CN116618878A - 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 - Google Patents

一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 Download PDF

Info

Publication number
CN116618878A
CN116618878A CN202310626083.4A CN202310626083A CN116618878A CN 116618878 A CN116618878 A CN 116618878A CN 202310626083 A CN202310626083 A CN 202310626083A CN 116618878 A CN116618878 A CN 116618878A
Authority
CN
China
Prior art keywords
welding
welding quality
convolution
parameters
quality prediction
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.)
Pending
Application number
CN202310626083.4A
Other languages
English (en)
Inventor
彭根琛
史勇
孔祥意
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.)
Jiangsu Xugong Construction Machinery Research Institute Co ltd
Xuzhou XCMG Road Construction Machinery Co Ltd
Original Assignee
Jiangsu Xugong Construction Machinery Research Institute Co ltd
Xuzhou XCMG Road Construction Machinery 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 Jiangsu Xugong Construction Machinery Research Institute Co ltd, Xuzhou XCMG Road Construction Machinery Co Ltd filed Critical Jiangsu Xugong Construction Machinery Research Institute Co ltd
Priority to CN202310626083.4A priority Critical patent/CN116618878A/zh
Publication of CN116618878A publication Critical patent/CN116618878A/zh
Pending legal-status Critical Current

Links

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
    • B23K9/00—Arc welding or cutting
    • B23K9/32—Accessories
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Plasma & Fusion (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了焊接过程质量评估领域的一种焊接质量方法、装置及存储介质，旨在解决复杂焊接过程中产生的焊接缺陷技术问题。其包括：在焊接前，将所设定的焊前工艺参数输入至预构建并训练好的焊接质量预测模型中，根据所述焊接质量预测模型的输出结果对所述焊前工艺参数进行循环校正，直至达到期望焊接质量；在焊接过程中，采集焊接参数；将所述焊接参数输入至预构建并训练好的焊接质量预测模型中，获取焊接质量预测结果。本发明采用焊前工艺参数确定方法确保参数的准确性，以及采用焊接质量在线预测方法实现焊接质量的评估。

Description

一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及 存储介质
技术领域
本发明涉及一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质，属于焊接过程质量评估领域。
背景技术
随着近年来科技的飞速发展，智能制造、服务型制造及绿色制造等一系列工业要求都极大推动了制造业的迅猛进步，焊接技术作为一种实现连接的基础手段在各行各业中都有着广泛应用。由于焊接接头质量极大地影响整个产品的使用寿命，因此需对其进行标准的质量评估。目前，常见的焊接接头质量评估方法可分为无损检测及破坏性检测两种，通常来说破坏性检测通过破坏性的抽样方法，可以更准确的定性缺陷，但是其抽样数量并不能代表全部样品，且费时费力无法满足工业界生产需求；同时无损检测是在不破坏工件的前提下，更多的是利用声、光等信号反应焊缝是否存在问题，得到的始终只是一个相对准确的判断结果，然而针对大型复杂结构件时，受限于产品结构形式和尺寸的影响，部分接头无法完成焊接质量的评估；此外，当前的焊接质量评估多在焊接工艺完成后，对焊接过程中的操作不具备指导意义。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质，能够对焊接质量进行在线预测，有助于提高焊接质量。
为达到上述目的/为解决上述技术问题，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种焊前工艺参数确定方法，包括如下步骤：
将所设定的焊前工艺参数输入至预构建并训练好的焊接质量预测模型中，根据所述焊接质量预测模型的输出结果对所述焊前工艺参数进行循环校正，直至达到期望焊接质量；
其中，所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。结合第一方面，进一步地，所述的焊前工艺参数确定方法，其特征在于，所述焊前工艺参数包含：焊接速度、电弧电压、电弧电流。
结合第一方面，进一步地，所述焊接质量预测模型的训练获取方法包括：
以历史焊前工艺参数作为输入、对应的焊接质量作为输出，构建样本对；
将所述样本对打乱顺序，并按照比例划分为训练集和测试集；
将所述训练集输入至所述卷积神经网络模型中，输出对应的预测值，将预测值与训练集中的样本值进行对比分析，修正所述卷积神经网络模型的各权重值；
采用测试集对训练好的卷积神经网络模型进行测试，筛选准确率达到设定阈值的卷积神经网络模型作为最终训练好的焊接质量预测模型。
结合第一方面，进一步地，所述将预测值与训练集中的样本值进行对比分析，修正所述卷积神经网络模型的各权重值，包括：
采用损失函数计算所述预测值与所述样本值的均方差；
根据所述损失函数的导数沿梯度最小方向将所述均方差回传，修正所述卷积神经网络模型的各权重值。
结合第一方面，进一步地，所述损失函数的表达式为：
其中，JMSE表示为均方差；yi表示为样本值；表示为预测值，N为样本总数量。
第二方面，本发明提供了一种焊接质量在线预测方法，包括如下步骤：
采集焊接参数；
将所述焊接参数输入至预构建并训练好的焊接质量预测模型中，获取焊接质量预测结果；
其中，所述焊接参数包括焊前工艺参数、焊中熔池图像；所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
结合第二方面，进一步地，将所述焊接参数输入至预构建并训练好的焊接质量预测模型中之前，对所述焊接参数进行处理，包括：
对焊中熔池图像进行特征信息提取。
第三方面，本发明提供了一种焊前工艺参数确定装置，包括：
校正模块，用于将所设定的焊前工艺参数输入至预构建并训练好的焊接质量预测模型中，根据所述焊接质量预测模型的输出结果对所述焊前工艺参数进行循环校正，直至达到期望焊接质量；
其中，所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
第四方面，本发明提供了一种焊接质量在线预测装置，其特征在于，包括：
采集模块，用于采集焊接参数；
输入模块，用于将所述焊接参数输入至预构建并训练好的焊接质量预测模型中，获取焊接质量预测结果；
其中，所述焊接参数包括焊前工艺参数、焊中熔池图像；所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
第五方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明实施例分为焊接前和焊接中两种方法确保达到期望的焊接质量，首先采用焊前工艺参数确定方法将设定的焊前工艺参数输入构建并训练好的焊接质量预测模型中，输出焊接质量预测结果，根据输出的焊接质量预测结果对焊前工艺参数进行循环校正，确保焊前工艺参数的准确性。焊接过程中采用焊接质量在线预测方法将采集的焊接参数输入构建并训练好的焊接质量预测模型中，从而获得焊接质量预测结果。本发明应用于工件焊接中，有助于提高工件焊接质量。
附图说明
图1是本发明实施例提供的一种焊前工艺参数确定方法的流程图；
图2是本发明实施例提供的一种焊接质量在线预测方法的流程图；
图3是本发明实施例提供的一种焊接质量预测模型训练方法的流程图。
具体实施方式
下面通过附图以及具体实施例对本发明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。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符"/"，一般表示前后关联对象是一种“或”的关系。
实施例一：
图1是本发明实施例一中的一种焊前工艺参数确定方法的流程图。本流程图仅仅示出了本实施例所述方法的逻辑顺序，在互不冲突的前提下，在本发明其它可能的实施例中，可以以不同于图1所示的顺序完成所示出或描述的步骤。
参见图1，本实施的方法具体包括如下步骤：
将所设定的焊前工艺参数输入至预构建并训练好的焊接质量预测模型中，根据所述焊接质量预测模型的输出结果对所述焊前工艺参数进行循环校正，直至达到期望焊接质量；
需要说明的是，本实施例中焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；该模型分类精度高，分布式处理能力强，具有较好的容错性，能够充分逼近复杂的非线性关系，处理复杂焊接的问题。卷积神经网络模型依据样本厚度进行平均分组，每一组通道包括一个输入层、四个卷积层和四个池化层，一层代表一个独立卷积通道，独立卷积通道的个数与焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积神经网络模型中的卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化层采用最大池化法。
需要说明的是，样本厚度可以理解为所要提取的样本数据，假设提取熔池宽度、长度、灰度、面积四个样本数据，那么该样本集的样本厚度即为4。
作为本发明的一种实施例，焊接前的工艺参数包含焊接速度、电弧电压以及电弧电流，由于焊接过程中该工艺参数很难控制，因此引进一中焊接质量预测模型十分必要，以确保焊接的质量和可靠性。
对于输入不同参数下得到的不同输出结果，可以通过焊接结果制定相应的焊接状态作为质量评价标准，常见的焊接状态包括：焊接良好、焊漏、焊偏、成型不良。
参见图3，为获得训练好的焊接质量预测模型，所述方法步骤包括：
步骤A、根据历史焊接前的工艺参数作为输入端，并输入至焊接质量预测模型中，对应的焊接质量作为输出端，依据输入-输出的关系构建多个样本对；
步骤B、将构建好的样本对进行随机排列，按照一定比例划分为训练集和测试集；
步骤C、焊接质量预测模型选用卷积神经网络模型，将训练集输入到卷积神经网络模型中，输入对应的焊接质量的预测值，将焊接质量的预测值与训练集中的样本值进行对比分析，根据分析结果修改卷积神经网络模型中的权重；
步骤D、采用测试集对训练好的卷积神经网络模型(修改后的卷积神经网络模型的权重)进行测试，筛选出准确率达到设定阈值的卷积神经网络模型作为最终训练好的焊接质量预测模型。
在本实施例中，训练过程判断是否达到最大迭代次数，若没有达到最大迭代次数则需要返回步骤C继续进行训练，直至达到最大迭代次数，停止训练，并输出焊接质量预测模型；
进一步地，利用测试集对训练好的焊接质量预测模型，即本发明实施例采用的卷积神经网络模型进行测试，设定预测的准确率阈值为95％，即准确率达到95％以上可获得合格的焊接质量预测模型，若准确率没有达到95％，则需要返回步骤C继续进行训练，直至达到最大迭代次数后，再次利用测试集对训练好的焊接质量预测模型进行准确率判断。
进一步地，上述步骤C中通过不停的修正卷积神经网络模型的权重达到获得合格的焊接质量预测模型的目的，其修改权重值的方法包括：
采用损失函数计算焊接质量的预测值与训练集中的样本值之间的均方差，损失函数表达式为：
其中，JMSE表示为均方差；yi表示为样本值；表示为预测值，N为样本总数量；
根据损失函数的导数沿着梯度最小方向将上述获得的均方差回传，从而达到修正卷积网络神经模型各权重值的目的。
实施例二：
本发明实施例提供一种焊前工艺参数确定装置，该装置可以用于实现实施例一所述的方法，所述装置包括：
校正模块，用于将所设定的焊前工艺参数输入至预构建并训练好的焊接质量预测模型中，根据所述焊接质量预测模型的输出结果对所述焊前工艺参数进行循环校正，直至达到期望焊接质量；
其中，所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
对于本实施例未尽的其他技术特征，可以参考实施例一。
实施例三：
参见图2，本发明实施例还提供了一种焊接质量在线预测方法，具体包括如下步骤
采集焊接参数；
将所述焊接参数输入至预构建并训练好的焊接质量预测模型中，获取焊接质量预测结果；
需要说明的是，焊接参数包括实施例一中的焊前工艺参数以及焊中熔池图像；本实施例中的焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；该模型分类精度高，分布式处理能力强，具有较好的容错性，能够充分逼近复杂的非线性关系，处理复杂焊接的问题。卷积神经网络模型依然如上述实施例一中的结构，每一组通道包括一个输入层、四个卷积层和四个池化层，一层代表一个独立卷积通道，独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化层采用最大池化法。
在本发明实施例中采用的焊接质量在线预测方法，以两个6毫米Q344结构钢平板接头对接为例，两个平板对接接头通常焊接缺陷由坡口的加工和装配精度差异引起的，通过焊接质量预测模型能够检测大盘焊接缺陷的位置，例如通孔位置的焊缝泄漏缺陷等。
此外，在焊接参数接入焊接质量预测模型之前，还需要对焊接参数进行预处理，该方法常常结合焊接过程中利用相机得到熔池图像信息，在经过图像处理之后提取熔池特征信息，提取的熔池特征信息包括熔池的宽度、长度、面积以及灰度信息，从而作为焊接预测质量模型的输入值，实现焊接质量评估的目的。
需要说明的是，熔池特征信息的提取必须保证熔池宽度的提取精度≥95，才能满足实际生产的需要。
在进行新的焊接过程时，也可以将其它参数信息输入至焊接质量预测模型中，例如操作人员信息、使用设备信息等，通过构建的焊接质量预测模型能够灵活的判断出操作人员以及设备本身零部件是否对焊接质量产生影响，扩大了影响焊接质量的范围。
实施例四：
本发明实施例还提供一种焊接质量在线预测装置，该装置可以用于实现实施例三所述的方法，所述装置包括：
采集模块，用于采集焊接参数；
输入模块，用于将所述焊接参数输入至预构建并训练好的焊接质量预测模型中，获取焊接质量预测结果；
其中，所述焊接参数包括焊前工艺参数、焊中熔池图像；所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
对于本实施例未尽的其他技术特征，可以参考实施例三。
实施例五：
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一以及实施例三所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种焊前工艺参数确定方法，其特征在于，包括：
将所设定的焊前工艺参数输入至预构建并训练好的焊接质量预测模型中，根据所述焊接质量预测模型的输出结果对所述焊前工艺参数进行循环校正，直至达到期望焊接质量；
其中，所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
2.根据权利要求1所述的焊前工艺参数确定方法，其特征在于，所述焊前工艺参数包含：焊接速度、电弧电压、电弧电流。
3.根据权利要求1所述的焊前工艺参数确定方法，其特征在于，所述焊接质量预测模型的训练获取方法包括：
以历史焊前工艺参数作为输入、对应的焊接质量作为输出，构建样本对；
将所述样本对打乱顺序，并按照比例划分为训练集和测试集；
将所述训练集输入至所述卷积神经网络模型中，输出对应的预测值，将预测值与训练集中的样本值进行对比分析，修正所述卷积神经网络模型的各权重值；
采用测试集对训练好的卷积神经网络模型进行测试，筛选准确率达到设定阈值的卷积神经网络模型作为最终训练好的焊接质量预测模型。
4.根据权利要求3所述的焊前工艺参数确定方法，其特征在于，所述将预测值与训练集中的样本值进行对比分析，修正所述卷积神经网络模型的各权重值，包括：
采用损失函数计算所述预测值与所述样本值的均方差；
根据所述损失函数的导数沿梯度最小方向将所述均方差回传，修正所述卷积神经网络模型的各权重值。
5.根据权利要求4所述的焊前工艺参数确定方法，其特征在于，所述损失函数的表达式为：
其中，JMSE表示为均方差；yi表示为样本值；表示为预测值，N为样本总数量。
6.一种焊接质量在线预测方法，其特征在于，包括：
采集焊接参数；
将所述焊接参数输入至预构建并训练好的焊接质量预测模型中，获取焊接质量预测结果；
其中，所述焊接参数包括焊前工艺参数、焊中熔池图像；所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
7.根据权利要求6所述的焊接质量在线预测方法，其特征在于，将所述焊接参数输入至预构建并训练好的焊接质量预测模型中之前，对所述焊接参数进行处理，包括：
对焊中熔池图像进行特征信息提取。
8.一种焊前工艺参数确定装置，其特征在于，包括：
校正模块，用于将所设定的焊前工艺参数输入至预构建并训练好的焊接质量预测模型中，根据所述焊接质量预测模型的输出结果对所述焊前工艺参数进行循环校正，直至达到期望焊接质量；
其中，所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
9.一种焊接质量在线预测装置，其特征在于，包括：
采集模块，用于采集焊接参数；
输入模块，用于将所述焊接参数输入至预构建并训练好的焊接质量预测模型中，获取焊接质量预测结果；
其中，所述焊接参数包括焊前工艺参数、焊中熔池图像；所述焊接质量预测模型选用卷积神经网络模型，通过预构建的焊缝预测样本集中的样本数据训练获取；所述卷积神经网络模型的独立卷积通道的个数与所述焊缝预测样本集中的样本厚度相同，多组独立卷积通道共用一个全连接层，卷积核采用多个不同尺寸的小卷积核级联，卷积层采用Re LU函数作为非线性激活函数；池化采用最大池化法。
10.一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，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
CN202310626083.4A 2023-05-30 2023-05-30 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质 Pending CN116618878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310626083.4A CN116618878A (zh) 2023-05-30 2023-05-30 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310626083.4A CN116618878A (zh) 2023-05-30 2023-05-30 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116618878A true CN116618878A (zh) 2023-08-22

Family

ID=87641465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310626083.4A Pending CN116618878A (zh) 2023-05-30 2023-05-30 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116618878A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117415502A (zh) * 2023-11-15 2024-01-19 广州飞数工业软件有限公司 基于工业互联网的焊接质量预测模型训练方法及监测方法
CN117733439A (zh) * 2024-01-19 2024-03-22 西咸新区大熊星座智能科技有限公司 一种具有焊缝成形质量实时预测功能的焊接机器人
CN117911416A (zh) * 2024-03-20 2024-04-19 广州市市政工程试验检测有限公司 一种焊接质量在线检测方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117415502A (zh) * 2023-11-15 2024-01-19 广州飞数工业软件有限公司 基于工业互联网的焊接质量预测模型训练方法及监测方法
CN117733439A (zh) * 2024-01-19 2024-03-22 西咸新区大熊星座智能科技有限公司 一种具有焊缝成形质量实时预测功能的焊接机器人
CN117733439B (zh) * 2024-01-19 2024-05-28 西咸新区大熊星座智能科技有限公司 一种具有焊缝成形质量实时预测功能的焊接机器人
CN117911416A (zh) * 2024-03-20 2024-04-19 广州市市政工程试验检测有限公司 一种焊接质量在线检测方法、装置、设备及存储介质
CN117911416B (zh) * 2024-03-20 2024-05-31 广州市市政工程试验检测有限公司 一种焊接质量在线检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN116618878A (zh) 一种焊前工艺参数确定方法、焊接质量在线预测方法、装置及存储介质
CN111047225B (zh) 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法
CN113695713B (zh) 一种热水器内胆焊接质量在线监测方法及装置
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN111929314A (zh) 一种轮毂焊缝视觉检测方法及检测***
CN111815555A (zh) 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置
CN112329860A (zh) 混合型深度学习视觉检测方法、装置、设备及存储介质
CN114935576A (zh) 工件视觉检测设备的准确性验证方法、装置、设备及介质
CN112091472B (zh) 焊接过程质量融合判断方法及装置
CN112557445B (zh) 一种基于增材制造的缺陷在线检测方法、装置和***
CN113239975B (zh) 一种基于神经网络的目标检测方法和装置
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN115018827A (zh) 一种建材焊缝质量自动检测方法
US20230274407A1 (en) Systems and methods for analyzing weld quality
CN112085708A (zh) 产品外轮廓中的直线边缘的缺陷检测方法及设备
CN113469991B (zh) 一种锂电池极耳激光焊点视觉在线检测方法
WO2022040819A2 (en) Computer-implemented monitoring of a welding operation
CN112183555B (zh) 焊接质量的检测方法、***、电子设备和存储介质
CN116841250A (zh) 一种智能制造车间数字孪生模型的构建方法
CN116008301A (zh) 一种基于车身板材焊接质量检测的方法
CN111428775A (zh) 一种基于区块链和人工智能的汽车零部件溯源***及方法
CN108229586A (zh) 一种数据中的异常数据点的检测方法及***
CN116757995A (zh) 基于深度学习的多模型融合方法及在耐磨板检测中的应用
CN117787480B (zh) 基于Res-LSTM的焊缝成形质量实时预测方法
CN113435670B (zh) 一种增材制造熔覆层偏移定量的预测方法

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