CN115599653A - 一种构建焊接质量诊断模型的方法、系统、介质 - Google Patents
一种构建焊接质量诊断模型的方法、系统、介质 Download PDFInfo
- Publication number
- CN115599653A CN115599653A CN202211332928.0A CN202211332928A CN115599653A CN 115599653 A CN115599653 A CN 115599653A CN 202211332928 A CN202211332928 A CN 202211332928A CN 115599653 A CN115599653 A CN 115599653A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- welding
- information
- order gradient
- sample data
- 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.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 230000006870 function Effects 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 15
- 238000010276 construction Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000005493 welding type Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
Abstract
本申请的目的是提供一种构建焊接质量诊断模型的方法、系统、介质,该方法包括:中心设备基于焊接分享信息确定第一参数与第二参数,利用所述第一参数与所述第二参数构建损失函数,将该损失函数发送至该系统中一个或者多个企业设备,每个企业设备根据该损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型。本申请通过中心设备联通各企业设备,各企业设备都可以基于各自本地保存的焊接数据参与到焊接质量诊断模型的构建,使得构建的模型具有与全量数据训练模型相当的准确率,而企业设备又不必对外分享机密的焊接样本数据,在保障各企业设备焊接数据私密性的同时,又能打破企业数据孤岛,共同提升焊接质量诊断模型的性能。
Description
技术领域
本申请涉及焊接分析领域,尤其涉及一种构建焊接质量诊断模型的技术。
背景技术
电阻焊接是一组通过电流和电阻产生的热量将金属材料连接起来的全自动制造工艺,广泛应用于汽车生产过程中,焊接质量关系到汽车的可靠性和安全性,为保证车辆整体质量,生产过程中通常需要进行焊接质量评估。传统的焊接质量检测分为有损和无损两种方式,有损检测通常是测量焊点直径和抗拉剪切强度,这两者均只能通过破坏性方法才能获得相对精确的测量结果,如整车车身的拆解;无损检测主要是超声波和X射线检测,需要专业的硬件仪器支持;不论是无损还是有损检测来测量质量都面临着成本高、效率低的问题。此外,业界也围绕焊接质量诊断的AI应用进行研究探索,并在试验和仿真论证过程中取得较好的准确性。但在工程化应用过程中,受制于真实数据采集、数据样本量少等问题,焊接质量诊断模型的泛化性较差,还不能完全实现真正的焊接质量诊断。
发明内容
本申请的一个目的是提供一种构建焊接质量诊断模型的方法、系统、介质。
根据本申请的一个方面,提供了一种构建焊接质量诊断模型的方法,该方法应用于焊接质量诊断系统,所述焊接质量诊断系统包括一个中心设备、以及一个或者多个企业设备,该方法包括:
所述中心设备基于焊接分享信息确定第一参数与第二参数,利用所述第一参数与所述第二参数构建损失函数,将所述损失函数发送至所述一个或者多个企业设备;
所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型。
根据本申请的一个方面,提供了一种焊接质量诊断系统,包括一个中心设备、一个或者多个企业设备、存储器、处理器及存储在存储器上的计算机程序,其中,所述处理器执行所述计算机程序以实现如上所述构建焊接质量诊断模型的方法的步骤。
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,该计算机程序被处理器执行时实现如上所述方法的步骤。
与现有技术相比,本申请构建焊接质量诊断系统,通过该系统中中心设备基于焊接分享信息确定第一参数与第二参数,利用所述第一参数与所述第二参数构建损失函数,将所述损失函数发送至该系统中一个或者多个企业设备,所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型。本申请通过该中心设备联通各企业设备,各企业设备都可以基于各自本地保存的焊接数据参与到焊接质量诊断模型的构建,使得构建的焊接质量诊断模型具有与全量数据训练模型相当的准确率,而企业设备又不必对外分享机密的焊接样本数据,在保障各企业设备焊接数据私密性的同时,又能打破企业数据孤岛,共同提升焊接质量诊断模型的性能。
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个系统拓扑图;
图2示出根据本申请一个实施例的一种构建焊接质量诊断模型的方法流程图;
图3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 OnlyMemory,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示出了根据本申请一个实施例的一种构建焊接质量诊断模型的系统拓扑图。该系统拓扑图包括一个中心设备与多个企业设备。所述多个企业设备分别属于不同的具有焊接质量诊断需求的企业或机构。这些企业或机构往往具有相同或相似的焊接业务,所产生的焊接数据往往具有相同类型的焊接特征数据,例如,都可以从焊接动态电阻信息中提取到局部峰值、局部谷值、峰值时刻等焊接特征数据。各企业设备可以在本地对其所有的焊接样本数据进行处理获取相应的可以用于对外分享的焊接分享信息,并将该焊接分享信息上传给中心设备。所述中心设备可以由前述企业或机构中任一企业或机构进行管理,也可以由独立的第三方企业或机构进行管理。该中心设备基于各企业设备上传的焊接分享信息构建相应的损失函数,并将该损失函数返回给各企业设备。由各企业设备基于该损失函数进行焊接质量诊断模型的构建。从而通过该中心设备联通各企业设备,各企业设备都可以基于各自本地保存的焊接数据参与到焊接质量诊断模型的构建,使得构建的焊接质量诊断模型具有与全量数据训练模型相当的准确率,而企业设备又不必对外分享机密的焊接样本数据,在保障各企业设备焊接数据私密性的同时,又能打破企业数据孤岛,共同提升焊接质量诊断模型的性能。
参考图1所示的系统,图2示出根据本申请一个实施例的一种构建焊接质量诊断模型的方法流程图,该方法应用于焊接质量诊断系统,所述焊接质量诊断系统包括一个中心设备、以及一个或者多个企业设备,该方法包括步骤S11、步骤S12。在步骤S11中,所述中心设备基于焊接分享信息确定第一参数与第二参数,利用所述第一参数与所述第二参数构建损失函数,将所述损失函数发送至所述一个或者多个企业设备;在步骤S12中,所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型。
在步骤S11中,所述中心设备基于焊接分享信息确定第一参数与第二参数,利用所述第一参数与所述第二参数构建损失函数,将所述损失函数发送至所述一个或者多个企业设备。
在一些实施例中,为了使焊接质量诊断模型生成的预测值往真实值方向靠拢,会使用损失函数来度量该模型的预测值与真实值的差异程度,从而该模型可以基于该差异程度通过反向传播去更新各个参数,来降低真实值与预测值之间的损失。而在焊接质量诊断场景中存在正负样本不均衡的问题;并且各企业设备所使用的焊接样本数据覆盖的工况存在差异(例如,这些焊接样本数据可能来自少数几种工况(比如多个焊接样本数据均来自车门边缘的焊接位置,工况基本一致,只是位置上有些许差异),或者覆盖全工况),对于样本区分的难易程度也不一致,使得一般的损失函数难以适配焊接质量诊断场景。在此,本方案引入第一参数、第二参数来构建损失函数以解决上述问题。该损失函数构建如下:
其中,所述α为第一参数,β为第二参数,y为焊接样本数据的样本标签信息(例如,正样本y=1,负样本y=0),为焊接样本数据对应的预测值。所述第一参数用于平衡焊接样本数据中正负样本本身的比例不均。所述第二参数用于调节焊接样本数据的难易划分程度,减少易分样本的损失,使得模型训练更关注于困难、错分的样本。
在一些实施例中,所述中心设备基于焊接分享信息确定第一参数与第二参数包括:所述一个或者多个企业设备中每个企业设备向所述中心设备发送该企业设备对应的焊接分享信息,所述焊接分享信息包括该企业设备对应的焊接样本数据的正负样本比例信息和该焊接样本数据对应的验证集准确率信息;所述中心设备根据所述一个或者多个企业设备中每个企业设备发送的焊接分享信息确定第一参数与第二参数。例如,为了保证最优的训练效果,所述第一参数与所述第二参数需要结合实际焊接业务情况来确定。所述中心设备统计所有参与焊接质量诊断模型构建的企业设备发送的焊接分享信息,并基于此确定相应的第一参数与第二参数。所述焊接分享信息为各企业设备对其本地的焊接样本数据处理确定的,各企业设备仅将处理得到的焊接分享信息发送给中心设备,在实现信息共享的同时,又保证原始焊接数据不被泄露。
在一些实施例中,所述中心设备根据所述一个或者多个企业设备中每个企业设备发送的焊接分享信息确定第一参数与第二参数包括:所述中心设备根据所述一个或者多个企业设备中每个企业设备对应的焊接样本数据的正负样本比例信息确定所述第一参数;所述中心设备根据所述一个或者多个企业设备中每个企业设备对应的焊接样本数据对应的验证集准确率信息确定所述第二参数。
在一些实施例中,所述每个企业设备发送的焊接样本数据的正负样本比例信息包括该企业焊接样本数据对应的负样本数量信息与焊接样本数据总量信息,或者焊接样本数据总量信息、负样本数量占焊接样本数据总量的比例信息,或者其他可以用于确定该企业设备的焊接样本数据中正、负样本占比的信息。所述中心设备可以根据各企业设备对应的焊接样本数据的正负样本比例信息确定所有企业设备用于模型训练的焊接样本数据对应的负样本总量占所有焊接样本数据的比值信息,并将该比值信息作为第一参数。若焊接样本数据中负样本数量远小于正样本数量,则第一参数往往较小,参考前述损失函数FL,可以通过该第一参数降低正样本损失的贡献,提高负样本损失的贡献,使得训练的模型更关注于数量较少的负样本。反之,若焊接样本数据中正样本数量远小于负样本数量,则第一参数往往较大,对应的正样本损失的贡献也较高,使得训练的模型更关注于数量较少的正样本。从而可以通过该第一参数平衡焊接样本数据正负类别不均衡的问题,提升构建的焊接质量诊断模型对少样本类别的诊断性能。
在一些实施例中,所述方法还包括步骤S13(未示出),所述一个或者多个企业设备中每个企业设备基于该企业设备对应的焊接样本数据,利用逻辑回归算法进行训练,确定该焊接样本数据对应的验证集准确率信息。
在一些实施例中,各企业设备在本地利用相应的焊接样本数据进行逻辑回归模型的训练,并确定相应的验证集准确率信息(Val_acc)。将该验证集准确率信息发送给中心设备。中心设备对各企业设备发送的验证集准确率信息进行平均计算,确定验证集准确率信息的平均值;再基于该平均值确定第二参数,该第二参数β>0。参考前述损失函数FL,对于正样本,若样本易于分类,则其预测值趋近于其真实值1,相应地,趋近于0,计算所得的损失函数值也会很小;若样本分类难度高、容易错分,其预测值往往较小,相应地,趋近于1,从而增加了分类不准确样本在损失函数中的权重。对于负样本,其判断类似,若样本易于分类,则其预测值趋近于其真实值0,相应地,趋近于0,计算所得的损失函数值也会很小;若样本分类难度高、容易错分,其预测值往往较大,趋近于1。从而通过该方式减少焊接样本数据中简单样本的影响,使得模型训练中更关注于困难、易错分的样本。
在一些实施例中,所述方法还包括步骤S14(未示出),所述一个或者多个企业设备中每个企业设备确定该企业设备对应的焊接样本数据。在一些实施例中,所述焊接样本数据包括焊接特征数据与相应的样本标签信息。在一些实施例中,所述焊接样本数据中各数据以如下表1所示焊接样本数据宽表形式整合,所述表中每行数据对应为焊接样本数据中一个数据样本,每个数据样本包括多类焊接特征数据以及相应的样本标签。各企业设备最终形成的宽表结构是一致的。所述焊接特征数据包括动态电阻特征数据与工艺信息数据。所述动态电阻特征数据包括但不限于焊接过程中获取的动态电阻信息对应的局部峰值(WeldMax)、局部谷值(WeldMin)、峰值时刻(WeldMnPo)、谷值到峰值时间(WeldMxPo)、上升速率(WeldUpSlope)、终点值(WeldEndValue)、跌落速率(WeldDownSlope)。所述工艺信息数据包括但不限于距离上一次修模的累计焊接点数(WearCount)、当前焊枪第几次修模(DressCount)、当前程序号(ProgNo)。
表1焊接样本数据宽表
在一些实施例中,所述步骤S14包括:步骤S141(未示出),所述一个或者多个企业设备中每个企业设备获取该企业设备对应焊接生产过程中的原始焊接数据;步骤S142(未示出),所述一个或者多个企业设备中每个企业设备基于该企业设备对应的所述原始焊接数据,确定该企业设备对应的焊接样本数据。
在一些实施例中,各企业设备可以围绕声音、电阻、位移、压力等电阻电焊质量核心参数采集,以获得该企业设备对应企业或机构焊接生产过程中的原始焊接数据。在一些实施例中,考虑到实际焊接生产过程中数据采集的便捷性及成本,所述企业设备可以主要采集实时焊接过程中的动态电阻信息与焊点工艺信息,将这些信息作为原始焊接数据。所述焊点工艺信息包括但不限于修模信息、更换电极帽信息,焊点序号,焊接程序号。所述企业设备从获取的原始焊接数据中提取相应的焊接特征数据作为该企业设备对应的焊接样本数据。
在一些实施例中,所述步骤S142包括:所述一个或者多个企业设备中每个企业设备对该企业设备对应的所述原始焊接数据进行数据预处理,获取相应的目标焊接数据;所述一个或者多个企业设备中每个企业设备基于该企业设备对应的所述目标焊接数据,确定该企业设备对应的焊接样本数据。
在一些实施例中,各企业设备所采集的原始焊接数据中可能存在毛刺、漂移、数据缺失、离群点等质量问题,为避免上述问题对训练的焊接质量诊断模型的准确性的影响,所述企业设备可以先对所述原始焊接数据进行数据预处理,对相应数据进行修正,获取相应的目标焊接数据;再基于该目标焊接数据提取相应的特征作为该企业设备对应的焊接样本数据。在一些实施例中,所述数据预处理包括但不限于对所述原始焊接数据(例如,动态电阻信息)进行滤波处理,滤除信号中的噪声或虚假成分、提高信噪比、平滑电阻曲线、抑制干扰信号、分享频率分量;或者,利用离群点检测、插值等方法对原始焊接数据中的异常值、缺失值进行修正。在一些实施例中,所述企业设备对于目标焊接数据中动态电阻信息,可以基于该动态电阻信息对应动态电阻曲线的形貌特点及其物理意义,从中提取局部峰值、局部谷值、峰值时刻、谷值到峰值时间、上升速率、终点值、跌落速率等特征作为相应的焊接样本数据。所述企业设备还可以从焊点工艺信息中提取距离上一次修模的累计焊接点数、当前焊枪第几次修模、当前程序号等工艺信息数据作为相应的焊接样本数据。
在步骤S12中,所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型。例如,在构建好相应的损失函数后,各企业设备可以确定焊接样本数据相对于所述损失函数的一阶梯度信息与二阶梯度信息。结合中心设备反馈的目标分裂规则,对所述焊接样本数据进行划分,构建相应的焊接质量诊断模型。
在一些实施例中,所述步骤S12包括:步骤S121(未示出),所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定该焊接样本数据对应的一阶梯度信息和二阶梯度信息,将所述一阶梯度信息和所述二阶梯度信息发送给所述中心设备;步骤S122(未示出),所述中心设备基于所述一个或者多个企业设备中每个企业设备发送的所述一阶梯度信息和所述二阶梯度信息,确定用于构建焊接质量诊断模型对应的树模型的目标分裂规则,将所述目标分裂规则发送给所述一个或者多个企业设备中每个企业设备;步骤S123(未示出),所述一个或者多个企业设备中每个企业设备基于所述目标分裂规则,构建该企业设备对应的焊接质量诊断模型中相应的树模型,确定该树模型对应的权重信息,根据所述权重信息更新所述树模型;步骤S124(未示出),重复所述步骤S121-步骤S123,直至满足终止条件,该企业设备确定相应的焊接质量诊断模型。
在一些实施例中,所述一阶梯度信息包括所述焊接样本数据对应的一阶梯度,所述二阶梯度信息包括所述焊接样本数据对应的二阶梯度。所述一阶梯度二阶梯度其中,l为所述损失函数,yi为所述焊接样本数据中第i个数据样本对应的样本标签信息,t为当前训练轮数,为第t-1轮训练所得树模型对应的第i个数据样本对应的预测值。所述一阶梯度信息、所述二阶梯度信息分别包括该焊接样本数据中各数据样本对应的一阶梯度与二阶梯度。
在一些实施例中,各企业设备基于所述目标分裂规则构建的树模型可以对该企业设备对应的焊接样本数据有很好的拟合,也能对未知数据有很好的预测。在一些实施例中,中心设备往往可以确定一个或者多个分裂规则,基于这些分裂规则构建的树模型均可以对焊接样本数据进行正确的分类。所述中心设备可以利用各企业设备发送的所述一阶梯度信息和所述二阶梯度信息,从中挑选最合适的分裂规则作为目标分裂规则。
在一些实施例中,所述中心设备基于所述一个或者多个企业设备中每个企业设备发送的所述一阶梯度信息和所述二阶梯度信息,确定用于构建焊接质量诊断模型对应的树模型的目标分裂规则包括:所述中心设备确定用于构建焊接质量诊断模型对应的树模型的一个或者多个分裂规则;所述中心设备基于所述一个或者多个企业设备中每个企业设备发送的所述一阶梯度信息和所述二阶梯度信息,确定所述一个或者多个分裂规则中每个分裂规则对应的信息增益;所述中心设备根据所述每个分裂规则对应的信息增益,从所述一个或者多个分裂规则中确定目标分裂规则。
在一些实施例中,所述中心设备可以利用决策树算法,确定关于焊接质量诊断模型对应的树模型的一个或者多个分裂规则,再根据每个企业设备所发送的所述一阶梯度信息和所述二阶梯度信息,计算各分裂规则对应的信息增益。所述信息增益计算方式如下:
其中,GL为该分裂规则对应树模型分裂后的左节点所包含的焊接样本数据的一阶梯度gi之和,GR为该分裂规则对应树模型分裂后的右节点所包含的焊接样本数据的一阶梯度gi之和,HL为该分裂规则对应树模型分裂后的左节点所包含的焊接样本数据的二阶梯度hi之和,HR为该分裂规则对应树模型分裂后的右节点所包含的焊接样本数据的二阶梯度hi之和,λ为该树模型中叶子节点权重向量的L2范数,γ为该树模型中叶子节点个数的系数。所述λ与所述γ为控制所述焊接质量诊断模型复杂度的惩罚项。
在一些实施例中,所述中心设备可以从中选择对应的信息增益最大的分裂规则作为目标分裂规则,将该目标分裂规则发送给各企业设备。所述目标分裂规则包括一个或者多个用于进行分割的焊接特征(例如,局部峰值、局部谷值、峰值时刻、距离上一次修模的累计焊接点数、当前焊枪第几次修模等),以及该用于分割的焊接特征对应的分裂值。各企业设备可以基于该目标分裂规则对各自焊接样本数据进行划分,构建新的树模型。所述企业设备基于该新构建的树模型确定该树模型对应的权重信息。例如,该企业设备可以确定该树模型中各叶子节点多包含的焊接样本数据,根据该各叶子节点多包含的焊接样本数据,确定各叶子节点对应的权重。所述树模型对应的权重信息包括该树模型中各叶子节点对应的权重。该叶子节点对应的权重为:
其中,λ为树模型中叶子节点权重向量的L2范数,Gj为树模型中第j个叶子节点所包含的焊接样本数据对应的一阶梯度之和,Hj为树模型中第j个叶子节点所包含的焊接样本数据对应的二阶梯度之和,j=1,2,…n。
在一些实施例中,所述企业设备可以根据其计算所得权重信息更新所述树模型,并将更新后的所述树模型作为本轮训练所得树模型。所述中心设备与各企业设备可以重复上述步骤,直至满足相应的终止条件,在结束上述训练后,各企业设备可以基于每轮训练所得的树模型来确定最终的焊接质量诊断模型。
在上述模型训练过程中,各企业设备对应的焊接样本数据始终保存在本地,各企业设备仅需向中心设备传输梯度信息等数据,而仅根据梯度信息,其他设备无法反推该企业设备对应的焊接样本数据,从而在保证焊接样本数据私有化的情况下,实现模型构建过程的多企业共享,提升模型构建质量。
在一些实施例中,所述步骤S12还包括步骤S125(未示出),所述中心设备确定分位信息,将所述分位信息发送至所述一个或多个企业设备中每个企业设备,其中,所述分位信息与所述每个企业设备对应的焊接样本数据相匹配;所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定该焊接样本数据对应的一阶梯度信息和二阶梯度信息包括:所述一个或者多个企业设备中每个企业设备根据所述分位信息以及该企业设备对应的焊接样本数据,确定多个分箱集合;所述一个或者多个企业设备根据所述损失函数以及所述多个分箱集合,确定相应的一阶梯度信息和二阶梯度信息,其中,所述一阶梯度信息包括多个累计一阶梯度,所述多个累计一阶梯度与所述多个分箱集合相匹配,所述二阶梯度信息包括多个累计二阶梯度,所述多个累计二阶梯度与所述多个分箱集合相匹配。
在一些实施例中,为了进一步防止信息泄露,各企业设备可以尽可能少的向中心设备提供相关数据信息,例如,避免提供焊接样本的全量特征数据。为了使得各企业设备可以尽可能少的对外提供数据,所述中心设备可以通过一定的算法来确定相应的分位信息,所述分位信息包括多个分位点,每个分位点为某类焊接特征数据对应的某个分位点。各企业设备可以基于中心设备给出的分位信息,对其本地的焊接样本数据对应的各类焊接特征数据进行分箱处理,确定多个分箱集合。所述多个分箱集合与所述多个分位点一一对应。各企业设备可以确定每个分箱集合对应的累计一阶梯度与累计二阶梯度,将各分箱集合对应的累计一阶梯度与累计二阶梯度分别作为相应的一阶梯度信息与二阶梯度信息提供给中心设备。从而相对于前述方案中提供的各焊接样本数据对应的一阶梯度与二阶梯度,大大减少了提供的数据,有效防止信息泄露。该累计一阶梯度与累计二阶梯度的计算如下:
其中,i与j指代第i类焊接特征数据对应的第j个分位点,与分别为所述焊接样本数据中每个数据样本对应的不同特征的一阶梯度与二阶梯度,为所述焊接样本数据中第i类焊接特征数据分到第j个分位点对应的分箱集合中的数据样本的下标集合。
在一些实施例中,所述中心设备可以利用上述累计一阶梯度与累计二阶梯度来计算信息增益,从而确定相应的目标分裂规则。相应地,企业设备也可以根据该目标分裂规则进行树模型的构建。该目标分裂规则的确定方法以及树模型构建方法与前述目标分裂规则的确定方法以及树模型构建方法相同或相似,故不再赘述,并以引用方式包含于此。
在一些实施例中,所述分位信息的确定方式如下:对于某类焊接特征数据对应的某个分位点,所述中心设备可以将该分位点的值记为Q=(最大值+最小值)/2,该最大值与最小值分别为该类焊接特征数据对应的最大值和最小值。在开始确定分位信息时,所述中心设备可以初始化所述最大值与所述最小值。并基于所述最大值与所述最小值确定所述分位点值Q,再将确定的分位点值Q发送到该一个或多个企业设备。各企业设备基于该分位点值Q,确定该企业设备对应的焊接样本数据中对应类别焊接特征数据中小于该分位点值Q的焊接特征数据的数量信息n,并将该数量信息n返回至中心设备。所述中心设备基于各企业设备返回的数量信息n,确定相应的总量信息Σn,并基于该总量信息更新所述分位点值Q。若该总量信息大于分位数量阈值,则将前述最大值更新为Q,否则,将前述最小值更信息为Q,并基于此更新所述分位点值Q,其中,所述分位数量阈值为所有企业设备对应的总样本量/分位个数。所述中心设备再基于更新后的分位点值Q重复上述步骤,直至确定的总量信息与所述分位数量阈值相等,并将此时的分位点值Q作为该类焊接特征数据对应的该分位点的最终分位点值。
在一些实施例中,所述将所述一阶梯度信息和所述二阶梯度信息发送给所述中心设备包括:所述一个或者多个企业设备中每个企业设备对所述一阶梯度信息与所述二阶梯度信息进行加密处理,将加密处理后的一阶梯度信息与二阶梯度信息发送至所述中心设备。例如,为进一步保护各企业设备数据隐私、保障数据传输安全,各企业设备可以在将一阶梯度信息与二阶梯度信息发送至所述中心设备前,先对一阶梯度信息与二阶梯度信息进行加密处理(例如,同态加密处理),再将加密后的内容发送至中心设备。所述中心设备在进行解密后再进行后续目标分裂规则的确定。
在一些实施例中,所述终止条件包括以下至少任一项:当前确定的树模型对应的信息增益小于0;当前确定的树模型达到预设深度;当前确定的树模型中存在叶子节点对应的权重小于预设权重阈值。例如,为了平衡训练损失与模型结构复杂度,可以在确定的信息增益小于0时终止训练。又例如,也可以预设模型深度或者权重阈值,以避免树模型划分过细,出现过拟合。
图3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3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 (10)
1.一种构建焊接质量诊断模型的方法,所述方法应用于焊接质量诊断系统,所述焊接质量诊断系统包括一个中心设备、以及一个或者多个企业设备,其中,所述方法包括:
所述中心设备基于焊接分享信息确定第一参数与第二参数,利用所述第一参数与所述第二参数构建损失函数,将所述损失函数发送至所述一个或者多个企业设备;
所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型。
2.根据权利要求1所述的方法,其中,所述中心设备基于焊接分享信息确定第一参数与第二参数包括:
所述一个或者多个企业设备中每个企业设备向所述中心设备发送该企业设备对应的焊接分享信息,所述焊接分享信息包括该企业设备对应的焊接样本数据的正负样本比例信息和该焊接样本数据对应的验证集准确率信息;
所述中心设备根据所述一个或者多个企业设备中每个企业设备发送的焊接分享信息确定第一参数与第二参数。
3.根据权利要求2所述的方法,其中,所述方法还包括:
所述一个或者多个企业设备中每个企业设备基于该企业设备对应的焊接样本数据,利用逻辑回归算法进行训练,确定该焊接样本数据对应的验证集准确率信息。
4.根据权利要求1至3中任一项所述的方法,其中,所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型包括:
b1所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定该焊接样本数据对应的一阶梯度信息和二阶梯度信息,将所述一阶梯度信息和所述二阶梯度信息发送给所述中心设备;
b2所述中心设备基于所述一个或者多个企业设备中每个企业设备发送的所述一阶梯度信息和所述二阶梯度信息,确定用于构建焊接质量诊断模型对应的树模型的目标分裂规则,将所述目标分裂规则发送给所述一个或者多个企业设备中每个企业设备;
b3所述一个或者多个企业设备中每个企业设备基于所述目标分裂规则,构建该企业设备对应的焊接质量诊断模型中相应的树模型,确定该树模型对应的权重信息,根据所述权重信息更新所述树模型;
重复所述步骤b1-b3,直至满足终止条件,该企业设备确定相应的焊接质量诊断模型。
5.根据权利要求4所述的方法,其中,所述中心设备基于所述一个或者多个企业设备中每个企业设备发送的所述一阶梯度信息和所述二阶梯度信息,确定用于构建焊接质量诊断模型对应的树模型的目标分裂规则包括:
所述中心设备确定用于构建焊接质量诊断模型对应的树模型的一个或者多个分裂规则;
所述中心设备基于所述一个或者多个企业设备中每个企业设备发送的所述一阶梯度信息和所述二阶梯度信息,确定所述一个或者多个分裂规则中每个分裂规则对应的信息增益;
所述中心设备根据所述每个分裂规则对应的信息增益,从所述一个或者多个分裂规则中确定目标分裂规则。
6.根据权利要求4或5所述的方法,其中,所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定相应的焊接质量诊断模型还包括:
所述中心设备确定分位信息,将所述分位信息发送至所述一个或多个企业设备中每个企业设备,其中,所述分位信息与所述每个企业设备对应的焊接样本数据相匹配;
所述一个或者多个企业设备中每个企业设备根据所述损失函数以及该企业设备对应的焊接样本数据,确定该焊接样本数据对应的一阶梯度信息和二阶梯度信息包括:
所述一个或者多个企业设备中每个企业设备根据所述分位信息以及该企业设备对应的焊接样本数据,确定多个分箱集合;
所述一个或者多个企业设备根据所述损失函数以及所述多个分箱集合,确定相应的一阶梯度信息和二阶梯度信息,其中,所述一阶梯度信息包括多个累计一阶梯度,所述多个累计一阶梯度与所述多个分箱集合相匹配,所述二阶梯度信息包括多个累计二阶梯度,所述多个累计二阶梯度与所述多个分箱集合相匹配。
7.根据权利要求4至6中任一项所述的方法,其中,所述将所述一阶梯度信息和所述二阶梯度信息发送给所述中心设备包括:
所述一个或者多个企业设备中每个企业设备对所述一阶梯度信息与所述二阶梯度信息进行加密处理,将加密处理后的一阶梯度信息与二阶梯度信息发送至所述中心设备。
8.根据权利要求4至7中任一项所述的方法,其中,所述终止条件包括以下至少任一项:
当前确定的树模型对应的信息增益小于0;
当前确定的树模型达到预设深度;
当前确定的树模型中存在叶子节点对应的权重小于预设权重阈值。
9.一种焊接质量诊断系统,包括一个中心设备、一个或者多个企业设备、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8中任一项所述方法的步骤。
10.一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8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332928.0A CN115599653A (zh) | 2022-10-28 | 2022-10-28 | 一种构建焊接质量诊断模型的方法、系统、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332928.0A CN115599653A (zh) | 2022-10-28 | 2022-10-28 | 一种构建焊接质量诊断模型的方法、系统、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115599653A true CN115599653A (zh) | 2023-01-13 |
Family
ID=84851267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211332928.0A Pending CN115599653A (zh) | 2022-10-28 | 2022-10-28 | 一种构建焊接质量诊断模型的方法、系统、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115599653A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757031A (zh) * | 2023-06-15 | 2023-09-15 | 中南大学 | 影响金属-金属胶接性能的多因素的分析方法及装置 |
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 |
-
2022
- 2022-10-28 CN CN202211332928.0A patent/CN115599653A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757031A (zh) * | 2023-06-15 | 2023-09-15 | 中南大学 | 影响金属-金属胶接性能的多因素的分析方法及装置 |
CN116757031B (zh) * | 2023-06-15 | 2024-02-09 | 中南大学 | 影响金属-金属胶接性能的多因素的分析方法及装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7307089B2 (ja) | ニューラル・ネットワークを使用した時系列データ間の依存関係の動的検出 | |
CN115599653A (zh) | 一种构建焊接质量诊断模型的方法、系统、介质 | |
Yin et al. | Optimal linear combinations of multiple diagnostic biomarkers based on Youden index | |
CN111881991B (zh) | 一种识别欺诈的方法、装置及电子设备 | |
TW201732789A (zh) | 磁片的故障預測方法和裝置 | |
JP6881207B2 (ja) | 学習装置、プログラム | |
US11972382B2 (en) | Root cause identification and analysis | |
CN110177079A (zh) | 智能合约的调用系统及调用方法 | |
CN114219306B (zh) | 用于建立焊接质量检测模型的方法、设备、介质 | |
CN115146530A (zh) | 构建焊接质量检测模型的方法、设备、介质及程序产品 | |
CN115841046A (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
KR102352954B1 (ko) | 예측 자동 회귀 기반 실시간 기업정보시스템 사용자 이상행위 탐지 시스템 및 방법 | |
US20210142213A1 (en) | Data Partitioning with Quality Evaluation | |
CN110968949A (zh) | 一种高速列车车载设备电磁敏感性预测模型的建模方法 | |
CN114202224B (zh) | 用于检测生产环境中焊接质量的方法、设备、介质 | |
CN116087814A (zh) | 一种提高电压采样精度的方法、装置及电子设备 | |
CN112822482B (zh) | 一种确定音视频通话的评估得分的方法与设备 | |
CN112269794A (zh) | 一种基于区块链的进行违规预测的方法与设备 | |
CN112769782A (zh) | 多云安全基线管理的方法与设备 | |
CN110347607A (zh) | 一种数据上链测试方法 | |
CN115795324A (zh) | 一种聚类采样方法、设备、介质及程序产品 | |
US20240048251A1 (en) | Radio frequency signal integrity verification | |
CN117672364A (zh) | 一种用于预测蛋白质突变稳定性的方法、设备及介质 | |
CN117807750A (zh) | 一种用于确定焊接工艺参数信息的方法与设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |