CN117600702B - 基于人工智能的铝焊生产线监管方法及系统 - Google Patents
基于人工智能的铝焊生产线监管方法及系统 Download PDFInfo
- Publication number
- CN117600702B CN117600702B CN202410090631.0A CN202410090631A CN117600702B CN 117600702 B CN117600702 B CN 117600702B CN 202410090631 A CN202410090631 A CN 202410090631A CN 117600702 B CN117600702 B CN 117600702B
- Authority
- CN
- China
- Prior art keywords
- welding
- data
- window
- production line
- aluminum
- 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.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 278
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 89
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000035515 penetration Effects 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000006872 improvement Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000004411 aluminium Substances 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于人工智能的铝焊生产线监管方法及系统,方法包括数据监控、数据预处理、焊接特征工程、焊缝熔深预测和铝焊生产线监管报告生成。本发明属于铝焊生产技术领域,具体是指基于人工智能的铝焊生产线监管方法及系统,本方案采用局部二值模式算法,在局部范围进行特征提取,有助于减少对全局信息的敏感度,有效抵抗图像中的干扰和噪音,有助于提升铝焊生产线监管系统的准确性和有效性;采用基于模型无关元学习的焊缝熔深预测,结合焊接图像和焊接数据进行预测,提高了模型对焊接过程的理解,对少样本具有更好的学习能力,减少了对大量数据的依赖,在面对复杂多变的焊接条件时,具有更强的自适应能力,增强了模型的鲁棒性。
Description
技术领域
本发明属于铝焊生产技术领域,具体是指基于人工智能的铝焊生产线监管方法及系统。
背景技术
铝焊生产线监管通过人工智能技术监控生产线上的各项参数,能够快速识别潜在问题,及时作出调整,降低次品率和能源消耗,从而提高生产效率、保障产品质量、降低成本和增强生产过程的安全性,推动工业生产的智能化发展。但在现有的铝焊生产线监管过程中,存在复杂的高温烟尘环境,导致红外热图像夹杂大量干扰信息和背景噪音,对铝焊生产线监管系统的准确性产生不良影响的技术问题;存在焊缝熔深容易受到焊接条件变化的影响,对模型鲁棒性要求较高,缺少一种能够快速适应新焊接条件的预测方法的技术问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于人工智能的铝焊生产线监管方法及系统,针对在铝焊生产线监管过程中,存在复杂的高温烟尘环境,导致红外热图像夹杂大量干扰信息和背景噪音,对铝焊生产线监管系统的准确性产生不良影响的技术问题,本方案采用局部二值模式算法,能够在局部范围进行特征提取,有助于减少对全局信息的敏感度,有效抵抗图像中的干扰和噪音,从而更好地适应复杂的生产环境,有助于提升铝焊生产线监管系统的准确性和有效性;针对在铝焊生产线监管过程中,存在焊缝熔深容易受到焊接条件变化的影响,对模型鲁棒性要求较高,缺少一种能够快速适应新焊接条件的预测方法的技术问题,本方案采用基于模型无关元学习的焊缝熔深预测,结合了焊接图像和焊接数据进行预测,促进了模型对焊接过程的理解,对少样本具有更好的学习能力,减少了对大量数据的依赖,在面对复杂多变的焊接条件时,具有更强的自适应能力和灵活性,增强了模型的鲁棒性。
本发明采取的技术方案如下:本发明提供的基于人工智能的铝焊生产线监管方法,该方法包括以下步骤:
步骤S1:数据监控,具体为通过数据监控从铝焊生产线获取不同焊接任务的铝焊生产数据和焊缝熔深数据,将所述焊缝熔深数据作为模型标签;
步骤S2:数据预处理;
步骤S3:焊接特征工程,具体为采用局部二值模式算法对焊接标准图像进行特征提取,计算得到焊接图特征向量;
步骤S4:焊缝熔深预测;
步骤S5:铝焊生产线监管报告生成。
进一步地,在步骤S1中,所述铝焊生产数据包括焊接图像和焊接数据,焊接图像具体为通过红外热像仪测量得到的红外热成像图,所述焊接数据具体为从铝焊生产线采集的焊接过程信号。
进一步地,在步骤S2中,所述数据预处理,包括以下步骤:
步骤S21:焊接图像预处理,具体为通过对焊接图像进行图像增强和归一化操作,得到焊接标准图像;
步骤S22:焊接数据预处理,具体为通过对焊接数据进行下采样和小波变换操作,得到焊接频谱特征。
进一步地,在步骤S3中,所述焊接特征工程,具体为采用局部二值模式算法对焊接标准图像进行特征提取,包括以下步骤:
步骤S31:将焊接标准图像划分为不重叠的窗口,得到N个子窗口;
步骤S32:从N个子窗口中选择一个子窗口作为当前子窗口;
步骤S33:计算当前子窗口的像素强度标准差,计算公式为:
;
式中,sdz是当前子窗口的像素强度标准差,m是当前子窗口的像素数量,j是当前子窗口的像素索引,Gij是当前子窗口中第j个像素的灰度强度值,Gg是当前子窗口的平均灰度强度;
步骤S34:依据红外热像仪的温度误差,调整符号函数,得到符号改进函数,所述符号改进函数的计算公式为:
;
式中,S(·)是符号改进函数,y是符号改进函数的参数,err是红外热像仪的温度误差;
步骤S35:定义局部二值模式计算函数,计算公式为:
;
式中,LBP(·)是局部二值计算函数,au是当前子窗口中心像素的横坐标,bu是当前子窗口中心像素的纵坐标,i是相邻像素索引,所述相邻像素用于表示与当前子窗口中心像素邻近的像素,gi是相邻像素值,gu是当前子窗口中心像素值;
步骤S36:通过局部二值模式计算函数,计算当前子窗口中每个像素的局部二值特征,得到当前子窗口局部二值特征;
步骤S37:依据当前子窗口的像素强度标准差和符号改进函数,修正当前子窗口局部二值特征,得到当前子窗口的修正特征,计算公式为:
;
式中,是当前子窗口的修正特征,LBPz是当前子窗口局部二值特征,sdz是当前子窗口的像素强度标准差,N是子窗口的数量,r是子窗口索引,sdr是第r个子窗口的像素强度标准差;
步骤S38:重复步骤S32及其后续步骤操作,计算得到每个子窗口的修正特征;
步骤S39:将每个子窗口的修正特征拼接起来,并进行主成分分析,得到焊接图特征向量。
进一步地,在步骤S4中,所述焊缝熔深预测,用于依据焊接频谱特征和焊接图特征向量进行焊缝熔深预测,具体为基于模型无关元学习的焊缝熔深预测,包括以下步骤:
步骤S41:将多层感知器作为模型的内部学习器,元模型作为模型的外部学习器,获取焊接频谱特征和焊接图特征向量作为模型的输入数据;
步骤S42:将每个焊接任务视为一个独立的任务,并将来自不同任务的输入数据视为不同的领域;
步骤S43:通过内循环和外循环进行元训练,得到最优元知识,包括以下步骤:
步骤S431:在每个焊接任务的输入数据中,通过随机选择得到相应的支持集和查询集;
步骤S432:初始化内部学习器参数和外部学习器参数,将外部学习器参数作为元知识;
步骤S433:设计内循环训练,包括以下步骤:
步骤S4331:使用支持集计算任务损失函数,计算公式为:
;
式中,w是焊接任务索引,是任务损失函数,所述任务损失函数用于表示第w个焊接任务的损失函数,qv是第w个焊接任务的支持集数据,pv是支持集真实标签,所述支持集真实标签用于表示第w个焊接任务的支持集数据对应的模型标签,/>是第w个焊接任务的支持集,loss(·)是交叉熵损失函数,/>是支持集预测标签,所述支持集预测标签用于表示第w个焊接任务的支持集数据对应的预测标签;
步骤S4332:通过梯度下降对内部学习器参数进行更新,计算公式为:
;
式中,是针对第w个焊接任务更新后的内部学习器参数,α是内部学习器参数,β是内循环学习率,γ是元知识,所述元知识具体指外部学习器参数,/>是任务损失函数关于内部学习器参数的梯度;
步骤S434:设计外循环训练,用于更新元知识,包括以下步骤:
步骤S4341:使用查询集计算元损失函数,计算公式为:
;
式中,是元损失函数,所述元损失函数用于表示第w个焊接任务的元损失函数,qh是第w个焊接任务的查询集数据,ph是查询集真实标签,所述查询集真实标签用于表示第w个焊接任务的查询集数据对应的模型标签,/>是第w个焊接任务的查询集,/>是查询集预测标签,所述查询集预测标签用于表示第w个焊接任务的查询集数据对应的预测标签;
步骤S4342:通过梯度下降对元知识进行更新,具体为在查询集上计算元损失函数的梯度,通过反向传播方法更新元知识,计算公式为:
;
式中,γnew是更新后的元知识,M是焊接任务数量,μ是元学习率,是元损失函数关于元知识的梯度;
步骤S44:依据最优元知识初始化内部学习器,并通过元测试对内部学习器进行优化更新,得到焊缝熔深预测模型,所述焊缝熔深预测模型具体为优化更新后的内部学习器;
步骤S45:采用焊缝熔深预测模型进行预测,得到焊缝熔深预测数据。
进一步地,在步骤S5中,所述铝焊生产线监管报告生成,具体为将焊缝熔深预测数据与设定阈值进行比较,如果焊缝熔深预测数据偏离设定阈值,则进行预警反馈,并生成铝焊生产线监管报告。
本发明提供的基于人工智能的铝焊生产线监管系统,包括:数据监控模块、数据预处理模块、焊接特征工程模块、焊缝熔深预测模块和铝焊生产线监管报告生成模块;
所述数据监控模块,用于获取数据,具体为通过数据监控从铝焊生产线获取数据,得到铝焊生产数据和焊缝熔深数据,并将所述铝焊生产数据发送至数据预处理模块,将所述焊缝熔深数据发送至焊缝熔深预测模块;
所述数据预处理模块,用于数据预处理,具体为通过对铝焊生产数据进行预处理,得到焊接标准图像和焊接频谱特征,并将所述焊接标准图像发送至焊接特征工程模块,将所述焊接频谱特征发送至焊缝熔深预测模块;
所述焊接特征工程模块,用于特征提取,具体为采用局部二值模式算法对焊接标准图像进行特征提取,得到焊接图特征向量,并将所述焊接图特征向量发送至焊缝熔深预测模块;
所述焊缝熔深预测模块,用于焊缝熔深预测,具体为依据焊接频谱特征和焊接图特征向量,采用模型无关元学习进行焊缝熔深预测,得到焊缝熔深预测数据,并将所述焊缝熔深预测数据发送至铝焊生产线监管报告生成模块;
所述铝焊生产线监管报告生成模块,用于铝焊生产线监管报告生成,具体为将焊缝熔深预测数据与设定阈值进行比较,如果焊缝熔深预测数据偏离设定阈值,则进行预警反馈,并生成铝焊生产线监管报告。
采用上述方案本发明取得的有益效果如下:
(1)针对在铝焊生产线监管过程中,存在复杂的高温烟尘环境,导致红外热图像夹杂大量干扰信息和背景噪音,对铝焊生产线监管系统的准确性产生不良影响的技术问题,本方案采用局部二值模式算法,能够在局部范围进行特征提取,有助于减少对全局信息的敏感度,有效抵抗图像中的干扰和噪音,从而更好地适应复杂的生产环境,有助于提升铝焊生产线监管系统的准确性和有效性。
(2)针对在铝焊生产线监管过程中,存在焊缝熔深容易受到焊接条件变化的影响,对模型鲁棒性要求较高,缺少一种能够快速适应新焊接条件的预测方法的技术问题,本方案采用基于模型无关元学习的焊缝熔深预测,结合了焊接图像和焊接数据进行预测,促进了模型对焊接过程的理解,对少样本具有更好的学习能力,减少了对大量数据的依赖,在面对复杂多变的焊接条件时,具有更强的自适应能力和灵活性,增强了模型的鲁棒性。
附图说明
图1为本发明提供的基于人工智能的铝焊生产线监管方法的流程示意图;
图2为本发明提供的基于人工智能的铝焊生产线监管系统的示意图;
图3为步骤S2的流程示意图;
图4为步骤S3的流程示意图;
图5为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的基于人工智能的铝焊生产线监管方法,该方法包括以下步骤:
步骤S1:数据监控,具体为通过传感器进行数据监控,从铝焊生产线获取不同焊接任务的铝焊生产数据和焊缝熔深数据,将所述焊缝熔深数据作为模型标签;
步骤S2:数据预处理;
步骤S3:焊接特征工程,具体为采用局部二值模式算法对焊接标准图像进行特征提取,计算得到焊接图特征向量;
步骤S4:焊缝熔深预测;
步骤S5:铝焊生产线监管报告生成。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,所述传感器包括红外热像仪、声发射器、线性差动变压器、功率计和麦克风,所述麦克风安装在焊接区域附近,所述铝焊生产数据包括焊接图像和焊接数据,焊接图像具体为通过红外热像仪测量得到的红外热成像图,所述焊接数据具体为通过声发射器、线性可变差变压器、功率表和麦克风从铝焊生产线采集的焊接过程信号,信号采样频率为250kHz。
实施例三,参阅图1和图3,该实施例基于上述实施例,在步骤S2中,所述数据预处理,包括以下步骤:
步骤S21:焊接图像预处理,具体为通过对焊接图像进行图像增强和归一化操作,得到焊接标准图像;
步骤S22:焊接数据预处理,具体为通过对焊接数据进行下采样和小波变换操作,得到焊接频谱特征。
实施例四,参阅图1和图4,该实施例基于上述实施例,在步骤S3中,所述焊接特征工程,具体为采用局部二值模式算法对焊接标准图像进行特征提取,包括以下步骤:
步骤S31:将焊接标准图像划分为不重叠的窗口,得到N个子窗口;
步骤S32:从N个子窗口中选择一个子窗口作为当前子窗口;
步骤S33:算当前子窗口的像素强度标准差,计算公式为:
;
式中,sdz是当前子窗口的像素强度标准差,m是当前子窗口的像素数量,j是当前子窗口的像素索引,Gij是当前子窗口中第j个像素的灰度强度值,Gg是当前子窗口的平均灰度强度;
步骤S34:依据红外热像仪的温度误差,调整符号函数,得到符号改进函数,所述符号改进函数的计算公式为:
;
式中,S(·)是符号改进函数,y是符号改进函数的参数,err是红外热像仪的温度误差;
步骤S35:定义局部二值模式计算函数,计算公式为:
;
式中,LBP(·)是局部二值计算函数,au是当前子窗口中心像素的横坐标,bu是当前子窗口中心像素的纵坐标,i是相邻像素索引,所述相邻像素用于表示与当前子窗口中心像素邻近的像素,gi是相邻像素值,gu是当前子窗口中心像素值;
步骤S36:通过局部二值模式计算函数,计算当前子窗口中每个像素的局部二值特征,得到当前子窗口局部二值特征;
步骤S37:依据当前子窗口的像素强度标准差和符号改进函数,修正当前子窗口局部二值特征,得到当前子窗口的修正特征,计算公式为:
;
式中,是当前子窗口的修正特征,LBPz是当前子窗口局部二值特征,sdz是当前子窗口的像素强度标准差,N是子窗口的数量,r是子窗口索引,sdr是第r个子窗口的像素强度标准差;
步骤S38:重复步骤S32及其后续步骤操作,计算得到每个子窗口的修正特征;
步骤S39:将每个子窗口的修正特征拼接起来,并进行主成分分析,得到焊接图特征向量;
通过执行上述操作,针对在铝焊生产线监管过程中,存在复杂的高温烟尘环境,导致红外热图像夹杂大量干扰信息和背景噪音,对铝焊生产线监管系统的准确性产生不良影响的技术问题,本方案采用局部二值模式算法,能够在局部范围进行特征提取,有助于减少对全局信息的敏感度,有效抵抗图像中的干扰和噪音,从而更好地适应复杂的生产环境,有助于提升铝焊生产线监管系统的准确性和有效性。
实施例五,参阅图1和图5,该实施例基于上述实施例,在步骤S4中,所述焊缝熔深预测,用于依据焊接频谱特征和焊接图特征向量进行焊缝熔深预测,具体为基于模型无关元学习的焊缝熔深预测,包括以下步骤:
步骤S41:将多层感知器作为模型的内部学习器,元模型作为模型的外部学习器,获取焊接频谱特征和焊接图特征向量作为模型的输入数据;
步骤S42:将每个焊接任务视为一个独立的任务,并将来自不同任务的输入数据视为不同的领域;
步骤S43:通过内循环和外循环进行元训练,得到最优元知识,包括以下步骤:
步骤S431:在每个焊接任务的输入数据中,通过随机选择得到相应的支持集和查询集;
步骤S432:初始化内部学习器参数和外部学习器参数,将外部学习器参数作为元知识;
步骤S433:设计内循环训练,包括以下步骤:
步骤S4331:使用支持集计算任务损失函数,计算公式为:
;
式中,w是焊接任务索引,是任务损失函数,所述任务损失函数用于表示第w个焊接任务的损失函数,qv是第w个焊接任务的支持集数据,pv是支持集真实标签,所述支持集真实标签用于表示第w个焊接任务的支持集数据对应的模型标签,/>是第w个焊接任务的支持集,loss(·)是交叉熵损失函数,/>是支持集预测标签,所述支持集预测标签用于表示第w个焊接任务的支持集数据对应的预测标签;
步骤S4332:通过梯度下降对内部学习器参数进行更新,计算公式为:
;
式中,是针对第w个焊接任务更新后的内部学习器参数,α是内部学习器参数,β是内循环学习率,γ是元知识,所述元知识具体指外部学习器参数,/>是任务损失函数关于内部学习器参数的梯度;
步骤S434:设计外循环训练,用于更新元知识,包括以下步骤:
步骤S4341:使用查询集计算元损失函数,计算公式为:
;
式中,是元损失函数,所述元损失函数用于表示第w个焊接任务的元损失函数,qh是第w个焊接任务的查询集数据,ph是查询集真实标签,所述查询集真实标签用于表示第w个焊接任务的查询集数据对应的模型标签,/>是第w个焊接任务的查询集,/>是查询集预测标签,所述查询集预测标签用于表示第w个焊接任务的查询集数据对应的预测标签;
步骤S4342:通过梯度下降对元知识进行更新,具体为在查询集上计算元损失函数的梯度,通过反向传播方法更新元知识,计算公式为:
;
式中,γnew是更新后的元知识,M是焊接任务数量,μ是元学习率,是元损失函数关于元知识的梯度;
步骤S44:依据最优元知识初始化内部学习器,并通过元测试对内部学习器进行优化更新,得到焊缝熔深预测模型,所述焊缝熔深预测模型具体为优化更新后的内部学习器;
步骤S45:采用焊缝熔深预测模型进行预测,得到焊缝熔深预测数据;
通过执行上述操作,针对在铝焊生产线监管过程中,存在焊缝熔深容易受到焊接条件变化的影响,对模型鲁棒性要求较高,缺少一种能够快速适应新焊接条件的预测方法的技术问题,本方案采用基于模型无关元学习的焊缝熔深预测,结合了焊接图像和焊接数据进行预测,促进了模型对焊接过程的理解,对少样本具有更好的学习能力,减少了对大量数据的依赖,在面对复杂多变的焊接条件时,具有更强的自适应能力和灵活性,增强了模型的鲁棒性。
实施例六,参阅图1,该实施例基于上述实施例,在在步骤S5中,所述铝焊生产线监管报告生成,具体为将焊缝熔深预测数据与设定阈值进行比较,如果焊缝熔深预测数据偏离设定阈值,则进行预警反馈,并生成铝焊生产线监管报告。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的基于人工智能的铝焊生产线监管系统,包括:数据监控模块、数据预处理模块、焊接特征工程模块、焊缝熔深预测模块和铝焊生产线监管报告生成模块;
所述数据监控模块,用于获取数据,具体为通过传感器进行数据监控,从铝焊生产线获取数据,得到铝焊生产数据和焊缝熔深数据,并将所述铝焊生产数据发送至数据预处理模块,将所述焊缝熔深数据发送至焊缝熔深预测模块;
所述数据预处理模块,用于数据预处理,具体为通过对铝焊生产数据进行预处理,得到焊接标准图像和焊接频谱特征,并将所述焊接标准图像发送至焊接特征工程模块,将所述焊接频谱特征发送至焊缝熔深预测模块;
所述焊接特征工程模块,用于特征提取,具体为采用局部二值模式算法对焊接标准图像进行特征提取,得到焊接图特征向量,并将所述焊接图特征向量发送至焊缝熔深预测模块;
所述焊缝熔深预测模块,用于焊缝熔深预测,具体为依据焊接频谱特征和焊接图特征向量,采用模型无关元学习进行焊缝熔深预测,得到焊缝熔深预测数据,并将所述焊缝熔深预测数据发送至铝焊生产线监管报告生成模块;
所述铝焊生产线监管报告生成模块,用于铝焊生产线监管报告生成,具体为将焊缝熔深预测数据与设定阈值进行比较,如果焊缝熔深预测数据偏离设定阈值,则进行预警反馈,并生成铝焊生产线监管报告。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (7)
1.基于人工智能的铝焊生产线监管方法,其特征在于:该方法包括以下步骤:
步骤S1:数据监控,具体为通过数据监控从铝焊生产线获取不同焊接任务的铝焊生产数据和焊缝熔深数据,将所述焊缝熔深数据作为模型标签;
步骤S2:数据预处理;
步骤S3:焊接特征工程,具体为采用局部二值模式算法对焊接标准图像进行特征提取,计算得到焊接图特征向量;
步骤S4:焊缝熔深预测;
步骤S5:铝焊生产线监管报告生成;
在步骤S3中,所述焊接特征工程,包括以下步骤:
步骤S31:将焊接标准图像划分为不重叠的窗口,得到N个子窗口;
步骤S32:从N个子窗口中选择一个子窗口作为当前子窗口;
步骤S33:算当前子窗口的像素强度标准差,计算公式为:
;
式中,sdz是当前子窗口的像素强度标准差,m是当前子窗口的像素数量,j是当前子窗口的像素索引,Gij是当前子窗口中第j个像素的灰度强度值,Gg是当前子窗口的平均灰度强度;
步骤S34:依据红外热像仪的温度误差,调整符号函数,得到符号改进函数,所述符号改进函数的计算公式为:
;
式中,S(·)是符号改进函数,y是符号改进函数的参数,err是红外热像仪的温度误差;
步骤S35:定义局部二值模式计算函数,计算公式为:
;
式中,LBP(·)是局部二值计算函数,au是当前子窗口中心像素的横坐标,bu是当前子窗口中心像素的纵坐标,i是相邻像素索引,所述相邻像素用于表示与当前子窗口中心像素邻近的像素,gi是相邻像素值,gu是当前子窗口中心像素值;
步骤S36:通过局部二值模式计算函数,计算当前子窗口中每个像素的局部二值特征,得到当前子窗口局部二值特征;
步骤S37:依据当前子窗口的像素强度标准差和符号改进函数,修正当前子窗口局部二值特征,得到当前子窗口的修正特征,计算公式为:
;
式中,是当前子窗口的修正特征,LBPz是当前子窗口局部二值特征,sdz是当前子窗口的像素强度标准差,N是子窗口的数量,r是子窗口索引,sdr是第r个子窗口的像素强度标准差;
步骤S38:重复步骤S32及其后续步骤操作,计算得到每个子窗口的修正特征;
步骤S39:将每个子窗口的修正特征拼接起来,并进行主成分分析,得到焊接图特征向量;
在步骤S4中,所述焊缝熔深预测,用于依据焊接频谱特征和焊接图特征向量进行焊缝熔深预测,具体为基于模型无关元学习的焊缝熔深预测,包括以下步骤:
步骤S41:将多层感知器作为模型的内部学习器,元模型作为模型的外部学习器,获取焊接频谱特征和焊接图特征向量作为模型的输入数据;
步骤S42:将每个焊接任务视为一个独立的任务,并将来自不同任务的输入数据视为不同的领域;
步骤S43:通过内循环和外循环进行元训练,得到最优元知识;
步骤S44:依据最优元知识初始化内部学习器,并通过元测试对内部学习器进行优化更新,得到焊缝熔深预测模型,所述焊缝熔深预测模型具体为优化更新后的内部学习器;
步骤S45:采用焊缝熔深预测模型进行预测,得到焊缝熔深预测数据。
2.根据权利要求1所述的基于人工智能的铝焊生产线监管方法,其特征在于:在步骤S43中,所述通过内循环和外循环进行元训练,得到最优元知识,包括以下步骤:
步骤S431:在每个焊接任务的输入数据中,通过随机选择得到相应的支持集和查询集;
步骤S432:初始化内部学习器参数和外部学习器参数,将外部学习器参数作为元知识;
步骤S433:设计内循环训练,包括以下步骤:
步骤S4331:使用支持集计算任务损失函数,计算公式为:
;
式中,w是焊接任务索引,是任务损失函数,所述任务损失函数用于表示第w个焊接任务的损失函数,qv是第w个焊接任务的支持集数据,pv是支持集真实标签,所述支持集真实标签用于表示第w个焊接任务的支持集数据对应的模型标签,/>是第w个焊接任务的支持集,loss(·)是交叉熵损失函数,/>是支持集预测标签,所述支持集预测标签用于表示第w个焊接任务的支持集数据对应的预测标签;
步骤S4332:通过梯度下降对内部学习器参数进行更新,计算公式为:
;
式中,是针对第w个焊接任务更新后的内部学习器参数,α是内部学习器参数,β是内循环学习率,γ是元知识,所述元知识具体指外部学习器参数,/>是任务损失函数关于内部学习器参数的梯度;
步骤S434:设计外循环训练,包括以下步骤:
步骤S4341:使用查询集计算元损失函数,计算公式为:
;
式中,是元损失函数,所述元损失函数用于表示第w个焊接任务的元损失函数,qh是第w个焊接任务的查询集数据,ph是查询集真实标签,所述查询集真实标签用于表示第w个焊接任务的查询集数据对应的模型标签,/>是第w个焊接任务的查询集,/>是查询集预测标签,所述查询集预测标签用于表示第w个焊接任务的查询集数据对应的预测标签;
步骤S4342:通过梯度下降对元知识进行更新,具体为在查询集上计算元损失函数的梯度,通过反向传播方法更新元知识,计算公式为:
;
式中,γnew是更新后的元知识,M是焊接任务数量,μ是元学习率,是元损失函数关于元知识的梯度。
3.根据权利要求1所述的基于人工智能的铝焊生产线监管方法,其特征在于:在步骤S2中,所述数据预处理,包括以下步骤:
步骤S21:焊接图像预处理,具体为通过对焊接图像进行图像增强和归一化操作,得到焊接标准图像;
步骤S22:焊接数据预处理,具体为通过对焊接数据进行下采样和小波变换操作,得到焊接频谱特征。
4.根据权利要求1所述的基于人工智能的铝焊生产线监管方法,其特征在于:在步骤S1中,所述铝焊生产数据包括焊接图像和焊接数据,焊接图像具体为通过红外热像仪测量得到的红外热成像图,所述焊接数据具体为从铝焊生产线采集的焊接过程信号。
5.根据权利要求1所述的基于人工智能的铝焊生产线监管方法,其特征在于:在步骤S5中,所述铝焊生产线监管报告生成,具体为将焊缝熔深预测数据与设定阈值进行比较,如果焊缝熔深预测数据偏离设定阈值,则进行预警反馈,并生成铝焊生产线监管报告。
6.基于人工智能的铝焊生产线监管系统,用于实现如权利要求1-5中任一项所述的基于人工智能的铝焊生产线监管方法,其特征在于:包括数据监控模块、数据预处理模块、焊接特征工程模块、焊缝熔深预测模块和铝焊生产线监管报告生成模块。
7.根据权利要求6所述的基于人工智能的铝焊生产线监管系统,其特征在于:所述数据监控模块,用于获取数据,具体为通过数据监控从铝焊生产线获取数据,得到铝焊生产数据和焊缝熔深数据,并将所述铝焊生产数据发送至数据预处理模块,将所述焊缝熔深数据发送至焊缝熔深预测模块;
所述数据预处理模块,用于数据预处理,具体为通过对铝焊生产数据进行预处理,得到焊接标准图像和焊接频谱特征,并将所述焊接标准图像发送至焊接特征工程模块,将所述焊接频谱特征发送至焊缝熔深预测模块;
所述焊接特征工程模块,用于特征提取,具体为采用局部二值模式算法对焊接标准图像进行特征提取,得到焊接图特征向量,并将所述焊接图特征向量发送至焊缝熔深预测模块;
所述焊缝熔深预测模块,用于焊缝熔深预测,具体为依据焊接频谱特征和焊接图特征向量,采用模型无关元学习进行焊缝熔深预测,得到焊缝熔深预测数据,并将所述焊缝熔深预测数据发送至铝焊生产线监管报告生成模块;
所述铝焊生产线监管报告生成模块,用于铝焊生产线监管报告生成,具体为将焊缝熔深预测数据与设定阈值进行比较,如果焊缝熔深预测数据偏离设定阈值,则进行预警反馈,并生成铝焊生产线监管报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090631.0A CN117600702B (zh) | 2024-01-23 | 2024-01-23 | 基于人工智能的铝焊生产线监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410090631.0A CN117600702B (zh) | 2024-01-23 | 2024-01-23 | 基于人工智能的铝焊生产线监管方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117600702A CN117600702A (zh) | 2024-02-27 |
CN117600702B true CN117600702B (zh) | 2024-04-02 |
Family
ID=89960212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410090631.0A Active CN117600702B (zh) | 2024-01-23 | 2024-01-23 | 基于人工智能的铝焊生产线监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117600702B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
CN113828947A (zh) * | 2021-11-23 | 2021-12-24 | 昆山宝锦激光拼焊有限公司 | 一种基于双优化的bp神经网络激光焊接焊缝成形预测方法 |
WO2022221803A1 (en) * | 2021-04-12 | 2022-10-20 | Exxonmobil Upstream Research Company | Method and system for evaluating radiograph testing inspection of pipe welding |
CN116026928A (zh) * | 2022-12-30 | 2023-04-28 | 南昌航空大学 | 焊缝下层进入熔深检测方法、系统、电子设备及存储介质 |
CN116401878A (zh) * | 2023-04-12 | 2023-07-07 | 哈尔滨工业大学 | 一种铝合金表面激光熔覆工艺参数的优化方法 |
CN117102727A (zh) * | 2023-09-27 | 2023-11-24 | 北京博清科技有限公司 | 实时焊接质量的控制方法、控制装置和焊接系统 |
CN117415501A (zh) * | 2023-11-01 | 2024-01-19 | 南京工业大学 | 一种基于机器视觉的实时焊接特征提取与熔透监测方法 |
-
2024
- 2024-01-23 CN CN202410090631.0A patent/CN117600702B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
WO2022221803A1 (en) * | 2021-04-12 | 2022-10-20 | Exxonmobil Upstream Research Company | Method and system for evaluating radiograph testing inspection of pipe welding |
CN113828947A (zh) * | 2021-11-23 | 2021-12-24 | 昆山宝锦激光拼焊有限公司 | 一种基于双优化的bp神经网络激光焊接焊缝成形预测方法 |
CN116026928A (zh) * | 2022-12-30 | 2023-04-28 | 南昌航空大学 | 焊缝下层进入熔深检测方法、系统、电子设备及存储介质 |
CN116401878A (zh) * | 2023-04-12 | 2023-07-07 | 哈尔滨工业大学 | 一种铝合金表面激光熔覆工艺参数的优化方法 |
CN117102727A (zh) * | 2023-09-27 | 2023-11-24 | 北京博清科技有限公司 | 实时焊接质量的控制方法、控制装置和焊接系统 |
CN117415501A (zh) * | 2023-11-01 | 2024-01-19 | 南京工业大学 | 一种基于机器视觉的实时焊接特征提取与熔透监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117600702A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN112819802B (zh) | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 | |
CN109902761B (zh) | 一种基于海洋环境因子融合和深度学习的渔情预测方法 | |
NO341116B1 (no) | Fremgangsmåter og systemer for selvforbedring av resonneringsverktøy | |
CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN106815576B (zh) | 基于连续时空置信图和半监督极限学习机的目标追踪方法 | |
Xia et al. | Deciphering spatio-temporal graph forecasting: A causal lens and treatment | |
CN116433668A (zh) | 一种智能液压油管漏油检测方法 | |
CN115314412B (zh) | 一种面向运维的类型自适应的指标预测预警方法及装置 | |
CN115587964A (zh) | 一种基于熵筛选的伪标签交叉一致性变化检测方法 | |
CN114004331A (zh) | 一种基于关键指标和深度学习的故障分析方法 | |
CN117600702B (zh) | 基于人工智能的铝焊生产线监管方法及系统 | |
Ren et al. | Fault detection and classification with feature representation based on deep residual convolutional neural network | |
CN105335981A (zh) | 一种基于图像的货物监控方法 | |
CN117076983A (zh) | 传输外线资源识别检测方法、装置、设备及存储介质 | |
CN115546609A (zh) | 基于静态和动态图学习网络的海温时空预测方法及系统 | |
US11783194B1 (en) | Evolutionary deep learning with extended Kalman filter for modeling and data assimilation | |
Dong et al. | Data‐Driven Quality Prediction of Batch Processes Based on Minimal‐Redundancy‐Maximal‐Relevance Integrated Convolutional Neural Network | |
CN117113843B (zh) | 一种航空发动机剩余寿命预测方法 | |
Xu et al. | Model Quality Evaluation based on Improved MTF Data Image and Classification | |
CN116245357B (zh) | 一种数智节能柜故障诊断方法及系统 | |
CN117095188B (zh) | 一种基于图像处理的电力安全加强方法及系统 | |
Yi et al. | Video Quality Diagnosis System Based on Convolutional Neural Network | |
CN118193973A (zh) | 基于gcn图卷积神经网络的洪水预警检测方法与系统 | |
CN118279113A (zh) | 一种基于大模型的数智社会公共服务管理方法及系统 |
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 |