CN115392132A - 基于深度学习的焊点质量异常检测方法、装置、系统 - Google Patents

基于深度学习的焊点质量异常检测方法、装置、系统 Download PDF

Info

Publication number
CN115392132A
CN115392132A CN202211129612.1A CN202211129612A CN115392132A CN 115392132 A CN115392132 A CN 115392132A CN 202211129612 A CN202211129612 A CN 202211129612A CN 115392132 A CN115392132 A CN 115392132A
Authority
CN
China
Prior art keywords
welding
welding spot
detected
quality
spot
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
Application number
CN202211129612.1A
Other languages
English (en)
Other versions
CN115392132B (zh
Inventor
冯友仁
张永志
聂兰民
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.)
Tianjin Sunke Digital Control Technology Co ltd
Inner Mongolia Agricultural University
Original Assignee
Tianjin Sunke Digital Control Technology Co ltd
Inner Mongolia Agricultural 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 Tianjin Sunke Digital Control Technology Co ltd, Inner Mongolia Agricultural University filed Critical Tianjin Sunke Digital Control Technology Co ltd
Publication of CN115392132A publication Critical patent/CN115392132A/zh
Application granted granted Critical
Publication of CN115392132B publication Critical patent/CN115392132B/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
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/10—Spot welding; Stitch welding
    • B23K11/11—Spot welding
    • 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
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/24—Electric supply or control circuits therefor
    • B23K11/25—Monitoring devices
    • 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
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to using of neural networks
    • 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
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • 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
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Resistance Welding (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本申请涉及一种基于深度学习的焊点质量异常检测方法、装置、系统，所述方法包括：对于任一待检测焊点，获取待检测焊点焊接过程中的动态焊接数据，并基于动态焊接数据确定待检测焊点信息；将待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，确定焊点重构信息与待检测焊点信息之间的误差；利用每个焊点质量异常检测模型各自对应的误差，确定待检测焊点的焊点质量类型。不仅能够脱离人工凿解，检测的速度更快，能够覆盖所有待检测焊点，还能确定出焊点质量类型。

Description

基于深度学习的焊点质量异常检测方法、装置、系统
技术领域
本申请涉及焊接质量检测技术领域，尤其涉及一种基于深度学习的焊点质量异常检测方法、装置、系统。
背景技术
电阻焊接具有低成本、高效率、适应性强的特征，因此，电阻焊接会被应用到批量生产的生产场景中。在批量生产的生产场景中，电阻焊接形成的焊点数量较多，比如汽车的白车身焊接中，可能会具有大约超过4000个焊点，而目前常用的质量检测手段或方法，基本上是靠抽样人工凿解的方式来对电阻焊接的质量进行检测。
但是，抽样人工凿解的方式并不能覆盖所有焊点，且需要人工进行，耗时较长，导致检测的成本较高。
发明内容
为克服相关技术中存在的不能覆盖所有焊点，且需要人工进行，耗时较长，导致检测的成本较高问题，本申请提供一种基于深度学习的焊点质量异常检测方法、装置、系统。
根据本申请的第一方面，提供一种基于深度学习的焊点质量异常检测方法，包括：
对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；
将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；
分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差；
利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。
根据本申请的第二方面，提供一种基于深度学习的焊点质量异常检测装置，所述装置包括：
待检测焊点信息获取模块，用于对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；
输入模块，用于将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；
焊点重构信息获取模块，用于分别获取每个焊点质量异常检测模型各自输出的焊点重构信息；
误差确定模块，用于对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差；
焊点质量类型确定模块，用于利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。
根据本申请的第三方面，提供一种基于深度学习的焊点质量异常检测系统，所述系统包括动态焊接数据采集设备、焊点质量异常检测设备、焊点资料显示控制设备；
所述动态焊接数据采集设备用于采集焊接设备焊接待检测焊点过程中的动态焊接数据，并将所述动态焊接数据发送给所述焊点资料显示控制设备；
所述焊点质量异常检测设备与所述焊点资料显示控制设备相连接，用于接收所述焊点资料显示控制设备发送的动态焊接数据，并按照本申请第一方面所述的方法确定所述待检测焊点的焊点质量类型；
所述焊点资料显示控制设备用于显示所述动态焊接数据，并将所述动态焊接数据发送给所述焊点质量异常检测设备。
根据本申请的第四方面，提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序被执行时，实现本申请第一方面所述的方法。
本申请提供的技术方案可以包括以下有益效果：利用多个焊点质量异常检测模型，可以得到多组焊点重构信息，并确定出焊点重构信息与所述待检测焊点信息之间的误差，由于多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到，因此，可以利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型，不仅能够对所有的待检测焊点进行全面的检测，还能确定出焊点质量类型，脱离人工凿解，检测的速度更快，能够覆盖所有待检测焊点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请的一个实施例提供的一种基于深度学习的焊点质量异常检测方法的流程示意图；
图2为本申请的另一实施例提供的多个焊点质量异常检测模型的训练示意图；
图3是本申请的另一实施例提供的一种基于深度学习的焊点质量异常检测装置的结构示意图；
图4是本申请的另一实施例提供的一种基于深度学习的焊点质量异常检测系统的结构示意图；
图5是本申请的另一实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
请参阅图1，图1是本申请的一个实施例提供的一种基于深度学习的焊点质量异常检测方法的流程示意图。
如图1所示，本实施例提供的基于深度学习的焊点质量异常检测方法可以包括：
步骤S101、对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息。
本步骤中，实施该焊接过程的主体可以是焊接机器人、焊接机床等设备，不同的主体对应的动态焊接数据可能会有所不同，以焊接机器人为例，在焊接机器人手臂上安装焊钳，并设置焊接控制器用来控制焊接的过程。对于待检测焊点焊接过程中的任一动态焊接数据，间隔预设时间长度进行持续采样，得到每个采样点各自对应的实际值；按照采样的时间先后顺序，基于各采样点的实际值，确定各动态焊接数据的过程曲线，并将各过程曲线确定为待检测焊点信息。
需要说明的是，所述动态焊接数据至少包括电流、电压、电阻和功率。
在一个具体的例子中，焊接控制器可以通过不同的方式来控制焊接过程中的电流，比如恒相角、恒电流或者自适应，其中，恒相角指的是在每个焊接周期的打开时间为固定值；恒电流指的是，不论负载及供电的变化，焊接控制器保证焊接电流的恒定；自适应则指的是根据材料在焊接过程中的机械特性变化，其电特性也会发生相应的变化，焊接控制器会根据这些变化来调整控制电流。
无论是何种控制方式，焊接控制器在焊接通电完成后，将过程中的焊接电流的变化记录下来，并计算其均方根值，然后将所有电流值以及计算出的电流的均方根值作为动态焊接数据中的焊接电流。
另外，对于焊接电压，在焊钳上可以安装电压检测线，以收集在焊接过程中的焊接电压，其中包括了基本不变的焊钳电压和一直在变化的焊接核电阻形成的电压值，焊接控制器在焊接通电完成后将过程中电压的变化记录下来并计算其均方根值，然后将所有电压值以及计算出的电压的均方根值作为动态焊接数据中的焊接电压。
对于电阻，可以利用收集到的焊接电压和焊接电流，计算电阻。具体的，同一时刻检测出的焊接电压和焊接电流可以计算出一个电阻值，然后焊接控制器在焊接通电完成后将过程中电阻的变化记录下来并计算其均方根值，然后将所有电阻值以及计算出的电阻的均方根值作为动态焊接数据中的电阻。
对于功率，可以利用收集到的焊接电压和焊接电流，计算功率。具体的，同一时刻检测出的焊接电压和焊接电流可以计算出一个功率值，然后焊接控制器在焊接通电完成后将过程中功率的变化记录下来并计算其均方根值，然后将所有功率值以及计算出的功率的均方根值作为动态焊接数据中的功率。
需要说明的是，前述提到的预设时长可以是以毫秒为单位的，采集得到的动态焊接数据可以形成一个以时间为第一轴、以动态焊接数据为第二轴的过程曲线。其中，每个待检测焊点都会形成每个动态焊接数据各自对应的过程曲线。
步骤S102、将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到。
本步骤中，利用了多个焊接质量异常检测模型，需要说明的是，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到。
具体的，焊点质量类型可以但不仅限于包括以下六类：正常、飞溅、焊点过小、焊点过大、熔深过大、熔深不足。在模型训练过程中，先将训练样本按照上述类型进行分组，然后每组训练样本用于训练得到一个焊点质量异常检测模型。
可以参阅图2，图2为本申请的另一实施例提供的多个焊点质量异常检测模型的训练示意图。
如图2所示，在建模过程中，可以采用多种深度学习模型，比如深度学习自编码模型、循环神经网络模型或长短时记忆网络模型，上述模型的建模过程可以参考相关技术，此处不再赘述。需要说明的是，本申请采用其中一种模型即可。
另外，本实施例需要有标签的焊点信息数据集，该标签即为前述提到的不同的焊点质量类型，然后按照标签进行分组，即可得到每个焊点质量类型各自对应的焊点信息样本组。
利用每组样本，各自独立训练前述建立的模型，从而得到每个样本组各自对应的焊点质量异常检测模型。需要说明的是，训练出的焊点质量异常检测模型，在重构过程中，会偏重于各自对应的训练样本所属的焊点质量类型的特征，对实际值进行重构，得到重构值。
步骤S103、分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差。
本步骤中，对于任一所述焊点质量异常检测模型，获取每个所述采样点各动态焊接数据的重构值；基于各动态焊接数据在各采样点的重构值确定所述焊点质量异常检测模型的焊点重构信息。
需要说明的是，前述步骤S102中输入了多少采样点的实际值，本步骤就会对应输出多少采样点的重构值。也就是说，对于任一动态焊接数据的任一采样点，都会对应有一个实际值和重构值。
因此，在后续获取误差时，对于任一焊点质量异常检测模型输出的焊点重构信息，可以确定各采样点对应的实际值与重构值之间的标准差或平均误差；并将所述标准差或平均误差确定为所述焊点重构信息与所述待检测焊点信息之间的误差。
需要说明的是，若确定的是标准差，则是将该标准差确定为所述焊点重构信息与所述待检测焊点信息之间的误差；若确定的是平均误差，则是将该平均误差确定为所述焊点重构信息与所述待检测焊点信息之间的误差。
以六类焊点质量类型为例，前述训练过程会得到六个焊点质量异常检测模型，六个焊点质量异常检测模型的输入均为前述步骤S101中得到的待测焊点信息。
由于各个焊点质量异常检测模型的训练样本不同，重构时所偏重的特征也是不同的，因此输出的焊点重构信息也是不同的。因此，本步骤得到的误差的数量也是六个。
步骤S104、利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。
需要说明的是，由于对各个焊点质量异常检测模型的训练所基于的训练样本不同，每个焊点质量异常检测模型在检测重构过程中所偏重的特征也是不同的，前述步骤中，得到的误差越小，则说明待检测焊点信息与焊点重构信息越相似，该待检测焊点的焊点质量类型为相应焊点质量异常检测模型对应的类型的可能性就越高。
因此，本步骤可以对每个焊点质量异常检测模型各自对应的误差进行比较，得到最小的误差；确定所述最小的误差对应的目标焊点质量异常检测模型，并获取目标焊点质量异常检测模型对应的目标焊点质量类型，并将所述目标焊点质量类型确定为所述待检测焊点的焊点质量类型。
其中，在训练过程中，由于得到的每个焊点质量异常检测模型都是分别基于某个焊点质量类型的训练样本训练得到的，因此，每个焊点质量异常检测模型都对应一个焊点质量类型。需要说明的是，该对应关系可以预先存储在存储器中，以便于本步骤进行获取。
本实施例中，焊点质量类型的类型越多，训练得到的焊点质量异常检测模型就越多，最终确定的焊点质量类型的准确性也就越高，本实施例为了便于说明，仅以六类焊点质量类型为例，实施时可以细化更多的焊点质量类型，来进一步提高最后结果的准确性。
另外，为了使动态焊接数据仿真模型保持较高的准确性，可以在检测的过程中对其进行实时训练。具体的，在确定出待检测焊点的焊点质量类型后，可以将该待检测焊点信息标注为相应的焊点质量类型，加入到该焊点质量类型对应的样本组中，然后基于新的样本组对相应类型的焊点质量异常检测模型进行更新训练。
本实施例中，利用多个焊点质量异常检测模型，可以得到多组焊点重构信息，并确定出焊点重构信息与所述待检测焊点信息之间的误差，由于多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到，因此，可以利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型，不仅能够对所有的待检测焊点进行全面的检测，还能确定出焊点质量类型，脱离人工凿解，检测的速度更快，能够覆盖所有待检测焊点。
请参阅图3，图3是本申请的另一实施例提供的一种基于深度学习的焊点质量异常检测装置的结构示意图。
如图3所示，本实施例提供的基于深度学习的焊点质量异常检测装置可以包括：
待检测焊点信息获取模块301，用于对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；
输入模块302，用于将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；
焊点重构信息获取模块303，用于分别获取每个焊点质量异常检测模型各自输出的焊点重构信息；
误差确定模块304，用于对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差；
焊点质量类型确定模块305，用于利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。
本实施例中，利用多个焊点质量异常检测模型，可以得到多组焊点重构信息，并确定出焊点重构信息与所述待检测焊点信息之间的误差，由于多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到，因此，可以利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型，不仅能够对所有的待检测焊点进行全面的检测，还能确定出焊点质量类型，脱离人工凿解，检测的速度更快，能够覆盖所有待检测焊点。
请参阅图4，图4是本申请的另一实施例提供的一种基于深度学习的焊点质量异常检测系统的结构示意图。
如图4所示，本实施例提供的基于深度学习的焊点质量异常检测系统可以包括动态焊接数据采集设备401、焊点质量异常检测设备402、焊点资料显示控制设备403；
所述动态焊接数据采集设备用于采集焊接设备焊接待检测焊点过程中的动态焊接数据，并将所述动态焊接数据发送给所述焊点资料显示控制设备；
所述焊点质量异常检测设备与所述焊点资料显示控制设备相连接，用于接收所述焊点资料显示控制设备发送的动态焊接数据，并按照前述实施例提供的方法确定所述待检测焊点的焊点质量类型；
所述焊点资料显示控制设备用于显示所述动态焊接数据，并将所述动态焊接数据发送给所述焊点质量异常检测设备。
请参阅图5，图5是本申请的另一实施例提供的一种电子设备的结构示意图。
如图5所示，本实施例提供的电子设备包括：至少一个处理器501、存储器502、至少一个网络接口503和其他用户接口504。电子设备500中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统505。
其中，用户接口504可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统5021和第二应用程序5022。
其中，操作系统5021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。第二应用程序5022，包含各种第二应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在第二应用程序5022中。
在本发明实施例中，通过调用存储器502存储的程序或指令，具体的，可以是第二应用程序5022中存储的程序或指令，处理器501用于执行各方法实施例所提供的方法步骤。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文功能的单元来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在电子设备侧执行的基于深度学习的焊点质量异常检测方法。
处理器用于执行存储器中存储的基于深度学习的焊点质量异常检测程序，以实现以下在电子设备侧执行的基于深度学习的焊点质量异常检测方法的步骤：
对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；
将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；
分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差；
利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。
进一步地，所述动态焊接数据至少包括电流、电压、电阻和功率；
所述获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息，包括：
对于待检测焊点焊接过程中的任一动态焊接数据，间隔预设时间长度进行持续采样，得到每个采样点各自对应的实际值；
按照采样的时间先后顺序，基于各采样点的实际值，确定各动态焊接数据的过程曲线，并将各过程曲线确定为待检测焊点信息。
进一步地，所述分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，包括：
对于任一所述焊点质量异常检测模型，获取每个所述采样点各动态焊接数据的重构值；
基于各动态焊接数据在各采样点的重构值确定所述焊点质量异常检测模型的焊点重构信息。
进一步地，所述对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差，包括：
对于任一焊点质量异常检测模型输出的焊点重构信息，确定各采样点对应的实际值与重构值之间的标准差或平均误差；
将所述标准差或平均误差确定为所述焊点重构信息与所述待检测焊点信息之间的误差。
进一步地，所述利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型，包括：
对每个焊点质量异常检测模型各自对应的误差进行比较，得到最小的误差；
确定所述最小的误差对应的目标焊点质量异常检测模型，并获取目标焊点质量异常检测模型对应的目标焊点质量类型；
将所述目标待检测焊点质量类型确定为所述待检测焊点的焊点质量类型。
进一步地，所述焊点质量类型至少包括：
正常、飞溅、焊点过小、焊点过大、熔深过大、熔深不足。
进一步地，所述焊点质量异常检测模型为如下深度学习模型中的一种：
深度学习自编码模型、循环神经网络模型或长短时记忆网络模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度学习的焊点质量异常检测方法，其特征在于，所述方法包括：
对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；
将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；
分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差；
利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。
2.根据权利要求1所述的方法，其特征在于，所述动态焊接数据至少包括电流、电压、电阻和功率；
所述获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息，包括：
对于待检测焊点焊接过程中的任一动态焊接数据，间隔预设时间长度进行持续采样，得到每个采样点各自对应的实际值；
按照采样的时间先后顺序，基于各采样点的实际值，确定各动态焊接数据的过程曲线，并将各过程曲线确定为待检测焊点信息。
3.根据权利要求2所述的方法，其特征在于，所述分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，包括：
对于任一所述焊点质量异常检测模型，获取每个所述采样点各动态焊接数据的重构值；
基于各动态焊接数据在各采样点的重构值确定所述焊点质量异常检测模型的焊点重构信息。
4.根据权利要求3所述的方法，其特征在于，所述对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差，包括：
对于任一焊点质量异常检测模型输出的焊点重构信息，确定各采样点对应的实际值与重构值之间的标准差或平均误差；
将所述标准差或所述平均误差确定为所述焊点重构信息与所述待检测焊点信息之间的误差。
5.根据权利要求1所述的方法，其特征在于，所述利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型，包括：
对每个焊点质量异常检测模型各自对应的误差进行比较，得到最小的误差；
确定所述最小的误差对应的目标焊点质量异常检测模型，并获取目标焊点质量异常检测模型对应的目标焊点质量类型；
将所述目标焊点质量类型确定为所述待检测焊点的焊点质量类型。
6.根据权利要求1所述的方法，其特征在于，所述焊点质量类型至少包括：
正常、飞溅、焊点过小、焊点过大、熔深过大、熔深不足。
7.根据权利要求1所述的方法，其特征在于，所述焊点质量异常检测模型为如下深度学习模型中的一种：
深度学习自编码模型、循环神经网络模型或长短时记忆网络模型。
8.一种基于深度学习的焊点质量异常检测装置，其特征在于，所述装置包括：
待检测焊点信息获取模块，用于对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；
输入模块，用于将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；
焊点重构信息获取模块，用于分别获取每个焊点质量异常检测模型各自输出的焊点重构信息；
误差确定模块，用于对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差；
焊点质量类型确定模块，用于利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。
9.一种基于深度学习的焊点质量异常检测系统，其特征在于，所述系统包括动态焊接数据采集设备、焊点质量异常检测设备、焊点资料显示控制设备；
所述动态焊接数据采集设备用于采集焊接设备焊接待检测焊点过程中的动态焊接数据，并将所述动态焊接数据发送给所述焊点资料显示控制设备；
所述焊点质量异常检测设备与所述焊点资料显示控制设备相连接，用于接收所述焊点资料显示控制设备发送的动态焊接数据，并按照权利要求1～7所述的方法确定所述待检测焊点的焊点质量类型；
所述焊点资料显示控制设备用于显示所述动态焊接数据，并将所述动态焊接数据发送给所述焊点质量异常检测设备。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序被执行时，实现权利要求1-7任一项所述的方法。
CN202211129612.1A 2021-09-18 2022-09-16 基于深度学习的焊点质量异常检测方法、装置、系统 Active CN115392132B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021110987236 2021-09-18
CN202111098723.6A CN113779886A (zh) 2021-09-18 2021-09-18 基于深度学习的焊点质量异常检测方法、装置、系统

Publications (2)

Publication Number Publication Date
CN115392132A true CN115392132A (zh) 2022-11-25
CN115392132B CN115392132B (zh) 2023-07-11

Family

ID=78852411

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111098723.6A Pending CN113779886A (zh) 2021-09-18 2021-09-18 基于深度学习的焊点质量异常检测方法、装置、系统
CN202211129612.1A Active CN115392132B (zh) 2021-09-18 2022-09-16 基于深度学习的焊点质量异常检测方法、装置、系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111098723.6A Pending CN113779886A (zh) 2021-09-18 2021-09-18 基于深度学习的焊点质量异常检测方法、装置、系统

Country Status (4)

Country Link
US (1) US20230087105A1 (zh)
EP (1) EP4151351A1 (zh)
JP (1) JP7381117B2 (zh)
CN (2) CN113779886A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562064B (zh) * 2023-07-11 2023-12-12 深圳市贝思科尔软件技术有限公司 一种基于仿真模型的焊接测试系统及方法
CN118013807B (zh) * 2024-04-08 2024-06-18 理想创新实验室科技(江苏)有限公司 一种凹坑变形的优化方法、装置、电子设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030234239A1 (en) * 2002-02-20 2003-12-25 Hsu-Tung Lee Method and system for assessing quality of spot welds
WO2012050108A1 (ja) * 2010-10-14 2012-04-19 住友金属工業株式会社 溶接品質判別装置
WO2018072326A1 (zh) * 2016-10-21 2018-04-26 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN109598012A (zh) * 2017-10-03 2019-04-09 通用汽车环球科技运作有限责任公司 基于拓扑的具有间距约束的点焊优化
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
CN111069736A (zh) * 2019-12-27 2020-04-28 唐山松下产业机器有限公司 存储介质、焊接设备、焊接异常检测方法及装置
CN111084621A (zh) * 2019-12-30 2020-05-01 上海数创医疗科技有限公司 基于深度自编码器的qrs波群形态识别方法和装置
WO2020250247A2 (en) * 2019-06-13 2020-12-17 Tata Consultancy Services Limited Method and system for industrial anomaly detection
CN112149757A (zh) * 2020-10-23 2020-12-29 新华三大数据技术有限公司 一种异常检测方法、装置、电子设备及存储介质
US20210073968A1 (en) * 2019-09-09 2021-03-11 Inventec (Pudong) Technology Corporation System and method for detecting whether solder joints are bridged using deep learning model
WO2021056724A1 (zh) * 2019-09-23 2021-04-01 平安科技（深圳）有限公司 异常检测方法、装置、电子设备及存储介质
CN112650146A (zh) * 2020-12-18 2021-04-13 国家机床质量监督检验中心 一种数控机床多工况下故障诊断优化方法、系统及设备
US20210201089A1 (en) * 2019-12-30 2021-07-01 Wistron Corporation Method and device for determining whether object includes defect
CN113360337A (zh) * 2020-03-06 2021-09-07 罗伯特·博世有限公司 对用于机器的状态监控的模型进行验证和选择的方法
CN114402360A (zh) * 2019-07-12 2022-04-26 布鲁克纳米公司 使用x射线进行缺陷检测和分类的方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2678190B1 (fr) * 1991-06-28 1995-07-07 Commissariat Energie Atomique Procede et systeme de soudage assistee par ordinateur, bases sur la vision de la scene de soudage.
US5450315A (en) * 1994-09-26 1995-09-12 Square D Company Apparatus using a neural network for power factor calculation
US5764859A (en) * 1994-10-01 1998-06-09 Orion Metal Company Ltd. Apparatus for nondestructive on-line inspection of electric resistance welding states and a method thereof
US8569646B2 (en) 2009-11-13 2013-10-29 Lincoln Global, Inc. Systems, methods, and apparatuses for monitoring weld quality
CN104379291B (zh) 2012-04-23 2016-12-14 林肯环球股份有限公司 用于监控焊接质量的系统和方法
CN109714340A (zh) * 2018-12-28 2019-05-03 厦门服云信息科技有限公司 一种序列到序列的网络异常请求识别方法以及装置
CN111915015B (zh) * 2020-06-30 2024-06-07 上海金仕达软件科技股份有限公司 一种异常值检测方法、装置、终端设备及存储介质
CN112487708A (zh) * 2020-11-24 2021-03-12 山西三友和智慧信息技术股份有限公司 一种基于集成学习的电阻点焊质量预测方法
CN113255778A (zh) * 2021-05-28 2021-08-13 广汽本田汽车有限公司 基于多模型融合的焊点质量检测方法、装置及存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030234239A1 (en) * 2002-02-20 2003-12-25 Hsu-Tung Lee Method and system for assessing quality of spot welds
WO2012050108A1 (ja) * 2010-10-14 2012-04-19 住友金属工業株式会社 溶接品質判別装置
US20130248505A1 (en) * 2010-10-14 2013-09-26 Nippon Steel & Sumitomo Metal Corporation Welding quality classification apparatus
WO2018072326A1 (zh) * 2016-10-21 2018-04-26 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN109598012A (zh) * 2017-10-03 2019-04-09 通用汽车环球科技运作有限责任公司 基于拓扑的具有间距约束的点焊优化
WO2020250247A2 (en) * 2019-06-13 2020-12-17 Tata Consultancy Services Limited Method and system for industrial anomaly detection
CN114402360A (zh) * 2019-07-12 2022-04-26 布鲁克纳米公司 使用x射线进行缺陷检测和分类的方法及系统
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
US20210073968A1 (en) * 2019-09-09 2021-03-11 Inventec (Pudong) Technology Corporation System and method for detecting whether solder joints are bridged using deep learning model
WO2021056724A1 (zh) * 2019-09-23 2021-04-01 平安科技（深圳）有限公司 异常检测方法、装置、电子设备及存储介质
CN111069736A (zh) * 2019-12-27 2020-04-28 唐山松下产业机器有限公司 存储介质、焊接设备、焊接异常检测方法及装置
CN111084621A (zh) * 2019-12-30 2020-05-01 上海数创医疗科技有限公司 基于深度自编码器的qrs波群形态识别方法和装置
US20210201089A1 (en) * 2019-12-30 2021-07-01 Wistron Corporation Method and device for determining whether object includes defect
CN113360337A (zh) * 2020-03-06 2021-09-07 罗伯特·博世有限公司 对用于机器的状态监控的模型进行验证和选择的方法
CN112149757A (zh) * 2020-10-23 2020-12-29 新华三大数据技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN112650146A (zh) * 2020-12-18 2021-04-13 国家机床质量监督检验中心 一种数控机床多工况下故障诊断优化方法、系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
廖庆富;吴黎明;邓耀华;: "基于SVM-DDA改进RBF网络的LED焊点检测方法", 电子产品世界, no. 04, pages 37 - 39 *
杜福洲，唐晓青: "基于PCA的多元质量控制与诊断方法研究", 《制造业自动化》, vol. 28, no. 8, pages 10 - 14 *

Also Published As

Publication number Publication date
EP4151351A1 (en) 2023-03-22
CN115392132B (zh) 2023-07-11
CN113779886A (zh) 2021-12-10
JP7381117B2 (ja) 2023-11-15
JP2023044713A (ja) 2023-03-31
US20230087105A1 (en) 2023-03-23

Similar Documents

Publication Publication Date Title
CN115392132A (zh) 基于深度学习的焊点质量异常检测方法、装置、系统
CN108572312B (zh) SoC芯片测试方法、装置、系统和SoC芯片测试验证板
WO2019103772A1 (en) Detection and root cause analysis of welding defects
JPS6252400B2 (zh)
JP2014203314A (ja) Ｅｃｕシミュレーション装置
TWI566090B (zh) Debugging firmware / software to produce tracking systems and methods, recording media and computer program products
CN104850570A (zh) A2l文件自动生成方法及系统
CN116089870A (zh) 基于元学习的小样本条件下工业设备故障预测方法及装置
CN102231127A (zh) Bios错误信息显示的检测系统及检测方法
CN109213505A (zh) 服务器硬盘固件刷新方法及装置
CN114791333B (zh) 力传感器测量坐标系标定方法、装置、设备及存储介质
US20230305734A1 (en) Platform for non-volatile memory storage devices simulation
CN105824000A (zh) 一种校准输出板卡的方法
CN115256346A (zh) 复合动作复现方法、装置、电子设备及可读存储介质
CN112559229B (zh) 非易失性内存寿命检测方法、装置、电子设备及存储介质
CN112530615B (zh) 一种适用于核电站设备的变量强制方法及系统
CN112395782A (zh) 基于cae的批量计算焊点坐标的方法和装置
CN105868092A (zh) 一种日志文件的处理方法及装置
CN204790978U (zh) 一种焊接的模拟装置
JP2021047020A (ja) 診断装置および診断方法
CN105823938A (zh) 一种检测输出板卡状态的方法
CN115510782B (zh) 定位验证错误的方法、电子设备和存储介质
CN114448851B (zh) 一种数据自动化测试方法及系统
CN109375576B (zh) 一种plc程序信号在线分析和诊断方法
JP3422478B2 (ja) プログラム作成装置、及び、プログラム作成方法

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