CN111914473A - 一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质 - Google Patents
一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111914473A CN111914473A CN202010593914.9A CN202010593914A CN111914473A CN 111914473 A CN111914473 A CN 111914473A CN 202010593914 A CN202010593914 A CN 202010593914A CN 111914473 A CN111914473 A CN 111914473A
- Authority
- CN
- China
- Prior art keywords
- welding
- information set
- welding spot
- spot information
- historical
- 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.)
- Granted
Links
- 238000003466 welding Methods 0.000 title claims abstract description 506
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims description 12
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims description 79
- 238000001914 filtration Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 239000003292 glue Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000001788 irregular Effects 0.000 description 6
- 238000004026 adhesive bonding Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Resistance Welding (AREA)
Abstract
本申请实施例所公开的一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质，其中，方法包括服务器获取车辆的焊点信息集合，对焊点信息集合进行特征处理，即将焊点信息集合中的非数值信息集合转化为0‑1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的焊点信息集合，基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。本申请无需人工参考大量的已有焊接参数，不仅可以节约培训工程师的培训成本，还可以节约时间成本。
Description
技术领域
本发明涉及焊接制造技术领域，尤其涉及一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质。
背景技术
电子点焊能够实现板件间的高强度连接，是航天、航空、汽车制造业应用最为广泛的焊接方法之一。以汽车制造业为例，一辆汽车上含有3000-5000个电阻点焊焊点，每个焊点的焊接质量都直接影响着车辆的安全性能。因此，优质高效的电阻点焊技术是必不可少的。
电阻点焊技术是一项非常重要的工作，不仅要求工程师对于焊接设备和工艺的具有深刻的理解，还要求工程师具备大量的焊接经验，此外，对于一辆全新车型的车辆，从开始调试到量产的过程中，需要几十辆车反复进行焊接验证，不断进行点焊参数调试，以免出现焊接不良的情况。
现有技术中，全新车型的车辆通常是根据已稳定量产的车辆确定的焊接参数，具体是在已稳定量产的车辆中焊点的焊点信息中匹配与全新车型的车辆的焊点信息一致的数据，即选择已稳定量产的车辆的焊点信息中焊接电机直径、板件配合程度、板材信息一致的焊接参数作为全新车型的车辆中焊点的焊接参数，然而该种方式存在一定如下弊端：
(1)全新车型的车辆中所有焊点的信息在已稳定量产的车辆中不一定能够全部找到；
(2)由于存在无规律的干扰因素(焊点分流、零件表面清洁程度)，直接移植已稳定量产的车辆的焊接参数难以提升全新车型的车辆的焊接质量；
(3)对于不同经验的工程师来说，即使参考同一份已稳定量产的车辆的焊接参数，完成同一辆全新车型的车辆的焊接质量也不一致；
(4)由于已稳定量产的车辆随时间积累数量越来越庞大，工程师参考和筛选的工作量也随之增加，大大降低了工作效率。
发明内容
本申请实施例提供一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质，可以节约培训工程师的培训成本，节约时间成本。本申请实施例提供一种电阻点焊的焊接参数确定方法，该方法包括：
获取车辆的焊点信息集合；
对焊点信息集合进行特征处理，得到处理后的焊点信息集合；
其中，特征处理包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。
进一步地，上述焊接参数确定模型的训练步骤包括：
获取历史焊点信息集合和历史焊点信息集合对应的实际焊接参数；历史焊点信息集合是已量产车辆的焊点信息集合；
对历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；特征处理包括将历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小历史焊点信息集合中的历史数值信息集合，使得历史数值信息集合中数值的大小均在预设区间内；
将历史数值信息集合中的历史数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；
构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
基于当前机器学习模型，对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
根据预测焊接参数和实际焊接参数确定均方误差，得到损失值；
当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
当损失值小于或者等于预设阈值时，将当前机器学习模型确定为焊接参数确定模型，将损失值对应的模型参数确定为焊接参数确定模型的参数。
进一步地，焊接参数确定模型包括第一全连接层、卷积层和第二全连接层；
第一全连接层的输出端与卷积层的输入端连接，卷积层的输出端与第二全连接层的输入端连接；
第一全连接层的输入端的输入数据是由处理后的历史焊点信息集合决定的。
进一步地，第一全连接层、卷积层和第二全连接层均包括多个感知机，多个感知机中每个感知机对应含有多个权重系数；
对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型，包括：
对第一全连接层、卷积层和第二全连接层中每个感知机对应的多个权重系数进行调整，得到更新后的机器学习模型；
将更新后的机器学习模型重新确定为当前机器学习模型。
进一步地，焊点信息集合包括但不限于焊点的材料牌号、焊点所在板材的厚度、电极头型号、涂胶信息、焊点对应的位置数据和焊枪型号。
进一步地，焊接参数包括但不限于焊接电流、通电时长和焊接压力。
进一步地，对焊点信息集合进行特征处理之前，还包括：
对焊点信息集合进行过滤，使得过滤后的焊点信息集合中不含有通用信息和无区分度信息；通用信息是任意焊点都具备的特征信息，无区分度信息是焊点信息集合中多个焊点所重复的焊点信息。
相应地，本申请实施例还提供了一种电阻点焊的焊接参数确定装置，该装置包括：
第一获取模块，用于获取车辆的焊点信息集合；
第一处理模块，用于对焊点信息集合进行特征处理，得到处理后的焊点信息集合；
其中，特征处理包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第一确定模块，用于基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。
进一步地，该装置还包括：
第二获取模块，用于获取历史焊点信息集合和历史焊点信息集合对应的实际焊接参数；历史焊点信息集合是已量产车辆的焊点信息集合；
第二处理模块，用于对历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；特征处理包括将历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小历史焊点信息集合中的历史数值信息集合，使得历史数值信息集合中数值的大小均在预设区间内；
第三处理模块，用于将历史数值信息集合中的历史数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；
构建模块，用于构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
第四处理模块，用于基于当前机器学习模型，对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
第二确定模块，用于根据预测焊接参数和实际焊接参数确定均方误差，得到损失值；
重复模块，用于当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
第三确定模块，用于当损失值小于或者等于预设阈值时，将当前机器学习模型确定为焊接参数确定模型，将损失值对应的模型参数确定为焊接参数确定模型的参数。
进一步地，该装置还包括：
过滤模块，用于对焊点信息集合进行过滤，使得过滤后的焊点信息集合中不含有通用信息和无区分度信息；通用信息是任意焊点都具备的特征信息，无区分度信息是焊点信息集合中多个焊点所重复的焊点信息。
相应地，本申请实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述电阻点焊的焊接参数确定方法。
相应地，本申请实施例还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述电阻点焊的焊接参数确定方法。
本申请实施例具有如下有益效果：
本申请实施例所公开的一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质，其中，方法包括获取车辆的焊点信息集合，对焊点信息集合进行特征处理，得到处理后的焊点信息集合，其中，特征处理包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，噪音数值集合中所有噪音数值的均值为0，且标准差为1，基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。基于本申请实施例，通过对新车型的车辆的焊点信息集合进行特征处理，并将处理后的焊点信息集合输入采用已量产车辆的焊点信息集合和实际焊接参数训练的焊接参数确定模型中，可以得到高准确率的新车型的车辆的焊接参数。整个处理过程中全部由程序代码实现，无需人工参考大量的已有焊接参数，不仅可以节约培训工程师的培训成本，还可以节约时间成本。此外，在模型的训练过程中，将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，可以使得模型具有抵抗无规律噪音影响的功能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本申请实施例所提供的一种应用环境的示意图；
图2是本申请实施例所提供的一种确定焊接参数的工作流程示意图；
图3是本申请实施例所提供的一种电阻点焊的焊接参数确定方法的流程示意图；
图4是本申请实施例所提供的一种焊接参数确定模型的输入内容和输出内容示意图；
图5是本申请实施例所提供的一种焊接参数确定模型训练方法的流程示意图；
图6是本申请实施例提供的一种电阻点焊的焊接参数确定装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例作进一步地详细描述。显然，所描述的实施例仅仅是本申请一个实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
此处所称的“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”、“第三”和“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”和“第四”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”、“第三”和“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例能够以除了在这里图示或描述以外的顺序实施。此外，术语“包括”、“具有”和“为”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、装置、产品或设备固有的其它步骤或模块。
请参阅图1，其所示为本申请实施例所提供的一种应用环境的示意图，包括服务器101和客户端103，其中，服务器101可以获取客户端103发送的车辆的焊点信息集合，也可以读取自身数据库中预先存储的车辆的焊点信息集合，并对获取的焊点信息集合进行特征处理，得到处理后的焊点信息集合，特征处理可以包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1，服务器101基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。
在本申请实施例中，服务器101和客户端103可以通过有线链路连接，也可以通过无线链路连接。除非另有明确的规定和限定，术语“连接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的相连或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在实际应用过程中，服务器101可以根据如图2所示的一种确定焊接参数的工作流程示意图，来确定新车型的车辆的焊接参数。
具体地，服务器101收集以往车型参数，即获取多个已量产车辆的焊点信息集合和焊接参数，例如，获取A车型车辆的焊点信息集合和焊接参数、B车型车辆的焊点信息集合和焊接参数以及C车型车辆的焊点信息集合和焊接参数，以作为训练焊接参数确定模型的历史焊点信息集合和实际焊接参数。将其全部输入建立的人工智能模型中，以训练焊接参数确定模型，得到训练后的焊接参数确定模型，同时，将新车型的焊点信息集合导入到训练后的焊接参数确定模型中进行计算，导出该新车型的焊点信息集合对应的焊接参数。之后，将导出的焊接参数导入到现场焊接中应用，并根据焊机的实际焊接效果进行适当调试及验证，并且，将调试及验证合格后的焊接参数再次导入训练后的焊接参数确定模型中，以对训练后的焊接参数确定模型中再次进行训练，多次训练焊接参数确定模型可以提高输出的焊接参数的准确性，以及提高焊接参数确定模型的稳定性。
下面介绍本申请一种电阻点焊的焊接参数确定方法的具体实施例，图3是本申请实施例提供的一种电阻点焊的焊接参数确定方法的流程示意图，本说明书提供了如实施例或流程图所示的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式，不代表唯一的执行顺序，在实际执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图3所示，该方法包括：
S301：获取车辆的焊点信息集合。
本申请实施例中，服务器获取新车型车辆的焊点信息集合，其中，车辆的焊点信息集合可以包括但不限于焊点的材料牌号、焊点所在板材的厚度、电极头型号、涂胶信息、焊点对应的位置数据和焊枪型号，焊点信息集合可以具体以表格的形式被获取。
下面举个具体地例子对车辆的焊点信息集合进行说明，在该例子中，焊点信息集合以如下表格1的形式呈现。
表1
S303：对焊点信息集合进行特征处理，得到处理后的焊点信息集合。
本申请实施例中，服务器在获取车辆的焊点信息集合之后，对该焊点信息集合进行分类处理，将焊点信息集合中的非数值信息集合和数值信息集合分开，并对分类处理后的焊点信息集合进行过滤，即对焊点信息集合进行数据清洗和特征选择，使得过滤后的焊点信息集合中不含有通用信息和无区分度信息，其中，通用信息是指任意焊点都具备的特征信息，例如，任意焊点所在的板件受电阻热都是会产生局部融化的；无区分度信息是指焊点信息集合中重复的焊点信息，例如，同一板件上存在两个相邻的焊点，且两个相邻焊点的焊点信息集合中除位置数据不同，其余焊点信息都相同，假设该两个相邻焊点对应的位置数据在预设误差允许范围内，通常，电阻点焊焊接配合间隙的预设误差允许范围具体为[0.1mm,2mm]，那么，这两相邻的焊点对应的焊点信息集合可以看作是同一个焊点信息集合，两相邻焊点对应的焊点信息集合为无区分度信息。
本申请实施例中，服务器对过滤后的焊点信息集合进行特征处理，即，将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，例如将上文中所提及的焊点的材料牌号、焊枪型号、涂胶信息等非数值信息转化为0-1矩阵数据集合，如下表2所示提供了一种将上文所描述的焊点信息集合中非数值信息转化为0-1矩阵数据集合的具体实施方式。同时，服务器根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，具体地，可以根据预设比例将焊点信息集合中的数值信息集合缩小在预设区间[-1,1]内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的焊点信息集合，其中，噪音数值集合中所有噪音数值的均值为0，且所有噪音数值的标准差为1。将缩小后的数值信息与对应的噪音数值相加可以模拟出在实际焊接过程中各种无规律扰动因素对下文中所输出的焊接参数的影响。
表2
S305：基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。
本申请实施例中，服务器基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，即，将处理后的焊点信息集合作为训练后的焊接参数确定模型的输入，包括数值化处理后的焊点的材料牌号、焊点所在板材的厚度、电极头型号、涂胶信息、焊枪型号和按比例缩小后的焊点对应的位置数据，基于训练后的焊接参数确定模型，可以输出该处理后的焊点信息集合对应的焊接参数，该焊接参数可以包括焊接电流、通电时长和焊接压力，还可以包括预压时长、保持时长等参数。如图4所示提供了一种焊接参数确定模型的输入内容和输出内容示意图。
本申请实施例中，在实际操作过程中，焊接参数确定模型输出的焊接参数经多次检测，准确率已达到96-97％，可以直接导入现场焊机中直接应用以量产新车型的车辆，也可以根据该焊接参数得到的焊接结果进行适当调整。
本申请实施例中，焊接参数确定模型属于深度学习中的有监督回归类型，所采用的开发语言可以具体为python，也可以采用Java等其他能够调用机器学习或者额深度学习库的语言。使用的算法类型可以具体为卷积神经网络和全连接神经网络，也可以使用其他集成回归算法，例如Xgboost、随机森林等，还可以使用其他非集成算法，例如支持向量机、线形回归等。使用的开发工具包可以具体为tensorflow2.0版本，也可以选用Pytorch等其他工具包。
本申请实施例中，在将处理后的焊点信息集合输入训练后的焊接参数确定模型之前，需要对焊接参数确定模型进行训练，图5是本申请实施例提供的一种焊接参数确定模型训练方法的流程示意图，本说明书提供了如实施例或流程图所示的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式，不代表唯一的执行顺序，在实际执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图5所示，具体步骤包括：
S501：获取历史焊点信息集合和历史焊点信息集合对应的实际焊接参数。
本申请实施例中，服务器获取已量产车辆的焊点信息集合作为历史焊点信息集合，以及获取已量产车辆在实际焊接过程中采用的焊接参数作为历史焊点信息集合对应的实际焊接参数，其中，已量产车辆在实际焊接过程中采用的焊接参数可以是直接移植该已量产车辆量产前的量产车辆的焊接参数，也可以是富有丰富焊接经验的工程师在多辆已量产车辆上不断试验并调试获得的。
S503：对历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合。
本申请实施例中，服务器对历史焊点信息集合进行特征处理与上文中描述的对焊点信息集合进行特征处理的方式一样。在获取历史焊点信息集合之后，对该历史焊点信息集合进行分类处理，将历史焊点信息集合中的非数值信息集合和数值信息集合分开，并对分类处理后的历史焊点信息集合进行过滤，即对历史焊点信息集合进行数据清洗和特征选择，使得过滤后的历史焊点信息集合中不含有通用信息和无区分度信息。服务器对过滤后的历史焊点信息集合进行特征处理，即，将历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，同时，服务器也根据预设比例缩小历史焊点信息集合中的历史数值信息集合，使得数值信息集合中数值的大小均在预设区间内，具体地，可以根据预设比例将焊点信息集合中的数值信息集合缩小在预设区间[-1,1]内，得到预处理后的历史焊点信息集合。
S505：将历史数值信息集合中的历史数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合。
本申请实施例中，服务器在对历史焊点信息集合进行预处理之后，将历史数值信息集合中的历史数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合，其中，噪音数值集合中所有噪音数值的均值也可以为0，且所有噪音数值的标准差也可以为1。将缩小后的数值信息与对应的噪音数值相加也是为了模拟出在实际焊接过程中各种无规律扰动因素对下文中所输出的焊接参数的影响。
S507：构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型。
S509：基于当前机器学习模型，对处理后的历史焊点信息集合进行预测操作，确定预测焊接参数。
本申请实施例中，当前机器学习模型包括第一全连接层、卷积层和第二全连接层，其中，第一全连接层、卷积层和第二全连接层均包括多个感知机，且多个感知机中每个感知机对应含有多个权重系数，多个权重系数为初始权重系数，可以是基于预设范围0.8～1.25内随机任意指定的浮点数。
本申请实施例中，第一全连接层的输入端的输入数据是由处理后的历史焊点信息集合决定的，第一全连接层的输出端与卷积层的输入端连接，卷积层的输出端与第二全连接层的输入端连接。
本申请实施例中，上文中所描述的每个感知机所含有的权重系数模拟了人脑中的神经元，每一层每一个神经元的输入都是上一层所有神经元的输出之和，大量的神经元集合在一起就可以模拟出类似人脑的判断和决策能力。
S511：根据预测焊接参数和实际焊接参数确定均方误差，得到损失值。
本申请实施例中，将预测焊接参数和实际焊接参数作差，得到多个差值，并求出多个差值的平方和作为均方误差，该均方误差即为损失值，用于描述预测焊接参数与实际焊接参数间的误差，该损失值越小说明焊接参数确定模型输出的预测焊接参数的准确性越高。
S513：判断损失值是否大于预设阈值，若损失值大于预设阈值，转至S515；否则，转至S517。
S515：基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对处理后的历史焊点信息集合进行预测操作，确定预测焊接参数。
本申请实施例中，与上文中所描述的预设机器学习模型一致，当前机器学习模型的第一全连接层、卷积层和第二全连接层也均包括多个感知机，多个感知机中每个感知机对应含有多个权重系数。服务器对第一全连接层、卷积层和第二全连接层中每个感知机对应的多个权重系数进行调整，得到更新后的机器学习模型，并将该更新后的机器学习模型重新确定为当前机器学习模型。需要说明的是，当当前机器学习模型经过大量历史焊点信息集合训练后，在对新一轮中的当前机器学习模型进行更新时，可以是对第一全连接层、卷积层和第二全连接层中每个感知机对应的全部权重系数进行调整，也可以是基于初始权重系数和焊接参数确定模型输出的预测焊接参数和实际焊接参数的差值，对第一全连接层、卷积层和第二全连接层中每个感知机对应的部分权重系数进行调整。
本申请实施例中，权重系数是当前机器学习模型中的自变量，输入的处理后的历史焊点信息和实际焊接参数是常量。在模型运行过程中，网络优化器对所有随机任意指定的权重系数进行求导，确定出使得损失值变小的变化方向，并据此调整权重系数的数值大小，如此循环可以使得损失值越来越小，预测焊接参数与实际焊接参数间的误差也就越来越小。
S517：将当前机器学习模型确定为焊接参数确定模型，将损失值对应的模型参数确定为焊接参数确定模型的参数。
本申请实施例中，理论上，预设阈值为0，也就是说当损失值为0时，预测焊接参数与实际焊接参数间不存在误差，预测焊接参数与实际焊接参数是完全一致的，即焊接参数确定模型输出的预测焊接参数是100％准确的。但是，实际上，通过不断调整权重系数的大小，只可以使得该损失值无限稳定地趋近于接近0的一个极小值，该极小值表示预测焊核直径与实际焊核直径的误差容忍度，该极小值即可以设定为预设阈值，当损失值无限接近于该预设阈值且变化幅度趋向稳定，即可以将当前机器学习模型确定为焊接参数确定模型，将损失值对应的模型参数确定为焊接参数确定模型的参数。
本申请实施例中，服务器获取的焊点信息集合和基于训练后的焊接参数确定模型得到处理后的焊点信息集合对应的焊接参数，分别可以作为训练焊接参数确定模型的历史焊点信息集合和历史焊点信息集合对应的实际焊接参数。服务器获取的焊点信息集合和基于训练后的焊接参数确定模型得到处理后的焊点信息集合对应的焊接参数，并根据该焊接参数得到的焊接结果进行适当调整后得到的实际焊接参数，分别可以作为训练焊接参数确定模型的历史焊点信息集合和历史焊点信息集合对应的实际焊接参数。
采用本申请实施例所提供的电阻点焊的焊接参数确定方法，通过对新车型的车辆的焊点信息集合进行特征处理，并将处理后的焊点信息集合输入采用已量产车辆的焊点信息集合和实际焊接参数训练的焊接参数确定模型中，可以得到高准确率的新车型的车辆的焊接参数。整个处理过程中全部由程序代码实现，无需人工参考大量的已有焊接参数，不仅可以节约培训工程师的培训成本，还可以节约时间成本。此外，在模型的训练过程中，将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，可以使得模型具有抵抗无规律噪音影响的功能。
本申请实施例还提供的一种电阻点焊的焊接参数确定装置，图6是本申请实施例提供的一种电阻点焊的焊接参数确定装置的结构示意图，如图6所示，该装置包括：
第一获取模块601用于获取车辆的焊点信息集合；
第一处理模块603用于对焊点信息集合进行特征处理，得到处理后的焊点信息集合；
其中，特征处理包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第一确定模块605用于基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。
本申请实施例中，该装置还包括：
第二获取模块，用于获取历史焊点信息集合和历史焊点信息集合对应的实际焊接参数；历史焊点信息集合是已量产车辆的焊点信息集合；
第二处理模块，用于对历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；特征处理包括将历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小历史焊点信息集合中的历史数值信息集合，使得历史数值信息集合中数值的大小均在预设区间内；
第三处理模块，用于将历史数值信息集合中的历史数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；
构建模块，用于构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
第四处理模块，用于基于当前机器学习模型，对处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
第二确定模块，用于根据预测焊接参数和实际焊接参数确定均方误差，得到损失值；
重复模块，用于当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
第三确定模块，用于当损失值小于或者等于预设阈值时，将当前机器学习模型确定为焊接参数确定模型，将损失值对应的模型参数确定为焊接参数确定模型的参数。
本申请实施例中，该装置还包括：
过滤模块，用于对焊点信息集合进行过滤，使得过滤后的焊点信息集合中不含有通用信息和无区分度信息；通用信息是任意焊点都具备的特征信息，无区分度信息是焊点信息集合中多个焊点所重复的焊点信息。
本申请实施例中的装置与方法实施例基于同样的申请构思。
本申请实施例还提供的一种电子设备，电子设备可设置于服务器之中以保存用于实现方法实施例中的一种电阻点焊的焊接参数确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该存储器加载并执行以实现上述的电阻点焊的焊接参数确定方法。
本申请实施例还提供的一种存储介质，存储介质可设置于服务器之中以保存用于实现方法实施例中一种电阻点焊的焊接参数确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述电阻点焊的焊接参数确定方法。
可选的，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于包括：U盘、只读存储器(ROM，Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的电阻点焊的焊接参数确定方法、装置、电子设备或存储介质的实施例可见，本申请中方法包括服务器获取车辆的焊点信息集合，对焊点信息集合进行特征处理，得到处理后的焊点信息集合，其中，特征处理包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，噪音数值集合中所有噪音数值的均值为0，且标准差为1，基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。基于本申请实施例，通过对新车型的车辆的焊点信息集合进行特征处理，并将处理后的焊点信息集合输入采用已量产车辆的焊点信息集合和实际焊接参数训练的焊接参数确定模型中，可以得到高准确率的新车型的车辆的焊接参数。整个处理过程中全部由程序代码实现，无需人工参考大量的已有焊接参数，不仅可以节约培训工程师的培训成本，还可以节约时间成本。此外，在模型的训练过程中，将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，可以使得模型具有抵抗无规律噪音影响的功能。
需要说明的是：上述本申请实施例的先后顺序仅仅为了描述，不代表实施例的优劣，且上述本说明书对特定的实施例进行了描述，其他实施例也在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或者步骤可以按照不同的实施例中的顺序来执行并且能够实现预期的结果。另外，在附图中描绘的过程不一定要求示出特定顺序或者而连接顺序才能够实现期望的结果，在某些实施方式中，多任务并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的均为与其他实施例的不同之处。尤其，对于装置的实施例而言，由于其基于相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (12)
1.一种电阻点焊的焊接参数确定方法，其特征在于，包括：
获取车辆的焊点信息集合；
对所述焊点信息集合进行特征处理，得到处理后的焊点信息集合；
其中，所述特征处理包括将所述焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小所述焊点信息集合中的数值信息集合，使得所述数值信息集合中数值的大小均在预设区间内，并将缩小后的所述数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；
基于训练后的焊接参数确定模型对所述处理后的焊点信息集合进行焊接参数确定，得到所述处理后的焊点信息集合对应的焊接参数。
2.根据权利要求1所述的方法，其特征在于，所述焊接参数确定模型的训练步骤包括：
获取历史焊点信息集合和所述历史焊点信息集合对应的实际焊接参数；所述历史焊点信息集合是已量产车辆的焊点信息集合；
对所述历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；所述特征处理包括将所述历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小所述历史焊点信息集合中的历史数值信息集合，使得所述历史数值信息集合中数值的大小均在所述预设区间内；
将所述历史数值信息集合中的历史数值信息与所述噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；
构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；
基于所述当前机器学习模型，对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
根据所述预测焊接参数和所述实际焊接参数确定均方误差，得到损失值；
当所述损失值大于所述预设阈值时，基于所述损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
当所述损失值小于或者等于所述预设阈值时，将所述当前机器学习模型确定为所述焊接参数确定模型，将所述损失值对应的模型参数确定为所述焊接参数确定模型的参数。
3.根据权利要求2所述的方法，其特征在于，所述焊接参数确定模型包括第一全连接层、卷积层和第二全连接层；
所述第一全连接层的输出端与所述卷积层的输入端连接，所述卷积层的输出端与所述第二全连接层的输入端连接；
所述第一全连接层的输入端的输入数据是由所述处理后的历史焊点信息集合决定的。
4.根据权利要求3所述的方法，其特征在于，所述第一全连接层、所述卷积层和所述第二全连接层均包括多个感知机，所述多个感知机中每个感知机对应含有多个权重系数；
所述对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型，包括：
对所述第一全连接层、所述卷积层和所述第二全连接层中每个感知机对应的多个权重系数进行调整，得到所述更新后的机器学习模型；
将所述更新后的机器学习模型重新确定为当前机器学习模型。
5.根据权利要求1所述的方法，其特征在于，所述焊点信息集合包括但不限于焊点的材料牌号、焊点所在板材的厚度、电极头型号、涂胶信息、焊点对应的位置数据和焊枪型号。
6.根据权利要求1所述的方法，其特征在于，所述焊接参数包括但不限于焊接电流、通电时长和焊接压力。
7.根据权利要求1所述的方法，其特征在于，所述对所述焊点信息集合进行特征处理之前，还包括：
对所述焊点信息集合进行过滤，使得过滤后的焊点信息集合中不含有通用信息和无区分度信息；所述通用信息是任意焊点都具备的特征信息，所述无区分度信息是所述焊点信息集合中多个焊点所重复的焊点信息。
8.一种电阻点焊的焊接参数确定装置，其特征在于，包括：
第一获取模块，用于获取车辆的焊点信息集合；
第一处理模块，用于对所述焊点信息集合进行特征处理，得到处理后的焊点信息集合；
其中，所述特征处理包括将所述焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小所述焊点信息集合中的数值信息集合，使得所述数值信息集合中数值的大小均在预设区间内，并将缩小后的所述数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；
第一确定模块，用于基于训练后的焊接参数确定模型对所述处理后的焊点信息集合进行焊接参数确定，得到所述处理后的焊点信息集合对应的焊接参数。
9.根据权利要求8所述的装置，其特征在于，还包括：
第二获取模块，用于获取历史焊点信息集合和所述历史焊点信息集合对应的实际焊接参数；所述历史焊点信息集合是已量产车辆的焊点信息集合；
第二处理模块，用于对所述历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；所述特征处理包括将所述历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小所述历史焊点信息集合中的历史数值信息集合，使得所述历史数值信息集合中数值的大小均在所述预设区间内；
第三处理模块，用于将所述历史数值信息集合中的历史数值信息与所述噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；
构建模块，用于构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；
第四处理模块，用于基于所述当前机器学习模型，对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
第二确定模块，用于根据所述预测焊接参数和所述实际焊接参数确定均方误差，得到损失值；
重复模块，用于当所述损失值大于所述预设阈值时，基于所述损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
第三确定模块，用于当所述损失值小于或者等于所述预设阈值时，将所述当前机器学习模型确定为所述焊接参数确定模型，将所述损失值对应的模型参数确定为所述焊接参数确定模型的参数。
10.根据权利要求8所述的装置，其特征在于，还包括：
过滤模块，用于对所述焊点信息集合进行过滤，使得过滤后的焊点信息集合中不含有通用信息和无区分度信息；所述通用信息是任意焊点都具备的特征信息，所述无区分度信息是所述焊点信息集合中多个焊点所重复的焊点信息。
11.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-7任意一项所述电阻点焊的焊接参数确定方法。
12.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任意一项所述电阻点焊的焊接参数确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010593914.9A CN111914473B (zh) | 2020-06-24 | 2020-06-24 | 一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010593914.9A CN111914473B (zh) | 2020-06-24 | 2020-06-24 | 一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111914473A true CN111914473A (zh) | 2020-11-10 |
| CN111914473B CN111914473B (zh) | 2024-06-11 |
Family
ID=73226615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010593914.9A Active CN111914473B (zh) | 2020-06-24 | 2020-06-24 | 一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914473B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651080A (zh) * | 2020-12-18 | 2021-04-13 | 重庆忽米网络科技有限公司 | 基于工业ai技术的焊接结构件工艺优化方法及系统 |
| CN112734667A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工业大学 | 一种用于机器人焊接视觉的图像快速降噪模型建立方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010214380A (ja) * | 2009-03-13 | 2010-09-30 | Osaka Univ | リアルタイム溶接品質判定装置及び判定方法 |
| CN109317799A (zh) * | 2018-11-21 | 2019-02-12 | 广州市精源电子设备有限公司 | 点焊电源输出调节方法、装置、系统和存储介质 |
| CN109472358A (zh) * | 2018-10-17 | 2019-03-15 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
| CN109492294A (zh) * | 2018-11-02 | 2019-03-19 | 威马智慧出行科技（上海）有限公司 | 一种焊点设计方法及设备 |
| CN110009011A (zh) * | 2019-03-20 | 2019-07-12 | 华南理工大学 | 一种基于图像处理的焊点识别方法 |
| CN110434443A (zh) * | 2019-07-29 | 2019-11-12 | 中车青岛四方机车车辆股份有限公司 | 一种电阻点焊仿真方法及系统 |
| CN110968618A (zh) * | 2019-11-07 | 2020-04-07 | 华中科技大学 | 一种挖掘焊接参数量化关联规则的方法及应用 |
| CN111151858A (zh) * | 2020-01-13 | 2020-05-15 | 吉利汽车研究院（宁波）有限公司 | 一种点焊焊接参数应用系统及设置方法 |
-
2020
- 2020-06-24 CN CN202010593914.9A patent/CN111914473B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010214380A (ja) * | 2009-03-13 | 2010-09-30 | Osaka Univ | リアルタイム溶接品質判定装置及び判定方法 |
| CN109472358A (zh) * | 2018-10-17 | 2019-03-15 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
| CN109492294A (zh) * | 2018-11-02 | 2019-03-19 | 威马智慧出行科技（上海）有限公司 | 一种焊点设计方法及设备 |
| CN109317799A (zh) * | 2018-11-21 | 2019-02-12 | 广州市精源电子设备有限公司 | 点焊电源输出调节方法、装置、系统和存储介质 |
| CN110009011A (zh) * | 2019-03-20 | 2019-07-12 | 华南理工大学 | 一种基于图像处理的焊点识别方法 |
| CN110434443A (zh) * | 2019-07-29 | 2019-11-12 | 中车青岛四方机车车辆股份有限公司 | 一种电阻点焊仿真方法及系统 |
| CN110968618A (zh) * | 2019-11-07 | 2020-04-07 | 华中科技大学 | 一种挖掘焊接参数量化关联规则的方法及应用 |
| CN111151858A (zh) * | 2020-01-13 | 2020-05-15 | 吉利汽车研究院（宁波）有限公司 | 一种点焊焊接参数应用系统及设置方法 |
Non-Patent Citations (1)
| Title |
|---|
| 兰凤崇;周云郊;陈吉清;龙江启;: "车身覆盖件点焊结构虚拟节点建模及应用", 计算机集成制造系统, no. 08, 15 August 2009 (2009-08-15), pages 1541 - 1546 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651080A (zh) * | 2020-12-18 | 2021-04-13 | 重庆忽米网络科技有限公司 | 基于工业ai技术的焊接结构件工艺优化方法及系统 |
| CN112734667A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工业大学 | 一种用于机器人焊接视觉的图像快速降噪模型建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111914473B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10518357B2 (en) | Machine learning device and robot system to learn processing order of laser processing robot and machine learning method thereof | |
| CN117494292B (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
| CN111914473A (zh) | 一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质 | |
| JP2022063240A (ja) | 自己学習システムを用いて工作機械上での機械加工をシミュレーションするための方法及び装置 | |
| CN109472358A (zh) | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 | |
| CN113723692A (zh) | 数据处理方法、装置、设备、介质及程序产品 | |
| CN116840764A (zh) | 一种电容式电压互感器综合误差状态评估方法及系统 | |
| CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
| CN114219359A (zh) | 一种考虑任务匹配度和人因的人机协同装配任务分配方法 | |
| CN111626844A (zh) | 基于大数据分析的企业信用评估方法及装置 | |
| Jäckel et al. | Gathering of process data through numerical simulation for the application of machine learning prognosis algorithms | |
| JP5831363B2 (ja) | 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム | |
| CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
| JP7103514B2 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
| CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
| CN115345312A (zh) | 一种电子设计自动化方法及装置 | |
| CN118195126A (zh) | 一种基于人工智能的碳中和数据处理方法 | |
| CN117473833A (zh) | 基于有限元和神经网络的棒线材轧制力预测方法及装置 | |
| CN110738403B (zh) | 一种数据处理方法、设备及计算机存储介质 | |
| CN112348247A (zh) | 一种光能发电的预测方法、装置、计算机设备及存储介质 | |
| WO2021024246A4 (en) | Methods and systems for improving asset operation based on identification of significant changes in sensor combinations in related events | |
| CN112801558B (zh) | 一种工艺参数调节动作决策模型的优化方法以及装置 | |
| CN111177546B (zh) | 一种基于深度学习的工艺参数在线智能推荐方法及装置 | |
| CN112990762A (zh) | 一种行业风险指标体系风险指数生成方法及系统 | |
| CN111142026A (zh) | 一种数据处理方法、装置及电子设备 |
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 |