CN115618287A - 一种基于小样本数据的电阻点焊质量评价模型的构建方法 - Google Patents

一种基于小样本数据的电阻点焊质量评价模型的构建方法 Download PDF

Info

Publication number
CN115618287A
CN115618287A CN202211256862.1A CN202211256862A CN115618287A CN 115618287 A CN115618287 A CN 115618287A CN 202211256862 A CN202211256862 A CN 202211256862A CN 115618287 A CN115618287 A CN 115618287A
Authority
CN
China
Prior art keywords
data
evaluation model
resistance
welding
data set
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
CN202211256862.1A
Other languages
English (en)
Other versions
CN115618287B (zh
Inventor
佟星
宁宝玲
刘显敏
王挺
李栋
曾鹏
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.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
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 Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN202211256862.1A priority Critical patent/CN115618287B/zh
Publication of CN115618287A publication Critical patent/CN115618287A/zh
Application granted granted Critical
Publication of CN115618287B publication Critical patent/CN115618287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及了一种基于小样本数据的电阻点焊质量评价模型的构建方法，属于智能制造电阻点焊领域。具体为：获取多维动态电阻特征数据集，并将数据集分为训练集和测试集；用于并训练构建评价模型；通过评价模型对测试集数据进行评价，得到每条未标注数据的预判平均概率阈值，并与焊点预判概率进行比较，继续对评价模型进行训练，并通过新的评价模型对测试集数据进行评价，采用多轮迭代更新样本数据集的方式，最终输出评价模型。本发明基于易获取的焊接过程电阻数据，分析过程电阻特征，采用多轮迭代更新样本数据集的方式，实现了在小样本数据集上完成点焊质量评价方法。

Description

一种基于小样本数据的电阻点焊质量评价模型的构建方法
技术领域
本发明涉及了一种基于小样本数据的电阻点焊质量评价模型的构建方法，属于智能制造电阻点焊领域。
背景技术
电阻点焊技术是一种广泛应用于薄板结构制造的点连接工艺，其原理是在两电极与待焊工件间施加几百至几万安培的大电流，通过压力与焦耳热的联合作用使工件界面熔化并形成焊点。从发明世界第一台点焊机以来，电阻点焊因其成本低、生产效率高和易于实现自动化的优点在汽车、轨道交通、航空航天、低压电器、家电、电池等领域得到了广泛应。
熔核尺寸与压痕深度等点焊接头的几何形貌特征是决定焊点质量的关键指标，但这些指标难以在工艺过程中进行直接观测。为了实现焊点质量的自动在线检测，利用过程信号或其他辅助信号进行质量指标的间接推断，被认为是一种可行的方案。由于电阻点焊是一个多物理场耦合的高度非线性过程，如何建立测量信号与焊点质量指标的复杂关联数学模型，是实现电阻点焊质量在线评价技术的关键。
在大数据时代，大部分工作都着重研究如何对海量数据进行分析和建模。但在实际电阻点焊场景中，由于点焊质量依靠仪器度量成本高，无法实现全焊点的覆盖，焊接结果只能进行人工检测标注，同时，焊接过程相关数据只能通过少数渠道获得，因此电阻点焊是典型的小样本数据场景。目前，小样本下准确的时间序列短期预测仍旧是一个很大的挑战，单靠自身的信息无法建立准确的预测模型，而利用外界影响因素容易引发遭受维度灾难等问题。综上所述，有必要研究在小样本场景下准确的点焊质量评价方法。
传统电阻点焊质量检测领域采用超声波检测等方法，成本高昂，无法覆盖所有焊点区域；同时单纯依靠焊接过程数据进行检测的方法严重依赖数据样本的数量，在大多数实际小样本数据存在的情况下，方法可行性受限；
发明内容
本发明基于易获取的焊接过程电阻数据，分析过程电阻特征，采用多轮迭代更新样本数据集的方式，实现了在小样本数据集上完成点焊质量评价方法。
本发明为实现上述目的所采用的技术方案是：
一种基于小样本数据的电阻点焊质量评价模型的构建方法，包括以下步骤：
1)通过焊接控制器获取焊接过程电阻曲线，并通过电阻曲线得到多维动态电阻特征，构成数据集；
2)给数据集中的部分数据添加表示点焊质量评价结果的标注，作为训练集，剩余未标注的数据作为测试集；
3)构建评价模型，并通过训练集对模型进行训练；
4)通过评价模型对测试集数据进行评价，并将评价结果与每个焊点未标注数据的预判平均概率阈值T进行比较，构建数据集合U1；
5)判断预判平均概率阈值T是否大于阈值下限Tlow，并且数据集合U1中包含焊点的数量Len(U1)是否小于测试集中包含焊点的数量Len(未标注数据集)，如果均满足，则进入步骤6)，否则结束模型构建，输出评价模型；
6)通过训练集和数据集合U1继续对评价模型进行训练，并通过新的评价模型对测试集数据进行评价，并构建数据集合U2；
7)判断数据集合U1和U2中分别包含焊点的数量Len(U1)以及Len(U2)，若Len(U2)小于Len(U1)，则降低平均概率阈值T并返回步骤5)，否则，使用U2更新U1并返回步骤5)。
所述多维动态电阻特征，包括：
初始电阻值r1、拐点电阻值r2、通电结束时的电阻值r3、动态电阻从通电开始时间到拐点出现时间的时间差r4、动态电阻拐点处的电阻下降幅度r5、通电结束时电阻下降幅度r6、快速下降阶段的下降速率r7以及整个通电期间动态电阻平均值r8和动态电阻标准差r9，所述快速下降阶段为设定时间内电阻下降的阻值超过设定阈值。
所述数据集合U1和U2均通过以下方式构建：
将评价模型输出的每个焊点的预测概率P均与预判平均概率阈值T进行比较，所有P大于T的焊点的多维动态电阻特征数据，构成数据集合U1或U2。
所述评价模型为注意力机制模型，模型输入为每个焊点的多维动态电阻特征数据，输出为每个焊点是否为焊接缺陷焊点的概率。
一种基于小样本数据的电阻点焊质量评价模型的构建系统，包括：
数据集预处理模块，用于通过焊接控制器获取焊接过程电阻曲线，并通过电阻曲线得到多维动态电阻特征，构成数据集；给数据集中的部分数据添加表示点焊质量评价结果的标注，作为训练集，剩余未标注的数据作为测试集；
评价模型构建模块，用于构建评价模型，并通过训练集对模型进行训练；
评价模型训练模块，用于通过评价模型对测试集数据进行评价，并将评价结果与每个焊点未标注数据的预判平均概率阈值T进行比较，构建数据集合U1；判断预判平均概率阈值T是否大于阈值下限Tlow，并且数据集合U1中包含焊点的数量Len(U1)是否小于测试集中包含焊点的数量Len(未标注数据集)，如果均满足，则进入步骤6)，否则结束模型构建，输出评价模型；通过训练集和数据集合U1继续对评价模型进行训练，并通过新的评价模型对测试集数据进行评价，并构建数据集合U2；
数据集更新模块，用于判断数据集合U1和U2中分别包含焊点的数量Len(U1)以及Len(U2)，若Len(U2)小于Len(U1)，则降低平均概率阈值T并返回步骤5)，否则，使用U2更新U1并返回步骤5)。
一种基于小样本数据的电阻点焊质量评价模型的构建系统，当执行所述计算机程序时，实现所述的一种基于小样本数据的电阻点焊质量评价模型的构建方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于小样本数据的电阻点焊质量评价模型的构建方法。
本发明具有以下有益效果及优点：
1.现有方法检测采用超声波检测焊点缺陷，需要成本高昂的超声波检测仪，并且覆盖不了全车身焊点；本发明基于容易获取的焊接过程数据，低成本，且覆盖全车身焊点。
2.本发明采用多维动态电阻特征，包含r1-r9,传统方法采用单一电阻特征，本发明准确率更高。
3.本发明基于小样本数据的现实，使准确率更高。
4.现有方法会不断缩减未标注数据集的数量，然后评价模型，本发明是在原始未标注数据集上评价模型，不会缩减未标注数据集，因此模型可避免误判扩大的发生。
5.本发明在每次迭代中不断更新阈值T，从而不断扩充训练集数量，使得样本分布更加趋近真实样本分布，现有方法采用固定阈值，造成误判扩大的发生。
附图说明
图1是本发明的整体示意图。
图2是电阻曲线提取特征图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示，一种基于小样本数据的电阻点焊质量评价模型的构建方法，其特征在于，包括以下步骤：
1)从焊接控制器中获取焊接过程电阻曲线；
2)根据电阻曲线计算特征值；
3)将数据集划分为训练集和未标注数据集；
4)在训练集上训练构建出初始化评价模型；
5)在未标注数据集上执行初始化评价模型，形成每条未标注数据的预判平均概率阈值T，形成集合U1；
6)判断预判平均概率阈值T是否大于阈值下限Tlow，大于则进入步骤7，否则结束构建；
7)在训练集和U1的合集上构建评价模型；
8)在未标注数据集上执行步骤7所述评价模型，更新集合U1；
9)判断Len(U1)是否大于Len(U2)，大于则更新U2，否则更新预判平均概率阈值T，然后循环进入步骤6。
如图2所示，所述焊接过程电阻曲线横轴为时间，纵轴为电阻值。
所述电阻特征值包含初始电阻值r1、拐点电阻值r2、通电结束时的电阻值r3、动态电阻从通电开始时间到拐点出现时间的时间差r4、动态电阻拐点处的电阻下降幅度r5、通电结束时电阻下降幅度r6、快速下降阶段的下降速率r7以及整个通电期间动态电阻平均值r8和动态电阻标准差r9。
所述训练集为根据专家经验已经进行评价结果标注的数据集，其包含每个焊点的电阻特征值。
所述未标注数据集只包含每个焊点的电阻特征值，没有专家经验的评价结果标注。
所述预判平均概率阈值T初始化为专家经验值。
所述集合U1为如果焊点预判概率大于预判平均概率阈值T，则将所有对应焊点数据构成集合U1。
所述阈值下限Tlow为专家经验值。
所述更新集合U1为如果焊点预判概率大于预判平均概率阈值T，则将所有对应焊点数据构成集合U1。
所述U2为U1的备份，在每次循环结束时进行备份。
所述Len(U1)为U1包含焊点的数量，Len(U2)为U2包含焊点的数量。
所述更新预判平均概率阈值T为根据专家经验减小T的值。
实施例
步骤1，2：本发明采用的方法基于任意焊接控制器的焊接过程数据，包含焊接过程中的动态电阻率随时间的变化值；然后从曲线中提取特征值，包含初始电阻值r1、拐点电阻值r2、通电结束时的电阻值r3、动态电阻从通电开始时间到拐点出现时间的时间差r4、动态电阻拐点处的电阻下降幅度r5、通电结束时电阻下降幅度r6、快速下降阶段的下降速率r7以及整个通电期间动态电阻平均值r8和动态电阻标准差r9，将这九种特征值作为训练模型的输入。
步骤3：其次，将整个数据集划分为训练集和未标注数据集，其中训练集中每条记录带有质量评价的标签，未标注数据集中没有质量评价标签，这也就是小样本数据的特征；迭代运行思路是通过不断降低阈值T，获取更多的样本加入到训练样本中，同时，每次迭代在所有未标注样本中运行，确保模型不出现过拟合现象。
步骤4，5：根据如图所示方法流程，首先利用原始训练集对模型进行训练，形成初始化质量评定模型；然后在未标注数据集上运行初始化质量评定模型，对每条未标注数据给出预测结果，如果预测结果概率大于T，则将概率大于T的未标注数据加入到训练集中；
步骤6，7，8，9：接着进入循环部分，首先判断阈值T是否大于阈值下限Tlow，否则直接结束循环，是则利用更新的训练集训练得到新的评定模型；然后在未标注数据集上运行新的质量评定模型，对每条未标注数据给出预测结果，如果预测结果概率大于T，则将概率大于T的未标注数据加入到训练集中；然后判断Len(U1)是否大于上次更新的数量Len(U2)，是则用U1更新U2，否则用阈值下降度d降低阈值T；然后循环进入步骤6；
其中U1为每次循环中，预测结果概率大于T的记录，Len(U1)为对应记录的数量，U2为每次循环中，备份U1的数据集，Len(U2)为数据集的数量；概率阈值T、概率阈值下限Tlow、每次迭代的阈值下降度d均为专家经验值。
本方法的模型训练采用PYTHON编程环境，模型训练运行环境如下所示；特征提取部分调用Matlab完成，Matlab将数据集的特征提取数据形成文件，文件系统公用给PYTHON调用；未标注训练集的模型运行同样在PYTHON环境上运行。训练完成的模型形成特定模型文件，它的调用模式不在本方法的讨论范围内。
CPU：Intel Core i7
GPU：RTX 3090 24GB
内存：128GB
硬盘空间：500GB
操作系统：Ubuntu 18.04
支撑软件：PYTHON3.6.2
首先，数据获取方式为与焊接控制器直连的方式，通过焊接控制器原有的数据库系统或者开发的工业协议，获取焊接过程曲线数据。每条曲线为一个焊点的焊接过程，横轴为时间，采样频率为1000点，纵轴为电阻值，电阻值随时间变化而变化。
其次，对每条电阻曲线数据，进行特征提取计算，包含出初始电阻值r1、拐点电阻值r2、通电结束时的电阻值r3、动态电阻从快速下降阶段到缓慢下降阶段的拐点时间r4、动态电阻拐点处的电阻下降幅度r5、通电结束时电阻下降幅度r6、快速下降阶段的下降速率r7以及整个通电期间动态电阻平均值r8和动态电阻标准差r9。针对训练集和未标注数据集中的每条过程电阻曲线，形成对应的特征值向量，向量维度为九维。
数据集的划分，按照工业现场实际情况划分为训练集、验证集和未标注数据集，其中已经标注的数据集按照四比一的比例划分为训练集和验证集；模型迭代更新过程，按照发明内容中所述更新过程进行，模型分类算法采用注意力机制模型，最后在验证集中进行验证，最终选择在验证集中准确率最高的模型作为最终输出模型。

Claims (8)

1.一种基于小样本数据的电阻点焊质量评价模型的构建方法，其特征在于，包括以下步骤：
1)通过焊接控制器获取焊接过程电阻曲线，并通过电阻曲线得到多维动态电阻特征，构成数据集；
2)给数据集中的部分数据添加表示点焊质量评价结果的标注，作为训练集，剩余未标注的数据作为测试集；
3)构建评价模型，并通过训练集对模型进行训练；
4)通过评价模型对测试集数据进行评价，并将评价结果与每个焊点未标注数据的预判平均概率阈值T进行比较，构建数据集合U1；
5)判断预判平均概率阈值T是否大于阈值下限Tlow，并且数据集合U1中包含焊点的数量Len(U1)是否小于测试集中包含焊点的数量Len(未标注数据集)，如果均满足，则进入步骤6)，否则结束模型构建，输出评价模型；
6)通过训练集和数据集合U1继续对评价模型进行训练，并通过新的评价模型对测试集数据进行评价，并构建数据集合U2；
7)判断数据集合U1和U2中分别包含焊点的数量Len(U1)以及Len(U2)，若Len(U2)小于Len(U1)，则降低平均概率阈值T并返回步骤5)，否则，使用U2更新U1并返回步骤5)。
2.根据权利要求1所述的一种基于小样本数据的电阻点焊质量评价模型的构建方法，其特征在于，所述多维动态电阻特征，包括：
初始电阻值r1、拐点电阻值r2、通电结束时的电阻值r3、动态电阻从通电开始时间到拐点出现时间的时间差r4、动态电阻拐点处的电阻下降幅度r5、通电结束时电阻下降幅度r6、快速下降阶段的下降速率r7以及整个通电期间动态电阻平均值r8和动态电阻标准差r9。
3.根据权利要求1所述的一种基于小样本数据的电阻点焊质量评价模型的构建方法，其特征在于，所述数据集合U1和U2均通过以下方式构建：
将评价模型输出的每个焊点的预测概率P均与预判平均概率阈值T进行比较，所有P大于T的焊点的多维动态电阻特征数据，构成数据集合U1或U2。
4.根据权利要求1所述的一种基于小样本数据的电阻点焊质量评价模型的构建方法，其特征在于,所述评价模型为注意力机制模型，模型输入为每个焊点的多维动态电阻特征数据，输出为每个焊点是否为焊接缺陷焊点的概率。
5.一种基于小样本数据的电阻点焊质量评价模型的构建系统，其特征在于，包括：
数据集预处理模块，用于通过焊接控制器获取焊接过程电阻曲线，并通过电阻曲线得到多维动态电阻特征，构成数据集；给数据集中的部分数据添加表示点焊质量评价结果的标注，作为训练集，剩余未标注的数据作为测试集；
评价模型构建模块，用于构建评价模型，并通过训练集对模型进行训练；
评价模型训练模块，用于通过评价模型对测试集数据进行评价，并将评价结果与每个焊点未标注数据的预判平均概率阈值T进行比较，构建数据集合U1；判断预判平均概率阈值T是否大于阈值下限Tlow，并且数据集合U1中包含焊点的数量Len(U1)是否小于测试集中包含焊点的数量Len(未标注数据集)，如果均满足，则进入步骤6)，否则结束模型构建，输出评价模型；通过训练集和数据集合U1继续对评价模型进行训练，并通过新的评价模型对测试集数据进行评价，并构建数据集合U2；
数据集更新模块，用于判断数据集合U1和U2中分别包含焊点的数量Len(U1)以及Len(U2)，若Len(U2)小于Len(U1)，则降低平均概率阈值T并返回步骤5)，否则，使用U2更新U1并返回步骤5)。
6.根据权利要求1所述的一种基于小样本数据的电阻点焊质量评价模型的构建系统，其特征在于,所述评价模型为注意力机制模型，模型输入为每个焊点的多维动态电阻特征数据，输出为每个焊点是否为焊接缺陷焊点的概率。
7.一种基于小样本数据的电阻点焊质量评价模型的构建系统，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-4任一项所述的一种基于小样本数据的电阻点焊质量评价模型的构建方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-4任一项所述的一种基于小样本数据的电阻点焊质量评价模型的构建方法。
CN202211256862.1A 2022-10-14 2022-10-14 一种基于小样本数据的电阻点焊质量评价模型的构建方法 Active CN115618287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211256862.1A CN115618287B (zh) 2022-10-14 2022-10-14 一种基于小样本数据的电阻点焊质量评价模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211256862.1A CN115618287B (zh) 2022-10-14 2022-10-14 一种基于小样本数据的电阻点焊质量评价模型的构建方法

Publications (2)

Publication Number Publication Date
CN115618287A true CN115618287A (zh) 2023-01-17
CN115618287B CN115618287B (zh) 2023-04-11

Family

ID=84862998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211256862.1A Active CN115618287B (zh) 2022-10-14 2022-10-14 一种基于小样本数据的电阻点焊质量评价模型的构建方法

Country Status (1)

Country Link
CN (1) CN115618287B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226398A (zh) * 2008-01-17 2008-07-23 上海交通大学 分布式焊点质量监控系统及方法
CN104457841A (zh) * 2014-11-04 2015-03-25 吉林大学 电阻点焊质量在线监测方法
CN106363289A (zh) * 2016-11-04 2017-02-01 中国重汽集团福建海西汽车有限公司 一种电阻点焊工艺监测方法及装置
CN109636787A (zh) * 2018-12-11 2019-04-16 哈尔滨工业大学 一种基于深度学习的高精度实时电池点焊质量自动检测方法
CN111540555A (zh) * 2019-12-16 2020-08-14 南京先正电子股份有限公司 一种提高精密金属膜电阻稳定性的方法
CN113887126A (zh) * 2021-09-07 2022-01-04 东风汽车集团股份有限公司 焊点质量分析方法、装置、终端设备及介质
CN114266489A (zh) * 2021-12-24 2022-04-01 吉林大学 自动建立点焊质量在线评估模型的方法
CN115128130A (zh) * 2022-06-22 2022-09-30 广东工业大学 一种基于动态电阻信号的电阻点焊质量在线评估系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226398A (zh) * 2008-01-17 2008-07-23 上海交通大学 分布式焊点质量监控系统及方法
CN104457841A (zh) * 2014-11-04 2015-03-25 吉林大学 电阻点焊质量在线监测方法
CN106363289A (zh) * 2016-11-04 2017-02-01 中国重汽集团福建海西汽车有限公司 一种电阻点焊工艺监测方法及装置
CN109636787A (zh) * 2018-12-11 2019-04-16 哈尔滨工业大学 一种基于深度学习的高精度实时电池点焊质量自动检测方法
CN111540555A (zh) * 2019-12-16 2020-08-14 南京先正电子股份有限公司 一种提高精密金属膜电阻稳定性的方法
CN113887126A (zh) * 2021-09-07 2022-01-04 东风汽车集团股份有限公司 焊点质量分析方法、装置、终端设备及介质
CN114266489A (zh) * 2021-12-24 2022-04-01 吉林大学 自动建立点焊质量在线评估模型的方法
CN115128130A (zh) * 2022-06-22 2022-09-30 广东工业大学 一种基于动态电阻信号的电阻点焊质量在线评估系统和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DAOQU GENG ET AL.: "Welding quality inspection method based on genetic algorithm to optimize BP neural network" *
HONGJIE ZHANG ET AL.: "Welding quality evaluation of resistance spot welding using the time-varying inductive reactance signal" *
张宏杰等: "基于核Fisher判别分析的点焊质量评估" *
肖思哲等: "基于生成对抗网络的小样本激光焊接缺陷数据集生成" *
韩宇等: "电阻点焊的控制系统设计与应用" *

Also Published As

Publication number Publication date
CN115618287B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN112034789A (zh) 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
CN109035242B (zh) 一种基于深度学习的hf-erw焊接状态检测方法及装置
CN112487708A (zh) 一种基于集成学习的电阻点焊质量预测方法
CN107330474A (zh) 一种锂电池梯次利用筛选方法
CN108803486A (zh) 基于并联深度学习网络的数控机床热误差预测与补偿方法
CN113695713A (zh) 一种热水器内胆焊接质量在线监测方法及装置
CN108008006B (zh) 一种焊缝缺陷检测方法、装置、设备及系统
CN103729571B (zh) 一种高炉炼铁过程一氧化碳利用率的建模方法
CN110555235A (zh) 基于向量自回归模型的结构局部缺陷检测方法
CN116572747B (zh) 电池故障检测方法、装置、计算机设备和存储介质
CN107335908A (zh) 用于特征发现的自动化随机方法及其在重复过程中的使用
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
CN118011211B (zh) 一种锂电池荷电状态和能量状态估计方法
CN115618287B (zh) 一种基于小样本数据的电阻点焊质量评价模型的构建方法
CN117056865A (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN113822336A (zh) 一种云硬盘故障预测方法、装置、系统及可读存储介质
CN117972419A (zh) 一种Anomaly-Transformer光伏发电异常检测方法
CN117233347A (zh) 一种碳钢球化等级测量方法、系统及设备
Cheng et al. EC-YOLO: Effectual Detection Model for Steel Strip Surface Defects Based on YOLO-V5
CN115106615A (zh) 一种基于工况智能识别的焊偏实时检测方法及系统
Din et al. Multi-model feature aggregation for classification of laser welding images with vision transformer
KR20220059691A (ko) 제조업 시계열 데이터 딥러닝 분석을 위한 공간 충전 곡선 변환 방법 및 시스템
CN112749683A (zh) 一种保留载荷时序的雨流计数方法
Wang et al. Adversarial based unsupervised domain adaptation for bearing fault diagnosis
Farrar et al. A statistical pattern recognition paradigm for structural health monitoring

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