CN117984024A - 基于船闸人字门自动化生产的焊接数据管理方法及系统 - Google Patents
基于船闸人字门自动化生产的焊接数据管理方法及系统 Download PDFInfo
- Publication number
- CN117984024A CN117984024A CN202410397086.XA CN202410397086A CN117984024A CN 117984024 A CN117984024 A CN 117984024A CN 202410397086 A CN202410397086 A CN 202410397086A CN 117984024 A CN117984024 A CN 117984024A
- Authority
- CN
- China
- Prior art keywords
- sensing
- monitoring
- welding
- semantic
- defect detection
- 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 436
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 305
- 238000000034 method Methods 0.000 title claims abstract description 147
- 238000013523 data management Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000012544 monitoring process Methods 0.000 claims description 454
- 230000007547 defect Effects 0.000 claims description 318
- 239000013598 vector Substances 0.000 claims description 276
- 238000001514 detection method Methods 0.000 claims description 269
- 238000004422 calculation algorithm Methods 0.000 claims description 153
- 238000005457 optimization Methods 0.000 claims description 125
- 238000005065 mining Methods 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 43
- 230000002950 deficient Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000001953 sensory effect Effects 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 88
- 238000004458 analytical method Methods 0.000 description 14
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000003908 quality control method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005493 welding type 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
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理技术领域，提供一种基于船闸人字门自动化生产的焊接数据管理方法及系统，通过综合运用语义知识挖掘、优化向量处理以及自动化生产缺陷检测等技术手段，旨在提高焊接质量监控的智能化水平和准确性。本申请能够为船闸等大型工程结构的安全性和可靠性提供有力保障，推动焊接生产向数字化、智能化方向发展。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于船闸人字门自动化生产的焊接数据管理方法及系统。
背景技术
随着现代工业的不断发展，焊接技术在船闸、桥梁、建筑等领域得到了广泛应用。尤其是在大型工程结构中，如船闸工程的人字门等关键部件的焊接质量直接关系到整体结构的安全性和可靠性。然而，传统的焊接质量监控方法往往依赖于人工检测和抽样检测，这些方法不仅效率低下，而且难以覆盖所有焊接点，容易造成漏检或误判。
为了解决上述问题，近年来数据管理技术在焊接领域得到了越来越多的关注。数据管理系统通过收集和分析焊接过程中的各种传感监控数据，可以实时掌握焊接状态，发现潜在缺陷，并指导生产过程的优化。
然而，现有的数据管理技术在焊接缺陷检测方面仍存在一定的局限性。首先，对于复杂多变的焊接传感监控数据，如何提取有效的语义信息并进行准确的知识表达是一个关键问题。其次，焊接过程中的语义知识会随着时间和工艺的变化而发生演化，如何动态更新和管理这些知识是另一个挑战。最后，如何将语义知识与自动化生产缺陷检测算法有效结合，实现焊接质量的监控和缺陷检测，是当前亟待解决的问题。
发明内容
为了改善上述问题，本申请提供了一种基于船闸人字门自动化生产的焊接数据管理方法及系统。
第一方面，本申请实施例提供一种基于船闸人字门自动化生产的焊接数据管理方法，应用于数据管理系统，所述方法包括：
对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量；
对所述传感监控语义知识向量进行语义嵌入和语义更新，获得传感监控语义优化向量；
将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的第一人字门焊接缺陷检测观点，所述第一人字门焊接缺陷检测观点中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第一属性检测结果，所述第一属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重；所述自动化生产缺陷检测算法是基于增广生产焊接传感监控数据示例进行调试得到的神经网络算法，所述增广生产焊接传感监控数据示例是基于不存在缺陷的生产焊接传感监控数据衍生的有缺陷的生产焊接传感监控数据；
依据所述传感监控语义知识向量、所述传感监控语义优化向量以及所述第一人字门焊接缺陷检测观点，获取对所述目标生产焊接传感监控数据进行缺陷检测的输出标签。
优选的，所述依据所述传感监控语义知识向量、所述传感监控语义优化向量以及所述第一人字门焊接缺陷检测观点，获取对所述目标生产焊接传感监控数据进行缺陷检测的输出标签，包括：
依据所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果，获取第二人字门焊接缺陷检测观点；所述第二人字门焊接缺陷检测观点中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第二属性检测结果，所述第二属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重；
依据所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点，获取所述输出标签中的定位特征；所述定位特征中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第三属性检测结果，所述第三属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重。
优选的，所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果的注意力指标数小于所述目标生产焊接传感监控数据的传感监控数据单元的个数；
所述依据所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果，获取第二人字门焊接缺陷检测观点，包括：
对所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果取设定变量，并对所述设定变量进行预测获得所述第二人字门焊接缺陷检测观点。
优选的，所述依据所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点，获取所述输出标签中的定位特征，包括：
对所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点进行残差处理或者特征焦点化，获得所述定位特征。
优选的，所述方法还包括：
依据所述定位特征，获取所述输出标签中的传感监控故障隐患子标签，所述传感监控故障隐患子标签用于表征所述目标生产焊接传感监控数据属于缺陷生产焊接传感监控数据的置信权重。
优选的，所述依据所述定位特征，获取所述输出标签中的传感监控故障隐患子标签，包括：
对所述定位特征中各个第三属性检测结果取指定检测评分或者目标状态评分，获得所述传感监控故障隐患子标签。
优选的，所述对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量，包括：将所述目标生产焊接传感监控数据录入生产焊接传感监控处理网络中的语义知识挖掘分支，获得所述语义知识挖掘分支生成的所述传感监控语义知识向量；
所述对所述传感监控语义知识向量进行语义嵌入和语义更新，获得传感监控语义优化向量，包括：将所述传感监控语义知识向量录入所述生产焊接传感监控处理网络中的知识特征处理分支，获得所述知识特征处理分支生成的所述传感监控语义优化向量，所述传感监控语义优化向量的维度与所述传感监控语义知识向量的维度相同；
所述将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的第一人字门焊接缺陷检测观点，包括：将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入所述生产焊接传感监控处理网络中的所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的所述第一人字门焊接缺陷检测观点；
其中，所述生产焊接传感监控处理网络是基于第一生产焊接传感监控数据示例进行无标注调试得到的神经网络算法；所述第一生产焊接传感监控数据示例是不存在缺陷的生产焊接传感监控数据。
优选的，所述对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量之前，还包括：
依据所述第一生产焊接传感监控数据示例，获取第一高亮数据文本、第二高亮数据文本以及第二生产焊接传感监控数据示例；所述第一高亮数据文本用于表征所述第一生产焊接传感监控数据示例中不存在缺陷的传感监控数据单元，所述第二高亮数据文本用于表征生产焊接传感监控数据示例中存在缺陷的传感监控数据单元，所述第二生产焊接传感监控数据示例是依据所述第一生产焊接传感监控数据示例和所述第二高亮数据文本衍生的生产焊接传感监控数据；
将所述第一生产焊接传感监控数据示例录入所述语义知识挖掘分支，获得所述语义知识挖掘分支生成的第一传感监控语义知识向量示例；
将所述第一传感监控语义知识向量示例录入所述知识特征处理分支，获得所述知识特征处理分支生成的第一传感监控语义优化向量示例；
将所述第一传感监控语义优化向量示例与所述第一传感监控语义知识向量示例之间的比较结果录入所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法输出第一人字门焊接缺陷检测观点示例；
将所述第二生产焊接传感监控数据示例录入所述语义知识挖掘分支，获得所述语义知识挖掘分支生成的第二传感监控语义知识向量示例；
将所述第二生产焊接传感监控数据提取样本录入所述知识特征处理分支，获得所述知识特征处理分支生成的第二传感监控语义优化向量示例；
将所述第二传感监控语义优化向量示例与所述第二传感监控语义知识向量示例之间的比较结果录入所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法输出第二人字门焊接缺陷检测观点示例；
依据所述第一传感监控语义知识向量示例、所述第一传感监控语义优化向量示例、所述第一人字门焊接缺陷检测观点示例、所述第二传感监控语义知识向量示例、所述第二传感监控语义优化向量示例、以及所述第二人字门焊接缺陷检测观点示例获取算法调试误差评估变量；
通过所述算法调试误差评估变量，对所述生产焊接传感监控处理网络的网络变量进行改进。
优选的，所述依据所述第一传感监控语义知识向量示例、所述第一传感监控语义优化向量示例、所述第一人字门焊接缺陷检测观点示例、所述第二传感监控语义知识向量示例、所述第二传感监控语义优化向量示例、以及所述第二人字门焊接缺陷检测观点示例获取算法调试误差评估变量，包括：
依据所述第一传感监控语义知识向量示例与所述第一传感监控语义优化向量示例之间的区别，获取第一算法调试误差评估变量；
依据所述第一人字门焊接缺陷检测观点示例与所述第一高亮数据文本之间的区别，获取第二算法调试误差评估变量；
依据所述第二传感监控语义知识向量示例与所述第二传感监控语义优化向量示例之间的区别，获取第三算法调试误差评估变量；
依据所述第二人字门焊接缺陷检测观点示例与所述第二高亮数据文本之间的区别，获取第四算法调试误差评估变量。
第二方面，本申请实施例提供一种数据管理系统，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行第一方面所述的方法。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现第一方面所述的方法。
本申请提出了一种基于语义知识挖掘和优化向量的自动化焊接缺陷检测方法。通过对目标生产焊接传感监控数据进行语义知识挖掘和语义嵌入与更新处理，本申请能够获得更准确、更全面的语义信息表达。同时，将优化后的语义向量与原始向量进行比较，并结合自动化生产缺陷检测算法进行缺陷检测，能够进一步提高焊接缺陷检测的准确性和效率。
本申请还充分考虑了实际生产过程中可能遇到的各种情况，如焊接数据的多样性和复杂性、语义知识的动态演化等。通过引入增广生产焊接传感监控数据示例进行算法调试，提高了算法的鲁棒性和泛化能力。此外，本申请还能够根据传感监控语义知识向量、传感监控语义优化向量以及第一人字门焊接缺陷检测观点获取缺陷检测的输出标签，为生产人员提供直观的焊接质量反馈和指导。综上所述，本申请通过综合运用语义知识挖掘、优化向量处理以及自动化生产缺陷检测等技术手段，旨在提高焊接质量监控的智能化水平和准确性。本申请能够为船闸等大型工程结构的安全性和可靠性提供有力保障，推动焊接生产向数字化、智能化方向发展。
附图说明
图1为本申请实施例所提供的一种基于船闸人字门自动化生产的焊接数据管理方法的流程图。
图2为本申请实施例所提供的一种数据管理系统的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
图1示出一种基于船闸人字门自动化生产的焊接数据管理方法，应用于数据管理系统，所述方法包括以下步骤10-步骤40。
步骤10、对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量。
步骤20、对所述传感监控语义知识向量进行语义嵌入和语义更新，获得传感监控语义优化向量。
步骤30、将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的第一人字门焊接缺陷检测观点。
其中，所述第一人字门焊接缺陷检测观点中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第一属性检测结果，所述第一属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重；所述自动化生产缺陷检测算法是基于增广生产焊接传感监控数据示例进行调试得到的神经网络算法，所述增广生产焊接传感监控数据示例是基于不存在缺陷的生产焊接传感监控数据衍生的有缺陷的生产焊接传感监控数据。
步骤40、依据所述传感监控语义知识向量、所述传感监控语义优化向量以及所述第一人字门焊接缺陷检测观点，获取对所述目标生产焊接传感监控数据进行缺陷检测的输出标签。
为便于理解上述技术方案，首先通过两个应用场景来介绍。
应用场景1：在一家专注于人字门生产的大型制造企业中，为提高焊接质量和效率，引入了数据管理系统来监控和分析焊接过程中的传感数据。该系统通过自动化手段收集焊接数据，并利用先进的算法进行语义知识挖掘和缺陷检测。
数据管理系统首先收集目标生产线上的人字门焊接传感监控数据。这些数据包括电流、电压、焊接速度、温度等关键参数的变化记录。系统随后利用语义知识挖掘技术对这些数据进行处理，提取出传感监控语义知识向量。这些向量编码了焊接过程中的关键信息和特征，为后续的语义嵌入和更新提供了基础。
接下来，数据管理系统对提取出的传感监控语义知识向量进行语义嵌入和更新操作。语义嵌入是将这些向量映射到一个低维空间中，同时保留它们之间的语义关系；语义更新则是根据最新的焊接数据和先验知识，对嵌入的向量进行动态调整和优化。经过这一步处理，系统得到了传感监控语义优化向量，这些向量更加准确地反映了焊接过程的实时状态和潜在问题。
数据管理系统将传感监控语义优化向量与原始的传感监控语义知识向量进行比较分析。通过计算两者之间的差异和相似性，系统能够识别出焊接过程中的异常和潜在缺陷。为了进一步提高缺陷检测的准确性和可靠性，系统还利用了一个基于增广生产焊接传感监控数据示例调试得到的自动化生产缺陷检测算法。这个算法能够根据输入的向量数据生成第一人字门焊接缺陷检测观点，其中包含了与各个传感监控数据单元对应的第一属性检测结果。这些结果以置信权重的形式表示了对应数据单元存在缺陷的可能性。
最后，数据管理系统综合考虑传感监控语义知识向量、传感监控语义优化向量以及第一人字门焊接缺陷检测观点的信息，对目标生产焊接传感监控数据进行最终的缺陷检测判断。系统根据预设的规则和阈值，为每个数据单元分配一个输出标签，指示其是否存在缺陷以及缺陷的类型和严重程度。这些输出标签可以直接用于生产线的质量控制和故障排查，帮助企业及时发现并解决问题，提高焊接质量和生产效率。
通过这样一个完整的应用场景示例，可以清晰地看到数据管理系统在自动化人字门焊接缺陷检测中的重要作用和实施过程。该系统通过语义知识挖掘、语义嵌入与更新以及神经网络算法的应用，实现了对焊接数据的智能分析和处理，为企业提供了有效的决策支持和质量控制手段。
应用场景2：在船闸工程领域，一家专注于制造大型船闸人字门的企业为提高焊接质量，引入了数据管理系统。该系统负责收集、分析和处理焊接过程中的传感监控数据，以实现对焊接缺陷的自动化检测。
数据管理系统首先接收来自焊接生产线的目标生产焊接传感监控数据。这些数据涵盖了焊接过程中的关键参数，如焊接电流、电压、焊接速度以及热输入等。系统利用先进的语义知识挖掘技术对这些数据进行处理，提取出蕴含在数据中的深层语义信息，形成传感监控语义知识向量。这些向量不仅包含了焊接过程的实时状态信息，还反映了焊接工艺和质量的潜在特征。
接下来，数据管理系统对提取出的传感监控语义知识向量进行进一步的语义嵌入和更新操作。通过语义嵌入技术，系统将这些向量映射到一个低维、稠密的向量空间中，使得相似的焊接状态在向量空间中相互靠近。同时，利用最新的焊接数据和领域知识，系统对嵌入的向量进行动态更新和优化，以适应焊接过程的复杂性和多变性。经过这一步处理，系统得到了更加精确和稳健的传感监控语义优化向量。
数据管理系统将传感监控语义优化向量与原始的传感监控语义知识向量进行对比分析。通过计算两者之间的差异度和相似度指标，系统能够识别出焊接过程中的异常情况和潜在缺陷。为了进一步提高缺陷检测的准确性和可靠性，系统还采用了一个基于增广生产焊接传感监控数据示例调试得到的自动化生产缺陷检测算法。这个算法能够根据输入的向量数据自动生成第一人字门焊接缺陷检测观点，其中包含了与各个传感监控数据单元相对应的第一属性检测结果。这些结果以置信权重的形式量化了对应数据单元存在缺陷的可能性大小。
最后，数据管理系统综合考虑传感监控语义知识向量、传感监控语义优化向量以及第一人字门焊接缺陷检测观点的信息，对目标生产焊接传感监控数据进行全面的缺陷检测评估。系统根据预设的判定规则和阈值条件，为每个数据单元分配一个明确的输出标签，指示其是否存在缺陷以及缺陷的具体类型和严重程度。这些输出标签可以直接应用于生产现场的质量控制环节，帮助企业及时发现并处理焊接缺陷问题，从而确保人字门的整体质量和安全性。
通过这个新的应用场景示例，可以更加清晰地了解到数据管理系统在自动化人字门焊接缺陷检测中的实际应用过程和价值所在。该系统通过语义知识挖掘、语义嵌入与更新以及神经网络算法的综合运用，实现了对焊接数据的深度分析和智能处理，为船闸工程领域的企业提供了强有力的技术支持和保障。
接下来对上述步骤10-步骤40中出现的技术术语进行名词解释。
目标生产焊接传感监控数据：在船闸工程领域的大型船闸人字门制造过程中，焊接是一个至关重要的环节。为确保焊接质量，生产过程中会部署多种传感器来实时监控焊接过程中的各项参数，如电流、电压、焊接速度、温度等。这些数据被称为“目标生产焊接传感监控数据”。这些数据不仅记录了焊接过程的实时状态，还蕴含着焊接质量、工艺效率以及潜在缺陷等关键信息。对于制造企业来说，这些数据是优化生产流程、提高产品质量和保障安全性的重要依据。
进行语义知识挖掘：语义知识挖掘是一种数据处理技术，旨在从原始数据中提取出有意义、有结构的信息。在焊接监控数据的上下文中，语义知识挖掘涉及对目标生产焊接传感监控数据进行深入分析，以揭示数据背后的焊接工艺特征、质量趋势和潜在问题。通过运用先进的算法和模型，数据管理系统能够识别出数据中的模式、关联和异常，进而将这些信息转化为对焊接过程的有价值洞察。
传感监控语义知识向量：传感监控语义知识向量是通过语义知识挖掘技术从目标生产焊接传感监控数据中提取出的结构化信息表示。这些向量编码了焊接过程中的关键语义特征，如焊接稳定性、热输入分布、材料熔化状态等。每个向量都对应着原始数据中的一个特定时间段或焊接事件，且包含了足够的信息来刻画该时间段内的焊接状态和质量。这些向量不仅便于计算机处理和分析，还能够为后续的缺陷检测、工艺优化等任务提供有力的支持。
进行语义嵌入和语义更新：语义嵌入是一种将高维、稀疏的原始数据映射到低维、稠密的向量空间中的技术。在焊接监控数据的处理中，语义嵌入旨在保留数据间的语义关系，使得相似的焊接状态在向量空间中相互靠近。而语义更新则是在语义嵌入的基础上，利用最新的焊接数据和领域知识对已有的向量表示进行动态调整和优化。通过语义嵌入和更新，数据管理系统能够获得更加精确和稳健的传感监控语义优化向量，以更好地适应焊接过程的复杂性和多变性。
传感监控语义优化向量：传感监控语义优化向量是经过语义嵌入和语义更新处理后的高质量向量表示。这些向量不仅包含了原始焊接监控数据中的关键信息，还融入了最新的焊接数据和领域知识。与原始的传感监控语义知识向量相比，优化后的向量具有更强的表达能力和泛化性能，能够更好地刻画焊接过程的细节特征和潜在规律。这些优化向量是后续缺陷检测、质量评估等任务的重要输入，对于提高焊接生产的智能化水平具有重要意义。
所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果：在船闸工程的大型船闸人字门焊接生产过程中，数据管理系统首先通过语义知识挖掘技术生成了原始的传感监控语义知识向量。随后，经过语义嵌入和更新处理，系统得到了优化后的传感监控语义优化向量。这两者之间的比较结果，是指将优化后的向量与原始向量进行对比分析，计算它们之间的差异度和相似度。这种比较能够揭示焊接过程中可能发生的变化和异常，为后续的缺陷检测提供重要依据。比较结果可能包括向量的距离度量、角度变化或特定的统计指标，它们能够量化地反映焊接质量的稳定性和一致性。
自动化生产缺陷检测算法：是一种基于数据驱动的算法，专门用于在焊接生产过程中自动识别和检测潜在的缺陷。该算法通常利用机器学习或深度学习技术，通过对大量的焊接传感监控数据进行学习和分析，构建出能够准确区分正常焊接和缺陷焊接的模型。在船闸工程人字门的焊接场景中，这种算法能够根据输入的传感监控语义优化向量或原始向量，自动输出焊接缺陷的类型、位置和严重程度等信息。通过自动化检测，企业能够大幅提高焊接质量监控的效率和准确性。
第一人字门焊接缺陷检测观点：是指数据管理系统根据自动化生产缺陷检测算法的输出结果所形成的一个初步、直接的焊接质量评估意见。这个观点包含了与目标生产焊接传感监控数据相对应的各个时间段或焊接事件的缺陷检测信息。在船闸工程领域，由于人字门的焊接质量对船闸的整体安全性至关重要，因此这个观点对于及时发现和处理焊接缺陷具有重要意义。通过综合分析第一人字门焊接缺陷检测观点，生产人员能够快速定位潜在的焊接问题，并采取相应的措施进行改进和优化。
传感监控数据单元：是指在焊接生产过程中，由单个传感器或一组传感器所记录的一个时间片段内的数据集合。这些数据通常包括电流、电压、焊接速度、温度等关键参数，是反映焊接过程实时状态的重要信息来源。在船闸工程人字门的焊接监控中，每个传感监控数据单元都对应着一个特定的焊接事件或时间段，并且被用作后续数据分析、缺陷检测等任务的基本单位。
第一属性检测结果：是指自动化生产缺陷检测算法对单个传感监控数据单元进行分析后所得出的一个初步结论。这个结论通常用一个数值或分类标签来表示，用于量化或定性地描述该数据单元所对应的焊接状态是否存在缺陷以及缺陷的类型和严重程度。在船闸工程人字门的焊接质量监控中，第一属性检测结果为生产人员提供了一个快速了解每个焊接事件质量的途径，有助于及时发现潜在的安全隐患并提高生产效率。
存在缺陷的置信权重：是一个衡量焊接传感监控数据单元中潜在缺陷可能性大小的量化指标。它通常由自动化生产缺陷检测算法根据输入的传感监控语义知识向量或优化向量计算得出，并以一个概率值或相似度得分的形式呈现。在船闸工程人字门的焊接应用中，置信权重高的数据单元更有可能被认定为存在焊接缺陷，从而触发进一步的质量检查和修复措施。通过综合考虑多个数据单元的置信权重，生产人员可以对整体的焊接质量形成一个更加全面和准确的评估。
增广生产焊接传感监控数据示例：是一种用于提升自动化生产缺陷检测算法性能的数据集扩展方法。它通过对原始的无缺陷焊接传感监控数据进行人工或算法处理，模拟出各种潜在的焊接缺陷情况，并生成相应的有缺陷的传感监控数据。在船闸工程人字门的焊接场景中，这些数据示例包含了多种典型的焊接缺陷模式，如气孔、裂纹、未熔合等，为算法提供了更加丰富和多样的学习样本。通过训练和使用这些增广数据示例，缺陷检测算法能够更好地识别出实际生产中的焊接缺陷，提高检测的准确性和泛化能力。
神经网络算法：是一种模拟人脑神经元连接结构的计算模型，具有很强的非线性映射能力和自学习能力。在焊接质量监控领域，神经网络算法被广泛应用于自动化生产缺陷检测算法的实现中。通过构建多层神经网络结构，并利用大量的焊接传感监控数据进行训练和学习，这些算法能够自动提取出数据中的深层特征和复杂模式，实现对焊接缺陷的高精度识别。在船闸工程人字门的焊接应用中，神经网络算法能够根据输入的传感监控语义知识向量或优化向量，自动输出焊接质量的评估结果和缺陷检测信息，为生产过程中的质量控制提供有力支持。
所述增广生产焊接传感监控数据示例是基于不存在缺陷的生产焊接传感监控数据衍生的有缺陷的生产焊接传感监控数据：在焊接质量监控中，为了提高自动化生产缺陷检测算法的准确性和鲁棒性，通常需要使用大量的有缺陷的焊接传感监控数据进行训练。然而，在实际生产中，获取足够数量和多样性的有缺陷数据往往是非常困难和昂贵的。为了解决这个问题，可以利用增广技术对原始的无缺陷焊接传感监控数据进行处理，人工模拟出各种潜在的焊接缺陷情况。这些模拟出的有缺陷数据示例保留了原始数据的基本特征和焊接过程的动态信息，同时引入了新的缺陷模式和数据变化，从而丰富了算法的训练样本集。通过结合原始的无缺陷数据和增广后的有缺陷数据示例进行训练，自动化生产缺陷检测算法能够更好地学习到焊接过程中的正常和异常模式，提高在实际应用中的缺陷识别能力。
对所述目标生产焊接传感监控数据进行缺陷检测的输出标签：在船闸工程领域的大型船闸人字门焊接生产过程中，对目标生产焊接传感监控数据进行缺陷检测是至关重要的环节。这一过程的最终目的是确保焊接质量，从而保障船闸的整体安全性和可靠性。为了实现这一目标，数据管理系统会对收集到的焊接传感监控数据进行深入的分析和处理。当系统运用自动化生产缺陷检测算法对这些数据进行分析时，它会根据数据中的特征和模式来判断焊接过程中是否存在缺陷。这些判断结果随后会被转化为特定的输出标签，以便生产人员能够迅速、准确地了解焊接质量情况。输出标签通常分为两类：正常（无缺陷）和异常（有缺陷）。对于正常的焊接数据，系统会给出“无缺陷”或类似的标签，表明该时间段内的焊接过程符合质量要求，没有出现明显的焊接问题。而对于异常的焊接数据，系统会进一步细化输出标签，指出具体的缺陷类型和可能的严重程度。例如，“气孔”、“裂纹”、“未熔合”等标签会对应着不同的焊接缺陷类型。这些输出标签不仅为生产人员提供了直观的焊接质量反馈，还是后续质量控制和工艺改进的重要依据。通过对标签的统计和分析，生产人员可以识别出焊接过程中的常见问题和潜在风险，进而采取相应的措施来优化焊接工艺、提高生产效率并降低质量成本。因此，对目标生产焊接传感监控数据进行缺陷检测的输出标签在船闸工程人字门的焊接生产中具有不可或缺的作用。
本申请提出的数据管理方法在焊接生产领域具有显著的有益效果。
首先，通过语义知识挖掘，本申请能够从复杂的目标生产焊接传感监控数据中提取出关键的语义信息，形成传感监控语义知识向量。这一步骤有效地提高了数据的可理解性和可用性，为后续的数据处理和分析奠定了坚实的基础。
其次，语义嵌入和语义更新过程进一步优化了传感监控语义知识向量，生成了传感监控语义优化向量。这一步骤不仅保留了原始数据中的关键信息，还融入了最新的领域知识和数据特征，使得优化后的向量更具表达能力和泛化性能。
接着，将传感监控语义优化向量与原始语义知识向量进行比较，并将比较结果录入自动化生产缺陷检测算法中。这一过程充分利用了优化向量的优势，提高了缺陷检测算法的准确性和可靠性。同时，通过生成的第一人字门焊接缺陷检测观点，生产人员能够快速了解焊接过程中的潜在缺陷和问题，为及时采取纠正措施提供了有力支持。
此外，本申请还采用了基于增广生产焊接传感监控数据示例调试得到的神经网络算法作为自动化生产缺陷检测算法的核心。增广数据示例的引入不仅丰富了算法的训练样本集，还提高了算法对实际生产中各种复杂情况的适应能力。这使得本申请的缺陷检测算法在实际应用中具有更强的鲁棒性和泛化能力。
最后，依据传感监控语义知识向量、传感监控语义优化向量以及第一人字门焊接缺陷检测观点，获取对目标生产焊接传感监控数据进行缺陷检测的输出标签。这些输出标签为生产人员提供了直观的焊接质量反馈，有助于实现焊接过程的精准控制和持续改进。同时，输出标签的获取也进一步验证了本申请在焊接质量监控方面的有效性和实用性。
综上所述，本申请通过语义知识挖掘、语义嵌入和更新、自动化缺陷检测以及输出标签获取等步骤，实现了对焊接生产过程的全面监控和智能管理。这不仅提高了焊接生产的质量和效率，还为保障船闸等大型工程结构的安全性和可靠性提供了有力保障。
在一些实施例中，步骤40中的所述依据所述传感监控语义知识向量、所述传感监控语义优化向量以及所述第一人字门焊接缺陷检测观点，获取对所述目标生产焊接传感监控数据进行缺陷检测的输出标签，包括步骤41-步骤42。
步骤41、依据所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果，获取第二人字门焊接缺陷检测观点；所述第二人字门焊接缺陷检测观点中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第二属性检测结果，所述第二属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重。
步骤42、依据所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点，获取所述输出标签中的定位特征；所述定位特征中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第三属性检测结果，所述第三属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重。
在一些实施例中，步骤40进一步细化为步骤41和步骤42，以便更精确地获取对目标生产焊接传感监控数据进行缺陷检测的输出标签。以下是详细的举例解释说明：
在步骤41中，核心是比较传感监控语义知识向量和传感监控语义优化向量，以获取第二人字门焊接缺陷检测观点。具体来说，数据管理系统会对比这两个向量中的元素和特征，分析它们之间的差异和相似性。这种比较可能涉及向量的维度、数值、方向等多个方面。
例如，系统可能会计算两个向量之间的余弦相似度或欧氏距离，以量化它们之间的相似性或差异程度。基于这些比较结果，系统会生成第二人字门焊接缺陷检测观点。这个观点包含了与目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第二属性检测结果。这些结果以置信权重的形式表示，用于量化每个传感监控数据单元存在缺陷的可能性。
需要注意的是，这里的置信权重是一个概率值或分数，它反映了系统对每个传感监控数据单元存在缺陷的信心程度。权重越高，表示系统越有信心认为该数据单元存在缺陷；反之，权重越低，表示系统认为该数据单元存在缺陷的可能性较小。
在步骤42中，数据管理系统将结合第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点，以获取输出标签中的定位特征。这两个观点都包含了关于传感监控数据单元是否存在缺陷的信息，但它们可能来源于不同的分析方法和数据特征。
为了综合利用这两个观点的信息，系统可能会采用加权平均、投票机制或其他融合策略来将它们结合起来。通过这种方式，系统可以生成一个更全面、更准确的缺陷检测结果。这个结果就是输出标签中的定位特征，它包括了与目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第三属性检测结果。
同样地，这些第三属性检测结果也以置信权重的形式表示，用于量化每个传感监控数据单元存在缺陷的可能性。这些权重是基于前两个观点的综合分析得出的，因此它们可能更准确地反映了每个数据单元的实际状态。最终，这些定位特征将被用作输出标签的一部分，为生产人员提供有关焊接质量缺陷的详细信息和指导。
如此，通过综合运用传感监控语义知识向量和传感监控语义优化向量，以及结合第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点，该技术方案能够更全面、更准确地检测出焊接过程中的缺陷。这种多重验证的方法有效避免了单一检测手段可能带来的误判或漏检，从而显著提高了缺陷检测的准确性和可靠性。通过获取输出标签中的定位特征，该技术方案能够精准地定位到焊接过程中存在缺陷的具体位置。这为后续的缺陷修复和工艺改进提供了有力的支持，使得生产人员能够迅速找到问题所在并进行针对性的处理。由于该技术方案能够实时、准确地检测出焊接过程中的缺陷，并及时反馈给生产人员，因此它有助于生产人员及时调整焊接参数和工艺，从而降低次品率，提高生产效率。同时，通过持续优化焊接工艺和减少缺陷的产生，该技术方案还能够显著提升焊接产品的质量。该技术方案可以无缝接入工业互联网平台，与其他生产设备及管理系统进行数据交换和协同工作。这意味着它可以轻松地与其他制造环节进行集成和联动，实现整个制造过程的自动化和智能化水平的提升。此外，它还可以根据不同的焊接工艺和要求进行定制化开发，以满足不同客户的需求。
在一些示例中，所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果的注意力指标数小于所述目标生产焊接传感监控数据的传感监控数据单元的个数；则所述依据所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果，获取第二人字门焊接缺陷检测观点，包括：对所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果取设定变量，并对所述设定变量进行预测获得所述第二人字门焊接缺陷检测观点。
在一些示例中，当传感监控语义知识向量和传感监控语义优化向量之间的比较结果的注意力指标数小于目标生产焊接传感监控数据的传感监控数据单元的个数时，系统需要采取一种特殊的方法来获取第二人字门焊接缺陷检测观点。以下是详细的举例解释说明。
首先，注意力指标数小于传感监控数据单元个数的情况意味着并不是所有的数据单元都能直接从比较结果中获得对应的缺陷检测信息。这可能是由于数据特征的稀疏性、噪声干扰或其他原因导致的。为了解决这个问题，系统需要对比较结果进行进一步的处理和分析。
具体来说，系统会对传感监控语义知识向量和传感监控语义优化向量之间的比较结果取设定变量。这个设定变量可以是一个数值、一个向量或一个更复杂的数学结构，它用于提取和表示比较结果中的关键信息。这个步骤相当于对原始数据进行了一次降维或特征提取，以便于后续的预测和分析。
接下来，系统会对这个设定变量进行预测，以获得第二人字门焊接缺陷检测观点。预测的方法可以基于机器学习算法、统计模型或其他数据分析技术。例如，系统可以使用一个训练好的神经网络模型来预测设定变量与焊接缺陷之间的关系。通过输入设定变量作为模型的输入，模型会输出一个预测结果，即第二人字门焊接缺陷检测观点。
这个预测结果包含了与目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第二属性检测结果。这些结果以置信权重的形式表示，用于量化每个传感监控数据单元存在缺陷的可能性。需要注意的是，由于注意力指标数小于传感监控数据单元个数，因此这些第二属性检测结果可能是基于部分数据或插值等方法推断出来的。
最后，系统可以结合第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点，获取输出标签中的定位特征。这些定位特征为生产人员提供了有关焊接质量缺陷的详细信息和指导，有助于实现焊接过程的精准控制和持续改进。
如此，通过引入设定变量并对比较结果进行预测，该技术方案能够在注意力指标数不足的情况下，有效地提取和利用数据中的关键信息，避免了数据的浪费和冗余处理，从而提高了数据处理和分析的效率。该技术方案通过综合运用多种数据处理和分析方法，能够在复杂多变的焊接环境中稳定地检测出潜在的缺陷。即使在部分数据缺失或受到干扰的情况下，该技术方案也能通过预测和推断等方法获得相对准确的缺陷检测结果。通过结合第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点，该技术方案能够为生产人员提供全面、详细的焊接质量反馈和指导。这不仅有助于及时发现和修复缺陷，还能够为工艺改进和优化提供有力的数据支持。该技术方案是智能化生产在焊接领域的重要应用之一。通过实现自动化、智能化的焊接质量监控和缺陷检测，该技术方案有助于推动焊接生产的数字化转型和升级，提高生产效率和产品质量，降低生产成本和风险，从而为企业创造更大的价值。
在接下来的步骤中，所述依据所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点，获取所述输出标签中的定位特征，包括：对所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点进行残差处理或者特征焦点化，获得所述定位特征。
在接下来的步骤中，系统需要对第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点进行进一步的处理，以获取输出标签中的定位特征。这涉及到对两个观点进行残差处理或特征焦点化。
残差处理是一种常用的数据处理方法，它旨在提取两个或多个数据之间的差异信息。在这个上下文中，系统可以计算第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点之间的残差，即它们之间的差异。这种差异反映了两个观点在检测焊接缺陷时的不同侧重点或互补性。通过残差处理，系统能够突出显示那些在一个观点中可能被忽视或低估的缺陷信息。
特征焦点化则是另一种数据处理技术，它强调数据中的特定特征或属性。在这个场景中，系统可以对第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点进行特征焦点化，以突出它们各自认为重要的缺陷特征。这有助于系统更准确地识别和定位焊接过程中的关键缺陷区域。
在实施时，系统会根据具体的算法和模型对这两个观点进行残差处理或特征焦点化。例如，系统可以使用深度学习模型来学习如何计算残差或进行特征焦点化，以便从两个观点中提取出最有用的信息。这些处理后的数据将被用作输出标签中的定位特征。
通过这些步骤，系统能够综合利用第一人字门焊接缺陷检测观点和第二人字门焊接缺陷检测观点的信息，从而更准确地识别和定位焊接过程中的缺陷。这不仅提高了缺陷检测的准确性和可靠性，还为生产人员提供了更详细、更全面的焊接质量反馈和指导。
总的来说，该技术方案通过综合运用多种数据处理和分析方法，实现了对焊接过程的高效、精准监控和缺陷检测。它不仅能够提高生产效率和产品质量，还能够降低生产成本和风险，为企业创造更大的价值。同时，该技术方案也推动了智能化生产在焊接领域的应用和发展，为行业的数字化转型和升级提供了有力的支持。
在另一些可能的实施例中，所述方法还包括：依据所述定位特征，获取所述输出标签中的传感监控故障隐患子标签，所述传感监控故障隐患子标签用于表征所述目标生产焊接传感监控数据属于缺陷生产焊接传感监控数据的置信权重。
在另一些可能的实施例中，该方法进一步扩展了其功能，包括依据定位特征来获取输出标签中的传感监控故障隐患子标签。这一步骤是为了更细致地识别和分类焊接过程中可能出现的故障隐患。
具体来说，系统会根据之前步骤中获得的定位特征，这些特征已经精确指出了焊接过程中存在缺陷的位置和类型。接下来，系统会利用这些定位特征来分析和评估目标生产焊接传感监控数据，以确定其是否属于缺陷生产焊接传感监控数据。
在这个过程中，系统可能会运用各种算法和模型，如机器学习算法、深度学习模型等，来对传感监控数据进行处理和分析。这些算法和模型会根据定位特征中的信息，如缺陷的位置、大小、形状等，来计算出目标生产焊接传感监控数据属于缺陷生产焊接传感监控数据的置信权重。
置信权重是一个概率值或分数，它反映了系统对目标生产焊接传感监控数据存在缺陷的信心程度。权重越高，表示系统越有信心认为该数据存在缺陷；反之，权重越低，表示系统认为该数据存在缺陷的可能性较小。
最终，系统会生成一个传感监控故障隐患子标签，并将其添加到输出标签中。这个子标签包含了目标生产焊接传感监控数据属于缺陷生产焊接传感监控数据的置信权重信息。生产人员可以通过查看这个子标签，快速了解焊接过程中可能存在的故障隐患及其严重程度。
通过这种方式，该方法不仅提高了焊接缺陷检测的准确性和效率，还为生产人员提供了更详细、更全面的焊接质量反馈和指导。这有助于及时发现和修复焊接过程中的故障隐患，提高产品质量和生产效率，降低生产成本和风险。同时，该方法也推动了智能化生产在焊接领域的应用和发展，为行业的数字化转型和升级提供了有力的支持。
在一些优选的设计思路下，所述依据所述定位特征，获取所述输出标签中的传感监控故障隐患子标签，包括：对所述定位特征中各个第三属性检测结果取指定检测评分或者目标状态评分，获得所述传感监控故障隐患子标签。
在一些优选的设计思路下，系统获取输出标签中的传感监控故障隐患子标签的过程会进一步细化。这一过程主要涉及到对定位特征中各个第三属性检测结果的评分处理。
首先，需要明确的是，定位特征已经通过前面的步骤精确指出了焊接过程中可能存在的缺陷位置和类型。这些定位特征中包含了多个第三属性检测结果，每个结果都对应着焊接过程中某一具体位置的特定属性（如温度、压力、电流等）是否异常或存在缺陷。
接下来，系统会对这些第三属性检测结果进行评分处理。这里的评分可以是指定检测评分，也可以是目标状态评分。指定检测评分是根据预设的评分标准对每个第三属性检测结果进行打分，评分标准可能基于历史数据、行业标准或专家经验等。而目标状态评分则是根据焊接过程的理想状态或目标状态来评估每个第三属性检测结果的符合程度，并给出相应的分数。
通过评分处理，系统能够将每个第三属性检测结果量化为一个具体的分数或评级，这些分数或评级反映了该位置焊接质量的优劣以及存在故障隐患的可能性大小。然后，系统会根据这些评分结果生成传感监控故障隐患子标签。这些子标签不仅包含了缺陷的位置信息，还通过评分的方式提供了对缺陷严重程度的量化评估。
最终，这些传感监控故障隐患子标签会被添加到输出标签中，作为对焊接过程质量监控和故障预警的重要依据。生产人员可以通过查看这些子标签，快速了解焊接过程中可能存在的故障隐患及其严重程度，从而及时采取相应的措施进行修复或调整焊接参数，以确保产品质量和生产安全。
综上所述，这种优选的设计思路通过引入评分机制，使得系统能够更准确地识别和评估焊接过程中的故障隐患。这不仅提高了焊接质量监控的准确性和效率，还为生产人员提供了更直观、更全面的焊接质量反馈和指导。同时，该方案也有助于推动焊接生产的智能化和自动化水平提升，为企业创造更大的价值。
在又一些可能的设计思路下，所述对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量，包括：将所述目标生产焊接传感监控数据录入生产焊接传感监控处理网络中的语义知识挖掘分支，获得所述语义知识挖掘分支生成的所述传感监控语义知识向量。
且所述对所述传感监控语义知识向量进行语义嵌入和语义更新，获得传感监控语义优化向量，包括：将所述传感监控语义知识向量录入所述生产焊接传感监控处理网络中的知识特征处理分支，获得所述知识特征处理分支生成的所述传感监控语义优化向量，所述传感监控语义优化向量的维度与所述传感监控语义知识向量的维度相同。
且所述将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的第一人字门焊接缺陷检测观点，包括：将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入所述生产焊接传感监控处理网络中的所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的所述第一人字门焊接缺陷检测观点。
其中，所述生产焊接传感监控处理网络是基于第一生产焊接传感监控数据示例进行无标注调试得到的神经网络算法；所述第一生产焊接传感监控数据示例是不存在缺陷的生产焊接传感监控数据。
在又一些可能的设计思路下，系统对目标生产焊接传感监控数据的处理更加精细化和专门化。这主要涉及到将不同的数据处理任务分配给生产焊接传感监控处理网络中的不同分支，并利用该网络进行语义知识挖掘、语义嵌入和语义更新，以及自动化缺陷检测。
首先，系统会将目标生产焊接传感监控数据录入生产焊接传感监控处理网络中的语义知识挖掘分支。这个分支是专门用来对传感监控数据进行深度分析和挖掘，以提取其中的语义知识。通过在该分支中运行一系列的算法和模型，系统能够生成传感监控语义知识向量。这个向量是对目标生产焊接传感监控数据中隐含的语义信息的抽象表示，它包含了关于焊接过程状态的重要知识。
接着，系统会将生成的传感监控语义知识向量录入生产焊接传感监控处理网络中的知识特征处理分支。在这个分支中，系统会进行语义嵌入和语义更新的操作。语义嵌入是将语义知识向量映射到一个低维向量空间中，同时保持向量间的语义关系不变。而语义更新则是根据最新的焊接过程信息对语义知识向量进行修正和优化。通过这些操作，系统能够获得传感监控语义优化向量，其维度与传感监控语义知识向量的维度相同，但包含了更多更新和优化的语义信息。
最后，系统会将传感监控语义优化向量与传感监控语义知识向量之间的比较结果录入生产焊接传感监控处理网络中的自动化生产缺陷检测算法。这个算法是根据大量的历史数据和专家经验进行训练的，它能够根据输入的语义向量比较结果来识别和判断焊接过程中是否存在缺陷。通过运行这个算法，系统能够获得自动化生产缺陷检测算法生成的第一人字门焊接缺陷检测观点。这个观点是对焊接过程中可能存在的缺陷的初步判断和预测。
需要注意的是，生产焊接传感监控处理网络是基于第一生产焊接传感监控数据示例进行无标注调试得到的神经网络算法。第一生产焊接传感监控数据示例是不存在缺陷的生产焊接传感监控数据。这意味着该网络是通过学习正常的、无缺陷的焊接过程数据来构建的，因此它能够有效地识别和判断与正常数据存在偏差的缺陷数据。
综上所述，这种设计思路通过利用专门化的神经网络分支对焊接过程数据进行深度分析和处理，能够更准确地识别和判断焊接过程中的缺陷。同时，由于网络是通过学习无缺陷数据来构建的，因此它具有更强的泛化能力和适应性，能够应用于各种不同的焊接场景和工艺条件。这将有助于提高焊接质量监控的准确性和效率，降低生产成本和风险，为企业创造更大的价值。
在一些可选的实施例中，所述对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量之前，还包括：依据所述第一生产焊接传感监控数据示例，获取第一高亮数据文本、第二高亮数据文本以及第二生产焊接传感监控数据示例；所述第一高亮数据文本用于表征所述第一生产焊接传感监控数据示例中不存在缺陷的传感监控数据单元，所述第二高亮数据文本用于表征生产焊接传感监控数据示例中存在缺陷的传感监控数据单元，所述第二生产焊接传感监控数据示例是依据所述第一生产焊接传感监控数据示例和所述第二高亮数据文本衍生的生产焊接传感监控数据；将所述第一生产焊接传感监控数据示例录入所述语义知识挖掘分支，获得所述语义知识挖掘分支生成的第一传感监控语义知识向量示例；将所述第一传感监控语义知识向量示例录入所述知识特征处理分支，获得所述知识特征处理分支生成的第一传感监控语义优化向量示例；将所述第一传感监控语义优化向量示例与所述第一传感监控语义知识向量示例之间的比较结果录入所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法输出第一人字门焊接缺陷检测观点示例；将所述第二生产焊接传感监控数据示例录入所述语义知识挖掘分支，获得所述语义知识挖掘分支生成的第二传感监控语义知识向量示例；将所述第二生产焊接传感监控数据提取样本录入所述知识特征处理分支，获得所述知识特征处理分支生成的第二传感监控语义优化向量示例；将所述第二传感监控语义优化向量示例与所述第二传感监控语义知识向量示例之间的比较结果录入所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法输出第二人字门焊接缺陷检测观点示例；依据所述第一传感监控语义知识向量示例、所述第一传感监控语义优化向量示例、所述第一人字门焊接缺陷检测观点示例、所述第二传感监控语义知识向量示例、所述第二传感监控语义优化向量示例、以及所述第二人字门焊接缺陷检测观点示例获取算法调试误差评估变量；通过所述算法调试误差评估变量，对所述生产焊接传感监控处理网络的网络变量进行改进。
在一些可选的实施例中，技术方案在实施过程中会经历一系列细致的步骤，以确保对目标生产焊接传感监控数据进行精确处理，并不断优化自动化生产缺陷检测算法的性能。以下是详细的举例解释说明。
首先，系统会依据第一生产焊接传感监控数据示例来获取第一高亮数据文本和第二高亮数据文本。第一高亮数据文本用于标识那些在第一生产焊接传感监控数据示例中没有缺陷的传感监控数据单元，而第二高亮数据文本则用于标识存在缺陷的传感监控数据单元。这些数据文本是通过专业的数据分析和处理技术从原始传感监控数据中提取出来的，它们能够准确地反映出焊接过程中的各种情况。
接下来，系统会利用第二高亮数据文本和第一生产焊接传感监控数据示例来衍生出第二生产焊接传感监控数据示例。这个过程可能涉及到对原始数据的修改、重组或添加噪声等操作，目的是生成一种与原始数据相似但又不完全相同的新数据，用于测试和优化自动化生产缺陷检测算法的性能。
然后，系统会将第一生产焊接传感监控数据示例录入语义知识挖掘分支，通过该分支的处理生成第一传感监控语义知识向量示例。这个向量示例包含了从原始传感监控数据中挖掘出的语义知识信息，它是对原始数据的一种高层次的抽象和表示。
接着，系统会将第一传感监控语义知识向量示例录入知识特征处理分支，获得该分支生成的第一传感监控语义优化向量示例。这个优化向量示例是在语义知识向量的基础上进行进一步处理得到的，它可能包含了更多的特征信息和更精细的语义描述。
随后，系统会将第一传感监控语义优化向量示例与第一传感监控语义知识向量示例之间的比较结果录入自动化生产缺陷检测算法，通过算法的处理输出第一人字门焊接缺陷检测观点示例。这个观点示例是对焊接过程中可能存在的缺陷的一种预测或判断，它是基于语义知识和优化向量的比较结果得出的。
同样的步骤也会应用于第二生产焊接传感监控数据示例，系统会生成第二传感监控语义知识向量示例、第二传感监控语义优化向量示例以及第二人字门焊接缺陷检测观点示例。
最后，系统会依据这些向量示例和观点示例来获取算法调试误差评估变量。这些评估变量能够反映出自动化生产缺陷检测算法在处理不同传感监控数据时的性能和准确性。通过分析和比较这些评估变量，系统可以对生产焊接传感监控处理网络的网络变量进行改进，从而优化算法的性能和提高缺陷检测的准确性。
这种技术方案的实施不仅可以提升自动化生产线上焊接过程的监控水平，还能够及时发现和解决焊接过程中可能出现的各种缺陷问题，从而提高产品质量和生产效率。同时，通过不断优化和改进自动化生产缺陷检测算法，还可以进一步提升系统的智能化水平和自适应能力，为企业的生产和发展提供有力的技术支持。
更进一步地，所述依据所述第一传感监控语义知识向量示例、所述第一传感监控语义优化向量示例、所述第一人字门焊接缺陷检测观点示例、所述第二传感监控语义知识向量示例、所述第二传感监控语义优化向量示例、以及所述第二人字门焊接缺陷检测观点示例获取算法调试误差评估变量，包括：依据所述第一传感监控语义知识向量示例与所述第一传感监控语义优化向量示例之间的区别，获取第一算法调试误差评估变量；依据所述第一人字门焊接缺陷检测观点示例与所述第一高亮数据文本之间的区别，获取第二算法调试误差评估变量；依据所述第二传感监控语义知识向量示例与所述第二传感监控语义优化向量示例之间的区别，获取第三算法调试误差评估变量；依据所述第二人字门焊接缺陷检测观点示例与所述第二高亮数据文本之间的区别，获取第四算法调试误差评估变量。
更进一步地，在技术方案中，系统通过多个步骤获取算法调试误差评估变量，这些变量对于优化和调整自动化生产缺陷检测算法至关重要。以下是详细的举例解释说明。
首先，系统依据第一传感监控语义知识向量示例与第一传感监控语义优化向量示例之间的区别，获取第一算法调试误差评估变量。这一步骤涉及到比较两个向量之间的差异，通常可以通过计算它们之间的欧氏距离、余弦相似度或其他向量相似性度量来实现。第一传感监控语义知识向量示例代表了初始的、未经优化的语义知识，而第一传感监控语义优化向量示例则是经过语义嵌入和语义更新后的优化结果。它们之间的区别反映了优化过程对语义知识的影响程度，以及优化算法的有效性。通过计算这个区别，系统能够获得一个量化的评估指标，即第一算法调试误差评估变量，用于衡量算法在语义知识挖掘和优化方面的性能。
其次，系统依据第一人字门焊接缺陷检测观点示例与第一高亮数据文本之间的区别，获取第二算法调试误差评估变量。这里的第一高亮数据文本是指与第一人字门焊接缺陷检测观点相关的关键信息或特征被高亮显示的数据文本。系统会比较检测观点与高亮数据文本之间的一致性和差异性，以评估算法在缺陷检测方面的准确性。例如，如果检测观点与高亮数据文本之间存在较大的差异，可能意味着算法在提取关键信息或判断缺陷类型时存在误差。通过计算这个区别，系统能够获得第二算法调试误差评估变量，用于指导算法的进一步调试和优化。
类似地，系统还会依据第二传感监控语义知识向量示例与第二传感监控语义优化向量示例之间的区别，获取第三算法调试误差评估变量。以及依据第二人字门焊接缺陷检测观点示例与第二高亮数据文本之间的区别，获取第四算法调试误差评估变量。这些步骤与前面提到的步骤类似，只是使用的数据示例和获取的评估变量不同而已。
最终，系统通过综合这四个算法调试误差评估变量，可以对自动化生产缺陷检测算法进行全面的性能评估。这些评估变量不仅反映了算法在语义知识挖掘和优化方面的能力，还体现了算法在缺陷检测准确性方面的表现。基于这些评估结果，系统可以针对性地进行算法调试和优化，以提高焊接缺陷检测的准确性和效率。这将有助于提升焊接生产的质量控制和智能化水平。
下面对上述四个算法调试误差评估变量进行示例性的介绍说明。
第一算法调试误差评估变量：
第一传感监控语义知识向量示例代表了焊接过程中温度传感器的读数，而第一传感监控语义优化向量示例是经过算法处理后的优化结果。如果优化算法的目的是更准确地反映实际焊接温度，那么第一算法调试误差评估变量可以是这两个向量之间的差值或相似度度量。
举例：
原始温度读数向量：[200，210，220，230]（每个数字代表一个时间点的温度）；
优化后的温度向量：[205，215，225，235]；
误差评估变量：可以是两者之间的平均绝对误差（MAE），如（|200-205|+|210-215|+|220-225|+|230-235|）/4=5；
这个误差评估变量表明优化算法在每个时间点上平均偏离了原始读数5个单位。
第二算法调试误差评估变量：
第二算法调试误差评估变量涉及缺陷检测观点与实际高亮数据文本之间的比较。例如第一人字门焊接缺陷检测观点示例指出“焊缝不连续”，而第一高亮数据文本是从焊接图像中提取的关键区域，实际显示了焊缝的连续性。
举例：
检测观点：“焊缝不连续”；
高亮数据文本：焊接图像中连续焊缝的区域被高亮显示；
误差评估变量：可以是基于文本相似性或图像处理的度量，比如如果检测观点与高亮区域不符，则误差较大。
这个误差评估变量可能是一个基于文本和图像对比的复杂度量，用于衡量检测算法在识别焊缝连续性方面的准确性。
第三算法调试误差评估变量：
第三算法调试误差评估变量与第一变量类似，但使用的是第二组数据示例。例如第二传感监控语义知识向量示例和压力传感器的读数相关，而第二传感监控语义优化向量示例是优化后的结果。
举例：
原始压力读数向量：[100，110，120，130]；
优化后的压力向量：[95，105，125，135]；
误差评估变量同样可以是MAE，如：
（|100-95|+|110-105|+|120-125|+|130-135|）/4=5。
这个误差评估变量表明在处理压力传感器数据时，优化算法同样平均偏离了原始读数5个单位。
第四算法调试误差评估变量：
第四算法调试误差评估变量涉及第二人字门焊接缺陷检测观点示例与第二高亮数据文本之间的比较。这可能涉及不同类型的缺陷，如“焊接气孔”或“焊接裂纹”。
举例：
检测观点：“焊接气孔”；
高亮数据文本：焊接图像中显示气孔的区域被高亮显示；
误差评估变量：与第二变量类似，基于文本和图像对比的度量来衡量检测观点与高亮区域之间的一致性。
这个误差评估变量将帮助评估算法在识别特定类型焊接缺陷（如气孔）方面的性能。
通过这些具体的误差评估变量，系统可以对自动化生产缺陷检测算法进行细致的调试和优化，以提高其在不同焊接场景下的准确性和可靠性。
在一些可独立的实施例中，在依据所述传感监控语义知识向量、所述传感监控语义优化向量以及所述第一人字门焊接缺陷检测观点，获取对所述目标生产焊接传感监控数据进行缺陷检测的输出标签之后，所述方法还包括：根据所述输出标签对人字门自动化生产产线进行调整处理。
进一步地，根据所述输出标签对人字门自动化生产产线进行调整处理的过程可以包括子步骤：
（1）输出标签解析：
系统首先解析所述输出标签，识别出其中包含的缺陷类型、缺陷位置、缺陷严重程度信息。
例如，输出标签可能指出“焊缝不连续，位置：人字门左上角，严重程度：中等”。
（2）产线状态同步：
系统与人字门自动化生产产线的控制系统进行通信，同步当前产线的生产状态，包括焊接机器人的位置、速度、焊接参数。
如此，这确保了在调整处理之前，系统对产线的实际操作有准确的了解。
（3）缺陷定位与可视化：
利用产线上的摄像头或传感器，系统对识别出的缺陷位置进行定位，并在产线的监控界面上高亮显示缺陷区域。
例如，操作人员或自动化系统可以直观地看到缺陷的具体位置，有助于后续的调整决策。
（4）调整策略制定：
根据解析出的缺陷类型和严重程度，系统查询预设的调整策略数据库，找到对应的调整方案。调整方案包括修改焊接参数（如电流、电压、焊接速度），调整焊接机器人的轨迹或姿态，更换有缺陷的部件。
（5）调整指令下发与执行：
系统将制定的调整策略转换为具体的调整指令，并通过控制系统下发给人字门自动化生产产线。
例如，产线接收到指令后，执行相应的调整操作，如调整焊接机器人的焊接参数或移动轨迹等。
（6）调整效果验证：
在调整完成后，系统再次对调整后的焊接过程进行监控和数据采集。通过对比分析调整前后的数据，系统评估调整效果，确保缺陷问题得到有效解决。
如果调整效果不理想，系统可以重复上述步骤（2）-（5），进行进一步的优化处理。
（7）反馈学习与优化：
系统将每次的调整过程和结果记录在案，并利用机器学习算法对记录的数据进行分析和学习。
通过不断的学习和反馈，系统可以优化调整策略数据库，提高未来对类似缺陷问题的处理效率和准确性。
这些子步骤构成了一个完整且有创造性的技术方案，用于根据输出标签对人字门自动化生产产线进行调整处理。通过这个方案，不仅可以及时发现和解决焊接过程中的缺陷问题，还可以不断提升产线的智能化水平和生产效率。
图2为本申请实施例提供的一种数据管理系统200的结构示意图。如图2所示的数据管理系统200包括处理器210，处理器210可以从存储器中调用并运行计算机程序，以实现本申请实施例中的方法。
可选地，如图2所示，数据管理系统200还可以包括存储器230。其中，处理器210可以从存储器230中调用并运行计算机程序，以实现本申请实施例中的方法。
其中，存储器230可以是独立于处理器210的一个单独的器件，也可以集成在处理器210中。
可选地，如图2所示，数据管理系统200还可以包括收发器220，处理器210可以控制该收发器220与其他设备进行交互，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。
可选地，该数据管理系统200可以实现本申请实施例的各个方法中存储引擎或存储引擎中的部件（如处理模块）或者部署有存储引擎的设备对应的相应流程，为了简洁，在此不再赘述。
应理解，本申请实施例的处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
可以理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable ROM，PROM）、可擦除可编程只读存储器（Erasable PROM，EPROM）、电可擦除可编程只读存储器（Electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（Random Access Memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（Static RAM，SRAM）、动态随机存取存储器（Dynamic RAM，DRAM）、同步动态随机存取存储器（Synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（Double Data RateSDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（Enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（DirectRambus RAM，DR RAM）。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，上述存储器为示例性但不是限制性说明，例如，本申请实施例中的存储器还可以是静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（dynamic RAM，DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（doubledata rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synch link DRAM，SLDRAM）以及直接内存总线随机存取存储器（Direct Rambus RAM，DR RAM）等等。也就是说，本申请实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述基础上，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。
Claims (10)
1.一种基于船闸人字门自动化生产的焊接数据管理方法，其特征在于，应用于数据管理系统，所述方法包括：
对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量；
对所述传感监控语义知识向量进行语义嵌入和语义更新，获得传感监控语义优化向量；
将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的第一人字门焊接缺陷检测观点，所述第一人字门焊接缺陷检测观点中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第一属性检测结果，所述第一属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重；所述自动化生产缺陷检测算法是基于增广生产焊接传感监控数据示例进行调试得到的神经网络算法，所述增广生产焊接传感监控数据示例是基于不存在缺陷的生产焊接传感监控数据衍生的有缺陷的生产焊接传感监控数据；
依据所述传感监控语义知识向量、所述传感监控语义优化向量以及所述第一人字门焊接缺陷检测观点，获取对所述目标生产焊接传感监控数据进行缺陷检测的输出标签。
2.根据权利要求1所述的方法，其特征在于，所述依据所述传感监控语义知识向量、所述传感监控语义优化向量以及所述第一人字门焊接缺陷检测观点，获取对所述目标生产焊接传感监控数据进行缺陷检测的输出标签，包括：
依据所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果，获取第二人字门焊接缺陷检测观点；所述第二人字门焊接缺陷检测观点中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第二属性检测结果，所述第二属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重；
依据所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点，获取所述输出标签中的定位特征；所述定位特征中包括与所述目标生产焊接传感监控数据中的各个传感监控数据单元分别对应的第三属性检测结果，所述第三属性检测结果用于表征对应的传感监控数据单元存在缺陷的置信权重。
3.根据权利要求2所述的方法，其特征在于，所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果的注意力指标数小于所述目标生产焊接传感监控数据的传感监控数据单元的个数；
所述依据所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果，获取第二人字门焊接缺陷检测观点，包括：
对所述传感监控语义知识向量和所述传感监控语义优化向量之间的比较结果取设定变量，并对所述设定变量进行预测获得所述第二人字门焊接缺陷检测观点。
4.根据权利要求2所述的方法，其特征在于，所述依据所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点，获取所述输出标签中的定位特征，包括：
对所述第一人字门焊接缺陷检测观点以及所述第二人字门焊接缺陷检测观点进行残差处理或者特征焦点化，获得所述定位特征。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
依据所述定位特征，获取所述输出标签中的传感监控故障隐患子标签，所述传感监控故障隐患子标签用于表征所述目标生产焊接传感监控数据属于缺陷生产焊接传感监控数据的置信权重。
6.根据权利要求5所述的方法，其特征在于，所述依据所述定位特征，获取所述输出标签中的传感监控故障隐患子标签，包括：
对所述定位特征中各个第三属性检测结果取指定检测评分或者目标状态评分，获得所述传感监控故障隐患子标签。
7.根据权利要求1至6任一所述的方法，其特征在于，所述对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量，包括：将所述目标生产焊接传感监控数据录入生产焊接传感监控处理网络中的语义知识挖掘分支，获得所述语义知识挖掘分支生成的所述传感监控语义知识向量；
所述对所述传感监控语义知识向量进行语义嵌入和语义更新，获得传感监控语义优化向量，包括：将所述传感监控语义知识向量录入所述生产焊接传感监控处理网络中的知识特征处理分支，获得所述知识特征处理分支生成的所述传感监控语义优化向量，所述传感监控语义优化向量的维度与所述传感监控语义知识向量的维度相同；
所述将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的第一人字门焊接缺陷检测观点，包括：将所述传感监控语义优化向量与所述传感监控语义知识向量之间的比较结果录入所述生产焊接传感监控处理网络中的所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法生成的所述第一人字门焊接缺陷检测观点；
其中，所述生产焊接传感监控处理网络是基于第一生产焊接传感监控数据示例进行无标注调试得到的神经网络算法；所述第一生产焊接传感监控数据示例是不存在缺陷的生产焊接传感监控数据。
8.根据权利要求7所述的方法，其特征在于，所述对目标生产焊接传感监控数据进行语义知识挖掘，获得所述目标生产焊接传感监控数据的传感监控语义知识向量之前，还包括：
依据所述第一生产焊接传感监控数据示例，获取第一高亮数据文本、第二高亮数据文本以及第二生产焊接传感监控数据示例；所述第一高亮数据文本用于表征所述第一生产焊接传感监控数据示例中不存在缺陷的传感监控数据单元，所述第二高亮数据文本用于表征生产焊接传感监控数据示例中存在缺陷的传感监控数据单元，所述第二生产焊接传感监控数据示例是依据所述第一生产焊接传感监控数据示例和所述第二高亮数据文本衍生的生产焊接传感监控数据；
将所述第一生产焊接传感监控数据示例录入所述语义知识挖掘分支，获得所述语义知识挖掘分支生成的第一传感监控语义知识向量示例；
将所述第一传感监控语义知识向量示例录入所述知识特征处理分支，获得所述知识特征处理分支生成的第一传感监控语义优化向量示例；
将所述第一传感监控语义优化向量示例与所述第一传感监控语义知识向量示例之间的比较结果录入所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法输出第一人字门焊接缺陷检测观点示例；
将所述第二生产焊接传感监控数据示例录入所述语义知识挖掘分支，获得所述语义知识挖掘分支生成的第二传感监控语义知识向量示例；
将所述第二生产焊接传感监控数据提取样本录入所述知识特征处理分支，获得所述知识特征处理分支生成的第二传感监控语义优化向量示例；
将所述第二传感监控语义优化向量示例与所述第二传感监控语义知识向量示例之间的比较结果录入所述自动化生产缺陷检测算法，获得所述自动化生产缺陷检测算法输出第二人字门焊接缺陷检测观点示例；
依据所述第一传感监控语义知识向量示例、所述第一传感监控语义优化向量示例、所述第一人字门焊接缺陷检测观点示例、所述第二传感监控语义知识向量示例、所述第二传感监控语义优化向量示例、以及所述第二人字门焊接缺陷检测观点示例获取算法调试误差评估变量；
通过所述算法调试误差评估变量，对所述生产焊接传感监控处理网络的网络变量进行改进。
9.根据权利要求8所述的方法，其特征在于，所述依据所述第一传感监控语义知识向量示例、所述第一传感监控语义优化向量示例、所述第一人字门焊接缺陷检测观点示例、所述第二传感监控语义知识向量示例、所述第二传感监控语义优化向量示例、以及所述第二人字门焊接缺陷检测观点示例获取算法调试误差评估变量，包括：
依据所述第一传感监控语义知识向量示例与所述第一传感监控语义优化向量示例之间的区别，获取第一算法调试误差评估变量；
依据所述第一人字门焊接缺陷检测观点示例与所述第一高亮数据文本之间的区别，获取第二算法调试误差评估变量；
依据所述第二传感监控语义知识向量示例与所述第二传感监控语义优化向量示例之间的区别，获取第三算法调试误差评估变量；
依据所述第二人字门焊接缺陷检测观点示例与所述第二高亮数据文本之间的区别，获取第四算法调试误差评估变量。
10.一种数据管理系统，其特征在于，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410397086.XA CN117984024B (zh) | 2024-04-03 | 2024-04-03 | 基于船闸人字门自动化生产的焊接数据管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410397086.XA CN117984024B (zh) | 2024-04-03 | 2024-04-03 | 基于船闸人字门自动化生产的焊接数据管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117984024A true CN117984024A (zh) | 2024-05-07 |
| CN117984024B CN117984024B (zh) | 2024-06-18 |
Family
ID=90901440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410397086.XA Active CN117984024B (zh) | 2024-04-03 | 2024-04-03 | 基于船闸人字门自动化生产的焊接数据管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117984024B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6859676B1 (en) * | 2001-04-09 | 2005-02-22 | Ciena Corporation | Method of improving quality of manufactured modules |
| WO2018072326A1 (zh) * | 2016-10-21 | 2018-04-26 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
| JP2020038473A (ja) * | 2018-09-04 | 2020-03-12 | 富士電機株式会社 | 分析装置および不良対策支援方法 |
| CN111366067A (zh) * | 2020-04-15 | 2020-07-03 | 中国水利水电第七工程局有限公司 | 一种定子定位筋焊接变形测量数据自动采集装置 |
| WO2020194000A1 (en) * | 2019-03-28 | 2020-10-01 | Validata Holdings Limited | Method of detecting and removing defects |
| WO2020262260A1 (ja) * | 2019-06-28 | 2020-12-30 | パナソニックＩｐマネジメント株式会社 | リペア溶接システム、リペア溶接方法、検査装置およびロボット制御装置 |
| CN112967272A (zh) * | 2021-03-25 | 2021-06-15 | 郑州大学 | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 |
| US20220088719A1 (en) * | 2020-12-17 | 2022-03-24 | Shenzhenshi Yuzhan Precision Technology Co., Ltd. | Method, apparatus, and non-transitory computer readable medium for detecting welding defects of workpieces |
| CN114780747A (zh) * | 2022-04-22 | 2022-07-22 | 上海电气集团股份有限公司 | 焊接缺陷知识图谱构建方法、焊接缺陷查询方法及系统 |
| WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
| CN115375652A (zh) * | 2022-08-22 | 2022-11-22 | 深圳大学 | 新能源电池极柱焊接缺陷的检测方法、装置、设备及介质 |
| US20230166361A1 (en) * | 2021-11-30 | 2023-06-01 | GM Global Technology Operations LLC | Method and system for weld defect detection |
| CN116578568A (zh) * | 2023-07-12 | 2023-08-11 | 八爪鱼人工智能科技(常熟)有限公司 | 基于人工智能的数据优化存储方法及大数据系统 |
| CN116586719A (zh) * | 2023-06-27 | 2023-08-15 | 广州珠江天然气发电有限公司 | 一种自动焊接监控系统、方法、设备及可读存储介质 |
| CN116910619A (zh) * | 2023-07-17 | 2023-10-20 | 北部湾大学 | 一种基于人工智能的船舶焊接缺陷识别系统 |
| CN117372751A (zh) * | 2023-09-27 | 2024-01-09 | 新奥新智科技有限公司 | 管道缺陷检测方法、装置及存储介质 |
| CN117593298A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市思博威激光科技有限公司 | 一种基于机器视觉的激光焊接质量检测系统 |
| CN117636073A (zh) * | 2024-01-24 | 2024-03-01 | 贵州科筑创品建筑技术有限公司 | 混凝土缺陷检测方法、装置及存储介质 |
-
2024
- 2024-04-03 CN CN202410397086.XA patent/CN117984024B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6859676B1 (en) * | 2001-04-09 | 2005-02-22 | Ciena Corporation | Method of improving quality of manufactured modules |
| WO2018072326A1 (zh) * | 2016-10-21 | 2018-04-26 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
| JP2020038473A (ja) * | 2018-09-04 | 2020-03-12 | 富士電機株式会社 | 分析装置および不良対策支援方法 |
| WO2020194000A1 (en) * | 2019-03-28 | 2020-10-01 | Validata Holdings Limited | Method of detecting and removing defects |
| WO2020262260A1 (ja) * | 2019-06-28 | 2020-12-30 | パナソニックＩｐマネジメント株式会社 | リペア溶接システム、リペア溶接方法、検査装置およびロボット制御装置 |
| CN111366067A (zh) * | 2020-04-15 | 2020-07-03 | 中国水利水电第七工程局有限公司 | 一种定子定位筋焊接变形测量数据自动采集装置 |
| US20220088719A1 (en) * | 2020-12-17 | 2022-03-24 | Shenzhenshi Yuzhan Precision Technology Co., Ltd. | Method, apparatus, and non-transitory computer readable medium for detecting welding defects of workpieces |
| CN112967272A (zh) * | 2021-03-25 | 2021-06-15 | 郑州大学 | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 |
| WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 |
| US20230166361A1 (en) * | 2021-11-30 | 2023-06-01 | GM Global Technology Operations LLC | Method and system for weld defect detection |
| CN114780747A (zh) * | 2022-04-22 | 2022-07-22 | 上海电气集团股份有限公司 | 焊接缺陷知识图谱构建方法、焊接缺陷查询方法及系统 |
| CN115375652A (zh) * | 2022-08-22 | 2022-11-22 | 深圳大学 | 新能源电池极柱焊接缺陷的检测方法、装置、设备及介质 |
| CN116586719A (zh) * | 2023-06-27 | 2023-08-15 | 广州珠江天然气发电有限公司 | 一种自动焊接监控系统、方法、设备及可读存储介质 |
| CN116578568A (zh) * | 2023-07-12 | 2023-08-11 | 八爪鱼人工智能科技(常熟)有限公司 | 基于人工智能的数据优化存储方法及大数据系统 |
| CN116910619A (zh) * | 2023-07-17 | 2023-10-20 | 北部湾大学 | 一种基于人工智能的船舶焊接缺陷识别系统 |
| CN117372751A (zh) * | 2023-09-27 | 2024-01-09 | 新奥新智科技有限公司 | 管道缺陷检测方法、装置及存储介质 |
| CN117593298A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市思博威激光科技有限公司 | 一种基于机器视觉的激光焊接质量检测系统 |
| CN117636073A (zh) * | 2024-01-24 | 2024-03-01 | 贵州科筑创品建筑技术有限公司 | 混凝土缺陷检测方法、装置及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| ZEYU YU: "Defect identification method for ultrasonic inspection of pipeline welds based on cross-modal zero-shot learning", MEASUREMENT SCIENCE AND TECHNOLOGY, vol. 35, no. 2, 7 November 2023 (2023-11-07), pages 833 - 842, XP020482526, DOI: 10.1088/1361-6501/ad0613 * |
| 张永华;张天会;顾丽春;陈运春;李华英;闫沛军;: "焊接接头缺陷尺寸概率分布模型研究", 云南农业大学学报(自然科学), no. 02, 21 March 2013 (2013-03-21), pages 122 - 127 * |
| 曹毅: "船闸人字门现场拼焊技术浅析", 水利电力机械, no. 05, 20 October 2000 (2000-10-20), pages 24 - 28 * |
| 柳锋;李俊峰;戴文战;: "基于深度学习语义分割的导光板缺陷检测方法", 计算机系统应用, no. 06, 15 June 2020 (2020-06-15), pages 33 - 42 * |
| 谷静;谢泽群;张心雨;: "基于改进深度学习模型的焊缝缺陷检测算法", 宇航计测技术, no. 03, 15 June 2020 (2020-06-15), pages 79 - 83 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117984024B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| KR101530848B1 (ko) | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN109784348B (zh) | 一种红外电力设备识别和在线诊断方法及其系统 | |
| KR101508641B1 (ko) | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 | |
| Izagirre et al. | A practical and synchronized data acquisition network architecture for industrial robot predictive maintenance in manufacturing assembly lines | |
| CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
| CN118037741B (zh) | 基于机器视觉的人字门焊接质量检测方法及系统 | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN117932394A (zh) | 电子元器件故障管理方法以及系统 | |
| EP3968103A1 (en) | Explaining machine learning output in industrial applications | |
| CN117762139A (zh) | 基于多源数据分析的智能巡检机器人及其方法 | |
| CN117706290A (zh) | 一种电缆终端潜在击穿故障预警方法 | |
| CN117984024B (zh) | 基于船闸人字门自动化生产的焊接数据管理方法及系统 | |
| Wang et al. | Broad learning system based visual fault diagnosis for electrical equipment thermography images | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| Eddy et al. | A defect prevention concept using artificial intelligence | |
| CN116702030B (zh) | 一种基于传感器可靠性分析的高炉状态监测方法及装置 | |
| Wang et al. | A Multi-View Spatio-Temporal Feature Fusion Approach for Wind Turbine Condition Monitoring Based on SCADA Data | |
| Tabit et al. | Machine Learning: Strategies for industrial defect detection | |
| Zajačko et al. | Possibilities of Using Deep Convolutional Neural Network and Autoencoder Neural Network for Predictive Maintenance Tasks | |
| Sviridov et al. | Analysis of the Application of Machine Learning in Automatic Control Systems | |
| Qi et al. | RUL Prediction of Turbofan Engine Based on WGAN-Trans Under Small Samples |
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 |