-5：利用α,V和b的最优解，针对每个测试样本xi，预测分类标签：
l(x)＝max(VTxi+b)。
本发明与现有技术相比，其显著优点为：(1)本发明使用了FPGA模块作为工艺参数采集触发模块，结合嵌入式系统的硬件特性，以其50KHZ的高频采样特性，并充分利用FPGA的并行处理和流水线设计思想，大大增强了实验装置的实时性、准确性。(2)本发明在电流值的基值时刻和峰值时刻分别触发光谱仪采集了光谱信息，然后利用峰值时刻的光谱减去基值时刻的光谱，可有效的排除掉焊接过程中其他噪声的干扰，得到更好的光谱信息，大大提高了后续分类算法的准确性。
附图说明
图1是本发明基于熔池光谱的协同感知装置的示意图；
图2是本发明在PMIG焊接工艺过程中电流变化情况示意图；
图3是本发明触发时刻峰值电流大小变化示意图；
图4是本发明触发时刻基值电流大小变化示意图；
图5是本发明峰值时刻光谱减去基值时刻光谱得到的光谱信息示意图；
图6是本发明峰值时刻光谱减去基值时刻光谱得到的原始光谱图；
图7是本发明训练学习后的分类结果。
具体实施方式
本发明基于熔池光谱的协同感知装置，如附图1所示，包括焊机1、FPGA模块2、光谱仪3、CPU端4、信号发生器5。
在线上实验时，FPGA模块，如附图2所示，首先采集到焊接过程中电流变化情况，然后将数据传输到CPU端，在CPU端经数据分析得到电流变化图像，如附图3所示。然后在CPU端设计Verilog触发程序并进一步用信号发生器模拟测试。测试成功后在进行线上试验时，将所得程序烧入FPGA模块，焊接时触发光谱仪采集光谱信号，并于此同时保存触发时刻的电流值大小，在实验后输出到CPU端，如附图4所示。得到的光谱信号在经光谱仪传入CPU端保存，如附图5所示。多次的进行线上实验，采集到足够的光谱信息。
基于熔池光谱的协同感知装置的光谱分类方法，包括以下步骤：
步骤一：以FPGA模块作为工艺参数采集触发模块；首先使用FPGA的AD模块采集整个焊接过程中电流的变化情况或者通过光敏器件转化的电压信号，然后经外设串口将采集到的信号输出到CPU端，再进行数据分析设计光谱仪的触发程序；
步骤二：打开光谱仪，调整工作模式为触发模式，将触发信号通过FPGA外设连接到光谱仪触发端口上，并在焊机上固定好光谱仪，通过在焊接过程中的触发信号采集光谱信息，并在CPU端保存；
步骤三：进行多次实验，并采集实验数据，得到光谱数据的训练集X∈RM×N；
步骤四：在CPU端通过SSM-RSSR分类算法完成光谱数据的分类。
优选的，用SSM-RSSR分类算法对所有的光谱信息进行学习分类的具体步骤为：
步骤4-1：将所得样本分类标签为(X,Y)＝{(x1,y1),,(xl,yl),,(xN,yN)}，其中，X∈RM×N是训练集，Y∈RN×C是所有训练集的分类标签，M是样本维度，N＝l+u是所有样本数量，C是类别数；第一个l样本为分类样本，分类标签yi为C×1的列向量，如果xi属于第c类的话，则yi(c)＝1，且yi的其他元素都等于0；另外u个未被标记的样本，分类标签yi为C×1的列向量且所有的元素都为0；
步骤4-2：生成随机子空间T和相应的字典：随机生成T选择向量pt(1≤t≤T)：
Figure GDA0003467356260000071
其中，如果第i个特征被选在第t个随机子空间中，则pti＝1，否则pti＝0；
假设字典为D＝[d1,,dl,dN]T，则子空间字典Dt和子空间集合Xt可以生成为：
Xt＝X(pt),Dt＝D(pt)
其中，
Figure GDA0003467356260000072
Figure GDA0003467356260000073
是Xt的第i个样本；
步骤4-3：计算SSM-RSSR的目标函数：
Figure GDA0003467356260000074
式中，Δ(f,X,Y)是损失函数，
Figure GDA0003467356260000075
是SSM-RSSR的正则项，
Figure GDA0003467356260000076
是另一个正则项；将平方损失函数Δ(f,X,Y)写为：
Figure GDA0003467356260000077
式中，V∈RM×C是最优投影矩阵，b∈RC×1是偏差项，tr()是矩阵的迹，e是一个所有元素为1的一个N维向量；H是一个N×N的对角矩阵，如果xi为标记的样本，则Hii＝1，否则Hii＝0；
假设我们生成了随机子空间T，则正则项
Figure GDA0003467356260000078
可以写为：
Figure GDA0003467356260000079
式中，αi是每个子空间的系数，r是一个常数参数；通过一些代数公式简化可得：
Figure GDA0003467356260000081
式中，Ls＝I-S-ST+SST，qj表示一个N维选择性向量，它的第j个元素为1，其他为0；sj为稀疏系数，I表示一个单位矩阵；
把式
Figure GDA0003467356260000082
和
Figure GDA0003467356260000083
结合得正则项：
Figure GDA0003467356260000084
式中，
Figure GDA0003467356260000085
为第i个随机子空间的图，且
Figure GDA0003467356260000086
则SSM-RSSR提出的目标函数可以写为：
J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)；
步骤4-4：最优化SSM-RSSR算法：
采用交替优化方法，改变α,V和b的值迭代直到收敛：首先固定α的值不变，改变V和b的值；在公式J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)中，当α固定时，通过求J分别对V和b的偏导数，可以求得目标函数J：
Figure GDA0003467356260000087
令
Figure GDA0003467356260000088
和
Figure GDA0003467356260000089
得到：
V＝(XHCXT+γAI+γlXLXT)-1XHCY，
Figure GDA00034673562600000810
其中，
Figure GDA00034673562600000811
从而得出，V和b取决于L，而L来源于每个随机子空间的αi和稀疏系数
Figure GDA00034673562600000812
其次固定V和b的值，改变α；通过使用拉格朗日乘数λ，得到拉格朗日函数L(α,λ)：
Figure GDA0003467356260000091
通过L(α,λ)分别对α和λ求偏导数：
Figure GDA0003467356260000092
令
Figure GDA0003467356260000093
和
Figure GDA0003467356260000094
得
Figure GDA0003467356260000095
从上式可得：如果r→∞，所有的αi都有相同的值；如果r→1，就只有αi＝1；重复公式J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)、公式
Figure GDA0003467356260000096
和公式
Figure GDA0003467356260000097
直至αi收敛；得到αi的最优解后，使用公式V＝(XHCXT+γAI+γlXLXT)-1XHCY和公式
Figure GDA0003467356260000098
解得V和b的最优解；
步骤4-5：利用α,V和b的最优解，针对每个测试样本xi，预测分类标签：
l(x)＝max(VTxi+b)
实验结果如附图7所示；由图可看出训练学习后得到分类结果准确率接近于1，满足了实验的预期要求。

Claims (1)

1.一种基于熔池光谱的协同感知装置的光谱分类方法，其特征在于，包括以下步骤：
步骤1：以FPGA模块作为工艺参数采集触发模块；首先使用FPGA的AD模块采集整个焊接过程中电流的变化情况或者通过光敏器件转化的电压信号，然后经外设串口将采集到的信号输出到CPU端，再进行数据分析设计光谱仪的触发程序；
步骤2：打开光谱仪，调整工作模式为触发模式，将触发信号通过FPGA外设连接到光谱仪触发端口上，并在焊机上固定好光谱仪，通过在焊接过程中的触发信号采集光谱信息，并在CPU端保存；
步骤3：进行多次实验，并采集实验数据，得到光谱数据的训练集X∈RM×N；
步骤4：在CPU端通过SSM-RSSR分类算法完成光谱数据的分类；
步骤4所述的SSM-RSSR分类算法具体实现包括以下步骤：
步骤4-1：将所得样本分类标签为(X,Y)＝{(x1,y1),,(xl,yl),,(xN,yN)}，其中，X∈RM×N是训练集，Y∈RN×C是所有训练集的分类标签，M是样本维度，N＝l+u是所有样本数量，C是类别数；第一个l样本为分类样本，分类标签yi为C×1的列向量，如果xi属于第c类的话，则yi(c)＝1，且yi的其他元素都等于0；另外u个未被标记的样本，分类标签yi为C×1的列向量且所有的元素都为0；
步骤4-2：生成随机子空间T和相应的字典：随机生成T选择向量pt：
Figure FDA0003467356250000011
其中，1≤t≤T,如果第i个特征被选在第t个随机子空间中，则pti＝1，否则pti＝0,P为选择向量，Pt为第t个随机子空间的选择向量，pti为第t个随机子空间Pt中的第i个特征；
字典为D＝[d1,,dl,dN]T，则子空间字典Dt和子空间集合Xt生成为：
Xt＝X(pt),Dt＝D(pt)
其中，
Figure FDA0003467356250000012
Figure FDA0003467356250000013
是Xt的第i个样本，dl为字典中第l个数据项；
步骤4-3：计算SSM-RSSR的目标函数：
Figure FDA0003467356250000014
式中，Δ(f,X,Y)是损失函数，
Figure FDA0003467356250000015
是SSM-RSSR的正则项，
Figure FDA0003467356250000016
是另一个正则项；将平方损失函数Δ(xi,yi,f)写为：
Figure FDA0003467356250000021
式中，V∈RM×C是最优投影矩阵，b∈RC×1是偏差项，tr()是矩阵的迹，e是一个所有元素为1的一个N维向量；H是一个N×N的对角矩阵，如果xi为标记的样本，则Hii＝1，否则Hii＝0；
生成随机子空间T，则正则项
Figure FDA0003467356250000022
写为：
Figure FDA0003467356250000023
式中，αi是每个子空间的系数，r是一个常数参数；通过一些代数公式简化可得：
Figure FDA0003467356250000024
式中，Ls＝I-S-ST+SST，qj表示一个N维选择性向量，它的第j个元素为1，其他为0；sj为稀疏系数，I表示一个单位矩阵；
把式
Figure FDA0003467356250000025
和
Figure FDA0003467356250000026
结合得正则项：
Figure FDA0003467356250000027
式中，
Figure FDA0003467356250000028
为第i个随机子空间的图，且
Figure FDA0003467356250000029
则SSM-RSSR提出的目标函数写为：
J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)；
步骤4-4：最优化SSM-RSSR算法：
采用交替优化方法，改变α,V和b的值迭代直到收敛：首先固定α的值不变，改变V和b的值；在公式J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)中，当α固定时，通过求J分别对V和b的偏导数，求得目标函数J：
Figure FDA0003467356250000031
令
Figure FDA0003467356250000032
和
Figure FDA0003467356250000033
得到：
V＝(XHCXT+γAI+γlXLXT)-1XHCY，
Figure FDA0003467356250000034
其中，
Figure FDA0003467356250000035
从而得出，V和b取决于L，而L来源于每个随机子空间的αi和稀疏系数
Figure FDA0003467356250000036
其次固定V和b的值，改变α；通过使用拉格朗日乘数λ，得到拉格朗日函数L(α,λ)：
Figure FDA0003467356250000037
通过L(α,λ)分别对α和λ求偏导数：
Figure FDA0003467356250000038
令
Figure FDA0003467356250000039
和
Figure FDA00034673562500000310
得
Figure FDA00034673562500000311
从上式可得：如果r→∞，所有的αi都有相同的值；如果r→1，就只有αi＝1；重复公式J＝tr((VTX+be-YT)H(VTX+be-YT)T)+γAtr(VTV)+γltr(VTXLXTV)、公式
Figure FDA00034673562500000312
和公式
Figure FDA00034673562500000313
直至αi收敛；得到αi的最优解后，使用公式V＝(XHCXT+γAI+γlXLXT)-1XHCY和公式
Figure FDA00034673562500000314
解得V和b的最优解；
步骤4-5：利用α,V和b的最优解，针对每个测试样本xi，预测分类标签：
l(x)＝max(VTxi+b)。
CN201810039677.4A 2018-01-16 2018-01-16 一种基于熔池光谱的协同感知装置的光谱分类方法 Active CN108334896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810039677.4A CN108334896B (zh) 2018-01-16 2018-01-16 一种基于熔池光谱的协同感知装置的光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810039677.4A CN108334896B (zh) 2018-01-16 2018-01-16 一种基于熔池光谱的协同感知装置的光谱分类方法

Publications (2)

Publication Number Publication Date
CN108334896A CN108334896A (zh) 2018-07-27
CN108334896B true CN108334896B (zh) 2022-03-11

Family

ID=62925070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810039677.4A Active CN108334896B (zh) 2018-01-16 2018-01-16 一种基于熔池光谱的协同感知装置的光谱分类方法

Country Status (1)

Country Link
CN (1) CN108334896B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110154027B (zh) * 2019-05-27 2022-02-22 沈阳工业大学 一种基于云计算的机器人智能焊接方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721864A (zh) * 2012-05-04 2012-10-10 北京工业大学 高频电弧信号错时采集系统及方法
US20130269439A1 (en) * 2004-09-30 2013-10-17 Roman Gr. Maev Ultrasonic in-process monitoring and feedback of resistance spot weld quality
CN106583927A (zh) * 2016-12-13 2017-04-26 苏州大学 一种激光‑电弧复合焊接在线监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130269439A1 (en) * 2004-09-30 2013-10-17 Roman Gr. Maev Ultrasonic in-process monitoring and feedback of resistance spot weld quality
CN102721864A (zh) * 2012-05-04 2012-10-10 北京工业大学 高频电弧信号错时采集系统及方法
CN106583927A (zh) * 2016-12-13 2017-04-26 苏州大学 一种激光‑电弧复合焊接在线监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
EMD-based pulsed TIG welding process porosity defect detection anddefect diagnosis using GA-SVM;Yiming Huanga 等;《Journal of Materials Processing Technology》;30160712;第92-102页 *
焊接过程辐射传感系统的开发及应用研究;冯立;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20150715(第7期);摘要，正文第20-21，35-44页 *

Also Published As

Publication number Publication date
CN108334896A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
Yan et al. A novel hybrid feature selection strategy in quantitative analysis of laser-induced breakdown spectroscopy
CN110717368A (zh) 一种纺织品定性分类方法
Jin et al. A multi-scale convolutional neural network for bearing compound fault diagnosis under various noise conditions
CN112798648B (zh) 基于生成核主成分热影像分析的复合材料缺陷检测方法
CN112132802B (zh) 一种基于自学习拼接算法的航天器撞击损伤检测方法
CN106971073A (zh) 一种矿井突水水源的非线性识别方法
CN108334896B (zh) 一种基于熔池光谱的协同感知装置的光谱分类方法
CN116030310A (zh) 一种基于激光诱导击穿光谱技术的样品分类方法及系统
Fu et al. Calibration methods of laser-induced breakdown spectroscopy
CN111965167A (zh) 预测固体废弃物元素组成及热值的方法及装置
Ruan et al. A modified backward elimination approach for the rapid classification of Chinese ceramics using laser-induced breakdown spectroscopy and chemometrics
Qin et al. Surface stress monitoring of laser shock peening using AE time-scale texture image and multi-scale blueprint separable convolutional networks with attention mechanism
CN109521001A (zh) 一种基于PSO和ε-SVR的飞灰含碳量测量方法
CN112232343B (zh) 一种粮食霉变粒识别神经网络和识别方法
Cui et al. A transferred multitask regularization convolutional neural network (TrMR-CNN) for laser-induced breakdown spectroscopy quantitative analysis
CN112304924A (zh) 一种利用光谱特征扩充提高激光探针分类精度的方法
Li et al. LIBS quantitative analysis for vanadium slags based on selective ensemble learning
CN111275131A (zh) 基于红外光谱的化学图像分类识别方法
Song et al. Post-fire assessment of heating temperatures experienced by concrete using short video imaging, hyperspectral imaging and laser-induced breakdown spectroscopy
Yu et al. Thermal energy diagnosis of boiler plant by computer image processing and neural network technology
Yin Driven by machine learning to intelligent damage recognition of terminal optical components
Xiao et al. Research on the method of hyperspectral and image deep features for bacon classification
CN112595706A (zh) 一种激光诱导击穿光谱变量选择方法及系统
Zhang et al. Improving quantitative analysis of cement elements in laser-induced breakdown spectroscopy through combining matrix matching with regression
Xiao et al. Sausage quality classification of hyperspectral multi-data fusion based on machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant