CN117984006A - 基于焊接红外视频生成的焊接质量预测方法、装置及介质 - Google Patents
基于焊接红外视频生成的焊接质量预测方法、装置及介质 Download PDFInfo
- Publication number
- CN117984006A CN117984006A CN202410401879.4A CN202410401879A CN117984006A CN 117984006 A CN117984006 A CN 117984006A CN 202410401879 A CN202410401879 A CN 202410401879A CN 117984006 A CN117984006 A CN 117984006A
- Authority
- CN
- China
- Prior art keywords
- welding
- infrared video
- time
- temperature gradient
- matrix
- 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 244
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 28
- 230000004069 differentiation Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims 2
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明提供基于焊接红外视频生成的焊接质量预测方法、装置及介质,涉及焊接预测领域。本申请获取设定焊接条件下焊接区域的红外视频;对红外视频中焊接区域离散化,根据红外视频构建温度梯度分量矩阵,将温度梯度分量矩阵与其转置矩阵相乘得到关联性矩阵,求关联性矩阵的特征值和特征向量,选取特征值最大的r个特征所对应的特征向量组成的降维矩阵;取降维矩阵中的影响温度梯度分量矩阵的时间因素送入到时间因素编解码器中,训练时间因素编解码器以使时间因素编解码器能够编码且还原出时间因素;按设定焊接条件焊接时,采集指定时段的红外视频帧,配合时间因素编码器预测得到预测红外视频,根据预测红外视频中的温度场情况预测焊缝质量。
Description
技术领域
本发明涉及焊接预测领域,尤其涉及一种基于焊接红外视频生成的焊接质量预测方法、装置及介质。
背景技术
电力设备搭建过程中,焊接是一种重要的部件连接手段,一些特定的焊接场景对焊接质量要求很高,需要对焊接质量进行监测,避免质量问题。
随着神经网络技术的兴起,对焊缝进行图像采集,利用Unet网络进行语义识别获取焊缝区域,对焊缝区域进行异常分析的质量评估手段得到应用,然而该方式是在焊接焊缝成型后,干预阻止焊接异常时间滞后。现有焊接工艺的设计可以利用有限元软件建模分析,优化制定,以保证焊接效果,然而焊接模拟的条件较为理想,实际焊接过程中,条件复杂,且有限元软件分析过程计算量大速度慢,无法应用到根据实际焊接参数进行焊接质量预测的过程中。在焊接过程中,焊接的情况能够通过焊接时的温度场反应,若能够通过温度场情况直接对焊缝质量进行预估,则能够提前对焊接接下来的质量问题进行尽早预警,避免焊接质量不佳造成的损失。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本发明提供一种基于焊接红外视频生成的焊接质量预测方法、装置及介质。
第一方面,本发明提供一种基于焊接红外视频生成的焊接质量预测方法,包括:获取设定焊接条件下焊接区域的红外视频;
对红外视频中焊接区域离散化,根据红外视频构建温度梯度分量矩阵,所述温度梯度分量矩阵的每一行包含焊接区域全部离散区块在给定时间区段内,沿焊缝方向和垂直焊缝方向上的温度梯度;
将温度梯度分量矩阵与其转置矩阵相乘得到关联性矩阵,求所述关联性矩阵的特征值和特征向量,选取特征值最大的r个特征所对应的特征向量组成的降维矩阵;取所述降维矩阵中的影响温度梯度分量矩阵的时间因素送入到时间因素编解码器中,训练时间因素编解码器以使时间因素编解码器能够编码且还原出时间因素;
按所述设定焊接条件焊接时,采集指定时段的红外视频,取指定时段红外视频反应的时间因素条件输入时间因素编解码器,时间因素编解码器预测出影响温度梯度分量矩阵的预测时间因素;利用预测时间因素和指定时段内红外视频反应出的温度场梯度分量情况计算得到一组预测温度梯度分量矩阵,在预测温度梯度分量矩阵基础上,以指定时段红外视频为条件生成对应预测温度梯度分量矩阵的预测红外视频帧,形成预测红外视频,根据预测红外视频与满足焊接需求的红外视频条件对比分析,预测接下来的焊缝能否满足质量要求。
更进一步地,获取设定焊接条件下焊接区域的红外视频帧的采用下列手段的任一种:对设定的待焊接材料,采用设定的焊接源及焊接源参数,按照设定的焊接移动速度进行实际焊接,通过红外测温设备采集红外视频,对实际焊接操作得到的红外视频进行滤波,祛除奇异点;
利用有限元分析软件对设定的待焊接材料,设定的焊接源及焊接源参数,设定的焊接移动速度进行建模,通过建模模拟焊接过程并按时序输出红外视频帧。
更进一步地,对红外视频中焊接区域离散化,构建温度梯度分量矩阵包括:
将红外视频中焊接区域沿焊缝方向分隔成等份和将焊接区域沿垂直焊缝方向分隔成/>等份,形成/>个尺寸一致的离散区块;
在给定时间区段内,遍历焊接区域的离散区块得到目标离散区块,根据红外视频帧获取目标离散区块的温度值,取目标离散区块的沿焊缝方向上的相邻离散区块温度和垂直焊缝方向的相邻理算区块温度,求解温度的空间梯度,得到目标离散区块沿焊缝方向和垂直焊缝方向上的温度梯度;
将目标离散区块沿焊缝方向和垂直焊缝方向上的温度梯度按下面方式排列形成所述温度梯度分量矩阵:
,
其中,表示沿焊缝方向的温度梯度,/>表示垂直焊缝方向的温度梯度,/>指定了离散区块和时间区段,最大时间区段为/>。
更进一步地,所述选取特征值最大的r个特征所对应的特征向量组成的矩阵时,设定一个还原度阈值,所选取的r个特征值和与全部特征值和的比值大于所述还原度阈值。
更进一步地,所述时间因素编解码器包括编码器、隐藏空间常微分单元和解码器,所述编码器对输入的时间因素进行编码,将时间因素编码映射到隐藏空间,隐藏空间常微分单元输出隐藏特征的微分值,所述解码器将隐藏特征还原成时间序列。
更进一步地,所述编码器包括:第一门控循环单元,利用维度变换从第一门控循环单元的输出中提取第一门控循环单元当前时刻的隐藏特征输入到第一线性层,第一线性层映射隐藏特征并输入到隐藏空间常微分单元。
更进一步地,所述解码器包括:第二门控循环单元,连接第二门控循环单元的第二线性层,连接第二线性层的激活函数,处理激活函数输出结果的第三线性层。
更进一步地,所述隐藏空间常微分单元包括:作用等效于微分的堆叠的微分用线性层和激活函数,微分用线性层采用Xavier初始化,每个微分用线性层的输出神经元个数为其自身输入神经元个数加一,堆叠的微分用线性层和激活函数尾部连接第四线性层,第四线性层采用权重采用常数初始化。
第二方面,本发明提供一种基于焊接红外视频生成的焊接质量预测装置,包含焊接设备,包括:经总线互联的处理单元、存储单元和采集单元,其中所述采集单元设置于焊接设备的驱动机构上,驱动机构带动采集单元追随焊接轨迹运行,所述采集单元采集焊接区域指定时段的温度场,所述存储单元存储计算机程序和采集单元采集的数据,所述处理单元读取并执行所述计算机程序时,调用采集的数据实现所述的基于焊接红外视频生成的焊接质量预测方法。
第三方面,本发明提供一种计算机存储介质,所述计算机存储介质存储计算机指令,所述计算机指令被处理器执行时实现所述的基于焊接红外视频生成的焊接质量预测方法。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点:
本发明获取设定焊接条件下焊接区域的红外视频;对维度高的红外视频进行处理,以降低数据维度,降低训练难度,降低时间因素编码器的参数维度,提高训练出来的时间因素编码器的处理速度。本申请降维过程包括:对红外视频中焊接区域离散化,构建温度梯度分量矩阵,将温度梯度分量矩阵与其转置矩阵相乘得到关联性矩阵,求关联性矩阵的特征值和特征向量,选取特征值最大的r个特征所对应的特征向量组成的降维矩阵;通过从温度梯度分量矩阵的关联性矩阵中提取互不影响的特征向量,并且按照特征向量对温度梯度分量矩阵的影响大小选择出r个特征向量组成降维矩阵,数据的降维过程选取出了影响温度梯度分量矩阵的关键特征进行模型训练,有利于降低模型收敛难度,有利于降低模型参数量,提高模型的处理效率。
取降维矩阵中的影响温度梯度分量矩阵的时间因素送入到时间因素编解码器中,训练时间因素编解码器以使时间因素编解码器能够编码且还原出时间因素。训练完的时间因素编解码器实际上学习了焊接过程中温度梯度分量矩阵时间演变特征。
按设定焊接条件焊接时,采集指定时段的红外视频,配合时间因素编码器预测得到预测红外视频帧,进而形成预测红外视频,根据预测红外视频预测焊缝质量。本申请利用相比现有技术成型焊缝视觉评估焊缝质量的手段,能够利用红外视频情况预测接下来焊接可能发生质量问题,从而在异常时,更早的干预焊接控制,避免焊接质量不佳造成的损失。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明公开实施例提供的一种基于焊接红外视频生成的焊接质量预测方法的示意图。
图2为本发明公开实施例提供的时间因素编解码器的架构示意图。
图3为本发明公开实施例提供的隐藏空间常微分单元的示意图。
图4为本发明公开实施例提供的基于焊接红外视频生成的焊接质量预测装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
实施例1
参阅图1所示,本发明实施例提供一种基于焊接红外视频生成的焊接质量预测方法,包括:
获取设定焊接条件下焊接区域的红外视频;本发明的实现,依赖时间因素编解码器,需要利用设定焊接条件下焊接区域的红外视频提供数据对时间因素编码器进行训练。
具体实施过程中,获取用于训练时间因素编解码器的设定焊接条件下焊接区域的红外视频的手段采用下列任一种:对设定的待焊接材料,采用设定的焊接源及焊接源参数,按照设定的焊接移动速度进行实际焊接,通过红外测温设备采集红外视频。或者,利用有限元分析软件对设定的待焊接材料,设定的焊接源及焊接源参数,设定的焊接移动速度进行建模,通过建模模拟焊接过程并按时序输出红外视频。
其中,待焊接材料限定形状、尺寸和材料类型;焊接源实际上按照设定能量分布提供能量的热源,限定焊接源和焊接源参数实际上是稳定影响红外视频帧中温度场分布情况的输入能量。以激光焊接为例,激光的光场有设定的形状,将光能按照设定的分布输入到焊接区域,如中部能量高,四周能量低的高斯分布。
当然,针对不同的焊接条件,可以设置不同时间因素编解码器,学习不同焊接条件下影响红外视频帧中温度场分布情况的时间因素关系。在实际应用过程中,设定一个与焊接条件关联的焊接条件标识,将针对不同焊接条件的时间因素编解码器与相应的焊接条件标识关联,在选择时间因素编解码器时,提供焊接条件标识,根据焊接条件标识加载相应的时间因素编解码器。
对实际焊接操作得到的红外视频帧进行滤波,祛除奇异点。所述奇异点为实际焊接中溅射材料带来的异常点。具体实施过程中,通过高斯滤波处理红外视频帧,得到滤波后的红外视频帧,取滤波后的温度时间序列与原红外视频帧做差并对做差后的结果进行阈值筛选,得到奇异点的掩膜,按奇异点掩膜位置,将原红外视频帧中的奇异点竖直用滤波后的奇异点值替代。
红外视频中的数据维度大,若直接用红外视频进行训练,一方面,训练难度大,时间因素编解码器难以学习得到影响红外视频中温度场演变过程的时间因素,另一方面,训练出来的模型参数大,计算慢,会导致质量预测的滞后。本申请为对数据进行降维,且降维后的数据能够尽可能的还原出原红外视频帧的时间分布情况。
具体实施过程中,本申请处理红外视频的过程包括:
对红外视频中焊接区域离散化,根据红外视频构建温度梯度分量矩阵,所述温度梯度分量矩阵的每一行包含焊接区域全部离散区块在给定时间区段内,沿焊缝方向和垂直焊缝方向上的温度梯度。具体实施过程中,对红外视频中焊接区域离散化,构建温度梯度分量矩阵包括:将红外视频中焊接区域沿焊缝方向分隔成等份和将焊接区域沿垂直焊缝方向分隔成/>等份,形成/>个尺寸一致的离散区块;将红外视频所涉及到的时间按照设定时间步长分割成/>等份,即分成/>个时间区段。在每个给定时间区段内,遍历焊接区域的离散区块得到目标离散区块,根据红外视频帧获取目标离散区块的温度值,取目标离散区块的沿焊缝方向上的相邻离散区块温度和垂直焊缝方向的相邻理算区块温度,求解温度的空间梯度,得到目标离散区块沿焊缝方向和垂直焊缝方向上的温度梯度。将目标离散区块沿焊缝方向和垂直焊缝方向上的温度梯度按下面方式排列形成所述温度梯度分量矩阵:
,
其中,表示设定离散区块在设定时间区段内沿焊缝方向的温度梯度,/>表示设定离散区块在设定时间区段内垂直焊缝方向的温度梯度,/>指定了离散区块和时间区段,最大时间区段为/>。所述温度梯度分量矩阵维度为/>。
将温度梯度分量矩阵与其转置矩阵相乘得到关联性矩阵。
求所述关联性矩阵的特征值和特征向量,,其中,/>表示特征值,/>表示特征向量。
特征值越大,对应特征值的特征向量对温度梯度分量矩阵的形成影响越大,选取特征值最大的r个特征所对应的特征向量组成的降维矩阵。具体实施过程中,预先设定一个还原度阈值,所述选取特征值最大的r个特征所对应的特征向量组成的矩阵时,所选取的r个特征值和与全部特征值和的比值大于所述还原度阈值,即:/>。
本申请将影响温度梯度分量矩阵形成的因素分解成空间因素和时间因素。取所述降维矩阵中的影响温度梯度分量矩阵的时间因素送入到时间因素编解码器中,训练时间因素编解码器以使时间因素编解码器能够编码且还原出时间因素。
参阅图2所示,所述时间因素编解码器包括编码器、隐藏空间常微分单元和解码器。具体实施过程中,所述编码器包括:第一门控循环单元,利用维度变换从第一门控循环单元的输出中提取第一门控循环单元当前时刻的隐藏特征输入到第一线性层,第一线性层映射隐藏特征并输入到隐藏空间常微分单元。
参阅图3所示,所述隐藏空间常微分单元包括:堆叠的微分用线性层和激活函数,微分用线性层采用Xavier初始化,每个微分用线性层的输出神经元个数为其自身输入神经元个数加一,堆叠的微分用线性层和激活函数尾部连接第四线性层,第四线性层采用权重采用常数初始化,隐藏空间常微分单元输出隐藏特征的微分值。
所述解码器包括:第二门控循环单元,连接第二门控循环单元的第二线性层,连接第二线性层的激活函数,处理激活函数输出结果的第三线性层。
具体实施过程中,一种示例性的激活函数采用tanh激活函数。
所述编码器对输入的时间因素进行编码,将时间因素编码映射到隐藏空间,隐藏空间常微分单元输出隐藏特征的微分值,则后续时刻的隐藏特征就可以在当前隐藏特征加上微分值对时间的积分得到,所述解码器将隐藏特征的还原成时间序列。训练完的时间因素编解码器实际上学习了焊接过程中温度梯度分量矩阵时间演变特征。
按所述设定焊接条件动火焊接过程中,采集指定时段的红外视频,并祛除奇异点,对实际焊接过程中祛除奇异点的手段与前面祛除奇异点的手段一致,在此不在赘述。取指定时段的红外视频反应出的时间因素为条件,送入时间因素编解码器,时间因素编解码器预测出影响温度梯度分量矩阵的预测时间因素;利用预测时间因素和指定时段内红外视频反应出的温度场梯度分量情况计算得到一组预测温度梯度分量矩阵,在预测温度梯度分量矩阵基础上,以指定时段红外视频为条件生成对应预测温度梯度分量矩阵的预测红外视频帧,形成预测红外视频。
预先构建满足焊接质量要求情况的红外视频条件。根据预测红外视频与满足焊接需求的红外视频条件对比分析,预测接下来的焊缝能否满足质量要求。
实施例2
本发明提供一种基于焊接红外视频生成的焊接质量预测装置,包含焊接设备,包括:经总线互联的处理单元、存储单元和采集单元,其中,所述采集单元设置于焊接设备的驱动机构上,驱动机构带动采集单元追随焊接轨迹运行,所述采集单元采集焊接区域指定时段的温度场,所述存储单元存储计算机程序和采集单元采集的数据,所述处理单元读取并执行所述计算机程序时,调用采集的数据实现所述的基于焊接红外视频生成的焊接质量预测方法,包括:
获取用于训练时间因素编解码器的设定焊接条件下焊接区域的红外视频;
对红外视频中焊接区域离散化,根据红外视频构建温度梯度分量矩阵,所述温度梯度分量矩阵的每一行包含焊接区域全部离散区块在给定时间区段内,沿焊缝方向和垂直焊缝方向上的温度梯度;
将温度梯度分量矩阵与其转置矩阵相乘得到关联性矩阵,求所述关联性矩阵的特征值和特征向量,选取特征值最大的r个特征所对应的特征向量组成的降维矩阵;取所述降维矩阵中的影响温度梯度分量矩阵的时间因素送入到时间因素编解码器中,训练时间因素编解码器以使时间因素编解码器能够编码且还原出时间因素;
按所述设定焊接条件焊接时,采集指定时段的红外视频并祛除奇异点,取指定时段红外视频反应的时间因素条件输入时间因素编解码器,时间因素编解码器预测出影响温度梯度分量矩阵的预测时间因素;利用预测时间因素和指定时段内红外视频反应出的温度场梯度分量情况计算得到一组预测温度梯度分量矩阵,在预测温度梯度分量矩阵基础上,以指定时段红外视频为条件生成对应预测温度梯度分量矩阵的预测红外视频帧,形成预测红外视频,根据预测红外视频与满足焊接需求的红外视频条件对比分析,预测接下来的焊缝能否满足质量要求。
当然,本发明实施例所提供的一种基于焊接红外视频生成的焊接质量预测装置中存储单元,其存储的计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的一种基于焊接红外视频生成的焊接质量预测方法中的相关操作。
实施例3
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令被处理器执行时实现所述的基于焊接红外视频生成的焊接质量预测方法,包括:
获取用于训练时间因素编解码器的设定焊接条件下焊接区域的红外视频;
对红外视频中焊接区域离散化,根据红外视频构建温度梯度分量矩阵,所述温度梯度分量矩阵的每一行包含焊接区域全部离散区块在给定时间区段内,沿焊缝方向和垂直焊缝方向上的温度梯度;
将温度梯度分量矩阵与其转置矩阵相乘得到关联性矩阵,求所述关联性矩阵的特征值和特征向量,选取特征值最大的r个特征所对应的特征向量组成的降维矩阵;取所述降维矩阵中的影响温度梯度分量矩阵的时间因素送入到时间因素编解码器中,训练时间因素编解码器以使时间因素编解码器能够编码且还原出时间因素;
按所述设定焊接条件焊接时,采集指定时段的红外视频并祛除奇异点,取指定时段红外视频反应的时间因素条件输入时间因素编解码器,时间因素编解码器预测出影响温度梯度分量矩阵的预测时间因素;利用预测时间因素和指定时段内红外视频反应出的温度场梯度分量情况计算得到一组预测温度梯度分量矩阵,在预测温度梯度分量矩阵基础上,以指定时段红外视频为条件生成对应预测温度梯度分量矩阵的预测红外视频帧,形成预测红外视频,根据预测红外视频与满足焊接需求的红外视频条件对比分析,预测接下来的焊缝能否满足质量要求。
当然,本发明实施例所提供的一种计算机可读存储介质,其存储的计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的一种基于焊接红外视频生成的焊接质量预测方法中的相关操作。
在本发明所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方式实现。例如,以上所描述的结构实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于焊接红外视频生成的焊接质量预测方法,其特征在于,包括:
获取用于训练时间因素编解码器的设定焊接条件下焊接区域的红外视频;
对红外视频中焊接区域离散化,根据红外视频构建温度梯度分量矩阵,所述温度梯度分量矩阵的每一行包含焊接区域全部离散区块在给定时间区段内,沿焊缝方向和垂直焊缝方向上的温度梯度;
将温度梯度分量矩阵与其转置矩阵相乘得到关联性矩阵,求所述关联性矩阵的特征值和特征向量,选取特征值最大的r个特征所对应的特征向量组成的降维矩阵;取所述降维矩阵中的影响温度梯度分量矩阵的时间因素送入到时间因素编解码器中,训练时间因素编解码器以使时间因素编解码器能够编码且还原出时间因素;
按所述设定焊接条件焊接时,采集指定时段的红外视频并祛除奇异点,取指定时段红外视频反应的时间因素条件输入时间因素编解码器,时间因素编解码器预测出影响温度梯度分量矩阵的预测时间因素;利用预测时间因素和指定时段内红外视频反应出的温度场梯度分量情况计算得到一组预测温度梯度分量矩阵,在预测温度梯度分量矩阵基础上,以指定时段红外视频为条件生成对应预测温度梯度分量矩阵的预测红外视频帧,形成预测红外视频;根据预测红外视频与满足焊接需求的红外视频条件对比分析,预测接下来的焊缝能否满足质量要求。
2.根据权利要求1所述的基于焊接红外视频生成的焊接质量预测方法,其特征在于,获取用于训练时间因素编解码器的设定焊接条件下焊接区域的红外视频的手段采用下列任一种:对设定的待焊接材料,采用设定的焊接源及焊接源参数,按照设定的焊接移动速度进行实际焊接,通过红外测温设备采集红外视频,对实际焊接操作得到的红外视频进行滤波,祛除奇异点;
利用有限元分析软件对设定的待焊接材料,设定的焊接源及焊接源参数,设定的焊接移动速度进行建模,通过建模模拟焊接过程并按时序输出红外视频。
3.根据权利要求1所述的基于焊接红外视频生成的焊接质量预测方法,其特征在于,对红外视频中焊接区域离散化,构建温度梯度分量矩阵包括:
将红外视频中焊接区域沿焊缝方向分隔成等份和将焊接区域沿垂直焊缝方向分隔成/>等份,形成/>个尺寸一致的离散区块;
将红外视频所涉及到的时间按照设定时间步长分割成等份;
在每个给定时间区段内,遍历焊接区域的离散区块得到目标离散区块,根据红外视频帧获取目标离散区块的温度值,取目标离散区块的沿焊缝方向上的相邻离散区块温度和垂直焊缝方向的相邻理算区块温度,求解温度的空间梯度,得到目标离散区块沿焊缝方向和垂直焊缝方向上的温度梯度;
将目标离散区块沿焊缝方向和垂直焊缝方向上的温度梯度按下面方式排列形成所述温度梯度分量矩阵:
,
其中,表示设定离散区块在设定时间区段内沿焊缝方向的温度梯度,/>表示设定离散区块在设定时间区段内垂直焊缝方向的温度梯度,/>指定了离散区块和时间区段,最大时间区段为/>。
4.根据权利要求1所述的基于焊接红外视频生成的焊接质量预测方法,其特征在于,所述选取特征值最大的r个特征所对应的特征向量组成的矩阵时,设定一个还原度阈值,所选取的r个特征值和与全部特征值和的比值大于所述还原度阈值。
5.根据权利要求1所述的基于焊接红外视频生成的焊接质量预测方法,其特征在于,所述时间因素编解码器包括编码器、隐藏空间常微分单元和解码器,所述编码器对输入的时间因素进行编码,将时间因素编码映射到隐藏空间,隐藏空间常微分单元输出隐藏特征的微分值,所述解码器将隐藏特征的还原成时间序列。
6.根据权利要求5所述的基于焊接红外视频生成的焊接质量预测方法,其特征在于,所述编码器包括:第一门控循环单元,利用维度变换从第一门控循环单元的输出中提取第一门控循环单元当前时刻的隐藏特征输入到第一线性层,第一线性层映射隐藏特征并输入到隐藏空间常微分单元。
7.根据权利要求5所述的基于焊接红外视频生成的焊接质量预测方法,其特征在于,所述解码器包括:第二门控循环单元,连接第二门控循环单元的第二线性层,连接第二线性层的激活函数,处理激活函数输出结果的第三线性层。
8.根据权利要求5所述的基于焊接红外视频生成的焊接质量预测方法,其特征在于,所述隐藏空间常微分单元包括:作用等效于微分的堆叠的微分用线性层和激活函数,微分用线性层采用Xavier初始化,每个微分用线性层的输出神经元个数为其自身输入神经元个数加一,堆叠的微分用线性层和激活函数尾部连接第四线性层,第四线性层采用权重采用常数初始化。
9.一种基于动火焊缝红外视频生成的质量预测装置,包含焊接设备,其特征在于,包括:经总线互联的处理单元、存储单元和采集单元,其中,所述采集单元设置于焊接设备的驱动机构上,驱动机构带动采集单元追随焊接轨迹运行,所述采集单元采集焊接区域指定时段的红外视频,所述存储单元存储计算机程序和采集单元采集的数据,所述处理单元读取并执行所述计算机程序时,调用采集的数据实现如权利要求1-8任一所述的基于焊接红外视频生成的焊接质量预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令被处理器执行时实现如权利要求1-8任一所述的基于焊接红外视频生成的焊接质量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410401879.4A CN117984006B (zh) | 2024-04-03 | 2024-04-03 | 基于焊接红外视频生成的焊接质量预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410401879.4A CN117984006B (zh) | 2024-04-03 | 2024-04-03 | 基于焊接红外视频生成的焊接质量预测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117984006A true CN117984006A (zh) | 2024-05-07 |
CN117984006B CN117984006B (zh) | 2024-07-02 |
Family
ID=90899733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410401879.4A Active CN117984006B (zh) | 2024-04-03 | 2024-04-03 | 基于焊接红外视频生成的焊接质量预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117984006B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4877940A (en) * | 1987-06-30 | 1989-10-31 | Iit Research Institute | Using infrared imaging to monitor and control welding |
CN1546995A (zh) * | 2003-12-12 | 2004-11-17 | 上海交通大学 | 主动红外ccd焊缝检测方法 |
CN104977305A (zh) * | 2015-06-29 | 2015-10-14 | 华中科技大学 | 一种基于红外视觉的焊接质量分析装置及分析方法 |
CN105458458A (zh) * | 2015-12-22 | 2016-04-06 | 吉林大学 | 基于异型红外光纤束的非平面焊缝温度场监测装置与方法 |
WO2016185090A1 (en) * | 2015-05-20 | 2016-11-24 | Nokia Technologies Oy | An apparatus, a method and a computer program for video coding and decoding |
US20170144378A1 (en) * | 2015-11-25 | 2017-05-25 | Lawrence Livermore National Security, Llc | Rapid closed-loop control based on machine learning |
CN110186570A (zh) * | 2019-05-16 | 2019-08-30 | 西安理工大学 | 一种增材制造激光3d打印温度梯度检测方法 |
CN112488014A (zh) * | 2020-12-04 | 2021-03-12 | 重庆邮电大学 | 基于门控循环单元的视频预测方法 |
CN112989703A (zh) * | 2021-04-02 | 2021-06-18 | 唐剑军 | 基于深度学习的特征融合金属增材制造熔合状态实时预测方法 |
CN113688921A (zh) * | 2021-08-31 | 2021-11-23 | 重庆科技学院 | 一种基于图卷积网络与目标检测的动火作业识别方法 |
CN113762366A (zh) * | 2021-08-24 | 2021-12-07 | 华中科技大学 | 一种增材制造成形状态预测控制方法及系统 |
CN117381105A (zh) * | 2023-12-11 | 2024-01-12 | 宾采尔(广州)焊接技术有限公司 | 机器人焊接电流控制方法、装置、电子设备和存储介质 |
-
2024
- 2024-04-03 CN CN202410401879.4A patent/CN117984006B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4877940A (en) * | 1987-06-30 | 1989-10-31 | Iit Research Institute | Using infrared imaging to monitor and control welding |
CN1546995A (zh) * | 2003-12-12 | 2004-11-17 | 上海交通大学 | 主动红外ccd焊缝检测方法 |
WO2016185090A1 (en) * | 2015-05-20 | 2016-11-24 | Nokia Technologies Oy | An apparatus, a method and a computer program for video coding and decoding |
CN104977305A (zh) * | 2015-06-29 | 2015-10-14 | 华中科技大学 | 一种基于红外视觉的焊接质量分析装置及分析方法 |
US20170144378A1 (en) * | 2015-11-25 | 2017-05-25 | Lawrence Livermore National Security, Llc | Rapid closed-loop control based on machine learning |
CN105458458A (zh) * | 2015-12-22 | 2016-04-06 | 吉林大学 | 基于异型红外光纤束的非平面焊缝温度场监测装置与方法 |
CN110186570A (zh) * | 2019-05-16 | 2019-08-30 | 西安理工大学 | 一种增材制造激光3d打印温度梯度检测方法 |
CN112488014A (zh) * | 2020-12-04 | 2021-03-12 | 重庆邮电大学 | 基于门控循环单元的视频预测方法 |
CN112989703A (zh) * | 2021-04-02 | 2021-06-18 | 唐剑军 | 基于深度学习的特征融合金属增材制造熔合状态实时预测方法 |
CN113762366A (zh) * | 2021-08-24 | 2021-12-07 | 华中科技大学 | 一种增材制造成形状态预测控制方法及系统 |
CN113688921A (zh) * | 2021-08-31 | 2021-11-23 | 重庆科技学院 | 一种基于图卷积网络与目标检测的动火作业识别方法 |
CN117381105A (zh) * | 2023-12-11 | 2024-01-12 | 宾采尔(广州)焊接技术有限公司 | 机器人焊接电流控制方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117984006B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jadav et al. | Optimizing weights of artificial neural networks using genetic algorithms | |
CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
CN113239897B (zh) | 基于时空特征组合回归的人体动作评价方法 | |
CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
CN115859058A (zh) | 一种基于宽度学习网络的ups故障预测方法和系统 | |
Park et al. | Providing support to operators for monitoring safety functions using reinforcement learning | |
CN112269729A (zh) | 面向网络购物平台大规模服务器集群的负载智能分析方法 | |
CN115268493A (zh) | 基于双层强化学习的大规模多无人机任务调度方法 | |
CN111625457A (zh) | 基于改进的dqn算法的虚拟自动驾驶测试优化方法 | |
CN117984006B (zh) | 基于焊接红外视频生成的焊接质量预测方法、装置及介质 | |
Benaddy et al. | Simulated annealing neural network for software failure prediction | |
Kim et al. | Autonomous nuclear power plants with artificial intelligence | |
Martinez et al. | Novelty detection with deep learning | |
Ren | The advance of generative model and variational autoencoder | |
CN116189827A (zh) | 面向对象数字孪生的空间结构模型生成及全寿命管理方法 | |
CN114330143A (zh) | 一种基于多源时空信息的分布式参数系统状态预测方法 | |
CN114638379A (zh) | 边缘侧多智能体opc ua信息解析和决策方法 | |
CN117708715B (zh) | 一种基于混合结构模型的电熔镁炉工况诊断方法 | |
CN118212784B (zh) | 一种信号交叉口的行人和车辆未来轨迹预测方法及装置 | |
Alamaniotis | Modeling of intelligent control systems in nuclear power plants | |
Young | MLPDS: Machine Learning-Based Porosity Detection Systems for Real-Time Monitoring of the Selective Laser Melting Process | |
CN118314043A (zh) | 一种变电站多模态数据感知技术的图像增强方法 | |
CN118314489A (zh) | 一种用于特高压变电站故障预警的图像预处理方法 | |
CN118310539A (zh) | 一种无人机特高压变电站巡检路径规划方法及系统 | |
CN118013333A (zh) | 一种变电设备故障研判原型系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |