CN115146530A - 构建焊接质量检测模型的方法、设备、介质及程序产品 - Google Patents

构建焊接质量检测模型的方法、设备、介质及程序产品 Download PDF

Info

Publication number
CN115146530A
CN115146530A CN202210675530.0A CN202210675530A CN115146530A CN 115146530 A CN115146530 A CN 115146530A CN 202210675530 A CN202210675530 A CN 202210675530A CN 115146530 A CN115146530 A CN 115146530A
Authority
CN
China
Prior art keywords
welding
data
target
weld
quality 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
Application number
CN202210675530.0A
Other languages
English (en)
Other versions
CN115146530B (zh
Inventor
叶军
朱晋元
易秋明
彭飞
易武
孙斌
张志军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunshuo Iot Technology Shanghai Co ltd
Original Assignee
Yunshuo Iot Technology Shanghai Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunshuo Iot Technology Shanghai Co ltd filed Critical Yunshuo Iot Technology Shanghai Co ltd
Priority to CN202210675530.0A priority Critical patent/CN115146530B/zh
Publication of CN115146530A publication Critical patent/CN115146530A/zh
Application granted granted Critical
Publication of CN115146530B publication Critical patent/CN115146530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • Resistance Welding (AREA)
  • General Factory Administration (AREA)

Abstract

本申请的目的是提供构建焊接质量检测模型的方法、设备、介质及程序产品，该方法包括：响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，获取第一焊接数据及第一焊缝标签数据；基于目标用户对第一焊接数据的选取确定焊接数据样本集；从焊接数据样本集中提取多个焊接特征信息；确定目标用户选择的多个目标焊接特征信息；根据多个目标焊接特征信息以及目标第一焊缝标签数据，利用自动机器学习训练获得焊接质量检测模型。基于焊接工艺人员的数据选取来建立焊接质量检测模型，充分利用焊接工艺人员的专业知识，仅依靠焊接工艺人员即可完成焊接质量检测模型建立及更新，降低焊接工艺人员构建、使用该焊接质量检测模型的学习成本。

Description

构建焊接质量检测模型的方法、设备、介质及程序产品
技术领域
本申请涉及焊接技术领域，尤其涉及一种构建焊接质量检测模型的技术。
背景技术
焊接过程伴随着复杂的物理化学变化，广泛应用于汽车、压力容器、机械、造船行业等。传统焊缝质量检测方式主要是焊后无损检测，如X射线、超声、目测等方式。但是这种事后方式效率低无法全覆盖，无法第一时间发现问题，导致成本浪费。近年来，焊接质量的实时在线检测，成为各高校及机构的重要研究方向。
发明内容
本申请的一个目的是提供构建焊接质量检测模型的方法、设备、介质及程序产品。
根据本申请的一个方面，提供了一种用于构建焊接质量检测模型的方法，该方法包括：
响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，从目标数据库获取第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据；
基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集；
从所述焊接数据样本集中提取多个焊接特征信息，其中，所述焊接特征信息包括基础焊接特征信息与焊接机理特征信息；
从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息；
根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型。
根据本申请的一个方面，提供了一种用于构建焊接质量检测模型的计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如上所述任一方法的步骤。
根据本申请的一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述任一方法的步骤。
根据本申请的一个方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述任一方法的步骤。
根据本申请的一个方面，提供了一种用于构建焊接质量检测模型的设备，该设备包括：
一一模块，用于响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，从目标数据库获取第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据；
一二模块，用于基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集；
一三模块，用于从所述焊接数据样本集中提取多个焊接特征信息，其中，所述焊接特征信息包括基础焊接特征信息与焊接机理特征信息；
一四模块，用于从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息；
一五模块，用于根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型。
与现有技术相比，本申请通过响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，从目标数据库获取第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据；基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集；从所述焊接数据样本集中提取多个焊接特征信息；从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息；根据所述多个目标焊接特征信息以及焊接数据样本集对应的目标第一焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型。基于从事焊接工作的目标用户的数据选取来建立焊接质量检测模型，可以充分利用焊接工艺人员的专业知识，仅依靠焊接工艺人员即可完成焊接质量检测模型建立及更新，降低工艺人员构建、使用该焊接质量检测模型的学习成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个实施例的一种用于构建焊接质量检测模型的方法流程图；
图2示出根据本申请一个实施例的一种电压曲线图；
图3示出根据本申请一个实施例的一种电流曲线图；
图4示出根据本申请一个实施例的一种气体流量曲线图；
图5示出根据本申请一个实施例的一种焊接数据基本统计值呈现示意图；
图6示出根据本申请一个实施例的一种质量数据相关性热力图；
图7示出根据本申请一个实施例的一种概率密度分布曲线图；
图8示出根据本申请一个实施例的一种U-I相图分析示意图；
图9示出根据本申请一个实施例的一种短路过渡分析示意图；
图10示出根据本申请一个实施例的一种包迹线回溯示意图；
图11示出根据本申请一个实施例的一种焊接机理特征构造示意图；
图12示出根据本申请一个实施例的一种用于构建焊接质量检测模型的设备结构图；
图13示出可被用于实施本申请中所述的各个实施例的示例性***。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如，中央处理器(Central Processing Unit，CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read OnlyMemory，ROM)或闪存(Flash Memory)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change Memory，PCM)、可编程随机存取存储器(Programmable Random Access Memory，PRAM)、静态随机存取存储器(Static Random-Access Memory，SRAM)、动态随机存取存储器(Dynamic Random AccessMemory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disc,DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本申请所指设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品，例如智能手机、平板电脑等，所述移动电子产品可以采用任意操作***，如Android操作***、iOS操作***等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程逻辑器件(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable GateArray，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。优选地，所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。
当然，本领域技术人员应能理解上述设备仅为举例，其他现有的或今后可能出现的设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在本申请的描述中，“多个”的含义是两个或者更多，除非另有明确具体的限定。
图1示出根据本申请一个实施例的一种用于构建焊接质量检测模型的方法流程图，该方法包括步骤S11、步骤S12、步骤S13、步骤S14和步骤S15。在步骤S11中，设备1响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，从目标数据库获取第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据；在步骤S12中，设备1基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集；在步骤S13中，设备1从所述焊接数据样本集中提取多个焊接特征信息，其中，所述焊接特征信息包括基础焊接特征信息与焊接机理特征信息；在步骤S14中，设备1从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息；在步骤S15中，设备1根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型。
在步骤S11中，设备1响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，从目标数据库获取第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据。在一些实施例中，所述设备1为用于进行焊接质量检测模型的训练的设备。在一些实施例中，所述目标数据库用于存储通过生产环境中高频数采网关及各类传感器(例如，电压传感器、电流传感器或者气流传感器等)获取的焊接数据及该焊接数据对应的焊缝标签数据。该焊接数据包括但不限于电压、电流、气体流量、送丝速度。该焊缝标签数据包括焊缝正常或焊缝异常。在一些实施例中，本方案可以利用所述目标数据库持续从实际焊接生产过程中收集新的焊接数据及相应的焊缝标签数据，使得目标用户可以基于当前焊接任务需求不断基于新收集的数据进行焊接质量检测模型的迭代，缓解现有技术中由于模型训练样本少而使模型训练不充分的问题。在一些实施例中，所述目标用户包括执行所述目标焊接任务的用户，例如，所述目标焊接任务对应的焊接生产工艺人员。设备1可以基于该目标用户发起的焊接质量检测模型构建操作从该目标数据库中获取相应第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据来进行焊接质量检测模型的构建。其中，设备1获取的第一焊接数据与所述目标焊接任务相匹配，以保证所构建的焊接质量检测模型的检测准确率。
在步骤S12中，设备1基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集。在一些实施例中，由于焊接过程中存在起弧、收弧、焊缝重复焊接等现象，为保证后续确定焊接特征信息的准确，设备1可以向目标用户呈现关于所述第一焊接数据的图表(例如，参考图2-4所示的电压、电流、气体流量曲线图)，由目标用户根据焊接实际情况并结合该统计分析图对第一焊接数据进行截取或者拼接来选择较优的焊接数据，从而确定相应的焊接数据样本集。
在一些实施例中，所述步骤S12包括：设备1基于所述目标用户对所述第一焊接数据的选取操作，确定用于组成焊接数据样本集中焊接样本数据；确定并呈现所述焊接样本数据对应的统计信息，以使所述目标用户基于所述统计信息进行所述焊接样本数据的筛选；根据所述目标用户对所述焊接样本数据的筛选操作，确定筛选后的目标焊接样本数据，并根据所述目标焊接样本数据及所述目标焊接样本数据对应的目标焊缝标签数据确定焊接数据样本集。在一些实施例中，通过执行所述目标焊接任务的目标用户来主导焊接质量检测模型的构建，可以充分利用目标用户在焊接领域的焊接经验及知识，构造更合理、可解释性更强的焊接质量检测模型。同时，由于该目标用户既主导模型构建又进行模型的应用，也降低了焊接质量检测模型落地应用的学习成本。
在一些实施例中，设备1可以基于所述目标用户对所述第一焊接数据的选取操作，进行所述第一焊接数据的预处理，以初步确定焊接数据样本集。例如，设备1可以基于目标用户选取的对所述第一焊接数据的预处理方法，对所述第一焊接数据进行预处理，以初步筛选出组成焊接数据样本集的焊接样本数据。所述预处理方法包括但不限于数据清洗、数据降噪。在一些实施例中，设备1对所述焊接样本数据进行描述性分析，确定所述焊接样本数据对应的统计信息，所述统计信息包括但不限于焊接数据基本统计值(例如，最大值、最小值、方差等)、质量数据相关性热力图、参数分布。并且，参考图5-7所示的焊接数据基本统计值示意图、质量因素相关性热力图、概率密度分布曲线图以及前述图2-4所示焊接数据曲线图，设备1还会将相关统计信息及焊接样本数据以图表形式呈现给目标用户。设备1可以通过所呈现的所述焊接样本数据对应的统计信息辅助目标用户筛选确定目标焊接样本数据，进而确定焊接数据样本集。在一些实施例中，所述目标用户对所述焊接样本数据的筛选操作包括但不限于所述目标用户对所述焊接样本数据进行截取或拼接。
在此，本领域技术人员应能理解上述统计信息仅为举例，其他现有的或今后可能出现的统计信息如可适用于本实施例，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在一些实施例中，设备1还可以对所述焊接数据样本集中目标焊接样本数据进行进一步的筛选。设备1可以利用目标用户选取的焊接数据分析方法对所述目标焊接样本数据进行分析，确定并呈现关于所述目标焊接样本数据的焊接分析信息。所述焊接数据分析方法包括U-I相图分析、短路过渡分析、包迹线回溯(参考图8-10所示示意图)等用于从焊接质量、稳定性或规范性等多维度对焊接数据进行分析的方法。目标用户可以根据该焊接分析信息对所述目标焊接样本数据进行进一步地筛选。设备1可以根据筛选后的目标焊接样本数据及相应的目标焊缝标签数据来确定焊接数据样本集。
在此，本领域技术人员应能理解上述焊接数据分析方法仅为举例，其他现有的或今后可能出现的焊接数据分析方法如可适用于本实施例，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在一些实施例中，所述根据所述目标焊接样本数据及所述目标焊接样本数据对应的目标焊缝标签数据确定焊接数据样本集包括：设备1根据所述目标焊接样本数据对应的目标焊缝标签数据确定所述目标焊接样本数据对应的样本分类信息；根据所述目标焊接样本数据及所述目标焊接样本数据对应的样本分类信息确定焊接数据样本集。在一些实施例中，设备1根据所述目标焊接样本数据对应的目标焊缝标签数据，确定其中的正负样本。例如，设备1将目标焊缝标签数据包括焊缝正常的目标焊接数据确定为正样本，将目标焊缝标签数据包括焊缝异常的目标焊接数据确定为负样本。
在步骤S13中，设备1从所述焊接数据样本集中提取多个焊接特征信息，其中，所述焊接特征信息包括基础焊接特征信息与焊接机理特征信息。在一些实施例中，所述基础焊接特征信息包括但不限于从所述焊接数据样本集中提取的时域特征信息、频域特征信息或时频域特征信息，例如，整流均值、有效值、变异系数、频率、能量、幅值或能量集中度等。所述焊接机理特征信息包括但不限于U-I相图面积、轨迹重复度等基于焊接专业知识确定的特征信息。
在一些实施例中，所述步骤S13包括：设备1基于预设的特征算法，确定所述焊接数据样本集对应的基础焊接特征信息；根据所述目标用户选取的函数及参数，确定所述焊接数据样本集对应的焊接机理特征信息；根据所述焊接机理特征信息及所述基础焊接特征信息确定多个焊接特征信息。
在一些实施例中，用于提取基础焊接特征信息的特征算法是已经设置好的，在确定焊接数据样本集后，设备1可以直接根据相应特征算法从所述焊接数据样本集中确定对应的基础焊接特征信息。设备1还可以呈现所述基础焊接特征信息，由所述目标用户基于模型构建需求来选取。在一些实施例中，参考图11示出的焊接机理特征构造示意图，设备1在确定焊接数据样本集后，呈现相应的属性生成界面，以供目标用户基于其自身焊接知识及焊接经验来选取相应的函数及参数。设备1根据选取的函数及参数来从焊接数据样本集中提取焊接机理特征信息。设备1可以根据目标用户选取的基础焊接特征信息及所述焊接机理特征信息来确定相应的多个焊接特征信息。
在步骤S14中，设备1从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息。在一些实施例中，为了提升模型训练速度、训练效果，以及提高训练所得焊接质量检测模型的可解释性，设备1可以基于目标用户的选择，从所述多个焊接特征信息中筛选出与模型训练相关的多个目标焊接特征信息。在一些实施例中，设备1可以基于目标用户的选择确定所述多个焊接特征信息的重要性排序，再根据所述重要性排序，从所述多个焊接特征信息中确定多个目标焊接特征信息。例如，设备1可以呈现包含所述多个焊接特征信息的列表，由所述目标用户基于其焊接领域经验对所述多个焊接特征信息进行重要性排序进而选择多个目标焊接特征信息。
在一些实施例中，所述步骤S14包括：设备1响应于所述目标用户的设置操作，确定目标焊接特征选择方法；根据所述目标焊接特征选择方法，从所述多个焊接特征信息中确定多个目标焊接特征信息。在一些实施例中，设备1可以通过目标焊接特征选择方法进行焊接特征的选取，所述目标焊接特征选择方法包括F检验、fisher检验或者互信息法等特征选择方法。设备1根据目标用户选择的目标焊接特征选择方法，确定所述多个焊接特征信息对应的检验结果信息(例如，基于F检验或fisher检验确定的P值，或者基于互信息法确定的焊接特征信息与目标的互信息量)。设备1可以根据所述检验结果信息，从所述多个焊接特征信息中确定多个目标焊接特征信息。例如，将所述多个焊接特征信息中P值小于某一阈值或者互信息量大于某一阈值的焊接特征信息确定为目标焊接特征信息。
在步骤S15中，设备1根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型。在一些实施例中，响应于目标用户对设备1中模型训练控件的触发操作，设备1根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据，利用自动机器学习引擎训练获得所述焊接质量检测模型。所述自动机器学习引擎包括但不限于Auto-Sklearn、TPOT(Tree-based Pipeline Optimization Tool)、Auto-ViML。例如，以TPOT为例进行焊接质量检测模型自动训练，设备1基于目标用户对模型训练控件的触发操作，将所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据导入TPOT，对导入数据进行划分，确定相应训练集与测试集。设备1基于TPOT进行模型构建、拟合及评分，输出最优的焊接质量检测模型及参数，并可以将该最优的焊接质量检测模型及参数导出到相关文件中。通过对该文件的解析可以获取关于该焊接质量检测模型的相关信息，从而实现自动化建模。本方案通过设备1向目标用户呈现了可视化的焊接质量检测模型构建过程。所述目标用户可以参与到模型构建的全过程，方便所述目标用户将其焊接经验应用于模型构建中，降低目标用户构建、使用该焊接质量检测模型的学习成本。
在一些实施例中，所述步骤S15包括：设备1基于所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据，确定用于焊接质量检测模型训练的训练集与测试集；利用自动机器学习训练获得所述焊接质量检测模型。在一些实施例中，设备1基于目标用户设置的训练集与测试集比例，从所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据中确定用于焊接质量检测模型训练的训练集与测试集。设备1根据所述训练集，利用自动机器学习训练获得所述焊接质量检测模型。
在一些实施例中，所述方法还包括：步骤S16(未示出)，设备1将所述焊接质量检测模型下发至目标网关，以用于在焊接过程中对焊接质量进行检测。例如，在完成焊接质量检测模型训练后，设备1可以将训练好的焊接质量检测模型下发至焊接生产现场的目标网关，以便在焊接过程中实时检测焊接质量。
在一些实施例中，所述步骤S15还包括：设备1根据所述测试集及所述焊接质量检测模型，确定所述焊接质量检测模型对应的检测准确率信息；根据所述检测准确率信息，确定是否下发所述焊接质量检测模型。在一些实施例中，设备1将所述测试集输入训练所得的焊接质量检测模型，获得关于所述测试集的焊接质量检测结果信息，基于所述焊接质量检测结果信息确定相应的检测准确率信息。若所述检测准确率信息大于或等于预设的准确率阈值，则设备1可以将所述焊接质量检测模型下发至目标网关，以进行实际的焊接质量检测。或者，设备1呈现所述检测准确率信息，目标用户可以基于所述检测准确率信息确定是否进行焊接质量检测模型的下发。设备1可以基于目标用户的下发操作，将所述焊接质量检测模型下发至目标网关。
在一些实施例中，若不下发所述焊接质量检测模型，所述方法还包括：步骤S17(未示出)，设备1从所述目标数据库中获取第二焊接数据以及所述第二焊接数据对应的第二焊缝标签数据；基于所述第二焊接数据以及所述第二焊接数据对应的第二焊缝标签数据，更新所述焊接质量检测模型。例如，若确定的检测准确率信息低于预设的准确率阈值，或者所述目标用户不同意下发所述焊接质量检测模型，设备1可以继续从所述目标数据库中获取第二焊接数据以及所述第二焊接数据对应的第二焊缝标签数据，基于新获取的第二焊接数据以及所述第二焊接数据对应的第二焊缝标签数据继续训练所述焊接质量检测模型，以获取新的焊接质量检测模型。在此，对于所述第二焊接数据与所述第二焊缝标签数据的处理，以及所述焊接质量检测模型的训练与前述步骤S11-S15相同或相似，故不再赘述，以引用方式包含于此。
在一些实施例中，所述方法还包括：步骤S18(未示出)，设备1基于所述目标焊接任务的更新，更新所述焊接质量检测模型。例如，若焊接生产环境或焊接生产方式等发生变化，所述焊接质量检测模型不再适应新的目标焊接任务，设备1可以根据目标用户发起的模型更新操作，从目标数据库中获取与更新后的所述目标焊接任务相匹配的第三焊接数据及所述第三焊接数据对应的第三焊缝标签数据，并基于所述第三焊接数据及所述第三焊接数据对应的第三焊缝标签数据，更新所述焊接质量检测模型，从而解决焊接质量检测模型生命周期短、泛化性不稳定的问题。目标用户可以结合该目标焊接任务实际执行时的变化，自行完成焊接质量检测模型的更新，保证该焊接质量检测模型的泛化性。在此，所述焊接质量检测模型的更新方式与前述步骤S17相同或相似，故不再赘述，以引用方式包含于此。
图12示出根据本申请一个实施例的一种用于构建焊接质量检测模型的设备结构图，所述设备1包括一一模块11、一二模块12、一三模块13、一四模块14和一五模块15。一一模块11响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，从目标数据库获取第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据；一二模块12基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集；一三模块13从所述焊接数据样本集中提取多个焊接特征信息，其中，所述焊接特征信息包括基础焊接特征信息与焊接机理特征信息；一四模块14从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息；一五模块15根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型。在此，图12示出的一一模块11、一二模块12、一三模块13、一四模块14和一五模块15对应的具体实施方式分别与前述步骤S11、步骤S12、步骤S13、步骤S14和步骤S15的具体实施例相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述设备1还包括一六模块16(未示出)。所述一六模块16将所述焊接质量检测模型下发至目标网关，以用于在焊接过程中对焊接质量进行检测。在此，该一六模块16的具体实施方式与前述步骤S16的具体实施方式相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述设备1还包括一七模块17(未示出)。所述一七模块17从所述目标数据库中获取第二焊接数据以及所述第二焊接数据对应的第二焊缝标签数据；基于所述第二焊接数据以及所述第二焊接数据对应的第二焊缝标签数据，更新所述焊接质量检测模型。在此，该一七模块17的具体实施方式与前述步骤S17的具体实施方式相同或相近，故不再赘述，以引用方式包含于此。
在一些实施例中，所述设备1还包括一八模块18(未示出)。所述一八模块18基于所述目标焊接任务的更新，更新所述焊接质量检测模型。在此，该一八模块18的具体实施方式与前述步骤S18的具体实施方式相同或相近，故不再赘述，以引用方式包含于此。
图13示出了可被用于实施本申请中所述的各个实施例的示例性***；
如图13所示在一些实施例中，***300能够作为各所述实施例中的任意一个设备。在一些实施例中，***300可包括具有指令的一个或多个计算机可读介质(例如，***存储器或NVM/存储设备320)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如，(一个或多个)处理器305)。
对于一个实施例，***控制模块310可包括任意适当的接口控制器，以向(一个或多个)处理器305中的至少一个和/或与***控制模块310通信的任意适当的设备或组件提供任意适当的接口。
***控制模块310可包括存储器控制器模块330，以向***存储器315提供接口。存储器控制器模块330可以是硬件模块、软件模块和/或固件模块。
***存储器315可被用于例如为***300加载和存储数据和/或指令。对于一个实施例，***存储器315可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，***存储器315可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，***控制模块310可包括一个或多个输入/输出(I/O)控制器，以向NVM/存储设备320及(一个或多个)通信接口325提供接口。
例如，NVM/存储设备320可被用于存储数据和/或指令。NVM/存储设备320可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备320可包括在物理上作为***300被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，NVM/存储设备320可通过网络经由(一个或多个)通信接口325进行访问。
(一个或多个)通信接口325可为***300提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。***300可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
对于一个实施例，(一个或多个)处理器305中的至少一个可与***控制模块310的一个或多个控制器(例如，存储器控制器模块330)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器305中的至少一个可与***控制模块310的一个或多个控制器的逻辑封装在一起以形成***级封装(SiP)。对于一个实施例，(一个或多个)处理器305中的至少一个可与***控制模块310的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器305中的至少一个可与***控制模块310的一个或多个控制器的逻辑集成在同一模具上以形成片上***(SoC)。
在各个实施例中，***300可以但不限于是：服务器、工作站、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，***300可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，***300包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
除上述各实施例介绍的方法和设备外，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时，如前任一项所述的方法被执行。
本申请还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个计算机程序；
当所述一个或多个计算机程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前任一项所述的方法。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解，计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等，相应地，计算机程序指令被计算机执行的方式包括但不限于：该计算机直接执行该指令，或者该计算机编译该指令后再执行对应的编译后程序，或者该计算机读取并执行该指令，或者该计算机读取并安装该指令后再执行对应的安装后程序。在此，计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个***传送到另一***的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如，光纤、同轴等))和能传播能量波的无线(未有导的传输)介质，诸如声音、电磁、RF、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
作为示例而非限制，计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如，计算机可读存储介质包括，但不限于，易失性存储器，诸如随机存储器(RAM,DRAM,SRAM)；以及非易失性存储器，诸如闪存、各种只读存储器(ROM,PROM,EPROM,EEPROM)、磁性和铁磁/铁电存储器(MRAM,FeRAM)；以及磁性和光学存储设备(硬盘、磁带、CD、DVD)；或其它现在已知的介质或今后开发的能够存储供计算机***使用的计算机可读信息/数据。
在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种用于构建焊接质量检测模型的方法，其中，所述方法包括：
响应于目标用户基于目标焊接任务发起的焊接质量检测模型构建操作，从目标数据库获取第一焊接数据及所述第一焊接数据对应的第一焊缝标签数据；
基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集；
从所述焊接数据样本集中提取多个焊接特征信息，其中，所述焊接特征信息包括基础焊接特征信息与焊接机理特征信息；
从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息；
根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型。
2.根据权利要求1所述的方法，其中，所述基于所述目标用户对所述第一焊接数据的选取操作，确定焊接数据样本集包括：
基于所述目标用户对所述第一焊接数据的选取操作，确定用于组成焊接数据样本集中焊接样本数据；
确定并呈现所述焊接样本数据对应的统计信息，以使所述目标用户基于所述统计信息进行所述焊接样本数据的筛选；
根据所述目标用户对所述焊接样本数据的筛选操作，确定筛选后的目标焊接样本数据，并根据所述目标焊接样本数据及所述目标焊接样本数据对应的目标焊缝标签数据确定焊接数据样本集。
3.根据权利要求1所述的方法，其中，所述从所述焊接数据样本集中提取多个焊接特征信息，其中，所述焊接特征信息包括基础焊接特征信息与焊接机理特征信息包括：
基于预设的特征算法，确定所述焊接数据样本集对应的基础焊接特征信息；
根据所述目标用户选取的函数及参数，确定所述焊接数据样本集对应的焊接机理特征信息；
根据所述焊接机理特征信息及所述基础焊接特征信息确定多个焊接特征信息。
4.根据权利要求1所述的方法，其中，所述从所述多个焊接特征信息中确定所述目标用户选择的多个目标焊接特征信息包括：
响应于所述目标用户的设置操作，确定目标焊接特征选择方法；
根据所述目标焊接特征选择方法，从所述多个焊接特征信息中确定多个目标焊接特征信息。
5.根据权利要求1所述的方法，其中，所述方法还包括：
将所述焊接质量检测模型下发至目标网关，以用于在焊接过程中对焊接质量进行检测。
6.根据权利要求1所述的方法，其中，所述根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型包括：
基于所述多个目标焊接特征信息以及所述焊接数据样本集对应的目标焊缝标签数据，确定用于焊接质量检测模型训练的训练集与测试集；
利用自动机器学习训练获得所述焊接质量检测模型。
7.根据权利要求6所述的方法，其中，所述根据所述多个目标焊接特征信息以及所述焊接数据样本集对应的焊缝标签数据，通过自动机器学习训练获得所述焊接质量检测模型还包括：
根据所述测试集及所述焊接质量检测模型，确定所述焊接质量检测模型对应的检测准确率信息；
根据所述检测准确率信息，确定是否下发所述焊接质量检测模型。
8.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述目标焊接任务的更新，更新所述焊接质量检测模型。
9.一种用于构建焊接质量检测模型的计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
CN202210675530.0A 2022-06-15 2022-06-15 构建焊接质量检测模型的方法、设备、介质及程序产品 Active CN115146530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210675530.0A CN115146530B (zh) 2022-06-15 2022-06-15 构建焊接质量检测模型的方法、设备、介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210675530.0A CN115146530B (zh) 2022-06-15 2022-06-15 构建焊接质量检测模型的方法、设备、介质及程序产品

Publications (2)

Publication Number Publication Date
CN115146530A true CN115146530A (zh) 2022-10-04
CN115146530B CN115146530B (zh) 2023-07-28

Family

ID=83408084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210675530.0A Active CN115146530B (zh) 2022-06-15 2022-06-15 构建焊接质量检测模型的方法、设备、介质及程序产品

Country Status (1)

Country Link
CN (1) CN115146530B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115722797A (zh) * 2022-11-03 2023-03-03 深圳市微谱感知智能科技有限公司 基于机器学习的激光焊接信号分析方法
CN116028481A (zh) * 2023-03-30 2023-04-28 紫金诚征信有限公司 一种数据质量检测方法、装置、设备和存储介质
CN116551263A (zh) * 2023-07-11 2023-08-08 苏州松德激光科技有限公司 一种焊接位置选取的可视化控制方法及***
CN117094045A (zh) * 2023-10-18 2023-11-21 中国铁塔股份有限公司 一种获取单管塔的三维模型的方法与设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202224A (zh) * 2021-12-16 2022-03-18 蕴硕物联技术(上海)有限公司 用于检测生产环境中焊接质量的方法、设备、介质及程序产品
CN114219306A (zh) * 2021-12-16 2022-03-22 蕴硕物联技术(上海)有限公司 用于建立焊接质量检测模型的方法、设备、介质及程序产品

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202224A (zh) * 2021-12-16 2022-03-18 蕴硕物联技术(上海)有限公司 用于检测生产环境中焊接质量的方法、设备、介质及程序产品
CN114219306A (zh) * 2021-12-16 2022-03-22 蕴硕物联技术(上海)有限公司 用于建立焊接质量检测模型的方法、设备、介质及程序产品

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115722797A (zh) * 2022-11-03 2023-03-03 深圳市微谱感知智能科技有限公司 基于机器学习的激光焊接信号分析方法
CN116028481A (zh) * 2023-03-30 2023-04-28 紫金诚征信有限公司 一种数据质量检测方法、装置、设备和存储介质
CN116028481B (zh) * 2023-03-30 2023-06-27 紫金诚征信有限公司 一种数据质量检测方法、装置、设备和存储介质
CN116551263A (zh) * 2023-07-11 2023-08-08 苏州松德激光科技有限公司 一种焊接位置选取的可视化控制方法及***
CN116551263B (zh) * 2023-07-11 2023-10-31 苏州松德激光科技有限公司 一种焊接位置选取的可视化控制方法及***
CN117094045A (zh) * 2023-10-18 2023-11-21 中国铁塔股份有限公司 一种获取单管塔的三维模型的方法与设备
CN117094045B (zh) * 2023-10-18 2024-01-30 中国铁塔股份有限公司 一种获取单管塔的三维模型的方法与设备

Also Published As

Publication number Publication date
CN115146530B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN115146530B (zh) 构建焊接质量检测模型的方法、设备、介质及程序产品
CN110334130B (zh) 一种交易数据的异常检测方法、介质、装置和计算设备
Abell et al. Big data-driven manufacturing—Process-monitoring-for-quality philosophy
WO2021027213A1 (zh) 检测方法、装置、电子设备和计算机可读介质
CN114219306B (zh) 用于建立焊接质量检测模型的方法、设备、介质
CN106778908A (zh) 一种新异类检测方法与装置
CN107917341A (zh) 一种输油管道泄漏检测方法及装置
CN107942956A (zh) 信息处理装置、信息处理方法、信息处理程序及记录介质
WO2023093919A2 (zh) 一种洗衣机异音检测方法、装置、电子设备及存储介质
CN114207593A (zh) 用于分析仪器性能诊断的技术
CN116089870A (zh) 基于元学习的小样本条件下工业设备故障预测方法及装置
CN115599653A (zh) 一种构建焊接质量诊断模型的方法、***、介质
Kim et al. Applications of clustering and isolation forest techniques in real-time building energy-consumption data: Application to LEED certified buildings
CN112597239A (zh) 可视化建模方法、装置和电子设备
Zorn et al. Replacing energy simulations with surrogate models for design space exploration
CN114202224B (zh) 用于检测生产环境中焊接质量的方法、设备、介质
CN102255965A (zh) 一种基于粗糙集bp神经网络的多传感器融合物联网试验平台
CN116482460A (zh) 电网设备故障诊断方法及相关设备
CN113255769B (zh) 化合物属性预测模型训练方法和化合物属性预测方法
KR20220082763A (ko) 인공 지능 모델들을 위한 데이터 준비
CN114638096A (zh) 一种程序变量间的逻辑展示方法、装置、设备及存储介质
Shirley et al. Recognition and monitoring of gas leakage using infrared imaging technique with machine learning
Kulkarni et al. Impact of gaussian noise for optimized support vector machine algorithm applied to medicare payment on raspberry pi
CN115169444A (zh) 构建焊接质量检测模型的方法、设备、介质及程序产品
US20230350392A1 (en) Method and system for seamless transition of runtime system from controller device to digitalization platform

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