CN116140786A - 搅拌摩擦焊接方法及其系统 - Google Patents
搅拌摩擦焊接方法及其系统 Download PDFInfo
- Publication number
- CN116140786A CN116140786A CN202310200938.7A CN202310200938A CN116140786A CN 116140786 A CN116140786 A CN 116140786A CN 202310200938 A CN202310200938 A CN 202310200938A CN 116140786 A CN116140786 A CN 116140786A
- Authority
- CN
- China
- Prior art keywords
- feature
- thermodynamic
- classification
- matrix
- distribution
- 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 117
- 238000003756 stirring Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009826 distribution Methods 0.000 claims abstract description 232
- 239000013598 vector Substances 0.000 claims abstract description 186
- 230000008859 change Effects 0.000 claims abstract description 81
- 238000010586 diagram Methods 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000002787 reinforcement Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 140
- 230000007246 mechanism Effects 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 230000004043 responsiveness Effects 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005728 strengthening Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000003475 lamination Methods 0.000 claims 1
- 238000005065 mining Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000007792 addition Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000005304 joining Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 229910000881 Cu alloy Inorganic materials 0.000 description 2
- 229910000861 Mg alloy Inorganic materials 0.000 description 2
- 229910001069 Ti alloy Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 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
- 238000003058 natural language processing Methods 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001256 stainless steel alloy Inorganic materials 0.000 description 1
- 238000013519 translation 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
- B23K20/00—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating
- B23K20/12—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating the heat being generated by friction; Friction welding
- B23K20/122—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating the heat being generated by friction; Friction welding using a non-consumable tool, e.g. friction stir 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
- B23K20/00—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating
- B23K20/26—Auxiliary equipment
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
-
- 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)
- Mechanical Engineering (AREA)
- Pressure Welding/Diffusion-Bonding (AREA)
Abstract
本申请公开了一种搅拌摩擦焊接方法及其系统。其首先将多个预定时间点的待焊接工件组的热力图分别通过第一卷积神经网络模型以得到多个热力分布特征矩阵，接着，将计算每相邻两个热力分布特征矩阵之间的差分得到的多个热力分布差分特征矩阵聚合后通过第二卷积神经网络模型以得到热力分布时序变化特征向量，然后，将多个预定时间点的旋转工具的旋转速度值排列后通过多尺度邻域特征提取模块以得到速度时序特征向量，接着，计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计并进行特征区分度强化后通过分类器以得到用于表示当前时间点的旋转速度值应增大或应减小的分类结果。通过这样的方式，可以提升提高焊接质量。
Description
技术领域
本申请涉及智能监测技术领域，且更为具体地，涉及一种搅拌摩擦焊接方法及其系统。
背景技术
搅拌摩擦焊（FSW）是一种固态连接过程，使用一种不消耗工具的工具来连接两个面对的工件，而不会熔化工件材料。旋转工具和工件材料之间的摩擦会产生热量，从而导致搅拌摩擦焊工具附近的区域变软。当沿着接合线移动工具时，它会机械地将两块金属混合在一起，并通过工具施加的机械压力锻造热的和软化的金属，就像接合粘土或面团一样。它主要用于锻造或挤压铝特别是对于需要很高焊接强度的结构。搅拌摩擦焊能够连接铝合金、铜合金、钛合金、低碳钢、不锈钢和镁合金。
但是如果操作不当，搅拌摩擦焊会带来许多独特的缺陷。例如，由于低转速或高横向速度而导致的焊接温度不足，意味着焊接材料无法适应焊接过程中的大范围变形。这可能会导致沿焊缝延伸的长隧道状缺陷，可能会出现在表面或次表面上。
因此，期待一种搅拌摩擦焊接方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种搅拌摩擦焊接方法及其系统。其首先将多个预定时间点的待焊接工件组的热力图分别通过第一卷积神经网络模型以得到多个热力分布特征矩阵，接着，将计算每相邻两个热力分布特征矩阵之间的差分得到的多个热力分布差分特征矩阵聚合后通过第二卷积神经网络模型以得到热力分布时序变化特征向量，然后，将多个预定时间点的旋转工具的旋转速度值排列后通过多尺度邻域特征提取模块以得到速度时序特征向量，接着，计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计并进行特征区分度强化后通过分类器以得到用于表示当前时间点的旋转速度值应增大或应减小的分类结果。通过这样的方式，可以提升提高焊接质量。
根据本申请的一个方面，提供了一种搅拌摩擦焊接方法，其包括：获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；和将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
在上述的搅拌摩擦焊接方法中，所述将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个热力分布特征矩阵。
在上述的搅拌摩擦焊接方法中，所述计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵，包括：以如下差分公式计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到所述多个热力分布差分特征矩阵；
其中，所述差分公式为：
其中，/>
和/>
表示所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵，/>
表示所述多个热力分布差分特征矩阵，/>
表示矩阵的按位置减法。
在上述的搅拌摩擦焊接方法中，所述将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量，包括：以所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出热力分布时序变化特征图；以及对所述热力分布时序变化特征图的各个特征矩阵进行全局均值池化以得到所述热力分布时序变化特征向量。
在上述的搅拌摩擦焊接方法中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述的搅拌摩擦焊接方法中，所述将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量，包括：使用所述多尺度邻域特征提取模块的所述第一卷积层以如下第一卷积公式对所述速度输入向量进行一维卷积编码以得到第一尺度速度特征向量；其中，所述第一卷积公式为：
其中，/>
为第一一维卷积核在/>
方向上的宽度、
为第一一维卷积核参数向量、 />
为与第一一维卷积核函数运算的局部向量矩阵，/>
为第一一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的所述第二卷积层以如下第二卷积公式对所述速度输入向量进行一维卷积编码以得到第二尺度速度特征向量；其中，所述第二卷积公式为：/>
其中，/>
为第二一维卷积核在/>
方向上的宽度、/>
为第二一维卷积核参数向量、/>
为与第二一维卷积核函数运算的局部向量矩阵，/>
为第二一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。
在上述的搅拌摩擦焊接方法中，所述计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述热力分布时序变化特征向量和所述速度时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
在上述的搅拌摩擦焊接方法中，所述对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵，包括：以如下强化公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵；其中，所述强化公式为：
其中，/>
是所述分类特征矩阵，/>
和/>
是预定超参数，
和/>
表示特征矩阵的按位置加法和减法，除法表示特征矩阵的每个位置除以相应值，且
表示通过单个卷积层的卷积操作，/>
是所述优化分类特征矩阵。
在上述的搅拌摩擦焊接方法中，所述将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种搅拌摩擦焊接系统，其包括：数据获取模块，用于获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；第一卷积编码模块，用于将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；差分计算模块，用于计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；第二卷积编码模块，用于将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；多尺度编码模块，用于将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；响应性估计模块，用于计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；特征区分度强化模块，用于对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；和分类结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
与现有技术相比，本申请提供的搅拌摩擦焊接方法及其系统，其首先将多个预定时间点的待焊接工件组的热力图分别通过第一卷积神经网络模型以得到多个热力分布特征矩阵，接着，将计算每相邻两个热力分布特征矩阵之间的差分得到的多个热力分布差分特征矩阵聚合后通过第二卷积神经网络模型以得到热力分布时序变化特征向量，然后，将多个预定时间点的旋转工具的旋转速度值排列后通过多尺度邻域特征提取模块以得到速度时序特征向量，接着，计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计并进行特征区分度强化后通过分类器以得到用于表示当前时间点的旋转速度值应增大或应减小的分类结果。通过这样的方式，可以提升提高焊接质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图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，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的搅拌摩擦焊接方法的场景示意图。
图2为根据本申请实施例的搅拌摩擦焊接方法的流程图。
图3为根据本申请实施例的搅拌摩擦焊接方法的架构示意图。
图4为根据本申请实施例的搅拌摩擦焊接方法的子步骤S140的流程图。
图5为根据本申请实施例的搅拌摩擦焊接方法的子步骤S160的流程图。
图6为根据本申请实施例的搅拌摩擦焊接方法的子步骤S180的流程图。
图7为根据本申请实施例的搅拌摩擦焊接系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述：如上所述，搅拌摩擦焊能够连接铝合金、铜合金、钛合金、低碳钢、不锈钢和镁合金。但是如果操作不当，搅拌摩擦焊会带来许多独特的缺陷。例如，由于低转速或高横向速度而导致的焊接温度不足，意味着焊接材料无法适应焊接过程中的大范围变形。这可能会导致沿焊缝延伸的长隧道状缺陷，可能会出现在表面或次表面上。因此，期待一种搅拌摩擦焊接方案。
相应地，考虑到在实际使用搅拌摩擦焊来进行焊接任务的过程中，需要基于实际的工件材料受热情况来自适应地调控旋转工具的旋转速度，以避免焊接温度不足而导致的焊接缺陷，进而提高焊接质量。也就是说，在实际的搅拌摩擦焊的工作过程中，对于旋转工具的旋转速度的控制应适配于待焊接工件组的接合线区域的受热情况。但是，由于待焊接工件组的各个部分的热量分布之间具有着关联性，并不能够单独地进行测量，并且其热量在时间维度上的变化信息为小尺度的信息，难以对其进行捕捉提取，导致对于选择速度值的控制精准度较低。在搅拌摩擦焊的焊接过程中，由于工件材料的接合线区域热力分布应适配于金属的软化粘合温度，过大或过小都难以保证焊接质量，因此，难点在于如何挖掘并建立所述旋转工具的旋转速度的时序动态变化与所述待焊接工件组的接合线区域热力图的时序变化间的映射关系，以此来提高焊接质量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述旋转工具的旋转速度的时序动态变化与所述待焊接工件组的接合线区域热力图的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述旋转工具的旋转速度的时序动态变化与所述待焊接工件组的接合线区域热力图的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图。接着，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述待焊接工件组的热力图的特征挖掘，特别地，考虑到在进行所述待焊接工件组的热力图的隐含特征提取的过程中，需要聚焦于搅拌摩擦焊工具附近的区域，即所述待焊接工件组的接合线区域的热力分布特征，而忽略与所述接合线区域的热力分布特征无关的其他区域的热力分布干扰特征信息，以此来提高对于旋转速度实时控制的精准度，提高焊接质量。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。基于此，在本申请的技术方案中，进一步将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型中进行处理，以提取出所述各个预定时间点下待焊接工件组的热力图中聚焦于焊接接合线区域的热力分布特征信息，从而得到多个热力分布特征矩阵。
然后，考虑到所述待焊接工件组的聚焦于接合线区域的热力分布特征在时间维度上具有着动态性的变化规律，但是，这种变化特征信息为小尺度的特征信息，因此，若只采用热力分布的绝对变化特征来进行该区域的热力分布的动态特征挖掘，会导致对于热力分布变化特征的提取能力较弱，难以进行捕捉获取。因此，在本申请的技术方案中，为了能够准确地提取出所述待焊接工件组的聚焦于接合线区域的热力分布特征的时序动态变化特征信息，进一步计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵，以此热力分布特征信息的相对变化量来进行挖掘出其在时间维度上的动态变化规律信息。
接着，考虑到所述各个预定时间点下的聚焦于待焊接工件组的接合线区域的相对热力分布变化特征在时间维度上具有着关联性，也就是说，所述待焊接工件组的接合线区域的相对热力分布特征信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述待焊接工件组的接合线区域的相对热力分布特征在时间维度上的动态变化特征，从而得到热力分布时序变化特征向量。特别地，这里，所述第三卷积神经网络模型的卷积核为三维卷积核，其具有W（宽度）、H（高度）和C（通道维度），在本申请的技术方案中，所述三维卷积核的通道维度对应于所述多个热力分布差分特征矩阵聚合为三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述待焊接工件组的接合线区域的相对热力分布特征随时间维度的动态变化特征。
进一步地，由于所述旋转工具的旋转速度在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化规律，因此，在本申请的技术方案中，为了能够充分且准确地提取出所述旋转速度值在时序上的动态变化特征，将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述旋转速度值在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征信息，从而得到速度时序特征向量。
然后，再计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计，以此来表示所述旋转工具的旋转速度的多尺度时序动态变化特征与所述待焊接工件组的接合线区域的相对热力分布特征的时序动态变化特征间的关联性特征分布信息，从而得到分类特征矩阵。
特别地，考虑到所述旋转工具的旋转速度值和所述待焊接工件组的热力图都存在波动性和不确定性，因此为了提高对于所述当前时间点的旋转速度值控制的精准度，需要在高维特征空间中分别对于所述旋转工具的旋转速度的多尺度时序动态变化特征与所述待焊接工件组的接合线区域的相对热力分布特征的时序动态变化特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述旋转速度值和所述热力图的先验分布，即高斯分布，来分别对于所述旋转工具的旋转速度的多尺度时序动态变化特征与所述待焊接工件组的接合线区域的相对热力分布特征的时序动态变化特征进行数据增强。
具体地，首先，分别构造所述热力分布时序变化特征向量和所述速度时序特征向量的高斯密度图以得到热力分布高斯密度图和速度高斯密度图。接着，再计算所述热力分布高斯密度图相对于所述速度高斯密度图的响应性估计来得到关联高斯密度图，并对于所述关联高斯密度图的高斯离散化处理，以此来在数据特征增广时不产生信息损失，从而得到分类特征矩阵。
然后，将所述分类特征矩阵通过分类器中进行分类处理以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的旋转速度值应增大(第一标签)，以及，当前时间点的旋转速度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的旋转速度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的旋转速度值，以此来避免焊接温度不足而导致的焊接缺陷，进而提高焊接质量。
特别地，在本申请的技术方案中，在基于高斯密度图计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计得到所述分类特征矩阵时，基于高斯分布的特性，在均值附近的概率值远高于长尾分布的概率值，因此对于得到的所述分类特征矩阵来说，其部分位置的特征值相对于其它位置的特征值也会具有更显著的重要性，如果在分类时能够对于特征值进行有效区分，显然能够提高分类器的训练速度和分类结果的准确性。
因此，本申请的申请人对所述分类特征矩阵，例如记为 
进行基于可区分性物理激励的交互强化，表示为：/>
其中，/>
是优化后的分类特征矩阵，/>
和/>
是预定超参数，/>
和/>
表示特征矩阵的按位置加法和减法，除法表示特征矩阵的每个位置除以相应值，且/>
表示通过单个卷积层的卷积操作。
这里，所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互，其以类似物理激励的方式来提取和模仿可行特征（actionable feature），由此，使用通用目的的低维可导式物理激励方式，来获得具有梯度可区分性的可行特征的物理性表达，从而在训练过程中强化所述分类特征矩阵
内的活跃部分，以提升优化后的分类特征矩阵/>
通过分类器的训练速度和训练后的分类特征的分类结果的准确性。这样，能够实时准确地基于实际焊接工件组的热力分布情况来自适应地调控旋转速度值，以此来避免焊接温度不足而导致的焊接缺陷，进而提高焊接质量。
基于此，本申请提供了一种搅拌摩擦焊接方法，其包括：获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；和，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
图1为根据本申请实施例的搅拌摩擦焊接方法的场景示意图。如图1所示，在该应用场景中，获取预定时间段内多个预定时间点的旋转工具的旋转速度值（例如，如图1中所示意的D1）和所述多个预定时间点的待焊接工件组的热力图（例如，如图1中所示意的D2），然后，将所述预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图输入至部署有搅拌摩擦焊接算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于所述搅拌摩擦焊接算法生成用于表示当前时间点的旋转速度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法：图2为根据本申请实施例的搅拌摩擦焊接方法的流程图。如图2所示，根据本申请实施例的搅拌摩擦焊接方法，包括步骤：S110，获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；S120，将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；S130，计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；S140，将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；S150，将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；S160，计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；S170，对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；和，S180，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
图3为根据本申请实施例的搅拌摩擦焊接方法的架构示意图。如图3所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；接着，将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；然后，计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；接着，将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；然后，将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；接着，计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；然后，对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
更具体地，在步骤S110中，获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图。在实际使用搅拌摩擦焊来进行焊接任务的过程中，需要基于实际的工件材料受热情况来自适应地调控旋转工具的旋转速度，以避免焊接温度不足而导致的焊接缺陷，进而提高焊接质量。也就是说，在实际的搅拌摩擦焊的工作过程中，对于旋转工具的旋转速度的控制应适配于待焊接工件组的接合线区域的受热情况。
更具体地，在步骤S120中，将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵。卷积神经网络模型在图像的隐含特征提取方面具有优异表现，因此，使用卷积神经网络模型来进行所述待焊接工件组的热力图的特征挖掘，特别地，考虑到在进行所述待焊接工件组的热力图的隐含特征提取的过程中，需要聚焦于搅拌摩擦焊工具附近的区域，即所述待焊接工件组的接合线区域的热力分布特征，而忽略与所述接合线区域的热力分布特征无关的其他区域的热力分布干扰特征信息，以此来提高对于旋转速度实时控制的精准度，提高焊接质量。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。基于此，在本申请的技术方案中，进一步将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型中进行处理，以提取出所述各个预定时间点下待焊接工件组的热力图中聚焦于焊接接合线区域的热力分布特征信息，从而得到多个热力分布特征矩阵。
注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask，mask上的值的权重。一般来说，空间注意力机制对于同一像素点不同通道求均值，再经过一些卷积和上采样的运算得到空间特征，空间特征每层的像素点就被赋予不同的权重。
相应地，在一个具体示例中，所述将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个热力分布特征矩阵。
更具体地，在步骤S130中，计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵。然后，考虑到所述待焊接工件组的聚焦于接合线区域的热力分布特征在时间维度上具有着动态性的变化规律，但是，这种变化特征信息为小尺度的特征信息，因此，若只采用热力分布的绝对变化特征来进行该区域的热力分布的动态特征挖掘，会导致对于热力分布变化特征的提取能力较弱，难以进行捕捉获取。因此，在本申请的技术方案中，为了能够准确地提取出所述待焊接工件组的聚焦于接合线区域的热力分布特征的时序动态变化特征信息，进一步计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵，以此热力分布特征信息的相对变化量来进行挖掘出其在时间维度上的动态变化规律信息。
相应地，在一个具体示例中，所述计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵，包括：以如下差分公式计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到所述多个热力分布差分特征矩阵；其中，所述差分公式为：
其中，/>
和/>
表示所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵，/>
表示所述多个热力分布差分特征矩阵，/>
表示矩阵的按位置减法。
更具体地，在步骤S140中，将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量。考虑到所述各个预定时间点下的聚焦于待焊接工件组的接合线区域的相对热力分布变化特征在时间维度上具有着关联性，也就是说，所述待焊接工件组的接合线区域的相对热力分布特征信息在时序上是动态变化的。因此，在本申请的技术方案中，进一步将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述待焊接工件组的接合线区域的相对热力分布特征在时间维度上的动态变化特征，从而得到热力分布时序变化特征向量。
特别地，这里，所述第三卷积神经网络模型的卷积核为三维卷积核，其具有W（宽度）、H（高度）和C（通道维度），在本申请的技术方案中，所述三维卷积核的通道维度对应于所述多个热力分布差分特征矩阵聚合为三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述待焊接工件组的接合线区域的相对热力分布特征随时间维度的动态变化特征。
相应地，在一个具体示例中，如图4所示，所述将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量，包括：S141，以所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出热力分布时序变化特征图；以及，S142，对所述热力分布时序变化特征图的各个特征矩阵进行全局均值池化以得到所述热力分布时序变化特征向量。
更具体地，在步骤S150中，将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量。由于所述旋转工具的旋转速度在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化规律，因此，在本申请的技术方案中，为了能够充分且准确地提取出所述旋转速度值在时序上的动态变化特征，将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述旋转速度值在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征信息，从而得到速度时序特征向量。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
相应地，在一个具体示例中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
相应地，在一个具体示例中，所述将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量，包括：使用所述多尺度邻域特征提取模块的所述第一卷积层以如下第一卷积公式对所述速度输入向量进行一维卷积编码以得到第一尺度速度特征向量；其中，所述第一卷积公式为：
其中，/>
为第一一维卷积核在/>
方向上的宽度、
为第一一维卷积核参数向量、 />
为与第一一维卷积核函数运算的局部向量矩阵，/>
为第一一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的所述第二卷积层以如下第二卷积公式对所述速度输入向量进行一维卷积编码以得到第二尺度速度特征向量；其中，所述第二卷积公式为：/>
其中，/>
为第二一维卷积核在/>
方向上的宽度、/>
为第二一维卷积核参数向量、/>
为与第二一维卷积核函数运算的局部向量矩阵，/>
为第二一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。
更具体地，在步骤S160中，计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵。以此来表示所述旋转工具的旋转速度的多尺度时序动态变化特征与所述待焊接工件组的接合线区域的相对热力分布特征的时序动态变化特征间的关联性特征分布信息，从而得到分类特征矩阵。
特别地，考虑到所述旋转工具的旋转速度值和所述待焊接工件组的热力图都存在波动性和不确定性，因此为了提高对于所述当前时间点的旋转速度值控制的精准度，需要在高维特征空间中分别对于所述旋转工具的旋转速度的多尺度时序动态变化特征与所述待焊接工件组的接合线区域的相对热力分布特征的时序动态变化特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述旋转速度值和所述热力图的先验分布，即高斯分布，来分别对于所述旋转工具的旋转速度的多尺度时序动态变化特征与所述待焊接工件组的接合线区域的相对热力分布特征的时序动态变化特征进行数据增强。
相应地，在一个具体示例中，如图5所示，所述计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵，包括：S161，构造所述热力分布时序变化特征向量和所述速度时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；S162，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，S163，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
更具体地，在步骤S170中，对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵。在本申请的技术方案中，在基于高斯密度图计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计得到所述分类特征矩阵时，基于高斯分布的特性，在均值附近的概率值远高于长尾分布的概率值，因此对于得到的所述分类特征矩阵来说，其部分位置的特征值相对于其它位置的特征值也会具有更显著的重要性，如果在分类时能够对于特征值进行有效区分，显然能够提高分类器的训练速度和分类结果的准确性。因此，本申请的申请人对所述分类特征矩阵，例如记为
进行基于可区分性物理激励的交互强化。
相应地，在一个具体示例中，所述对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵，包括：以如下强化公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵；其中，所述强化公式为：
其中，/>
是所述分类特征矩阵，/>
和/>
是预定超参数，
和/>
表示特征矩阵的按位置加法和减法，除法表示特征矩阵的每个位置除以相应值，且
表示通过单个卷积层的卷积操作，/>
是所述优化分类特征矩阵。
这里，所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互，其以类似物理激励的方式来提取和模仿可行特征（actionable feature），由此，使用通用目的的低维可导式物理激励方式，来获得具有梯度可区分性的可行特征的物理性表达，从而在训练过程中强化所述分类特征矩阵
内的活跃部分，以提升优化后的分类特征矩阵/>
通过分类器的训练速度和训练后的分类特征的分类结果的准确性。这样，能够实时准确地基于实际焊接工件组的热力分布情况来自适应地调控旋转速度值，以此来避免焊接温度不足而导致的焊接缺陷，进而提高焊接质量。
更具体地，在步骤S180中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的旋转速度值应增大(第一标签)，以及，当前时间点的旋转速度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的旋转速度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的旋转速度值，以此来避免焊接温度不足而导致的焊接缺陷，进而提高焊接质量。
相应地，在一个具体示例中，如图6所示，所述将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小，包括：S181，将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；S182，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；S183，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的搅拌摩擦焊接方法，其首先将多个预定时间点的待焊接工件组的热力图分别通过第一卷积神经网络模型以得到多个热力分布特征矩阵，接着，将计算每相邻两个热力分布特征矩阵之间的差分得到的多个热力分布差分特征矩阵聚合后通过第二卷积神经网络模型以得到热力分布时序变化特征向量，然后，将多个预定时间点的旋转工具的旋转速度值排列后通过多尺度邻域特征提取模块以得到速度时序特征向量，接着，计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计并进行特征区分度强化后通过分类器以得到用于表示当前时间点的旋转速度值应增大或应减小的分类结果。通过这样的方式，可以提升提高焊接质量。
示例性系统：图7为根据本申请实施例的搅拌摩擦焊接系统100的框图。如图7所示，根据本申请实施例的搅拌摩擦焊接系统100，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；第一卷积编码模块120，用于将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；差分计算模块130，用于计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；第二卷积编码模块140，用于将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；多尺度编码模块150，用于将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；响应性估计模块160，用于计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；特征区分度强化模块170，用于对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；和，分类结果生成模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述第一卷积编码模块120，进一步用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个热力分布特征矩阵。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述差分计算模块130，进一步用于：以如下差分公式计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到所述多个热力分布差分特征矩阵；其中，所述差分公式为：
其中，/>
和/>
表示所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵，/>
表示所述多个热力分布差分特征矩阵，/>
表示矩阵的按位置减法。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述第二卷积编码模块140，进一步用于：以所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出热力分布时序变化特征图；以及，对所述热力分布时序变化特征图的各个特征矩阵进行全局均值池化以得到所述热力分布时序变化特征向量。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述多尺度编码模块150，进一步用于：使用所述多尺度邻域特征提取模块的所述第一卷积层以如下第一卷积公式对所述速度输入向量进行一维卷积编码以得到第一尺度速度特征向量；其中，所述第一卷积公式为：
其中，/>
为第一一维卷积核在/>
方向上的宽度、/>
为第一一维卷积核参数向量、 />
为与第一一维卷积核函数运算的局部向量矩阵，/>
为第一一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的所述第二卷积层以如下第二卷积公式对所述速度输入向量进行一维卷积编码以得到第二尺度速度特征向量；其中，所述第二卷积公式为：/>
其中，/>
为第二一维卷积核在/>
方向上的宽度、/>
为第二一维卷积核参数向量、/>
为与第二一维卷积核函数运算的局部向量矩阵，/>
为第二一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述响应性估计模块160，进一步用于：构造所述热力分布时序变化特征向量和所述速度时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述特征区分度强化模块170，进一步用于：以如下强化公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵；其中，所述强化公式为：
其中，/>
是所述分类特征矩阵，/>
和/>
是预定超参数，/>
和/>
表示特征矩阵的按位置加法和减法，除法表示特征矩阵的每个位置除以相应值，且/>
表示通过单个卷积层的卷积操作，/>
是所述优化分类特征矩阵。
在一个示例中，在上述搅拌摩擦焊接系统100中，所述分类结果生成模块180，进一步用于：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述搅拌摩擦焊接系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的搅拌摩擦焊接方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的搅拌摩擦焊接系统100可以实现在各种无线终端中，例如具有搅拌摩擦焊接算法的服务器等。在一个示例中，根据本申请实施例的搅拌摩擦焊接系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该搅拌摩擦焊接系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该搅拌摩擦焊接系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该搅拌摩擦焊接系统100与该无线终端也可以是分立的设备，并且该搅拌摩擦焊接系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种搅拌摩擦焊接方法，其特征在于，包括：获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；和将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
2.根据权利要求1所述的搅拌摩擦焊接方法，其特征在于，所述将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述多个热力分布特征矩阵。
3.根据权利要求2所述的搅拌摩擦焊接方法，其特征在于，所述计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵，包括：以如下差分公式计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到所述多个热力分布差分特征矩阵；其中，所述差分公式为：
其中，
和/>
表示所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵，
表示所述多个热力分布差分特征矩阵，/>
表示矩阵的按位置减法。
4.根据权利要求3所述的搅拌摩擦焊接方法，其特征在于，所述将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量，包括：以所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出热力分布时序变化特征图；以及对所述热力分布时序变化特征图的各个特征矩阵进行全局均值池化以得到所述热力分布时序变化特征向量。
5.根据权利要求4所述的搅拌摩擦焊接方法，其特征在于，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
6.根据权利要求5所述的搅拌摩擦焊接方法，其特征在于，所述将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量，包括：使用所述多尺度邻域特征提取模块的所述第一卷积层以如下第一卷积公式对所述速度输入向量进行一维卷积编码以得到第一尺度速度特征向量；其中，所述第一卷积公式公式为：
其中，
为第一一维卷积核在/>
方向上的宽度，/>
为第一一维卷积核参数向量，
为与第一一维卷积核函数运算的局部向量矩阵，/>
为第一一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的所述第二卷积层以如下第二卷积公式对所述速度输入向量进行一维卷积编码以得到第二尺度速度特征向量；其中，所述第二卷积公式为：
其中，
为第二一维卷积核在/>
方向上的宽度，/>
为第二一维卷积核参数向量、
为与第二一维卷积核函数运算的局部向量矩阵，/>
为第二一维卷积核的尺寸，/>
表示所述速度输入向量，/>
表示对所述速度输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度速度特征向量和所述第二尺度速度特征向量进行级联以得到所述速度时序特征向量。
7.根据权利要求6所述的搅拌摩擦焊接方法，其特征在于，所述计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述热力分布时序变化特征向量和所述速度时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
8.根据权利要求7所述的搅拌摩擦焊接方法，其特征在于，所述对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵，包括：以如下强化公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵；其中，所述强化公式为：
其中，
是所述分类特征矩阵，/>
和/>
是预定超参数，/>
和/>
表示特征矩阵的按位置加法和减法，除法表示特征矩阵的每个位置除以相应值，且/>
表示通过单个卷积层的卷积操作，/>
是所述优化分类特征矩阵。
9.根据权利要求8所述的搅拌摩擦焊接方法，其特征在于，所述将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种搅拌摩擦焊接系统，其特征在于，包括：数据获取模块，用于获取预定时间段内多个预定时间点的旋转工具的旋转速度值和所述多个预定时间点的待焊接工件组的热力图；第一卷积编码模块，用于将所述多个预定时间点的待焊接工件组的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个热力分布特征矩阵；差分计算模块，用于计算所述多个热力分布特征矩阵中每相邻两个热力分布特征矩阵之间的差分以得到多个热力分布差分特征矩阵；第二卷积编码模块，用于将所述多个热力分布差分特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到热力分布时序变化特征向量；多尺度编码模块，用于将所述多个预定时间点的旋转工具的旋转速度值按照时间维度排列为速度输入向量后通过多尺度邻域特征提取模块以得到速度时序特征向量；响应性估计模块，用于计算所述热力分布时序变化特征向量相对于所述速度时序特征向量的响应性估计以得到分类特征矩阵；特征区分度强化模块，用于对所述分类特征矩阵进行特征区分度强化以得到优化分类特征矩阵；和分类结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的旋转速度值应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310200938.7A CN116140786B (zh) | 2023-03-06 | 2023-03-06 | 搅拌摩擦焊接方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310200938.7A CN116140786B (zh) | 2023-03-06 | 2023-03-06 | 搅拌摩擦焊接方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116140786A true CN116140786A (zh) | 2023-05-23 |
| CN116140786B CN116140786B (zh) | 2023-07-14 |
Family
ID=86360028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310200938.7A Active CN116140786B (zh) | 2023-03-06 | 2023-03-06 | 搅拌摩擦焊接方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116140786B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117067042A (zh) * | 2023-10-17 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种研磨机及其控制方法 |
| CN117134958A (zh) * | 2023-08-23 | 2023-11-28 | 台州市云谷信息技术有限公司 | 用于网络技术服务的信息处理方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100078462A1 (en) * | 2008-08-11 | 2010-04-01 | Sii Megadiamond, Inc. | Method for using modifiable tool control parameters to control the temperature of the tool during friction stir welding |
| WO2010050834A1 (en) * | 2008-11-03 | 2010-05-06 | Instituto De Soldadura E Qualidade | System and process for automatic determination of welding parameters for automated friction stir welding |
| US20110041982A1 (en) * | 2008-05-30 | 2011-02-24 | Vanderbilt University | Lateral position detection and contorl for friction stir systems |
| US20180250763A1 (en) * | 2017-03-03 | 2018-09-06 | Kabushiki Kaisha Yaskawa Denki | Arc welding system and arc weld determination device |
| CN110008554A (zh) * | 2019-03-27 | 2019-07-12 | 哈尔滨工业大学 | 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法 |
| CN110640300A (zh) * | 2019-10-12 | 2020-01-03 | 沈阳航空航天大学 | 一种用于搅拌摩擦焊的在线参数调控系统及控制方法 |
| CN111250862A (zh) * | 2020-03-23 | 2020-06-09 | 吉林大学 | 一种搅拌摩擦焊夹具及温度场反馈控制方法 |
| WO2020189235A1 (ja) * | 2019-03-20 | 2020-09-24 | 国立大学法人大阪大学 | 学習済みモデル、制御装置、摩擦攪拌接合システム、ニューラルネットワークシステム、及び学習済みモデルの生成方法 |
| JP2021159969A (ja) * | 2020-04-01 | 2021-10-11 | 株式会社ダイヘン | 溶接条件調整装置 |
| CN113920060A (zh) * | 2021-09-09 | 2022-01-11 | 中国科学院自动化研究所 | 焊接机器人自主作业方法、装置、电子设备及存储介质 |
| CN114654073A (zh) * | 2022-05-05 | 2022-06-24 | 北京知信浩宇科技有限公司 | 基于搅拌摩擦焊温度场温度梯度焊缝跟踪装置及方法 |
| CN114888426A (zh) * | 2022-06-02 | 2022-08-12 | 大连理工大学 | 考虑焊接温度和顶端力的fsw抗拉强度智能预测方法 |
| US20220324060A1 (en) * | 2021-04-12 | 2022-10-13 | Branson Ultrasonics Corporation | Using Analytics And Algorithms To Predict Weld Quality |
| CN115338529A (zh) * | 2022-08-04 | 2022-11-15 | 北京九天行歌航天科技有限公司 | 一种基于作用力场的搅拌摩擦焊缝跟踪装置及方法 |
| CN115393779A (zh) * | 2022-10-31 | 2022-11-25 | 济宁九德半导体科技有限公司 | 用于激光熔覆金属球制造的控制系统及其控制方法 |
| CN115457252A (zh) * | 2022-09-16 | 2022-12-09 | 太保科技有限公司 | 一种焊接关键点的定位方法及装置 |
| CN115592324A (zh) * | 2022-12-08 | 2023-01-13 | 唐山雄炜机器人有限公司（Cn） | 基于人工智能的自动焊接机器人控制系统 |
-
2023
- 2023-03-06 CN CN202310200938.7A patent/CN116140786B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110041982A1 (en) * | 2008-05-30 | 2011-02-24 | Vanderbilt University | Lateral position detection and contorl for friction stir systems |
| US20100078462A1 (en) * | 2008-08-11 | 2010-04-01 | Sii Megadiamond, Inc. | Method for using modifiable tool control parameters to control the temperature of the tool during friction stir welding |
| WO2010050834A1 (en) * | 2008-11-03 | 2010-05-06 | Instituto De Soldadura E Qualidade | System and process for automatic determination of welding parameters for automated friction stir welding |
| US20180250763A1 (en) * | 2017-03-03 | 2018-09-06 | Kabushiki Kaisha Yaskawa Denki | Arc welding system and arc weld determination device |
| WO2020189235A1 (ja) * | 2019-03-20 | 2020-09-24 | 国立大学法人大阪大学 | 学習済みモデル、制御装置、摩擦攪拌接合システム、ニューラルネットワークシステム、及び学習済みモデルの生成方法 |
| CN110008554A (zh) * | 2019-03-27 | 2019-07-12 | 哈尔滨工业大学 | 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法 |
| CN110640300A (zh) * | 2019-10-12 | 2020-01-03 | 沈阳航空航天大学 | 一种用于搅拌摩擦焊的在线参数调控系统及控制方法 |
| CN111250862A (zh) * | 2020-03-23 | 2020-06-09 | 吉林大学 | 一种搅拌摩擦焊夹具及温度场反馈控制方法 |
| JP2021159969A (ja) * | 2020-04-01 | 2021-10-11 | 株式会社ダイヘン | 溶接条件調整装置 |
| US20220324060A1 (en) * | 2021-04-12 | 2022-10-13 | Branson Ultrasonics Corporation | Using Analytics And Algorithms To Predict Weld Quality |
| CN113920060A (zh) * | 2021-09-09 | 2022-01-11 | 中国科学院自动化研究所 | 焊接机器人自主作业方法、装置、电子设备及存储介质 |
| CN114654073A (zh) * | 2022-05-05 | 2022-06-24 | 北京知信浩宇科技有限公司 | 基于搅拌摩擦焊温度场温度梯度焊缝跟踪装置及方法 |
| CN114888426A (zh) * | 2022-06-02 | 2022-08-12 | 大连理工大学 | 考虑焊接温度和顶端力的fsw抗拉强度智能预测方法 |
| CN115338529A (zh) * | 2022-08-04 | 2022-11-15 | 北京九天行歌航天科技有限公司 | 一种基于作用力场的搅拌摩擦焊缝跟踪装置及方法 |
| CN115457252A (zh) * | 2022-09-16 | 2022-12-09 | 太保科技有限公司 | 一种焊接关键点的定位方法及装置 |
| CN115393779A (zh) * | 2022-10-31 | 2022-11-25 | 济宁九德半导体科技有限公司 | 用于激光熔覆金属球制造的控制系统及其控制方法 |
| CN115592324A (zh) * | 2022-12-08 | 2023-01-13 | 唐山雄炜机器人有限公司（Cn） | 基于人工智能的自动焊接机器人控制系统 |
Non-Patent Citations (1)
| Title |
|---|
| 俞鸿斌等: "基于神经网络焊接数值模拟研究及工艺参数优化", 成组技术与生产现代化, no. 01, pages 53 - 58 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117134958A (zh) * | 2023-08-23 | 2023-11-28 | 台州市云谷信息技术有限公司 | 用于网络技术服务的信息处理方法及系统 |
| CN117067042A (zh) * | 2023-10-17 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种研磨机及其控制方法 |
| CN117067042B (zh) * | 2023-10-17 | 2024-01-30 | 杭州泓芯微半导体有限公司 | 一种研磨机及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116140786B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116140786B (zh) | 搅拌摩擦焊接方法及其系统 | |
| Raj et al. | Modeling of manufacturing processes with ANNs for intelligent manufacturing | |
| CN110186570B (zh) | 一种增材制造激光3d打印温度梯度检测方法 | |
| CN112329860B (zh) | 混合型深度学习视觉检测方法、装置、设备及存储介质 | |
| Kumar et al. | ANN-AGCS for the prediction of temperature distribution and required energy in hot forging process using finite element analysis | |
| CN115393779B (zh) | 用于激光熔覆金属球制造的控制系统及其控制方法 | |
| CN115951584A (zh) | 用于滚筒杀青机的温度控制系统及方法 | |
| CN116048031B (zh) | 用于石油助剂生产的控制系统及其方法 | |
| CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
| Zhang et al. | A similarity-based burst bubble recognition using weighted normalized cross correlation and chamfer distance | |
| CN115586757A (zh) | 机械设备的智能控制系统及其方法 | |
| Chen et al. | Convolutional neural network analysis of recurrence plots for anomaly detection | |
| CN115375737B (zh) | 基于自适应时间与序列化时空特征的目标跟踪方法与系统 | |
| CN116486224A (zh) | 一种基于改进U-Net的换热器管口图像识别算法 | |
| CN116872089A (zh) | 数控磨床的磨削自适应控制系统及其方法 | |
| CN114871486A (zh) | 龙门刨床及其加工控制方法 | |
| CN114626476A (zh) | 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置 | |
| CN115990983A (zh) | 一种可调节式加工模具及其方法 | |
| Guo et al. | A deep-learning-based surrogate model for thermal signature prediction in laser metal deposition | |
| CN107610062A (zh) | 基于bp神经网络的图像几何畸变的快速识别与校正方法 | |
| EP3905130B1 (en) | Computer-implemented method for 3d localization of an object based on image data and depth data | |
| CN115690811A (zh) | 一种基于深度学习的点阵字符识别方法 | |
| Rolfe et al. | Geometric shape errors in forging: developing a metric and an inverse model | |
| CN112097673B (zh) | 车身部件虚拟匹配方法和系统 | |
| Saiz et al. | Synthetic Data Set Generation for the Evaluation of Image Acquisition Strategies Applied to Deep Learning Based Industrial Component Inspection Systems. |
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 |