CN112317957B - 激光焊接方法、装置及其存储介质 - Google Patents

激光焊接方法、装置及其存储介质 Download PDF

Info

Publication number
CN112317957B
CN112317957B CN202011072145.4A CN202011072145A CN112317957B CN 112317957 B CN112317957 B CN 112317957B CN 202011072145 A CN202011072145 A CN 202011072145A CN 112317957 B CN112317957 B CN 112317957B
Authority
CN
China
Prior art keywords
sample
data set
class
laser welding
cluster
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
CN202011072145.4A
Other languages
English (en)
Other versions
CN112317957A (zh
Inventor
邓辅秦
黄永深
陈颖颖
冯华
李伟科
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.)
Wuyi University
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN202011072145.4A priority Critical patent/CN112317957B/zh
Publication of CN112317957A publication Critical patent/CN112317957A/zh
Application granted granted Critical
Publication of CN112317957B publication Critical patent/CN112317957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/20—Bonding
    • B23K26/21—Bonding by welding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明公开了激光焊接方法、装置及其存储介质，其中方法包括收集激光焊接过程中的不良因素样本集作为目标数据集；确认与目标数据集相似度最高的已有样本集作为源数据集；使用源数据集对深度学习模型持续进行预训练得到第一预训练模型；使用目标数据集对第一预训练模型进行结构调整得到第二预训练模型；将第一预训练模型的参数迁移至第二预训练模型得到最终模型。能确认与目标数据集极高相似度的匹配的源数据集，避免负迁移；利用迁移学习的方式实现避免少量的样本数据容易过拟合的缺点并加快模型收敛速度。

Description

激光焊接方法、装置及其存储介质
技术领域
本发明涉及激光焊接领域，特别是激光焊接方法、装置及其存储介质。
背景技术
激光焊接技术广泛并深入应用在航空航天、汽车制造和电子消费产品等领域。然而，在激光焊接过程中存在各种不良因素，如材料表面杂质和磨损、错误的工艺参数、人为操作错误因素等，不良因素的出现会大概率地导致缺陷连续地产生。激光焊接过程中伴随着大量的声、光、电、热信号的释出，依托于多种传感器，可以实现对这一系列信号的监测。在监测过程中，利用深度学习技术可以建立信号强度变化与多种不良因素的关联。深度学习技术需要大量的样本数据才能获得较好的表现效果，但在某些激光焊接加工环境中，样本数据的采集十分困难，需要求助于人工抽样和破坏性的采集方法来实现不良样本的采集，不良样本的获取总是需要大量的人力和成本，这使得获取大量的样本数据变得困难。在样本数据比较少的情况下，现有深度学习模型对于激光焊接的监控效果会大大受到限制。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供激光焊接方法、装置及其存储介质。
本发明解决其问题所采用的技术方案是：
本发明的第一方面，激光焊接方法，包括以下步骤：
收集激光焊接过程中的不良因素样本集作为目标数据集，所述不良因素样本集包括多种类的不良因素样本；
从多个已有样本集中确认与所述目标数据集相似度最高的已有样本集作为源数据集；
使用所述源数据集对用于监控激光焊接的深度学习模型持续进行预训练直至模型损失达到最小值，得到第一预训练模型；
使用所述目标数据集对所述第一预训练模型进行结构调整得到第二预训练模型；
将所述第一预训练模型的参数迁移至所述第二预训练模型得到最终模型。
根据本发明的第一方面，所述从多个已有样本集中确认与目标数据集相似度最高的数据集作为源数据集包括以下步骤：
将每个所述已有样本集按照类标签划分为多个类，确认所述已有样本集的每个类的代表样本；
将所述目标数据集按照类标签划分为多个类，确认所述目标数据集的每个类的代表样本；
确认所述已有样本集的每个代表样本与所述目标数据集的所有代表样本之间的距离，取所有距离中值最小的p个距离的平均值作为所述已有样本集的距离对比值；
比较所有所述已有样本集的距离对比值，取所述距离对比值最小所对应的所述已有样本集作为所述源数据集；
其中，所述代表样本与所述类一一对应。
根据本发明的第一方面，确认类的代表样本包括以下步骤：
确认处于所述类的中心位置的中心样本；
确认所述中心样本与类中其他样本的动态规整矩阵，通过所述动态规整矩阵得到规整代价最小的最短路径，其中所述动态规整矩阵的元素为所述中心样本和所述类中其他样本的欧氏距离；
对所述最短路径上的每个坐标作重心平均得到新路径，将所述新路径作为代表样本。
根据本发明的第一方面，所述确认处于类的中心位置的中心样本包括以下步骤：
随机选取类中的k个元素作为簇中心；
组簇步骤：计算类中的其他元素与每个所述簇中心的欧式距离，将类中的其他元素根据最近邻原则划分到与其欧式距离最小的所述簇中心所对应的簇；
确认新簇中心步骤：计算每个簇中每个元素的准则值，将准则值最小的元素作为新簇中心；
重复组簇步骤和确认新簇中心步骤直至作为簇中心的元素不再变化，输出k个作为簇中心的元素作为所述中心样本。
本发明的第二方面，激光焊接装置，包括：
样本获取模块，用于收集激光焊接过程中的不良因素样本集作为目标数据集，所述不良因素样本集包括多种类的不良因素样本；
源数据集获取模块，用于从多个已有样本集中确认与目标数据集相似度最高的已有样本集作为源数据集；
预训练模块，用于使用所述源数据集对用于监控激光焊接的深度学习模型持续进行预训练直至模型损失达到最小值，得到第一预训练模型；
调整模块，用于使用所述目标数据集对所述第一预训练模型进行结构调整得到第二预训练模型；
参数迁移模块，用于将所述第一预训练模型的参数迁移至所述第二预训练模型得到最终模型。
根据本发明的第二方面，所述源数据集获取模块执行以下步骤：
将每个所述已有样本集按照类标签划分为多个类，确认所述已有样本集的每个类的代表样本；
将所述目标数据集按照类标签划分为多个类，确认所述目标数据集的每个类的代表样本；
确认所述已有样本集的每个代表样本与所述目标数据集的所有代表样本之间的距离，取所有距离中值最小的p个距离的平均值作为所述已有样本集的距离对比值；
比较所有所述已有样本集的距离对比值，取所述距离对比值最小所对应的所述已有样本集作为所述源数据集；
其中，所述代表样本与所述类一一对应。
根据本发明的第二方面，所述源数据集获取模块还执行以下步骤以确认类的代表样本：
确认处于所述类的中心位置的中心样本；
确认所述中心样本与类中其他样本的动态规整矩阵，通过所述动态规整矩阵得到规整代价最小的最短路径，其中所述动态规整矩阵的元素为所述中心样本和所述类中其他样本的欧氏距离；
对所述最短路径上的每个坐标作重心平均得到新路径，将所述新路径作为代表样本。
根据本发明的第二方面，所述源数据集获取模块还执行以下步骤以确认处于类的中心位置的中心样本：
随机选取类中的k个元素作为簇中心；
组簇步骤：计算类中的其他元素与每个所述簇中心的欧式距离，将类中的其他元素根据最近邻原则划分到与其欧式距离最小的所述簇中心所对应的簇；
确认新簇中心步骤：计算每个簇中每个元素的准则值，将准则值最小的元素作为新簇中心；
重复组簇步骤和确认新簇中心步骤直至作为簇中心的元素不再变化，输出k个作为簇中心的元素作为所述中心样本。
本发明的第三方面，激光焊接装置，包括多个传感器、处理器和用于存储能在所述处理器上运行的可执行指令的存储器，多个所述传感器以及所述存储器均与所述处理器连接；其中，所述处理器运行所述可执行指令以执行如本发明的第一方面所述的激光焊接方法；其中，所述传感器用于获取激光焊接过程中的信号。
本发明的第四方面，存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行如本发明的第一方面所述的激光焊接方法。
上述方案至少具有以下的有益效果：能确认与目标数据集极高相似度的匹配的源数据集，避免负迁移，提高参数迁移效果使最终模型收敛效果更佳；利用迁移学习的方式实现避免少量的样本数据容易过拟合的缺点并加快模型收敛速度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例激光焊接方法的流程图；
图2是图1中步骤S200的具体流程图；
图3是本发明实施例激光焊接装置的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1，本发明的第一实施例，提供了激光焊接方法。激光焊接方法包括以下步骤：
步骤S100、收集激光焊接过程中的不良因素样本集作为目标数据集，不良因素样本集包括多种类的不良因素样本；
步骤S200、从多个已有样本集中确认与目标数据集相似度最高的已有样本集作为源数据集；
步骤S300、使用源数据集对用于监控激光焊接的深度学习模型持续进行预训练直至模型损失达到最小值，得到第一预训练模型；
步骤S400、使用目标数据集对第一预训练模型进行结构调整得到第二预训练模型；
步骤S500、将第一预训练模型的参数迁移至第二预训练模型得到最终模型。
在该实施例中，该激光焊接方法能确认与目标数据集极高相似度的匹配的源数据集，避免负迁移，提高参数迁移效果使最终模型收敛效果更佳；利用迁移学习的方式实现避免少量的样本数据容易过拟合的缺点并加快模型收敛速度；使得最终模型建立的信号强度变化与多种不良因素的关联性更高，更利于对激光焊接不良因素的监控。
需要说明的是，已有样本集是一些大型数据库中的数据样本，也可以是以往收集的不良因素样本。大型数据库中的样本部分与不良因素样本相关，部分与不良因素样本非相关。
需要说明的是，用于监控激光焊接的深度学习模型在此不作限制。在该实施例中，采用CNN框架的深度学习模型。当然在其他实施例中，也可以采用其他深度学习模型。
参照图2，进一步，在步骤S200中，从多个已有样本集中确认与目标数据集相似度最高的已有样本集作为源数据集包括以下步骤：
步骤S210、将每个已有样本集按照类标签划分为多个类，确认已有样本集的每个类的代表样本；其中，代表样本与类一一对应；
步骤S220、将目标数据集按照类标签划分为多个类，确认第二数据集的每个类的代表样本；其中，代表样本与类一一对应；
需要说明的是，已有样本集和目标数据集的数据样本均已经标注有类标签；
步骤S230、确认已有样本集的每个代表样本与目标数据集的所有代表样本之间的距离，取所有距离中值最小的p个距离的平均值作为已有样本集的距离对比值；距离具体采用欧式距离；
在步骤S230中，若一个已有样本集具有d个类，即具有d个代表样本，目标数据集具有e个代表样本；对于一个已有样本集，构建d*e个欧式距离，从d*e个欧式距离取值最小的p个距离的平均值作为该已有样本集的距离对比值；重复该步骤S230得到所有已有样本集的距离对比值；
步骤S240、比较所有已有样本集的距离对比值，取距离对比值最小所对应的已有样本集作为源数据集。距离对比值最小所对应的已有样本集即与目标数据集相似性最高的数据集。
需要说明的是，如果源数据集和目标数据集之间相似度不够容易出现负迁移情况。进行参数迁移的源数据集和目标数据集不同但有一定关联，两者相似性越高参数迁移效果越佳。通过上述相似性度量方法能准确地找到与目标数据集相似性最高的数据集。
进一步，在步骤S210和步骤S220中，确认类的代表样本包括以下步骤：
确认处于类的中心位置的中心样本；
确认中心样本与类中其他样本的动态规整矩阵，通过动态规整矩阵得到规整代价最小的最短路径，其中动态规整矩阵的元素为中心样本和类中其他样本的欧氏距离；
对最短路径上的每个坐标作重心平均得到新路径，将新路径作为代表样本。
需要说明的是，对于一个动态规整矩阵，具有多条从原点到指定点的路径，定义其中一条路径为W＝w1，w2，…，wK，max(m,n)≤K≤m+n-1；w1表示该路径经过的第一个点；规整代价为
Figure BDA0002715352670000101
其中Q为中心样本，C为类中其他样本。重心平均表示为bartcenter{w1，…，wK}＝(w1+…+wK)/K。
进一步，确认处于类的中心位置的中心样本包括以下步骤：
随机选取类中的k个元素作为簇中心；
组簇步骤：计算类中的其他元素与每个簇中心的欧式距离，将类中的其他元素根据最近邻原则划分到与该元素的欧式距离最小的簇中心所对应的簇；即将类中的所有元素划分为k个簇；
确认新簇中心步骤：计算每个簇中每个元素的准则值，将准则值最小的元素作为新簇中心；
重复组簇步骤和确认新簇中心步骤直至作为簇中心的元素不再变化，输出k个作为簇中心的元素作为中心样本。
参照图3，本发明的第二实施例，提供了激光焊接装置。激光焊接装置包括：
样本获取模块10，用于收集激光焊接过程中的不良因素样本集作为目标数据集，不良因素样本集包括多种类的不良因素样本；
源数据集获取模块20，用于从多个已有样本集中确认与目标数据集相似度最高的已有样本集作为源数据集；
预训练模块30，用于使用源数据集对用于监控激光焊接的深度学习模型持续进行预训练直至模型损失达到最小值，得到第一预训练模型；
调整模块40，用于使用目标数据集对第一预训练模型进行结构调整得到第二预训练模型；
参数迁移模块50，用于将第一预训练模型的参数迁移至第二预训练模型得到最终模型。
在该实施例中，该激光焊接装置采用如方法实施例的激光焊接方法，能确认与目标数据集极高相似度的匹配的源数据集，避免负迁移，提高参数迁移效果使最终模型收敛效果更佳；利用迁移学习的方式实现避免少量的样本数据容易过拟合的缺点并加快模型收敛速度；使得最终模型建立的信号强度变化与多种不良因素的关联性更高，更利于对激光焊接不良因素的监控。
进一步，源数据集获取模块20执行以下步骤：
将每个已有样本集按类标签划分为多个类，确认已有样本集的每个类的代表样本；
将目标数据集按类标签划分为多个类，确认第二数据集的每个类的代表样本；
确认已有样本集的每个代表样本与目标数据集的所有代表样本之间的距离，取所有距离中值最小的p个距离的平均值作为已有样本集的距离对比值；
比较所有已有样本集的距离对比值，取距离对比值最小所对应的已有样本集作为源数据集；
其中，代表样本与类一一对应。
进一步，源数据集获取模块20还执行以下步骤以确认类的代表样本：
确认处于类的中心位置的中心样本；
确认中心样本与类中其他样本的动态规整矩阵，通过动态规整矩阵得到规整代价最小的最短路径，其中动态规整矩阵的元素为中心样本和类中其他样本的欧氏距离；
对最短路径上的每个坐标作重心平均得到新路径，将新路径作为代表样本。
进一步，源数据集获取模块20还执行以下步骤以确认处于类的中心位置的中心样本：
随机选取类中的k个元素作为簇中心；
组簇步骤：计算类中的其他元素与每个簇中心的欧式距离，将类中的其他元素根据最近邻原则划分到与其欧式距离最小的簇中心所对应的簇；
确认新簇中心步骤：计算每个簇中每个元素的准则值，将准则值最小的元素作为新簇中心；
重复组簇步骤和确认新簇中心步骤直至作为簇中心的元素不再变化，输出k个作为簇中心的元素作为中心样本。
需要说明的是，激光焊接装置，应用如方法实施例所述的激光焊接方法，经各个模块的配合，能执行激光焊接方法的各个步骤，具有相同的技术效果，在此不再详述。
本发明的第三方面，提供了激光焊接装置。激光焊接装置包括多个传感器、处理器和用于存储能在处理器上运行的可执行指令的存储器，多个传感器以及存储器均与处理器连接；其中，处理器运行可执行指令以执行如本发明的方法实施例所述的激光焊接方法；其中，传感器用于获取激光焊接过程中的信号。
其中传感器包括声学传感器、光谱仪、光电二极管、视觉传感器和温度传感器等，用于获取激光焊接过程中的声、光、电、热信号及信号强度变化，在信号强度变化中可以提取出不良因素样本。
本发明的第四方面，存储介质存储有可执行指令，可执行指令能被计算机执行，使计算机执行如本发明的方法实施例所述的激光焊接方法。
存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (8)

1.激光焊接方法，其特征在于，包括以下步骤：
收集激光焊接过程中的不良因素样本集作为目标数据集，所述不良因素样本集包括多种类的不良因素样本；
从多个已有样本集中确认与所述目标数据集相似度最高的已有样本集作为源数据集，所述已有样本集为历史不良因素样本或大型数据库的样本，所述大型数据库的样本中一部分与所述不良因素样本相关，另一部分与所述不良因素样本非相关；
使用所述源数据集对用于监控激光焊接的深度学习模型持续进行预训练直至模型损失达到最小值，得到第一预训练模型；
使用所述目标数据集对所述第一预训练模型进行结构调整得到第二预训练模型；
将所述第一预训练模型的参数迁移至所述第二预训练模型得到最终模型；
其中，所述从多个已有样本集中确认与目标数据集相似度最高的已有样本集作为源数据集包括以下步骤：
将每个所述已有样本集按照类标签划分为多个类，确认所述已有样本集的每个类的代表样本；
将所述目标数据集按照类标签划分为多个类，确认所述目标数据集的每个类的代表样本；
确认所述已有样本集的每个代表样本与所述目标数据集的所有代表样本之间的距离，取所有距离中值最小的p个距离的平均值作为所述已有样本集的距离对比值；
比较所有所述已有样本集的距离对比值，取所述距离对比值最小所对应的所述已有样本集作为所述源数据集；
其中，所述代表样本与所述类一一对应。
2.根据权利要求1所述的激光焊接方法，其特征在于，确认类的代表样本包括以下步骤：
确认处于所述类的中心位置的中心样本；
确认所述中心样本与类中其他样本的动态规整矩阵，通过所述动态规整矩阵得到规整代价最小的最短路径，其中所述动态规整矩阵的元素为所述中心样本和所述类中其他样本的欧氏距离；
对所述最短路径上的每个坐标作重心平均得到新路径，将所述新路径作为代表样本。
3.根据权利要求2所述的激光焊接方法，其特征在于，所述确认处于类的中心位置的中心样本包括以下步骤：
随机选取类中的k个元素作为簇中心；
组簇步骤：计算类中的其他元素与每个所述簇中心的欧式距离，将类中的其他元素根据最近邻原则划分到与其欧式距离最小的所述簇中心所对应的簇；
确认新簇中心步骤：计算每个簇中每个元素的准则值，将准则值最小的元素作为新簇中心；
重复组簇步骤和确认新簇中心步骤直至作为簇中心的元素不再变化，输出k个作为簇中心的元素作为所述中心样本。
4.激光焊接装置，其特征在于，包括：
样本获取模块，用于收集激光焊接过程中的不良因素样本集作为目标数据集，所述不良因素样本集包括多种类的不良因素样本；源数据集获取模块，用于从多个已有样本集中确认与所述目标数据集相似度最高的已有样本集作为源数据集，所述已有样本集为历史不良因素样本或大型数据库的样本，所述大型数据库的样本中一部分与所述不良因素样本相关，另一部分与所述不良因素样本非相关；
预训练模块，用于使用所述源数据集对用于监控激光焊接的深度学习模型持续进行预训练直至模型损失达到最小值，得到第一预训练模型；
调整模块，用于使用所述目标数据集对所述第一预训练模型进行结构调整得到第二预训练模型；
参数迁移模块，用于将所述第一预训练模型的参数迁移至所述第二预训练模型得到最终模型；
其中，所述源数据集获取模块执行以下步骤：
将每个所述已有样本集按照类标签划分为多个类，确认所述已有样本集的每个类的代表样本；
将所述目标数据集按照类标签划分为多个类，确认所述目标数据集的每个类的代表样本；
确认所述已有样本集的每个代表样本与所述目标数据集的所有代表样本之间的距离，取所有距离中值最小的p个距离的平均值作为所述已有样本集的距离对比值；
比较所有所述已有样本集的距离对比值，取所述距离对比值最小所对应的所述已有样本集作为所述源数据集；
其中，所述代表样本与所述类一一对应。
5.根据权利要求4所述的激光焊接装置，其特征在于，所述源数据集获取模块还执行以下步骤以确认类的代表样本：
确认处于所述类的中心位置的中心样本；
确认所述中心样本与类中其他样本的动态规整矩阵，通过所述动态规整矩阵得到规整代价最小的最短路径，其中所述动态规整矩阵的元素为所述中心样本和所述类中其他样本的欧氏距离；
对所述最短路径上的每个坐标作重心平均得到新路径，将所述新路径作为代表样本。
6.根据权利要求5所述的激光焊接装置，其特征在于，所述源数据集获取模块还执行以下步骤以确认处于类的中心位置的中心样本：随机选取类中的k个元素作为簇中心；
组簇步骤：计算类中的其他元素与每个所述簇中心的欧式距离，将类中的其他元素根据最近邻原则划分到与其欧式距离最小的所述簇中心所对应的簇；
确认新簇中心步骤：计算每个簇中每个元素的准则值，将准则值最小的元素作为新簇中心；
重复组簇步骤和确认新簇中心步骤直至作为簇中心的元素不再变化，输出k个作为簇中心的元素作为所述中心样本。
7.激光焊接装置，其特征在于，包括多个传感器、处理器和用于存储能在所述处理器上运行的可执行指令的存储器，多个所述传感器以及所述存储器均与所述处理器连接；其中，所述处理器运行所述可执行指令以执行如权利要求1至3任一项所述的激光焊接方法；其中，所述传感器用于获取激光焊接过程中的信号。
8.存储介质，其特征在于，所述存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行如权利要求1至3任一项所述的激光焊接方法。
CN202011072145.4A 2020-10-09 2020-10-09 激光焊接方法、装置及其存储介质 Active CN112317957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011072145.4A CN112317957B (zh) 2020-10-09 2020-10-09 激光焊接方法、装置及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011072145.4A CN112317957B (zh) 2020-10-09 2020-10-09 激光焊接方法、装置及其存储介质

Publications (2)

Publication Number Publication Date
CN112317957A CN112317957A (zh) 2021-02-05
CN112317957B true CN112317957B (zh) 2022-11-08

Family

ID=74313399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011072145.4A Active CN112317957B (zh) 2020-10-09 2020-10-09 激光焊接方法、装置及其存储介质

Country Status (1)

Country Link
CN (1) CN112317957B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846444B (zh) * 2018-06-23 2022-02-01 重庆大学 面向多源数据挖掘的多阶段深度迁移学习方法
CN109409520B (zh) * 2018-10-17 2021-10-29 深圳市微埃智能科技有限公司 基于迁移学习的焊接工艺参数推荐方法、装置及机器人
CN109271522B (zh) * 2018-11-20 2021-07-30 深圳大学 基于深度混合模型迁移学习的评论情感分类方法及系统
CN109754017B (zh) * 2019-01-09 2022-05-10 西北工业大学 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
CN110555467B (zh) * 2019-08-13 2020-10-23 深圳创新奇智科技有限公司 一种基于模型迁移的工业数据分类方法
CN110728294A (zh) * 2019-08-30 2020-01-24 北京影谱科技股份有限公司 一种基于迁移学习的跨领域图像分类模型构建方法和装置

Also Published As

Publication number Publication date
CN112317957A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
US20200387785A1 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
JP2020126601A (ja) 不良検知方法および不良検知装置
CN116304898B (zh) 基于机器学习的传感器数据智能存储系统
CN113591948B (zh) 一种缺陷模式识别方法、装置、电子设备和存储介质
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN118133144B (zh) 基于图神经网络的车辆故障诊断方法、装置、设备及介质
CN114116829A (zh) 异常数据分析方法、异常数据分析系统和存储介质
CN110634198B (zh) 一种基于正多胞体滤波的工业系统分层故障诊断方法
CN111338876A (zh) 一种故障模式与影响分析的决策方法、系统及存储介质
Wei et al. Multiscale dynamic construction for abnormality detection and localization of Li-ion batteries
CN110909804B (zh) 基站异常数据的检测方法、装置、服务器和存储介质
CN115905990A (zh) 一种基于密度聚集算法的变压器油温异常监测方法
CN115876467A (zh) 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法
CN112317957B (zh) 激光焊接方法、装置及其存储介质
WO2021103875A1 (zh) 一种基于激光传感器的平面检测方法、装置
US20240201673A1 (en) Method, apparatus, and system with abnormality determination
CN117495891A (zh) 点云边缘检测方法、装置和电子设备
CN112750119A (zh) 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法
CN116091485A (zh) 基于敏感互信息的浮选过程泡沫图像特征选择方法及装置
CN117237911A (zh) 一种基于图像的动态障碍物快速检测方法及系统
CN115761359A (zh) 一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法
CN116051456A (zh) 缺陷检测方法、装置、电子设备及机器可读存储介质
CN115713484A (zh) 一种基于图像表示的工业缺陷样本检测方法及系统
US20240142916A1 (en) Method and control unit for automatically selecting data sets for a method for machine learning
CN114218752A (zh) 一种基于新能源汽车实时运行数据的异常检测方法及装置

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210205

Assignee: ZHONGSHAN AISCENT TECHNOLOGIES Co.,Ltd.

Assignor: WUYI University

Contract record no.: X2023980052830

Denomination of invention: Laser welding methods, devices, and storage media

Granted publication date: 20221108

License type: Common License

Record date: 20231219