CN114219306B - 用于建立焊接质量检测模型的方法、设备、介质 - Google Patents

用于建立焊接质量检测模型的方法、设备、介质 Download PDF

Info

Publication number
CN114219306B
CN114219306B CN202111545377.1A CN202111545377A CN114219306B CN 114219306 B CN114219306 B CN 114219306B CN 202111545377 A CN202111545377 A CN 202111545377A CN 114219306 B CN114219306 B CN 114219306B
Authority
CN
China
Prior art keywords
sample data
data
production
sample
training
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
CN202111545377.1A
Other languages
English (en)
Other versions
CN114219306A (zh
Inventor
叶军
彭飞
易秋明
易武
孙斌
张志军
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.)
Yunshuo Iot Technology Shanghai Co ltd
Original Assignee
Yunshuo Iot Technology Shanghai Co ltd
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 Yunshuo Iot Technology Shanghai Co ltd filed Critical Yunshuo Iot Technology Shanghai Co ltd
Priority to CN202111545377.1A priority Critical patent/CN114219306B/zh
Publication of CN114219306A publication Critical patent/CN114219306A/zh
Application granted granted Critical
Publication of CN114219306B publication Critical patent/CN114219306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

本申请的目的是提供用于建立焊接质量检测模型的方法、设备、介质及程序产品，该方法包括：获取用于建立焊接质量检测模型的生产样本数据；基于生产样本数据及对应的参考样本数据，以及焊接机理知识，分别确定生产样本数据与参考样本数据中每个数据样本对应的若干个机理特征信息；基于该若干个机理特征信息，以及相应机理特征对应的特征权重信息，确定样本权重阈值；根据生产样本数据、参考样本数据以及样本权重阈值，通过机器学习训练获得焊接质量检测模型。本申请在缺乏生产环境焊接质量缺陷负样本、实验室或其他焊接任务数据与生产环境数据分布存在差异的情况下，构建出泛化能力更好、检测准确率更高的焊接质量检测模型。

Description

用于建立焊接质量检测模型的方法、设备、介质
技术领域
本申请涉及焊接技术领域，尤其涉及一种用于建立焊接质量检测模型的技术。
背景技术
焊接是现代工业生产中非常重要的工艺。焊接质量的好坏直接影响了焊接产品整体的性能，因此，焊接质量检测也是焊接加工的重要环节。近年来，焊接质量的智能在线检测，成为各高校及机构的重要研究方向。目前主要的研究方向是：依据电弧声音与电弧能量变化的关系进行质量判断、通过图像识别焊缝熔池进行判断、或者基于光谱、电压信号、声音信号和视觉信息，通过融合算法对焊缝质量进行综合判断。
发明内容
本申请的一个目的是提供一种用于建立焊接质量检测模型的方法、设备、介质及程序产品。
根据本申请的一个方面，提供了一种用于建立焊接质量检测模型的方法，该方法包括：
获取用于建立焊接质量检测模型的生产样本数据；
基于所述生产样本数据及所述生产样本数据对应的参考样本数据，以及焊接机理知识，分别确定所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息；
基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述焊接质量检测模型对应的样本权重阈值；
根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。
根据本申请的一个方面，提供了一种用于建立焊接质量检测模型的计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如上所述任一方法的步骤。
根据本申请的一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述任一方法的步骤。
根据本申请的一个方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述任一方法的步骤。
根据本申请的一个方面，提供了一种用于建立焊接质量检测模型设备，该设备包括：
一一模块，用于获取用于建立焊接质量检测模型的生产样本数据；
一二模块，用于基于所述生产样本数据及所述生产样本数据对应的参考样本数据，以及焊接机理知识，分别确定所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息；
一三模块，用于基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述焊接质量检测模型对应的样本权重阈值；
一四模块，用于根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。
与现有技术相比，本申请基于获取的生产样本数据及相应的参考样本数据及焊接机理知识，分别确定生产样本数据与参考样本数据中每个数据样本对应的若干个机理特征信息，并基于该机理特征信息以及每个机理特征信息所属机理特征对应的特征权重信息，确定焊接质量检测模型对应的样本权重阈值，进而根据生产样本数据、参考样本数据以及样本权重阈值，通过机器学习训练获得所述焊接质量检测模型，从而可将参考样本数据所对应的实验室或其他相同或相似焊接任务中的知识迁移到正式生产环境中，充分利用已有的焊接质量检测经验，在缺乏生产环境焊接质量缺陷负样本、实验室或其他焊接任务数据与生产环境数据分布存在差异的情况下，构建出泛化能力更好、检测准确率更高的焊接质量检测模型。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个实施例的一种用于建立焊接质量检测模型的流程图；
图2示出根据本申请一个实施例的一种用于建立焊接质量检测模型的方法流程图；
图3示出根据本申请一个实施例的一种基于样本归纳式迁移学习流程图；
图4示出根据本申请一个实施例的一种用于建立焊接质量检测模型的设备结构图；
图5示出可被用于实施本申请中所述的各个实施例的示例性系统。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如，中央处理器(Central Processing Unit，CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(Flash Memory)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change Memory，PCM)、可编程随机存取存储器(Programmable Random Access Memory，PRAM)、静态随机存取存储器(Static Random-Access Memory，SRAM)、动态随机存取存储器(Dynamic Random AccessMemory，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(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disc,DVD)或其他光学存储、磁盒式磁带，磁带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。
本申请所指设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品，例如智能手机、平板电脑等，所述移动电子产品可以采用任意操作系统，如Android操作系统、iOS操作系统等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程逻辑器件(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable GateArray，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。优选地，所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。
当然，本领域技术人员应能理解上述设备仅为举例，其他现有的或今后可能出现的设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在本申请的描述中，“多个”的含义是两个或者更多，除非另有明确具体的限定。
图1示出一种用于建立焊接质量检测模型的流程图，根据图1所示流程，在焊接质量检测模型建立过程中，设备1先对获得的来自生产环境的焊接数据进行预处理，从预处理后的焊接数据及实验室或者前期交付项目的样本数据中分别提取相应的时频域特征以获得可用于后续模型训练的生产样本数据及参考样本数据；并基于所述生产样本数据及参考样本数据确定相应的焊接工艺机理特征；再根据专家经验知识来赋予所述焊接工艺机理特征不同的权重，并结合该权重计算来自实验室或者前期交付项目的参考样本数据与来自生产环境的焊接数据的KL距离，以衡量该参考样本数据与生产样本数据的分布差异；将该KL距离作为sigmod函数的输入，最终计算出错误率阈值θ以作为后续样本归纳式迁移学习中样本权重是否更新的控制策略，从而可甄别出参考样本数据中对于生产样本数据分类有利的样本。基于归纳式样本迁移学习，设备1对参考样本数据和生产样本数据权重初始化，以Xgboost为基分类器进行训练，并计算相应错误率，若该错误率小于错误率阈值则更新相应的权重，并基于更新后的权重继续进行基分类器训练直至训练完预先设定的数目的基分类器；将训练得到的基分类器组合即可得到该焊接质量检测模型。本方案所述焊接质量检测模型的建立方法可在实际生产环境中缺乏焊接质量缺陷负样本、实验室或前期项目数据与实际生产环境数据分布存在差异的情况下，利用已有样本集(例如，来自实验室或者前期交付项目的样本数据)并结合新的样本集(例如，来自生产环境的焊接数据)，构建出泛化能力更好、检测准确率更高的焊接质量检测模型。
参考图1所示流程图，图2示出根据本申请一个实施例的一种用于建立焊接质量检测模型的的方法流程图，该方法包括步骤S11、步骤S12、步骤S13和步骤S14。在步骤S11中，设备1获取用于建立焊接质量检测模型的生产样本数据；在步骤S12中，设备1基于所述生产样本数据及所述生产样本数据对应的参考样本数据，以及焊接机理知识，分别确定所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息；在步骤S13中，设备1基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述焊接质量检测模型对应的样本权重阈值；在步骤S14中，设备1根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。
在步骤S11中，设备1获取用于建立焊接质量检测模型的生产样本数据。在一些实施例中，所述生产样本数据包括从生产环境中获取的多个数据样本。在一些实施例中，所述设备1为用于进行焊接质量检测模型的训练的设备。
在一些实施例中，所述步骤S11包括：步骤S111(未示出)，设备1获取生产环境中用于建立焊接质量检测模型的焊接数据；步骤S112(未示出)，设备1对所述焊接数据进行预处理，确定所述生产样本数据。在一些实施例中，设备1可通过生产环境中高频数采网关及各类传感器(例如，电压传感器、电流传感器或者气流传感器等)获取用于建立焊接质量检测模型的焊接数据。该焊接数据包括但不限于电压、电流、气体流量、送丝速度。设备1可对该焊接数据进行预处理，以获得包含时域、频域或者时频域特征信息的生产样本数据。
在一些实施例中，所述步骤S112包括：步骤S1121(未示出)，设备1根据预定的焊接参数幅值阈值对所述焊接数据进行筛选处理，以获得所述焊接数据对应的第一候选样本数据；步骤S1122(未示出)，设备1根据预定的时间片信息对所述第一候选样本数据进行切片处理，以获得所述第一候选样本数据对应的第二候选样本数据，其中，所述第二候选样本数据包含若干个数据样本，每个数据样本的时长等于或小于所述时间片信息；步骤S1123(未示出)，设备1从所述第二候选样本数据中提取其时域特征信息、频域特征信息和时频域特征信息中至少一项，以作为所述用于建立焊接质量检测模型的生产样本数据。
在一些实施例中，所述焊接参数幅值阈值基于生产环境中采集的焊接数据的特点确定。设备1可根据所述焊接参数幅值阈值对焊接数据进行筛选获得第一候选样本数据，其中，所述第一候选样本数据对应的采集电压高于所述焊接参数幅值阈值。本方案中根据所述焊接参数幅值阈值对焊接数据进行筛选，可以有效剔除未进行焊接时采集的焊接数据，保证获取的生产样本数据的有效性。在一些实施例中，所述设备1基于所述时间片信息对所述第一候选样本数据进行切分，得到若干个数据样本，其中，若切分数据对应时长小于所述时间片信息则按照实际时长进行切分。从而避免每个数据样本对应数据量过大。设备1根据所述若干个数据样本确定相应的第二候选样本数据。
在一些实施例中，除了对所述第一候选样本数据进行切分外，所述步骤S1122还包括以下至少任一项：对所述数据样本进行高频滤波处理；对所述数据样本进行缺失值补充处理。例如，设备1通过高频滤波处理对切分后的数据样本进行高频滤波处理进行除噪。并且，若所述数据样本中存在缺失值，设备1还可将所述缺失值替换为预设值(例如，0)，从而便于后续处理。
在一些实施例中，所述对所述数据样本进行高频滤波处理包括：设备1通过对所述数据样本进行傅立叶变换，获得所述数据样本对应的频谱数据；根据所述频谱数据所覆盖的频段信息，确定所述频段信息中的高频部分，并对所述频谱数据中所述高频部分进行降低幅值处理；对降低幅值处理后的所述频谱数据执行逆傅立叶变换，以获得高频滤波处理后的所述数据样本。
例如，由于焊接数据中噪音的频率通常比正常数据频率高，为了对数据样本进行除噪，设备1可先对所述数据样本进行傅里叶变换，获得相应的频谱数据。设备1可根据所述频谱数据所覆盖的频段信息以及相应的焊接设备或者焊接工艺，确定所述频段信息中的高频部分，并对该频谱数据中所述高频部分进行降低幅值处理。在一些实施例中，所述频谱数据中高频部分降低幅值后对应的幅值为0。最后，通过逆傅里叶变换还原数据，获得高频滤波处理后的数据样本。
在一些实施例中，对于包含若干个数据样本的第二候选样本数据，设备1从每个数据样本中提取其时域特征信息、频域特征信息和时频域特征信息中至少一项，作为生产样本数据的数据样本；设备1基于若干个数据样本中每个数据样本对应的所述生产样本数据的数据样本确定相应的生产样本数据。所述生产样本数据包括但不限于电压、电流、气体流量、送丝速度等的均值、最大值、最小值、标准差、偏度、峰度。
在步骤S12中，设备1基于所述生产样本数据及所述生产样本数据对应的参考样本数据，以及焊接机理知识，分别确定所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息。在一些实施例中，所述参考样本数据包括但不限于焊接实验室样本数据、行业样本数据。所述行业样本数据包括但不限于与所述生产样本数据对应目标焊接任务相同或相近的焊接任务。在一些实施例中，焊接机理知识包括但不限于焊接过程中各焊接工艺对应的焊接特征，设备1利用所述焊接机理知识，根据所述生产样本数据确定所述生产样本数据中每个数据样本对应的若干个机理特征信息，根据所述参考样本数据，确定所述参考样本数据中每个数据样本对应的若干个机理特征信息。例如，熔滴过渡与焊接过程稳定性、焊缝成形、飞溅大小等有直接关系，并最终影响焊接质量和生产效率。进行焊接质量检测时，可对熔滴过渡过程中相应的焊接数据进行判断。短路过渡为熔滴过渡的形式之一。短路过渡时电流较小，电弧电压较低。设备1可基于短路过渡时的焊接特征，确定短路过渡相应的机理特征信息(例如，基于数据样本确定的短路过渡频率、平均短路过渡时间、平均燃弧时间等)。
在一些实施例中，所述方法还包括：步骤S15(未示出)，设备1基于焊接机理知识确定与所述生产样本数据所处生产环境相对应的多个机理特征；所述步骤S12包括：对于所述生产样本数据及所述生产样本数据对应的参考样本数据中每个数据样本，设备1确定该数据样本对应的若干个机理特征信息，其中每个机理特征信息为该数据样本在一个所述机理特征上的赋值。在一些实施例中，设备1基于所述生产样本数据对应的生产环境确定与所述生产环境相匹配的一个或多个焊接工艺，并基于所述焊接工艺及所述焊接机理知识，确定多个机理特征。其中，所述多个机理特征信息同样适用于参考样本数据所对应的生产环境。例如，针对短路过渡这一焊接过程，设备1可结合其相关的焊接机理知识，确定与短路过渡相关的机理特征(例如，短路过渡频率、平均短路过渡时间、平均燃弧时间等)。设备1再分别确定生产样本数据中每个数据样本、及参考样本数据中每个数据样本对应的与短路过渡相关的机理特征赋值。在此，通过确定同时适用于生产样本数据及参考样本数据对应生产环境的机理特征，方便后续将参考样本数据所对应的实验室或其他相同或相似焊接任务中的知识迁移到正式生产环境中。
在步骤S13中，设备1基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述焊接质量检测模型对应的样本权重阈值。在一些实施例中，设备1根据所述机理特征信息所属机理特征，及相应的机理特征权重信息库，确定相应机理特征对应的特征权重信息。所述机理特征权重信息库可以是设备1基于焊接领域专家知识建立，也可以是设备1从外部设备获取。在一些实施例中，设备1基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定生产样本数据与参考样本数据的差异信息，并根据所述差异信息确定所述焊接质量检测模型对应的样本权重阈值。例如，设备1可基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及机理特征信息所属机理特征对应的特征权重信息，通过构造度量指标来量化所述生产样本数据与所述参考样本数据的样本数据分布差异值，并根据所述样本数据分布差异值确定相应的样本权重阈值。
在一些实施例中，所述步骤S13包括：步骤S131(未示出)，设备1基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵；步骤S132(未示出)，设备1通过将所述相对熵输入所述焊接质量检测模型对应的核函数来确定所述焊接质量检测模型对应的样本权重阈值。
例如，引入相对熵来衡量生产样本数据与参考样本数据的差异大小。若生产样本数据与参考样本数据的差异越大，则计算所得相对熵的值越大。设备1可基于如下相对熵计算公式计算每个机理特征对应参考样本数据与生产样本数据的子相对熵。其中，KL为所述子相对熵，pi(x)为参考样本数据中第i个数据样本对应的该机理特征的概率分布，qi(x)为生产样本数据中第i个数据样本对应的该机理特征的概率分布。
Figure GDA0003855286530000101
设备1根据所述子相对熵及每个机理特征信息所属机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵。在一些实施例中，设备1利用核函数(例如，Sigmod函数)，根据所述相对熵计算所述样本权重阈值。
在一些实施例中，所述步骤S131包括：步骤S1311(未示出)，设备1基于所述若干个机理特征信息，以及焊接领域专家知识，确定多个机理特征中每个机理特征对应的特征权重信息，其中所述若干个机理特征信息中每个机理特征信息一一对应地属于所述多个机理特征中一个机理特征；步骤S1312(未示出)，设备1基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及所述多个机理特征中每个机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵。
在一些实施例中，设备1基于焊接领域专家知识，可为生产样本数据及参考样本数据对应的各机理特征信息所属的机理特征分配相应的特征权重信息。例如，生产样本数据及参考样本数据中每个数据样本均对应有主频集中度、短路过渡频率、平均电压、电压标准差、燃弧时间平均值、瞬间短路次数、平均电流、短路时间标准差、电流标准差及平均短路时间这十个机理特征相应的机理特征信息。设备1基于焊接领域专家知识，可为这些机理特征分配如下表1的特征权重信息。相应地，设备1可基于所述特征权重信息，以及生产样本数据与参考样本数据中每个数据样本对应的若干个机理特征信息，确定所述相对熵。
表1特征权重信息表
Figure GDA0003855286530000102
Figure GDA0003855286530000111
在一些实施例中，所述步骤S1312包括：设备1根据所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，确定每个机理特征对应的子相对熵；根据所述每个机理特征对应的子相对熵及所述特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵。例如，设备1确定生产样本数据中每个数据样本对应的若干个机理特征信息中每个机理特征信息对应的机理特征概率分布，以及参考样本数据中每个数据样本对应的若干个机理特征信息中每个机理特征信息对应的机理特征概率分布。设备1再根据上述相对熵计算公式分别计算上述十个机理特征对应的参考样本数据与生产样本数据的子相对熵。相应子相对熵计算结果如下表2。结合表1所述特征权重信息及表2所述子相对熵，设备1计算所述参考样本数据与所述生产样本数据的相对熵KL＝0.2×0.144+0.2×0.251+0.15×0.18+0.1×0.37+…+0.03×0.032＝0.24。进而，设备1根据所述相对熵，利用核函数计算样本权重阈值θ＝1/(1+e-0.24)＝0.56。
表2子相对熵计算结果表
Figure GDA0003855286530000112
Figure GDA0003855286530000121
在步骤S14中，设备1根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。在一些实施例中，设备1根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，利用迁移学习算法训练获得所述焊接质量检测模型。所述迁移学习算法包括TrAdaBoost算法。利用所述迁移学习算法，从来自实验室或行业样本的参考样本数据中提取信息，用于新的焊接质量检测模型的训练。
在一些实施例中，所述步骤S14包括：步骤S141(未示出)，设备1根据所述生产样本数据、所述参考样本数据确定相应的训练样本数据及验证数据；步骤S142(未示出)，设备1根据所述训练样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。在一些实施例中，所述训练样本数据包括若干个取自参考样本数据的第一子训练样本数据及若干个取自生产样本数据的第二子训练样本数据。所述验证数据包括所述若干个取自生产样本数据的第二子训练样本数据。
在一些实施例中，所述步骤S142包括：设备1初始化训练样本数据权重；基于所述训练样本数据及所述训练样本数据权重，通过机器学习对子检测模型进行训练；根据所述子检测模型确定相应的焊接质量检测模型。在一些实施例中，设备1先归一化训练样本数据中每个第一子训练样本数据及每个第二子训练样本数据的权重，再通过机器学习对子检测模型进行训练。例如，设备1选取Xgboost为基分类器对子检测模型进行训练，根据相应的子检测模型确定焊接质量检测模型。
在一些实施例中，所述步骤S142还包括：步骤S1421(未示出)，设备1根据所述子检测模型及所述验证数据，计算相应的错误率；步骤S1422(未示出)，设备1基于所述错误率及所述样本权重阈值，更新所述训练样本数据权重；步骤S1423(未示出)，设备1基于更新的所述训练样本数据权重，通过机器学习对所述子检测模型进行训练，其中，所述子检测模型训练数目小于或等于预设的训练数目阈值。在一些实施例中，由于所述训练样本数据的来源不同(例如，第一子训练样本数据与第二子训练样本数据来源不同)，这些不同来源的数据不可避免的在分布上存在差异。本方案通过对所述训练样本数据权重进行更新，为有利于所述生产环境应用的训练样本数据赋予较高的权重，使得训练所得的焊接质量检测模型更适用于所述生产环境。例如，若所述训练样本数据包括n个第一子训练样本数据xi(i＝1，…，n)，及m个第二子训练样本数据xi(i＝n+1，…，n+m)，设备1可根据如下公式计算错误率。其中，t表示模型训练轮数，ht(xi)为第二子训练样本数据xi的预测输出，c(xi)为第二子训练样本数据xi的实际标签，
Figure GDA0003855286530000131
为第t轮模型训练中第二子训练样本数据xi对应的权重。
Figure GDA0003855286530000132
根据所述错误率和所述样本权重阈值，设备1可更新所述训练样本数据权重，其中所述训练样本数据权重包括所述第一子训练样本数据对应的权重及所述第二子训练样本数据对应的权重。并基于更新的所述权重，继续利用Xgboost对所述子检测模型进行训练，直至完成预设轮数的训练。设备1再基于各轮训练所得的子检测模型，确定相应的焊接质量检测模型。
在一些实施例中，所述步骤S1422包括：设备1确定所述错误率是否小于所述权重阈值，若所述错误率小于所述权重阈值，则更新所述训练样本数据权重；否则，继续使用所述训练样本数据权重。例如，参考图3所示基于样本归纳式迁移学习流程图，所述训练样本数据包括n个第一子训练样本数据及m个第二子训练样本数据。基于所述训练样本数据，以及每个第一子训练样本数据及每个第二子训练样本数据的权重，通过机器学习对子检测模型进行训练，并基于验证数据计算相应的错误率。若所述错误率小于所述权重阈值，则设备1分别更新所述第一子训练样本数据及所述第二子训练样本数据对应的权重。设备1可先基于所述错误率确定第一子训练样本数据对应的第一权重调整速率
Figure GDA0003855286530000141
(其中，N为预设训练轮数)，及第二权重调整速率βt＝εt/(1-εt)；再根据所述第一权重调整速率更新所述第一子训练样本数据对应的权重
Figure GDA0003855286530000142
(其中，1≤i≤n)，根据所述第二权重调整速率更新所述第二子训练样本数据对应的权重
Figure GDA0003855286530000143
(其中，n+1≤i≤n+m)。若所述错误率大于所述权重阈值，则下一轮训练所使用的训练样本数据权重
Figure GDA0003855286530000144
本方案通过上述公式分别更新所述第一子训练样本数据及所述第二子训练样本数据对应的权重，降低预测输出错误的第一子训练样本数据对应的权重，提高预测输出错误的第二子训练样本数据对应的权重，从而减少与第二子训练样本数据差异较大的第一子训练样本数据的影响，使得训练所得的焊接质量检测模型更适用于所述生产环境。
在一些实施例中，完成预设轮数的训练后，设备1基于各轮训练所得的子检测模型确定所述焊接质量检测模型。在一些实施例中，设备2可获取生产环境中目标焊接任务对应的目标检测数据，并将该目标检测数据输入该焊接质量检测模型以获得相应的目标焊接任务的焊接质量信息。其中，所述设备2为实际生产环境中用于进行焊接质量诊断的设备，所述设备2与所述设备1可以为同一设备，也可为不同设备。在一些实施例中，所述设备2还可基于所述焊接质量检测模型所包含的多个子检测模型确定适用于所述目标焊接任务的若干个子检测模型，并基于所述目标检测数据，确定所述若干个子检测模型中每个子检测模型对应的子检测结果，进而根据所述子检测结果确定目标焊接任务的焊接质量信息。例如，设备2可以基于预设规则(例如，所述预设规则限定选择训练轮数属于后1/2、1/3或者其他数量的子检测模型)或者所述目标焊接任务选择若干个子检测模型。对于所述若干个子检测模型中每个子检测模型所输出的子检测结果，设备2可利用投票法进行决策以确定相应的目标焊接任务的焊接质量信息。例如，若选择训练轮数属于后1/2的子检测模型对应的子检测结果进行投票，则可通过如下公式确定该目标焊接任务的焊接质量信息。
Figure GDA0003855286530000151
图4示出根据本申请一个实施例的一种用于建立焊接质量检测模型的设备结构图，所述设备1包括一一模块11、一二模块12、一三模块13和一四模块14。一一模块11获取用于建立焊接质量检测模型的生产样本数据；一二模块12基于所述生产样本数据及所述生产样本数据对应的参考样本数据，以及焊接机理知识，分别确定所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息；一三模块13基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述焊接质量检测模型对应的样本权重阈值；一四模块14根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。在此，所述图2示出的一一模块11、一二模块12、一三模块13和一四模块14对应的具体实施方式分别与前述步骤S11、步骤S12、步骤S13和步骤S14的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述一一模块11包括一一一单元111(未示出)和一一二单元112(未示出)。所述一一一单元111获取生产环境中用于建立焊接质量检测模型的焊接数据；所述一一二单元112对所述焊接数据进行预处理，确定所述生产样本数据。在此，该一一一单元111和一一二单元112的具体实施方式分别与前述步骤S111和步骤S112的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述一一二单元112包括一一二一子单元1121(未示出)、一一二二子单元1122(未示出)和一一二三子单元1123(未示出)。所述一一二一子单元1121根据预定的焊接参数幅值阈值对所述焊接数据进行筛选处理，以获得所述焊接数据对应的第一候选样本数据；所述一一二二子单元1122根据预定的时间片信息对所述第一候选样本数据进行切片处理，以获得所述第一候选样本数据对应的第二候选样本数据，其中，所述第二候选样本数据包含若干个数据样本，每个数据样本的时长等于或小于所述时间片信息；所述一一二三子单元1123从所述第二候选样本数据中提取其时域特征信息、频域特征信息和时频域特征信息中至少一项，以作为所述用于建立焊接质量检测模型的生产样本数据。在此，该一一二一子单元1121、一一二二子单元1122和一一二三子单元1123的具体实施方式分别与前述步骤S1121、步骤S1122和步骤S1123的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述设备1还包括一五模块15(未示出)。所述一五模块15基于焊接机理知识确定与所述生产样本数据所处生产环境相对应的多个机理特征。在此，该一五模块15的具体实施方式与前述步骤S15的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述一三模块13包括一三一单元131(未示出)和一三二单元132(未示出)。所述一三一单元131基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵；所述一三二单元132通过将所述相对熵输入所述焊接质量检测模型对应的核函数来确定所述焊接质量检测模型对应的样本权重阈值。在此，该一三一单元131和一三二单元132的具体实施方式分别与前述步骤S131和步骤S132的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述一三一单元131包括一三一一子单元1311(未示出)和一三一二子单元1312(未示出)。所述一三一一子单元1311基于所述若干个机理特征信息，以及焊接领域专家知识，确定多个机理特征中每个机理特征对应的特征权重信息，其中所述若干个机理特征信息中每个机理特征信息一一对应地属于所述多个机理特征中一个机理特征；所述一一三一二子单元1312基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及所述多个机理特征中每个机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵。在此，该一三一一子单元1311、和一三一二子单元1312的具体实施方式分别与前述步骤S1311和步骤S1312的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述一四模块14包括一四一单元141(未示出)和一四二单元142(未示出)。所述一四一单元141根据所述生产样本数据、所述参考样本数据确定相应的训练样本数据及验证数据；所述一四二单元142根据所述训练样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。在此，该一四一单元141和一四二单元142的具体实施方式分别与前述步骤S141和步骤S142的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述一四二单元142包括一四二一子单元1421(未示出)、一四二二子单元1422(未示出)和一四二三子单元1423(未示出)。所述一四二一子单元1421根据所述子检测模型及所述验证数据，计算相应的错误率；所述一四二二子单元1422基于所述错误率及所述样本权重阈值，更新所述训练样本数据权重；所述一四二三子单元1423基于更新的所述训练样本数据权重，通过机器学习对所述子检测模型进行训练，其中，所述子检测模型训练数目小于或等于预设的训练数目阈值。在此，该一四二一子单元1421、一四二二子单元1422和一四二三子单元1423的具体实施方式分别与前述步骤S1421、步骤S1422和步骤S1423的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
图5示出了可被用于实施本申请中所述的各个实施例的示例性系统；
如图5所示在一些实施例中，系统300能够作为各所述实施例中的任意一个设备。在一些实施例中，系统300可包括具有指令的一个或多个计算机可读介质(例如，系统存储器或NVM/存储设备320)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如，(一个或多个)处理器305)。
对于一个实施例，系统控制模块310可包括任意适当的接口控制器，以向(一个或多个)处理器305中的至少一个和/或与系统控制模块310通信的任意适当的设备或组件提供任意适当的接口。
系统控制模块310可包括存储器控制器模块330，以向系统存储器315提供接口。存储器控制器模块330可以是硬件模块、软件模块和/或固件模块。
系统存储器315可被用于例如为系统300加载和存储数据和/或指令。对于一个实施例，系统存储器315可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，系统存储器315可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，系统控制模块310可包括一个或多个输入/输出(I/O)控制器，以向NVM/存储设备320及(一个或多个)通信接口325提供接口。
例如，NVM/存储设备320可被用于存储数据和/或指令。NVM/存储设备320可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备320可包括在物理上作为系统300被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，NVM/存储设备320可通过网络经由(一个或多个)通信接口325进行访问。
(一个或多个)通信接口325可为系统300提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统300可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器(例如，存储器控制器模块330)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器305中的至少一个可与系统控制模块310的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，系统300可以但不限于是：服务器、工作站、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，系统300可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，系统300包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
除上述各实施例介绍的方法和设备外，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个计算机程序；
当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前任一项所述的方法。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解，计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等，相应地，计算机程序指令被计算机执行的方式包括但不限于：该计算机直接执行该指令，或者该计算机编译该指令后再执行对应的编译后程序，或者该计算机读取并执行该指令，或者该计算机读取并安装该指令后再执行对应的安装后程序。在此，计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个系统传送到另一系统的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如，光纤、同轴等))和能传播能量波的无线(未有导的传输)介质，诸如声音、电磁、RF、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
作为示例而非限制，计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如，计算机可读存储介质包括，但不限于，易失性存储器，诸如随机存储器(RAM,DRAM,SRAM)；以及非易失性存储器，诸如闪存、各种只读存储器(ROM,PROM,EPROM,EEPROM)、磁性和铁磁/铁电存储器(MRAM,FeRAM)；以及磁性和光学存储设备(硬盘、磁带、CD、DVD)；或其它现在已知的介质或今后开发的能够存储供计算机系统使用的计算机可读信息/数据。
在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (7)

1.一种用于建立焊接质量检测模型的方法，其中，所述方法包括：
获取用于建立焊接质量检测模型的生产样本数据；
基于所述生产样本数据及所述生产样本数据对应的参考样本数据，以及焊接机理知识，分别确定所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息；
基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述焊接质量检测模型对应的样本权重阈值；
根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型；
其中，所述基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述焊接质量检测模型对应的样本权重阈值包括：
基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵，其中，所述基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵包括：根据所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，确定每个机理特征对应的子相对熵；根据所述每个机理特征对应的子相对熵及所述每个机理特征信息所属机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵；
通过将所述相对熵输入所述焊接质量检测模型对应的核函数来确定所述焊接质量检测模型对应的样本权重阈值；
其中，所述基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及其中每个机理特征信息所属机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵包括：
基于所述若干个机理特征信息，以及焊接领域专家知识，确定多个机理特征中每个机理特征对应的特征权重信息，其中所述若干个机理特征信息中每个机理特征信息一一对应地属于所述多个机理特征中一个机理特征；
基于所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息，以及所述多个机理特征中每个机理特征对应的特征权重信息，确定所述参考样本数据与所述生产样本数据的相对熵。
2.根据权利要求1所述的方法，其中，所述方法还包括：
基于焊接机理知识确定与所述生产样本数据所处生产环境相对应的多个机理特征；
所述基于所述生产样本数据及所述生产样本数据对应的参考样本数据，以及焊接机理知识，分别确定所述生产样本数据与所述参考样本数据中每个数据样本对应的若干个机理特征信息包括：
对于所述生产样本数据及所述生产样本数据对应的参考样本数据中每个数据样本，确定该数据样本对应的若干个机理特征信息，其中每个机理特征信息为该数据样本在一个所述机理特征上的赋值。
3.根据权利要求1或2所述的方法，其中，所述根据所述生产样本数据、所述参考样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型包括：
根据所述生产样本数据、所述参考样本数据确定相应的训练样本数据及验证数据；
根据所述训练样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型。
4.根据权利要求3所述的方法，其中，所述根据所述训练样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型包括：
初始化训练样本数据权重；
基于所述训练样本数据及所述训练样本数据权重，通过机器学习对子检测模型进行训练；
完成预设轮数的训练后，根据各轮训练所得的所述子检测模型确定相应的焊接质量检测模型，其中，所述焊接质量检测模型包括多个所述子检测模型，并在被用于检测焊接质量时从所述多个所述子检测模型中确定适用于目标焊接任务的若干个所述子检测模型。
5.根据权利要求4所述的方法，其中，所述根据所述训练样本数据以及所述样本权重阈值，通过机器学习训练获得所述焊接质量检测模型还包括：
根据所述子检测模型及所述验证数据，计算相应的错误率；
基于所述错误率及所述样本权重阈值，更新所述训练样本数据权重；
基于更新的所述训练样本数据权重，通过机器学习对所述子检测模型进行训练，其中，所述子检测模型训练数目小于或等于预设的训练数目阈值。
6.一种用于建立焊接质量检测模型的计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至5中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。
CN202111545377.1A 2021-12-16 2021-12-16 用于建立焊接质量检测模型的方法、设备、介质 Active CN114219306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111545377.1A CN114219306B (zh) 2021-12-16 2021-12-16 用于建立焊接质量检测模型的方法、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111545377.1A CN114219306B (zh) 2021-12-16 2021-12-16 用于建立焊接质量检测模型的方法、设备、介质

Publications (2)

Publication Number Publication Date
CN114219306A CN114219306A (zh) 2022-03-22
CN114219306B true CN114219306B (zh) 2022-11-15

Family

ID=80703105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111545377.1A Active CN114219306B (zh) 2021-12-16 2021-12-16 用于建立焊接质量检测模型的方法、设备、介质

Country Status (1)

Country Link
CN (1) CN114219306B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146530B (zh) * 2022-06-15 2023-07-28 蕴硕物联技术(上海)有限公司 构建焊接质量检测模型的方法、设备、介质及程序产品
CN116551263B (zh) * 2023-07-11 2023-10-31 苏州松德激光科技有限公司 一种焊接位置选取的可视化控制方法及系统
CN117436769A (zh) * 2023-12-20 2024-01-23 山东方垠智能制造有限公司 一种结构件焊接质量监测方法、系统、存储介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5255342A (en) * 1988-12-20 1993-10-19 Kabushiki Kaisha Toshiba Pattern recognition system and method using neural network
CN113255927A (zh) * 2021-04-20 2021-08-13 索信达(北京)数据技术有限公司 逻辑回归模型训练方法、装置、计算机设备和存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10005963C2 (de) * 2000-02-09 2003-04-17 Reu Schweistechnik Gmbh Punktschweiß Steuervorrichtung
CN110405388B (zh) * 2019-08-05 2022-02-11 蕴硕物联技术(上海)有限公司 预测焊接质量的方法、装置及电子设备
US11704571B2 (en) * 2019-10-11 2023-07-18 Qualcomm Incorporated Learned threshold pruning for deep neural networks
US20210158166A1 (en) * 2019-10-11 2021-05-27 Qualcomm Incorporated Semi-structured learned threshold pruning for deep neural networks
CN112116061A (zh) * 2020-08-04 2020-12-22 西安交通大学 一种面向长短期记忆网络的权值和激活值的量化方法
CN112822005B (zh) * 2021-02-01 2022-08-12 福州大学 基于同态加密的安全迁移学习系统
CN113506247A (zh) * 2021-06-16 2021-10-15 国网湖北省电力有限公司孝感供电公司 一种基于变分贝叶斯推断的输电线路巡检缺陷检测方法
CN113695713B (zh) * 2021-09-17 2023-05-26 蕴硕物联技术(上海)有限公司 一种热水器内胆焊接质量在线监测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5255342A (en) * 1988-12-20 1993-10-19 Kabushiki Kaisha Toshiba Pattern recognition system and method using neural network
CN113255927A (zh) * 2021-04-20 2021-08-13 索信达(北京)数据技术有限公司 逻辑回归模型训练方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN114219306A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN114219306B (zh) 用于建立焊接质量检测模型的方法、设备、介质
US20180341857A1 (en) Neural network method and apparatus
US20210081798A1 (en) Neural network method and apparatus
CN109214421B (zh) 一种模型训练方法、装置、及计算机设备
CN109961107B (zh) 目标检测模型的训练方法、装置、电子设备及存储介质
CA3097036A1 (en) Selecting a neural network architecture for a supervised machine learning problem
US11017619B2 (en) Techniques to detect vehicle anomalies based on real-time vehicle data collection and processing
US20200402221A1 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN115146530B (zh) 构建焊接质量检测模型的方法、设备、介质及程序产品
CN113807350A (zh) 一种目标检测方法、装置、设备及存储介质
JP2015176175A (ja) 情報処理装置、情報処理方法、およびプログラム
CN112669275A (zh) 基于YOLOv3算法的PCB表面缺陷检测方法及装置
KR102449680B1 (ko) 합성 개구면 레이더 영상에서 딥러닝을 기초로 표적과 클러터 구분을 위한 가중치 기반 간소화된 이진 분류 방법 및 그 장치
CN109283182A (zh) 一种电池焊点缺陷的检测方法、装置及系统
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN110490058B (zh) 行人检测模型的训练方法、装置、系统和计算机可读介质
CN114202224B (zh) 用于检测生产环境中焊接质量的方法、设备、介质
CN115905450A (zh) 一种基于无人机监控的水质异常溯源方法及系统
CN117711436B (zh) 一种基于多传感器融合的远场声音分类方法和装置
JP2019036112A (ja) 異常音検知装置、異常検知装置、プログラム
CN111127481A (zh) 基于tof图像联通区域的图像识别方法及装置
CN116777814A (zh) 图像处理方法、装置、计算机设备、存储介质及程序产品
CN113343918A (zh) 一种电力设备识别方法、系统、介质及电子设备
You et al. A new generative neural network for bearing fault diagnosis with imbalanced data
Kurowski et al. Automatic labeling of traffic sound recordings using autoencoder-derived features

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