CN114918581A - 焊接参数处理方法、装置、存储介质及处理器 - Google Patents
焊接参数处理方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN114918581A CN114918581A CN202210533481.7A CN202210533481A CN114918581A CN 114918581 A CN114918581 A CN 114918581A CN 202210533481 A CN202210533481 A CN 202210533481A CN 114918581 A CN114918581 A CN 114918581A
- Authority
- CN
- China
- Prior art keywords
- parameter
- welding
- data
- value
- parameters
- 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 383
- 238000003672 processing method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 239000011324 bead Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005493 welding type Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- 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
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Arc Welding Control (AREA)
Abstract
本申请实施例提供一种焊接参数处理方法、装置、存储介质及处理器。方法包括:采用集束搜索,依次从多个待预测焊接参数中选出任一种类型的参数作为第一参数,并将其他类型的参数作为第二参数;将每个第二参数对应的第二参数值分别与第一参数对应的不同的第一参数值组成的参数组输入至焊接参数模型,以得到焊接参数模型输出针对每个参数组的焊接质量的第一预测值;根据第一预测值确定每个参数组的焊接质量的第一效果分值,来确定出与第一参数对应的目标参数组。通过上述技术方案,通过上述技术方案,既能提高搜索参数效率,还能准确地筛选出焊接质量较高的目标参数组,以获得最佳焊接参数值。
Description
技术领域
本申请涉及焊接技术领域,具体涉及一种焊接参数处理方法、焊接参数处理装置、存储介质及处理器。
背景技术
机器焊接过程中不同的板材间隙和厚度要求的参数各不相同,在以往工作中要寻找到合适的参数需要进行大量实验来寻找合适参数,耗费的时间和材料成本太多。现有技术中,主要通过二分法反复实验寻找机器人的最佳参数,费时费力而且焊接板材的间隙、坡度和厚度等一旦发生变化即又需要重新寻找参数。
然而,这种基于二分法进行机器人参数寻找的方法,需要在实验室进行大量实验,时间和材料开销很大,但找到的参数不一定是最佳结果。当遇到条件变化时必须重新进行参数寻找过程,无法应对复杂的生产情况。
发明内容
本申请实施例的目的是提供一种焊接参数处理方法、装置、存储介质及处理器。
为了实现上述目的,本申请第一方面提供一种焊接参数处理方法,包括:获取不同类型的多个待预测焊接参数;依次从多个待预测焊接参数中选出任一种类型的参数作为第一参数,并将其他类型的参数作为第二参数;获取第一参数的多个第一参数值;确定每个第二参数的第二参数值;将每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组输入至焊接参数模型,以得到焊接参数模型输出针对每个参数组的焊接质量的第一预测值;根据第一预测值确定每个参数组的焊接质量的第一效果分值;根据第一效果分值确定出与第一参数对应的目标参数组。
在本申请的实施例中,根据第一效果分值确定出与第一参数对应的目标参数组包括:针对每次选出的第一参数,将第一效果分值按照从高到低的顺序排列;选择前N个参数组确定为与第一参数对应的目标参数组。
在本申请的实施例中,针对每次选出的第一参数,在根据第一效果分值确定出与第一参数对应的目标参数组之后,将目标参数组中的第一参数值确定为第一参数的第一目标值;确定每个第二参数的第二参数值还包括:在存在与第二参数的参数类型相同的第一目标值的情况下,将第一目标值确定为第二参数的第二参数值;在不存在与第二参数的参数类型相同的第一目标值的情况下,将与第二参数对应的预设阈值确定为第二参数值。
在本申请的实施例中,在不存在与第二参数的参数类型相同的第一目标值的情况下,将与第二参数对应的预设阈值确定为所述第二参数值包括:在不存在与第二参数的参数类型相同的第一目标值的情况下,获取与每个类型的第二参数对应的参数值;根据与每个类型的第二参数对应的参数值确定每个第二参数的参数均值,并将参数均值确定为与所述第二参数对应的预设阈值。
在本申请的实施例中,焊接原始参数为时间序列数据,根据焊接过程中起弧和熄弧时电压的变化情况对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据包括:
针对每个焊接原始参数,对齐焊接原始参数中的电压、电流和激光测距数据的起始点;确定每个焊接原始参数的燃弧周期和熄弧周期;根据燃弧周期和熄弧周期确定每个周期之间的时间间隙;根据燃弧周期、熄弧周期和时间间隙对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据。
在本申请的实施例中,对焊接原始参数进行预处理包括:根据焊接过程中起弧和熄弧时电压的变化情况对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据;排除切分后的焊接数据中的异常波动数据;对排除异常波动数据后的焊接数据中的高频数据进行池化,以得到平滑数据。
在本申请的实施例中,焊接参数处理方法还包括对焊接参数模型的训练步骤,该步骤包括:获取不同类型的多个焊接原始参数;对焊接原始参数进行预处理;对预处理后的焊接原始参数进行特征提取,以得到原始参数的数据特征;按照预设比例将数据特征划分为测试集和训练集,利用测试集和训练集包括的数据特征对焊接参数模型进行交叉训练与测试,以得到训练完毕的焊接参数模型。
在本申请的实施例中,原始参数的数据特征包括容积比特征、速度变化特征、时间序列聚合特征和位置特征中的至少一者。
在本申请的实施例中,焊接参数处理方法还包括:在得到原始参数的数据特征之后,确定每两个数据特征之间的相似度;在相似度大于预设相似度的情况下,剔除大于预设相似度的相似度所对应的两个数据特征中的任一者。
本申请第二方面提供一种焊接参数处理装置,包括上述焊接参数处理方法。
本申请第三方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得所述处理器被配置成执行上述的焊接参数处理方法。
本申请第四方面提供一种处理器,被配置成执行上述的焊接参数处理方法。
上述技术方案,采用依次来搜索焊接参数以组成参数组,可以减少空间消耗,并提高搜索效率。然后将参数组输入至训练后的焊接参数模型,可以通过焊接参数模型预测每个参数组的焊接质量,从而可以筛选出焊接质量较高的目标参数组,以获得最佳焊接参数值,这种确定焊接参数的方式准确性较高,且可以节省大量的人力、物力和时间。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的焊接参数处理方法的流程示意图;
图2示意性示出了根据本申请实施例的焊接参数处理方法的流程示意图;
图3示意性示出了根据本申请实施例的燃弧周期与熄弧周期的电压变化的示意图;
图4示意性示出了根据本申请实施例的焊接参数模型训练步骤的流程示意图;
图5示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做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。
图1示意性示出了根据本申请实施例的焊接参数处理方法的流程示意图。如图1所示,本申请的一种实施方式提出焊接参数处理方法,包括:
S102,获取不同类型的多个待预测焊接参数。
S104,依次从多个待预测焊接参数中选出任一种类型的参数作为第一参数,并将其他类型的参数作为第二参数。
S106,获取第一参数的多个第一参数值。
S108,确定每个第二参数的第二参数值。
S110,将每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组输入至焊接参数模型,以得到焊接参数模型输出针对每个参数组的焊接质量的第一预测值。
S112,根据第一预测值确定每个参数组的焊接质量的第一效果分值。
S114,根据第一效果分值确定出与第一参数对应的目标参数组。
其中,焊接参数是指焊枪在焊接过程中能够影响其焊接质量的物理量。焊接参数包括多种不同类型的参数。例如,焊接过程中焊枪的焊接电流、电弧电压、焊接速度以及焊丝(焊条)直径、电流极性、焊丝伸出长度、保护气体流量等。进一步地,焊接参数还可以包括影响焊接质量的外部参数,如焊接材料的类型和焊接材料的厚度等。在进行集束搜索时,处理器可以依次从多个待预测焊接参数中选取第一参数,并将其他类型的参数作为第二参数。那么,在下一次搜索中,处理器可以将第二参数中某一参数作为第一参数,上一次的第一参数就会在下一次搜索中作为第二参数的其中一种参数类型。待预测焊接参数可以是技术人员根据历史经验预先选定的、判定其对焊接质量存在影响的多个焊接参数。其中,第一参数与第二参数是相对而言的,在需要确定其参数值时,则可以从多个待预测焊接参数中选出该参数作为第一参数,表明本次是为了确定这个第一参数的目标值。可以理解的是,第一参数可以是上述焊接参数类型中的任意一种,而第二参数是相对而言的,其可以是待预测焊接参数中除了第一参数以外的其他焊接参数类型中的一者或多者。例如,当第一参数为焊接电流时,第二参数可以电弧电压、或者是电弧电压和焊接速度、或者是除了焊接电流以外的其他所有焊接参数类型。
处理器依次从多个待预测焊接参数中选出第一参数和第二参数的搜索方式可以是集束搜索、穷举搜索或者贪心搜索。集束搜索是一种启发式搜索算法,通常在解的集合空间比较大的情况下,为了减少搜索所占用的空间时间,在每一步深度扩展的时候,剪掉一些质量比较差的节点,保留下一些质量较高的节点。这样的处理方式可以减少空间消耗,并提高搜索效率。具体地,处理器可以先从待预测焊接参数中确定出第一参数,再利用集束搜索确定出第二参数,以组成多个参数组。在确定出第一参数后,处理器可以获取到第一参数的多个第一参数值,以及确定出每个第二参数的第二参数值。例如,假设从待预测焊接参数中选择焊接电流为第一参数,那么处理器可以先获取到多个焊接电流值。其中,焊接电流值可以是技术人员根据历史数据给出的经验范围数据。例如,焊接电流可以设置为100A~200A,随后将第一参数值设置为100份,间隔为1A,分成100A、101A、102A......200A共一百个样例,即确定第一参数(焊接电流)对应的100个第一参数值。处理器可以根据设置好的多个第一参数值,确定每个第二参数的第二参数值。每个第二参数的第二参数值可以是与每个第二参数对应的经验值,也可以是多个该第二参数值的平均值、方差等。
进一步地,处理器可以将每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组输入至焊接参数模型。例如,假设第一参数是A,其对应的多个第一参数值是A1、A2、A3。第二参数是B、C。与第二参数值B对应的参数值包括B1、B2、B3,与第二参数值C对应的参数值包括C1、C2、C3。技术人员根据历史数据分别确定出第二参数B、C所对应的第二参数值。如可以分别将B1和C2分别确定为与第二参数B、C所对应的第二参数值。那么,每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组为:【A1、B1、C2】、【A2、B1、C2】、【A3、B1、C2】。而在集束搜索的下一次搜索中,第一参数就可以假设为B或者C。假设第一参数是B,那么此时第二参数即为A和C。由于参数A之前已经被确定为第一参数,那么参数A的值可以设置为已经确定的目标值,而第二参数C对应的参数值则可以继续确定为经验值C2。
在通过上述的方法得到多个参数组后,处理器可以将上述确定的参数组作为输入值输入至焊接参数模型,焊接参数模型针对每个输入的参数组可以输出表征该组参数所对应的焊接质量的第一预测值。第一预测值可以通过样本Y值来表示。其中,当焊接背面余高板材未焊透时,Y值为0。当焊接背面余高板材焊透后,可以将透过背面熔池的高度作为Y值。例如,在通过参数组1对产品进行焊接后,产品的焊接背面余高为1mm时,那么Y值为1。第一预测值是焊接参数模型输出针对每个参数组的焊接质量的预测值。例如,将上述确定的参数组【A1、B1、C2】、【A2、B1、C2】、【A3、B1、C2】输入进焊接参数模型后,能够得到焊接参数模型针对每个参数组的焊接质量的第一预测值。参数组为【A1、B1、C2】的第一预测值为Y1。参数组为【A2、B1、C2】的第一预测值为Y2。参数组为【A3、B1、C2】的第一预测值为Y3。焊接参数模型可以是利用机器学习算法将焊接数据样本进行交叉验证建模得到。
进一步地,处理器可以根据上述确定的第一预测值来确定每个参数组的焊接质量的第一效果分值。即,在获取到焊接参数模型输出的第一预测值后,可以计算出与每个第一预测值对应的第一效果分值,效果分值即可表明焊接质量效果。分值越高的情况下,则表明焊接质量越好。具体地,焊接质量效果可以根据第一效果分值来表示。其中,第一效果分值可以根据计算公式(1)来确定:
Ei=10-|Yi-1| (1)
其中,Ei表示第i个参数组的第一效果分值,Yi表示第i个参数组的第一预测值。第一效果分值Ei的分值越高,则代表焊接质量的效果越好。处理器可以根据计算出的每个参数组的第一效果分值来确定出与第一参数对应的目标参数组。例如,假设根据焊接参数模型针对每个参数组的焊接质量的第一预测值,参数组【A1、B1、C2】的第一预测值为Y1,根据第一预测值确定参数组【A1、B1、C2】的第一效果分值为E1。参数组为【A2、B1、C2】的第一预测值为Y2,根据第一预测值确定参数组【A2、B1、C2】的第一效果分值为E2。参数组为【A3、B1、C2】的第一预测值为Y3,根据第一预测值确定参数组【A3、B1、C2】的第一效果分值为E3。那么,假设这些参数组的第一效果分值E1>E2>E3,此时处理器可以确定参数组【A1、B1、C2】为第一参数对应的目标参数组。
上述技术方案中,采用集束搜索结合训练后的焊接参数模型来筛选出焊接质量较高的焊接参数的参数值的方案,可以减少空间消耗,并提高搜索效率,节省了大量的人力和物力和时间。
在一个实施例中,根据第一效果分值确定出与第一参数对应的目标参数组包括:针对每次选出的第一参数,将第一效果分值按照从高到低的顺序排列,选择前N个参数组确定为与第一参数对应的目标参数组。
处理器可以先从待预测焊接参数中确定出第一参数,则可以确定出第二参数。在确定出第一参数后,处理器可以获取到第一参数的多个第一参数值,以及确定出每个第二参数的第二参数值。然后处理器可以将每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组,并将其输入至焊接参数模型,以得到焊接参数模型输出针对每个参数组的焊接质量的第一预测值。然后根据得到的第一预测值确定每个参数组的焊接质量的第一效果分值。进一步地,处理器可以将第一效果分值按照从高到低的顺序排列,根据其排列顺序来选择从高到低的前N个参数组来确定为与第一参数对应的目标参数组。例如,假设第一参数是A,其对应的多个第一参数值是A1、A2、A3。第二参数是B、C。与第二参数值B对应的参数值包括B1、B2、B3,与第二参数值C对应的参数值包括C1、C2、C3。技术人员根据历史数据分别确定出第二参数B、C所对应的第二参数值。即,可以分别将B1和C2分别确定为与第二参数B、C所对应的第二参数值。那么,每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组为:【A1、B1、C2】、【A2、B1、C2】、【A3、B1、C2】。然后根据焊接参数模型针对每个参数组的焊接质量的第一预测值,参数组【A1、B1、C2】的第一预测值为Y1,根据第一预测值确定参数组【A1、B1、C2】的第一效果分值为E1。参数组为【A2、B1、C2】的第一预测值为Y2,根据第一预测值确定参数组【A2、B1、C2】的第一效果分值为E2。参数组为【A3、B1、C2】的第一预测值为Y3,根据第一预测值确定参数组【A3、B1、C2】的第一效果分值为E3。那么,假设这些参数组的第一效果分值E1>E2>E3,处理器可以选择前N个参数组确定为与第一参数对应的目标参数组。具体地,如果选择前1个参数组确定为与第一参数对应的目标参数组时,此时第一参数对应的目标参数组为【A1、B1、C2】。如果选择前2个参数组确定为与第一参数对应的目标参数组时,此时第一参数对应的目标参数组包括【A1、B1、C2】和【A2、B1、C2】。如果选择前3个参数组确定为与第一参数对应的目标参数组时,此时第一参数对应的目标参数组包括【A1、B1、C2】、【A2、B1、C2】和【A3、B1、C2】。
在一个实施例中,图2示意性示出了焊接参数处理方法的流程示意图。
参考图2,焊接参数处理方法还包括:
S202,针对每次选出的第一参数,在根据第一效果分值确定出与第一参数对应的目标参数组之后,将目标参数组中的第一参数值确定为第一参数的第一目标值。
S204,判断是否存在与第二参数的参数类型相同的第一目标值,若是,则执行S206;若否,则执行S208。
S206,将第一目标值确定为第二参数的第二参数值。
S208,将与第二参数对应的预设阈值确定为第二参数值。
在处理器通过集束搜索来搜索第一参数对应的第一目标值的过程中,处理器可以根据第一效果分值确定出与第一参数对应的目标参数组后,将目标参数组中的第一参数值确定为第一参数的第一目标值。其中,第一目标值为已经确定的目标参数组中的第一参数值。例如,假设第一参数是A,其对应的多个第一参数值是A1、A2、A3。第二参数是B、C,与第二参数值B对应的参数值包括B1、B2、B3,与第二参数值C对应的参数值包括C1、C2、C3。技术人员根据历史数据分别确定出第二参数B、C所对应的第二参数值。即,可以分别将B1和C2分别确定为与第二参数B、C所对应的第二参数值。那么,每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组为:【A1、B1、C2】、【A2、B1、C2】、【A3、B1、C2】。假设处理器已经确定参数组【A1、B1、C2】为第一参数对应的目标参数组,那么,第一参数对应的目标参数组【A1、B1、C2】中第一参数值为A1。即,第一参数对应的第一目标值为A1。进一步地,处理器在确定选出的第一参数对应的第一目标值后,还可以根据集束搜索来确定下一个需要确定其目标值的第一参数以及所对应的第二参数。具体地,如果存在与第二参数的参数类型相同的第一目标值,处理器可以将第一目标值确定为第二参数的第二参数值。而如果不存在与第二参数的参数类型相同的第一目标值,处理器可以将与第二参数对应的预设阈值确定为第二参数值。例如,假设处理器已经将参数A确定为第一参数,则处理器已经确定出参数A对应的目标值为A1。然后,在下一次的参数选取时,在待预测焊接参数中,会从除参数A以外的其他参数中选取一个参数作为第一参数,上一次已经被选为第一参数的参数A就会在下一次的搜索中作为第二参数的其中一种参数类型。
假设这一次选出的第一参数是参数B,其对应的多个第一参数值包括B1、B2、B3。第二参数包括参数A和参数C。与第二参数值A对应的参数值包括A1、A2、A3,与第二参数值C对应的参数值包括C1、C2、C3。此时,由于参数A之前已经被选出成为过第一参数,则已经确定了参数A有对应的目标值,即存在与第二参数A的参数类型相同的第一目标值A1。那么,处理器可以将此第一目标值A1确定为第二参数A的第二参数值。而第二参数的参数类型C中就没有存在相同的第一目标值A1。同时,由于参数C还未被选出成为过第一参数,那么也就还未确定出参数C的目标值。那么,处理器可以将第二参数C对应的预设阈值确定为与第二参数C对应的第二参数值。其中,第二参数对应的预设阈值可以是通过手工数据得到的全局平均值。可以理解的是,该预设阈值仅作为参考值,并不是最终确定的参数值。
在本申请的一个实施例中,在不存在与第二参数的参数类型相同的第一目标值的情况下,将与第二参数对应的预设阈值确定为所述第二参数值包括:
在不存在与第二参数的参数类型相同的第一目标值的情况下,获取与每个类型的第二参数对应的参数值。根据与每个类型的第二参数对应的参数值确定每个第二参数的参数均值,并将参数均值确定为与所述第二参数对应的预设阈值。
其中,第二参数的参数均值可以是技术人员根据第二参数的参数类型并结合历史数据确定出范围值,然后根据第二参数的范围值计算得到的全局平均值。例如,假设第一参数是A,其对应的多个第一参数值是A1、A2、A3。第二参数是B、C,与第二参数值B对应的参数值包括B1、B2、B3,与第二参数值C对应的参数值包括C1、C2、C3。技术人员根据历史数据分别确定出第二参数B、C所对应的第二参数值。即,可以分别将B1和C2分别确定为与第二参数B、C所对应的第二参数值。那么,每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组为:【A1、B1、C2】、【A2、B1、C2】、【A3、B1、C2】。假设处理器根据集束搜索过程已经确定参数组【A1、B1、C2】为第一参数对应的目标参数组,第一参数对应的目标参数组【A1、B1、C2】中第一参数值为A1。即,第一参数对应的第一目标值为A1。然后,在下一次的参数选取时,在待预测焊接参数中,会从除参数A以外的其他参数中选取一个参数作为第一参数,上一次已经被选为第一参数的参数A就会在下一次搜索中作为第二参数的其中一种参数类型。假设第一参数是B,其对应的多个第一参数值是B1、B2、B3。那么第二参数就是A和C。与第二参数值A对应的参数值包括A1、A2、A3,与第二参数值C对应的参数值包括C1、C2、C3。此时,第二参数的参数类型C中不存在相同的第一目标值A1。那么,处理器可以获取每个类型的第二参数对应的参数值。即,获取第二参数C对应的参数值C1、C2、C3。根据参数值C1、C2、C3来确定第二参数的参数均值,以此来作为第二参数对应的预设阈值。但是该预设阈值仅作为参考值,并不是最终确定的参数值。
在一个实施例中,对焊接原始参数进行预处理。预处理过程中焊接原始参数为时间序列数据,根据焊接过程中起弧和熄弧时电压的变化情况对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据包括:针对每个焊接原始参数,对齐焊接原始参数中的电压、电流和激光测距数据的起始点。确定每个焊接原始参数的燃弧周期和熄弧周期。根据燃弧周期和熄弧周期确定每个周期之间的时间间隙。根据燃弧周期、熄弧周期和时间间隙对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据。
焊接原始参数是技术人员在实际焊接操作的历史数据。时间序列数据是同一指标下按时间顺序记录的焊接原始参数数据列。可以将在同一焊接原始参数数据列中的各个数据处理为同口径的,这样数据之间才具有可比性。时序数据可以是时间段数据,也可以时间点数据。时间序列分析的目的是通过找出样本内(焊接原始参数)时间序列的统计特性和发展规律性,构建时间序列模型,进行样本外预测(寻找合适的焊接参数)。处理器可以将以时间序列的焊接原始参数数据,对齐焊接原始参数中的电压电流和激光测距数据的起始点。其中,激光测距数据是指根据激光来测量获得的激光信息来确定所需要获得的距离信息。然后,处理器可以确定好每个焊接原始参数的燃弧周期和熄弧周期,根据燃弧周期、熄弧周期确定每个周期之间的时间间隙。
图3示意性示出了燃弧周期与熄弧周期的电压变化的示意图。燃弧周期是以一次焊接过程起弧电源电压变化至收弧电源电压变化。熄弧周期为收弧电源电压变化至起弧电源电压变化之间的电压平静期。同时,处理器可以根据燃弧周期和熄弧周期确定燃弧周期时间点和熄弧周期时间点,以此来确定燃弧周期和熄弧周期之间的间隙时间。
进一步地,处理器可以根据燃弧周期、熄弧周期和时间间隙来对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据。例如,可以将根据燃弧周期、熄弧周期和时间间隙,处理器可以将焊接原始参数切分成可以与测得的焊接板材之间的间距进行对应。
在一个实施例中,对焊接参数进行预处理。预处理过程中根据焊接过程中起弧和熄弧时电压的变化情况对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据。排除切分后的焊接数据中的异常波动数据。对排除异常波动数据后的焊接数据中的高频数据进行池化,以得到平滑数据。
处理器可以在根据燃弧周期、熄弧周期和时间间隙来对焊接原始参数进行切分,将焊接原始数据切分成对应多次焊接过程的焊接数据以后,此时,处理器可以排除切分后的焊接数据中的异常波动数据。在通常情况下,由于外界环境干扰或者设备自身稳定性,会导致数据出现异常波动,从而使切分后的焊接数据产生误差。所以为了避免对整体的焊接数据产生影响,需要排除掉异常波动数据。处理器可以对切分后的焊接数据进行极值处理。处理器可以设定比例scale=3,然后设定焊接数据的边界,将超出边界的值修改为边界值。其中,极值可以根据计算公式(2)来进行计算。
其中,Min为每一列焊接数据的极小值,Max为每一列焊接数据的极大值。Q1为每一列焊接数据的0.25分位数,Q3为每一列焊接数据0.75分位数,IQR为每一列焊接数据的四分位差。
处理器还可以将上述切分后的焊接数据制作成散点分布图,根据散点分布图删除焊接数据的离群点,避免离群数据对整体模型产生影响。
进一步地,处理器可以对排除异常波动数据后的焊接数据中的高频数据进行池化,以得到平滑数据。池化的作用是保留将高频数据中的主要特征的同时减少参数和计算量,防止后续训练的焊接参数模型过拟合。
在一个实施例中,焊接参数处理方法还包括对焊接参数模型的训练步骤。图4示意性示出焊接参数模型训练步骤的流程示意图。参考图4,该步骤包括:
S402,获取不同类型的多个焊接原始参数。
S404,对焊接原始参数进行预处理。
S406,对预处理后的焊接原始参数进行特征提取,以得到原始参数的数据特征。
S408,按照预设比例将数据特征划分为测试集和训练集,利用测试集和训练集包括的数据特征对焊接参数模型进行交叉训练与测试,以得到训练完毕的焊接参数模型。
为了对焊接原始参数进行预处理,处理器可以先获取到不同类型的多个焊接原始参数,焊机原始参数可以多种不同类型。例如,焊接过程中的焊接电流、电弧电压、焊接速度以及焊丝(焊条)直径、电流极性、焊丝伸出长度、保护气体流量等。进一步地,焊接原始参数还可以包括影响焊接质量的外部参数,如焊接材料的类型和焊接材料的厚度等。在对焊接原始参数进行预处理过程中,焊接原始参数可以是时间序列数据。然后处理器针对每个焊接原始参数,来对齐焊接原始参数中的电压、电流和激光测距数据的起始点,以此来确定每个焊接原始参数的燃弧周期和熄弧周期。并根据燃弧周期和熄弧周期来确定每个周期之间的时间间隙,以将焊接原始参数进行切分成对应多次焊接过程的焊接数据。进一步地,处理器可以排除切分后的焊接数据中的异常波动数据。然后对排除异常波动数据后的焊接数据中的高频数据进行池化,以得到平滑数据。
进一步地,处理器可以将预处理后的焊接原始参数进行特征提取,以得到原始参数的数据特征。特征提取是指按照焊接原始参数的属性之间的关系,可以组合不同的属性以得到新的属性,来改变原来的特征空间以得到原始参数的数据特征。焊接原始参数的数据特征可以是容积比特征、速度变化特征、时间序列聚合特征和位置特征中的至少一者。
进一步地,处理器可以按照预设比例将数据特征划分为测试集和训练集,利用测试集和训练集包括的数据特征对焊接参数模型进行交叉训练与测试,以得到训练完毕的焊接参数模型。其中,预设比例可以是将数据特征中的一部分用来做训练集的数据,剩余的另一部分用来做测试集的数据。例如,可以将目标数据中80%的数据作为训练集,剩余的20%的数据作为测试集。然后,处理器可以利用测试集和训练集的数据特征对焊接参数模型进行交叉训练与测试。其中,交叉训练可以是上一次的训练集可以作为下一次的测试集,上一次的测试集可以作为下一次的训练集,以此来进行交叉训练。处理器可以通过训练集的大量数据来训练焊接参数模型,将测试集数据输入至通过训练集训练得到的焊接参数模型,通过测试集数据与焊接参数模型的偏差来对其模型进行优化,作为最终焊接参数模型来应对现实场景中的泛化误差。例如,交叉训练与测试可以是通过K折交叉验证来进行。例如,将全部数据特征的数据划分为K个大小的数据特征子集。依次遍历这K个子集,每次把当前子集作为测试集,其余所有剩余子集作为训练集,进行模型的训练和评估。最后把K次评估指标的平均值作为最终的评估指标。这样可以充分利用到焊接参数数据特征中所有的数据,避免数据结果过于拟合的问题,影响焊接参数模型的准确性。
进一步地,处理器还可以利用焊接参数模型生成的焊接参数库指导生产和实验。积累一段时间的数据后,处理器可以叠加新的焊接数据再次进行建模,更新焊接参数模型。利用更新后的焊接参数模型重复进行参数寻找过程,得到新版焊接参数数据库。这样可以优化焊接参数模型,提高其准确性以更好地指导生产和实验。在一个实施例中,焊接原始参数的数据特征包括容积比特征、速度变化特征、时间序列聚合特征和位置特征中的至少一者。
具体地,处理器可以将预处理后的焊接原始参数进行特征提取,以得到原始参数的数据特征。处理器可以将原始参数的数据特征配置成容积比特征。容积比特征是指单位体积内融化的焊丝的体积与焊枪移动范围内焊缝的体积之间的比值。容积比可以根据计算公式(3)得出:
其中,V为焊接过程中的焊丝的送丝速度,r为焊接过程中焊丝的半径,v焊接为焊接过程中焊枪的移动速度,d间隙为焊接板材的板材间隙,d厚度为焊接板材的板材厚度,θ为焊接板材的间隙的板材坡度。
处理器还可以将原始参数的数据特征配置成速度变化特征。速度变化特征是指单位时间内焊接速度与单位时间内送丝速度之间的比值。
处理器还可以将原始参数的数据特征配置成时间序列聚合特征,时间序列聚合特征是指在时间维度上各个焊接原始参数的聚合特征,以每个焊接时间段为切分,然后计算该时间段内的速度、位移、角度变化等参数的平均值、极值等统计特征。
处理器还可以将原始参数的数据特征配置成位置特征。位置特征是指焊接预测点的焊接质量受前面的影响,将前面数个点的数据特征也作为当前点的特征。例如,焊接速度、前一个点的焊接速度、前面第二点的焊接速度、前面第三点的焊接速度等等,共选取15个点形成位置特征,随后和其他数据一起用XGBOOST算法进行粗建模,随后输出模型的特征权重。处理器可以按照权重大小选择权重较高的,按照结果来看前5个点对焊接影响较大,所有参数特征皆将前5个点作为本轮的新特征。
在一个实施例中,焊接参数处理方法还包括:在得到原始参数的数据特征之后,确定每两个数据特征之间的相似度。在相似度大于预设相似度的情况下,剔除大于预设相似度的相似度所对应的两个数据特征中的任一者。
处理器可以对预处理后的焊接数据特征进行相关性分析,确定每两个数据特征之间的相似度。相似度可以通过相关性系数来确定,相关性系数是计算特征和结果之间的关联,相关性越高代表特征越能影响结果。特征之间相关性越高代表两个特征之间越接近,两个特征之间相关性过高时应避免同时出现在模型中。例如,假设相关性系数是皮尔逊相关系数,通过计算每两个焊接数据特征之间的皮尔逊相关系数,根据得到的相似度矩阵进行筛选。相似度过高特征组合只保留一个,剔除特征与结果列的相关度值低的特征。每两个焊接数据特征之间的皮尔逊相关系数可以根据公式(4)计算:
其中,r为每两个焊接数据特征之间的皮尔逊相关系数,Xi为任意一个焊接数据特征的特征值,为任意一个焊接数据特征的特征值的平均值。Yi为除Xi以外的任意一个焊接数据特征的特征值,除Xi以外的任意一个焊接数据特征的特征值的平均值。
在本申请的一个具体的实施例中,一种焊接参数处理方法包括(图中未示出):步骤1,获取焊接原始数据。焊接原始数据是技术人员在实际焊接操作的历史数据,焊机原始参数为时间序列数据。
步骤2,将焊接原始数据按照焊接过程进行切分。根据燃弧周期和熄弧周期确定燃弧周期时间点和熄弧周期时间点,以此来确定燃弧周期和熄弧周期之间的间隙时间。然后根据燃弧周期、熄弧周期和时间间隙来对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据。
步骤3,对切分后的焊接数据进行极值处理,以排除切分后焊接数据中的异常波动数据。处理器可以设定比例scale=3,然后设定焊接数据的边界,将超出边界的值修改为边界值。其中,极值可以根据计算公式(2)来进行计算。
其中,Min为每一列焊接数据的极小值,Max为每一列焊接数据的极大值。Q1为每一列焊接数据的0.25分位数,Q3为每一列焊接数据0.75分位数,IQR为每一列焊接数据的四分位差。
步骤4,对排除异常波动数据后的焊接数据中的高频数据进行池化,以得到平滑数据,防止后续训练的焊接参数模型过拟合。
步骤5,对处理后的平滑数据进行特征提取,以得到原始参数的数据特征。特征提取是指按照焊接原始参数的属性之间的关系,可以组合不同的属性以得到新的属性,来改变原来的特征空间以得到原始参数的数据特征。处理器可以将原始参数的数据特征配置成容积比特征。容积比特征是指单位体积内融化的焊丝的体积与焊枪移动范围内焊缝的体积之间的比值。容积比可以根据计算公式(3)得出:
其中,V为焊接过程中的焊丝的送丝速度,r为焊接过程中焊丝的半径,v焊接为焊接过程中焊枪的移动速度,d间隙为焊接板材的板材间隙,d厚度为焊接板材的板材厚度,θ为焊接板材的间隙的板材坡度。
处理器还可以将原始参数的数据特征配置成速度变化特征。速度变化特征是指单位时间内焊接速度与单位时间内送丝速度之间的比值。
处理器还可以将原始参数的数据特征配置成时间序列聚合特征,时间序列聚合特征是指在时间维度上各个焊接原始参数的聚合特征,以每个焊接时间段为切分,然后计算该时间段内的速度、位移、角度变化等参数的平均值、极值等统计特征。
处理器还可以将原始参数的数据特征配置成位置特征。位置特征是指焊接预测点的焊接质量受前面的影响,将前面数个点的数据特征也作为当前点的特征。例如,焊接速度、前一个点的焊接速度、前面第二点的焊接速度、前面第三点的焊接速度等等,共选取15个点形成位置特征,随后和其他数据一起用XGBOOST算法进行粗建模,随后输出模型的特征权重。处理器可以按照权重大小选择权重较高的,按照结果来看前5个点对焊接影响较大,所有参数特征皆将前5个点作为本轮的新特征。
步骤6,对获得的焊接原始参数的数据特征进行相关性分析,确定每两个数据特征之间的相似度,对于相似度过高的特征组合只保留一个,剔除特征组合中与结果列的相关度值低的特征。处理器通过计算每两个焊接数据特征之间的皮尔逊相关系数,得到的相似度矩阵后进行筛选。其中,每两个焊接数据特征之间的皮尔逊相关系数可以根据公式(4)计算:
其中,r为每两个焊接数据特征之间的皮尔逊相关系数,Xi为任意一个焊接数据特征的特征值,为任意一个焊接数据特征的特征值的平均值。Yi为除Xi以外的任意一个焊接数据特征的特征值,除Xi以外的任意一个焊接数据特征的特征值的平均值。
步骤7,建立焊接参数模型。处理器可以按照预设比例将数据特征划分为测试集和训练集,利用测试集和训练集包括的数据特征对焊接参数模型进行交叉训练与测试,以得到训练完毕的焊接参数模型。交叉训练与测试可以是通过K折交叉验证来进行。将全部数据特征的数据划分为K个大小的数据特征子集。依次遍历这K个子集,每次把当前子集作为测试集,其余所有剩余子集作为训练集,进行模型的训练和评估。最后把K次评估指标的平均值作为最终的评估指标。
步骤8,获取不同类型的多个待预测焊接参数A、B、C。。
步骤9,采用集束搜索,依次从多个待预测焊接参数中选出任一种类型的参数作为第一参数,并将其他类型的参数作为第二参数。这一次搜索中第一参数是A,第二参数是B、C。那么下一次搜索,对应的第一参数可以是B,第二参数为A、C。
获取第一参数A的多个第一参数值。第一参数是A,其对应的多个第一参数值是A1、A2、A3。
确定每个第二参数的第二参数值。第二参数是B、C。与第二参数值B对应的参数值包括B1、B2、B3,与第二参数值C对应的参数值包括C1、C2、C3。技术人员根据历史数据分别确定出第二参数B、C所对应的第二参数值。如,可以分别将B1和C2分别确定为与第二参数B、C所对应的第二参数值。每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组为:【A1、B1、C2】、【A2、B1、C2】、【A3、B1、C2】。
步骤10,确定第一参数对应的目标参数组。将【A1、B1、C2】、【A2、B1、C2】、【A3、B1、C2】输入至焊接参数模型中,能够得到焊接参数模型针对每个参数组的焊接质量的第一预测值。参数组为【A1、B1、C2】的第一预测值为Y1。参数组为【A2、B1、C2】的第一预测值为Y2。参数组为【A3、B1、C2】的第一预测值为Y3。再根据第一效果分值可以根据计算公式(1)来确定:
Ei=10-|Yi-1| (1)
其中,Ei表示第i个参数组的第一效果分值,Yi表示第i个参数组的第一预测值。第一效果分值Ei的分值越高,则代表焊接质量的效果越好。
根据焊接参数模型针对每个参数组的焊接质量的第一预测值,参数组【A1、B1、C2】的第一预测值为Y1,根据第一预测值确定参数组【A1、B1、C2】的第一效果分值为E1。参数组为【A2、B1、C2】的第一预测值为Y2,根据第一预测值确定参数组【A2、B1、C2】的第一效果分值为E2。参数组为【A3、B1、C2】的第一预测值为Y3,根据第一预测值确定参数组【A3、B1、C2】的第一效果分值为E3。那么,假设这些参数组的第一效果分值E1>E2>E3,此时,参数A对应的目标值为A1。如果选择前1个参数组确定为与第一参数对应的目标参数组时,此时第一参数对应的目标参数组为【A1、B1、C2】。
如果选择前2个参数组确定为与第一参数对应的目标参数组时,此时第一参数对应的目标参数组包括【A1、B1、C2】和【A2、B1、C2】。如果选择前3个参数组确定为与第一参数对应的目标参数组时,此时第一参数对应的目标参数组包括【A1、B1、C2】、【A2、B1、C2】和【A3、B1、C2】。
步骤11,进行下一次搜索,确定下一次搜索中的每个第二参数的第二参数值。此时,对应的下一次搜索中的第一参数为上一次搜索中的第二参数B。即,下一次搜索中作为第一参数的参数类型是B,第二参数为A、C。在上一次搜索中,参数A对应的目标值已经确定为A1。那么,作为在下一次搜索中的第二参数A的第二参数值为A1。同时,由于参数C还未被选出成为过第一参数,那么也就还未确定出参数C的目标值。那么可以根据参数值C1、C2、C3来确定第二参数的参数均值,以此来作为第二参数对应的预设阈值。但是该预设阈值仅作为参考值,并不是最终确定的参数值。
图1为一个实施例中用于焊接参数处理的方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
上述技术方案,通过将焊接原始数据进行预处理和特征提取的方法,可以减少数据维度,提取且整理出有效的特征,建立焊接参数模型。通过集束搜索的算法依次来搜索焊接参数以组成参数组,可以减少空间消耗,并提高搜索效率。然后将参数组输入至训练后的焊接参数模型,可以通过焊接参数模型预测每个参数组的焊接质量,从而可以筛选出焊接质量高的目标参数组,并获得最佳焊接参数值,这种确定焊接参数的方式准确性较高,且可以节省大量的人力、物力和时间。并且,基于机器学习的方法得到的焊接数据,可以很好的对焊接参数模型进行维护和优化。同时存储确定的最优目标参数组,并且结合焊接参数模型的参数解释,可以提供便利的焊接知识体系。
焊接参数处理装置包括处理器和存储器,上述等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对焊接参数处理方法。
存储器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(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述焊接参数处理方法。
本申请实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述焊接参数处理方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种焊接参数处理方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取不同类型的多个待预测焊接参数。依次从多个待预测焊接参数中选出任一种类型的参数作为第一参数,并将其他类型的参数作为第二参数。获取第一参数的多个第一参数值。确定每个第二参数的第二参数值。将每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组输入至焊接参数模型,以得到焊接参数模型输出针对每个参数组的焊接质量的第一预测值。根据第一预测值确定每个参数组的焊接质量的第一效果分值。根据第一效果分值确定出与第一参数对应的目标参数组。
在一个实施例中,根据第一效果分值确定出与第一参数对应的目标参数组包括:针对每次选出的第一参数,将第一效果分值按照从高到低的顺序排列。选择前N个参数组确定为与第一参数对应的目标参数组。在一个实施例中,针对每次选出的第一参数,在根据第一效果分值确定出与第一参数对应的目标参数组之后,将目标参数组中的第一参数值确定为第一参数的第一目标值。确定每个第二参数的第二参数值还包括:在存在与第二参数的参数类型相同的第一目标值的情况下,将第一目标值确定为第二参数的第二参数值。在不存在与第二参数的参数类型相同的第一目标值的情况下,将与第二参数对应的预设阈值确定为第二参数值。
在一个实施例中,在不存在与第二参数的参数类型相同的第一目标值的情况下,将与第二参数对应的预设阈值确定为所述第二参数值包括:在不存在与第二参数的参数类型相同的第一目标值的情况下,获取与每个类型的第二参数对应的参数值。根据与每个类型的第二参数对应的参数值确定每个第二参数的参数均值,并将参数均值确定为与所述第二参数对应的预设阈值。
在一个实施例中,焊接原始参数为时间序列数据,根据焊接过程中起弧和熄弧时电压的变化情况对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据包括:
针对每个焊接原始参数,对齐焊接原始参数中的电压、电流和激光测距数据的起始点。确定每个焊接原始参数的燃弧周期和熄弧周期。根据燃弧周期和熄弧周期确定每个周期之间的时间间隙。根据燃弧周期、熄弧周期和时间间隙对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据。
在一个实施例中,方法还包括:根据焊接过程中起弧和熄弧时电压的变化情况对焊接原始参数进行切分,以将焊接原始参数切分成对应多次焊接过程的焊接数据。排除切分后的焊接数据中的异常波动数据。对排除异常波动数据后的焊接数据中的高频数据进行池化,以得到平滑数据。
在一个实施例中,法还包括对焊接参数模型的训练步骤,该步骤包括:获取不同类型的多个焊接原始参数。对焊接原始参数进行预处理。对预处理后的焊接原始参数进行特征提取,以得到原始参数的数据特征。按照预设比例将数据特征划分为测试集和训练集,利用测试集和训练集包括的数据特征对焊接参数模型进行交叉训练与测试,以得到训练完毕的焊接参数模型。
在一个实施例中,原始参数的数据特征包括容积比特征、速度变化特征、时间序列聚合特征和位置特征中的至少一者。
在一个实施例中,方法还包括:在得到原始参数的数据特征之后,确定每两个数据特征之间的相似度。在相似度大于预设相似度的情况下,剔除大于预设相似度的相似度所对应的两个数据特征中的任一者。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化焊接参数处理方法步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器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(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器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(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。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种焊接参数处理方法,其特征在于,所述方法包括:
获取不同类型的多个待预测焊接参数;
依次从所述多个待预测焊接参数中选出任一种类型的参数作为第一参数,并将其他类型的参数作为第二参数;
获取所述第一参数的多个第一参数值;
确定每个第二参数的第二参数值;
将每个第二参数对应的第二参数值分别与不同的第一参数值组成的参数组输入至焊接参数模型,以得到所述焊接参数模型针对每个参数组的焊接质量的第一预测值;
根据所述第一预测值确定每个参数组的焊接质量的第一效果分值;
根据所述第一效果分值确定出与所述第一参数对应的目标参数组。
2.根据权利要求1所述焊接参数处理方法,其特征在于,所述根据所述第一效果分值确定出与所述第一参数对应的目标参数组包括:
针对每次选出的第一参数,将所述第一效果分值按照从高到低的顺序排列;
选择前N个参数组确定为与所述第一参数对应的目标参数组。
3.根据权利要求1所述的焊接参数处理方法,其特征在于,所述方法还包括:
针对每次选出的第一参数,在根据所述第一效果分值确定出与所述第一参数对应的目标参数组之后,将所述目标参数组中的第一参数值确定为所述第一参数的第一目标值;
所述确定每个第二参数的第二参数值还包括:
在存在与所述第二参数的参数类型相同的第一目标值的情况下,将所述第一目标值确定为所述第二参数的第二参数值;
在不存在与所述第二参数的参数类型相同的第一目标值的情况下,将与所述第二参数对应的预设阈值确定为所述第二参数值。
4.根据权利要求3所述焊接参数处理方法,其特征在于,所述在不存在与所述第二参数的参数类型相同的第一目标值的情况下,将与所述第二参数对应的预设阈值确定为所述第二参数值包括:
在不存在与所述第二参数的参数类型相同的第一目标值的情况下,获取与每个类型的第二参数对应的参数值;
根据与每个类型的第二参数对应的参数值确定每个第二参数的参数均值,并将所述参数均值确定为与所述第二参数对应的预设阈值。
5.根据权利要求1所述的焊接参数处理方法,其特征在于,所述方法还包括对所述焊接参数模型的训练步骤,所述训练步骤包括:
获取不同类型的多个焊接原始参数;
对所述焊接原始参数进行预处理;
对预处理后的焊接原始参数进行特征提取,以得到原始参数的数据特征;
按照预设比例将所述数据特征划分为测试集和训练集,利用所述测试集和所述训练集包括的数据特征对焊接参数模型进行交叉训练与测试,以得到训练完毕的焊接参数模型。
6.根据权利要求5所述的焊接参数处理方法,其特征在于,所述对所述焊接原始参数进行预处理包括:
根据焊接过程中起弧和熄弧时电压的变化情况对所述焊接原始参数进行切分,以将所述焊接原始参数切分成对应多次焊接过程的焊接数据;
排除切分后的焊接数据中的异常波动数据;
对排除异常波动数据后的焊接数据中的高频数据进行池化,以得到平滑数据。
7.根据权利要求6所述的焊接参数处理方法,其特征在于,所述焊接原始参数为时间序列数据,所述根据焊接过程中起弧和熄弧时电压的变化情况对所述焊接原始参数进行切分,以将所述焊接原始参数切分成对应多次焊接过程的焊接数据包括:
针对每个焊接原始参数,对齐所述焊接原始参数中的电压、电流和激光测距数据的起始点;
确定每个焊接原始参数的燃弧周期和熄弧周期;
根据所述燃弧周期和熄弧周期确定每个周期之间的时间间隙;
根据所述燃弧周期、熄弧周期和时间间隙对所述焊接原始参数进行切分,以将所述焊接原始参数切分成对应多次焊接过程的焊接数据。
8.根据权利要求5所述的焊接参数处理方法,其特征在于,所述方法还包括:
在得到原始参数的数据特征之后,确定每两个数据特征之间的相似度;
在所述相似度大于预设相似度的情况下,剔除大于所述预设相似度的相似度所对应的两个数据特征中的任一者。
9.根据权利要求5至8中任一项所述的焊接参数处理方法,其特征在于,所述数据特征包括容积比特征、速度变化特征、时间序列聚合特征和位置特征中的至少一者。
10.一种处理器,其特征在于,被配置成执行根据权利要求1至9中任意一项所述的焊接参数处理方法。
11.一种焊接参数处理装置,其特征在于,包括根据权利要求10所述的处理器。
12.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至9中任一项所述的焊接参数处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533481.7A CN114918581B (zh) | 2022-05-13 | 2022-05-13 | 焊接参数处理方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533481.7A CN114918581B (zh) | 2022-05-13 | 2022-05-13 | 焊接参数处理方法、装置、存储介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114918581A true CN114918581A (zh) | 2022-08-19 |
CN114918581B CN114918581B (zh) | 2024-05-10 |
Family
ID=82808307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533481.7A Active CN114918581B (zh) | 2022-05-13 | 2022-05-13 | 焊接参数处理方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114918581B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115781082A (zh) * | 2022-12-07 | 2023-03-14 | 张家港市申联建设机械有限公司 | 一种标准节自动焊接方法、系统、装置和存储介质 |
CN116108573A (zh) * | 2022-12-09 | 2023-05-12 | 中联重科股份有限公司 | 用于确定电动缸参数的方法、存储介质及处理器 |
CN118162732A (zh) * | 2024-04-23 | 2024-06-11 | 广州中益机械有限公司 | 一种全自动化多工位点焊系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202726785U (zh) * | 2012-07-25 | 2013-02-13 | 江阴市振江钢结构有限公司 | 一种风力发电机机舱罩装配工装 |
CN105312756A (zh) * | 2014-07-12 | 2016-02-10 | 武汉科技大学 | 逆变电阻焊焊接参数误差预测质量控制方法 |
CN106271036A (zh) * | 2016-08-12 | 2017-01-04 | 广州市精源电子设备有限公司 | 超声波金属焊接质量评估方法、装置和超声波金属焊接机 |
CN106564195A (zh) * | 2016-11-07 | 2017-04-19 | 厦门理工学院 | 一种塑料合件旋转焊接参数的设计方法 |
CN110405388A (zh) * | 2019-08-05 | 2019-11-05 | 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 |
US20200393813A1 (en) * | 2019-06-14 | 2020-12-17 | General Electric Company | Quality assessment feedback control loop for additive manufacturing |
CN113441827A (zh) * | 2021-07-19 | 2021-09-28 | 吉利汽车集团有限公司 | 一种电阻点焊工艺参数自动生成方法及其系统 |
-
2022
- 2022-05-13 CN CN202210533481.7A patent/CN114918581B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202726785U (zh) * | 2012-07-25 | 2013-02-13 | 江阴市振江钢结构有限公司 | 一种风力发电机机舱罩装配工装 |
CN105312756A (zh) * | 2014-07-12 | 2016-02-10 | 武汉科技大学 | 逆变电阻焊焊接参数误差预测质量控制方法 |
CN106271036A (zh) * | 2016-08-12 | 2017-01-04 | 广州市精源电子设备有限公司 | 超声波金属焊接质量评估方法、装置和超声波金属焊接机 |
CN106564195A (zh) * | 2016-11-07 | 2017-04-19 | 厦门理工学院 | 一种塑料合件旋转焊接参数的设计方法 |
US20200393813A1 (en) * | 2019-06-14 | 2020-12-17 | General Electric Company | Quality assessment feedback control loop for additive manufacturing |
CN110405388A (zh) * | 2019-08-05 | 2019-11-05 | 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 |
CN113441827A (zh) * | 2021-07-19 | 2021-09-28 | 吉利汽车集团有限公司 | 一种电阻点焊工艺参数自动生成方法及其系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115781082A (zh) * | 2022-12-07 | 2023-03-14 | 张家港市申联建设机械有限公司 | 一种标准节自动焊接方法、系统、装置和存储介质 |
CN115781082B (zh) * | 2022-12-07 | 2023-10-17 | 张家港市申联建设机械有限公司 | 一种标准节自动焊接方法、系统、装置和存储介质 |
CN116108573A (zh) * | 2022-12-09 | 2023-05-12 | 中联重科股份有限公司 | 用于确定电动缸参数的方法、存储介质及处理器 |
CN118162732A (zh) * | 2024-04-23 | 2024-06-11 | 广州中益机械有限公司 | 一种全自动化多工位点焊系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114918581B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114918581A (zh) | 焊接参数处理方法、装置、存储介质及处理器 | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
US10013656B1 (en) | Methods and apparatus for analytical processing of provenance data for HPC workflow optimization | |
CN113574476A (zh) | 确定用于控制环境的因果模型 | |
KR102097953B1 (ko) | 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법 | |
US10963802B1 (en) | Distributed decision variable tuning system for machine learning | |
CN109685255A (zh) | 一种预测用户流失的方法和装置 | |
CN109408562A (zh) | 一种基于客户特征的分组推荐方法及其装置 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
CN114661994B (zh) | 基于人工智能的用户兴趣数据处理方法、系统及云平台 | |
CN118114758A (zh) | 一种基于知识图谱驱动语义治理方案动态生成方法及系统 | |
CN114202256B (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN117540826A (zh) | 机器学习模型的优化方法、装置、电子设备及存储介质 | |
CN109711450A (zh) | 一种电网预想故障集预测方法、装置、电子设备及存储介质 | |
CN116611678A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
RU2706578C1 (ru) | Способ фильтрации и кластеризации режимов сложной ректификационной колонны | |
US20180253677A1 (en) | Method for Performing Dynamic Data Analytics | |
KR20230127861A (ko) | 신용평가 모델 업데이트 또는 교체 방법 및 장치 | |
JP7010363B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
US9317125B2 (en) | Searching of line pattern representations using gestures | |
CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
CN107766373A (zh) | 图片所属类目的确定方法及其系统 | |
CN113010501A (zh) | 采收率预测模型获取方法、采收率预测方法和产品 | |
US20190138931A1 (en) | Apparatus and method of introducing probability and uncertainty via order statistics to unsupervised data classification via clustering | |
CN115345319B (zh) | 基于缺失率与异常度度量的不完备数据集建模及处理方法 |
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 |