一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例所公开的一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质，其中，方法包括服务器获取车辆的焊点信息集合，对焊点信息集合进行特征处理，即将焊点信息集合中的非数值信息集合转化为0‑1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的焊点信息集合，基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。本申请无需人工参考大量的已有焊接参数，不仅可以节约培训工程师的培训成本，还可以节约时间成本。

【技术实现步骤摘要】
一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质
本专利技术涉及焊接制造
，尤其涉及一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质。
技术介绍
电子点焊能够实现板件间的高强度连接，是航天、航空、汽车制造业应用最为广泛的焊接方法之一。以汽车制造业为例，一辆汽车上含有3000-5000个电阻点焊焊点，每个焊点的焊接质量都直接影响着车辆的安全性能。因此，优质高效的电阻点焊技术是必不可少的。电阻点焊技术是一项非常重要的工作，不仅要求工程师对于焊接设备和工艺的具有深刻的理解，还要求工程师具备大量的焊接经验，此外，对于一辆全新车型的车辆，从开始调试到量产的过程中，需要几十辆车反复进行焊接验证，不断进行点焊参数调试，以免出现焊接不良的情况。现有技术中，全新车型的车辆通常是根据已稳定量产的车辆确定的焊接参数，具体是在已稳定量产的车辆中焊点的焊点信息中匹配与全新车型的车辆的焊点信息一致的数据，即选择已稳定量产的车辆的焊点信息中焊接电机直径、板件配合程度、板材信息一致的焊接参数作为全新车型的车辆中焊点的焊接参数，然而该种方式存在一定如下弊端：(1)全新车型的车辆中所有焊点的信息在已稳定量产的车辆中不一定能够全部找到；(2)由于存在无规律的干扰因素(焊点分流、零件表面清洁程度)，直接移植已稳定量产的车辆的焊接参数难以提升全新车型的车辆的焊接质量；(3)对于不同经验的工程师来说，即使参考同一份已稳定量产的车辆的焊接参数，完成同一辆全新车型的车辆的焊接质量也不一致；(4)由于已稳定量产的车辆随时间积累数量越来越庞大，工程师参考和筛选的工作量也随之增加，大大降低了工作效率。
技术实现思路
本申请实施例提供一种电阻点焊的焊接参数确定方法、装置、电子设备及存储介质，可以节约培训工程师的培训成本，节约时间成本。本申请实施例提供一种电阻点焊的焊接参数确定方法，该方法包括：获取车辆的焊点信息集合；对焊点信息集合进行特征处理，得到处理后的焊点信息集合；其中，特征处理包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。进一步地，上述焊接参数确定模型的训练步骤包括：获取历史焊点信息集合和历史焊点信息集合对应的实际焊接参数；历史焊点信息集合是已量产车辆的焊点信息集合；对历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；特征处理包括将历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小历史焊点信息集合中的历史数值信息集合，使得历史数值信息集合中数值的大小均在预设区间内；将历史数值信息集合中的历史数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；基于当前机器学习模型，对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；根据预测焊接参数和实际焊接参数确定均方误差，得到损失值；当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；当损失值小于或者等于预设阈值时，将当前机器学习模型确定为焊接参数确定模型，将损失值对应的模型参数确定为焊接参数确定模型的参数。进一步地，焊接参数确定模型包括第一全连接层、卷积层和第二全连接层；第一全连接层的输出端与卷积层的输入端连接，卷积层的输出端与第二全连接层的输入端连接；第一全连接层的输入端的输入数据是由处理后的历史焊点信息集合决定的。进一步地，第一全连接层、卷积层和第二全连接层均包括多个感知机，多个感知机中每个感知机对应含有多个权重系数；对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型，包括：对第一全连接层、卷积层和第二全连接层中每个感知机对应的多个权重系数进行调整，得到更新后的机器学习模型；将更新后的机器学习模型重新确定为当前机器学习模型。进一步地，焊点信息集合包括但不限于焊点的材料牌号、焊点所在板材的厚度、电极头型号、涂胶信息、焊点对应的位置数据和焊枪型号。进一步地，焊接参数包括但不限于焊接电流、通电时长和焊接压力。进一步地，对焊点信息集合进行特征处理之前，还包括：对焊点信息集合进行过滤，使得过滤后的焊点信息集合中不含有通用信息和无区分度信息；通用信息是任意焊点都具备的特征信息，无区分度信息是焊点信息集合中多个焊点所重复的焊点信息。相应地，本申请实施例还提供了一种电阻点焊的焊接参数确定装置，该装置包括：第一获取模块，用于获取车辆的焊点信息集合；第一处理模块，用于对焊点信息集合进行特征处理，得到处理后的焊点信息集合；其中，特征处理包括将焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小焊点信息集合中的数值信息集合，使得数值信息集合中数值的大小均在预设区间内，并将缩小后的数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；噪音数值集合中所有噪音数值的均值为0，且标准差为1；第一确定模块，用于基于训练后的焊接参数确定模型对处理后的焊点信息集合进行焊接参数确定，得到处理后的焊点信息集合对应的焊接参数。进一步地，该装置还包括：第二获取模块，用于获取历史焊点信息集合和历史焊点信息集合对应的实际焊接参数；历史焊点信息集合是已量产车辆的焊点信息集合；第二处理模块，用于对历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；特征处理包括将历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小历史焊点信息集合中的历史数值信息集合，使得历史数值信息集合中数值的大小均在预设区间内；第三处理模块，用于将历史数值信息集合中的历史数值信息与噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；构建模块，用于构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；第四处理模块，用于基于当前机器学习模型，对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；第二确定模块，用于根据预测焊接参数和实际焊接参数确定均方误差，得到损失值；重复模块，用于当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习本文档来自技高网...

【技术保护点】
1.一种电阻点焊的焊接参数确定方法，其特征在于，包括：/n获取车辆的焊点信息集合；/n对所述焊点信息集合进行特征处理，得到处理后的焊点信息集合；/n其中，所述特征处理包括将所述焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小所述焊点信息集合中的数值信息集合，使得所述数值信息集合中数值的大小均在预设区间内，并将缩小后的所述数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；/n基于训练后的焊接参数确定模型对所述处理后的焊点信息集合进行焊接参数确定，得到所述处理后的焊点信息集合对应的焊接参数。/n

【技术特征摘要】
1.一种电阻点焊的焊接参数确定方法，其特征在于，包括：
获取车辆的焊点信息集合；
对所述焊点信息集合进行特征处理，得到处理后的焊点信息集合；
其中，所述特征处理包括将所述焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，根据预设比例缩小所述焊点信息集合中的数值信息集合，使得所述数值信息集合中数值的大小均在预设区间内，并将缩小后的所述数值信息集合中的数值信息与噪音数值集合中对应的噪音数值相加；所述噪音数值集合中所有噪音数值的均值为0，且标准差为1；
基于训练后的焊接参数确定模型对所述处理后的焊点信息集合进行焊接参数确定，得到所述处理后的焊点信息集合对应的焊接参数。


2.根据权利要求1所述的方法，其特征在于，所述焊接参数确定模型的训练步骤包括：
获取历史焊点信息集合和所述历史焊点信息集合对应的实际焊接参数；所述历史焊点信息集合是已量产车辆的焊点信息集合；
对所述历史焊点信息集合进行特征处理，得到预处理后的历史焊点信息集合；所述特征处理包括将所述历史焊点信息集合中的非数值信息集合转化为0-1矩阵数据集合，以及根据预设比例缩小所述历史焊点信息集合中的历史数值信息集合，使得所述历史数值信息集合中数值的大小均在所述预设区间内；
将所述历史数值信息集合中的历史数值信息与所述噪音数值集合中对应的噪音数值相加，得到处理后的历史焊点信息集合；
构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；
基于所述当前机器学习模型，对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
根据所述预测焊接参数和所述实际焊接参数确定均方误差，得到损失值；
当所述损失值大于所述预设阈值时，基于所述损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：对所述处理后的历史焊点信息集合进行预测操作，确定预测焊接参数；
当所述损失值小于或者等于所述预设阈值时，将所述当前机器学习模型确定为所述焊接参数确定模型，将所述损失值对应的模型参数确定为所述焊接参数确定模型的参数。


3.根据权利要求2所述的方法，其特征在于，所述焊接参数确定模型包括第一全连接层、卷积层和第二全连接层；
所述第一全连接层的输出端与所述卷积层的输入端连接，所述卷积层的输出端与所述第二全连接层的输入端连接；
所述第一全连接层的输入端的输入数据是由所述处理后的历史焊点信息集合决定的。


4.根据权利要求3所述的方法，其特征在于，所述第一全连接层、所述卷积层和所述第二全连接层均包括多个感知机，所述多个感知机中每个感知机对应含有多个权重系数；
所述对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为当前机器学习模型，包括：
对所述第一全连接层、所述卷积层和所述第二全连接层中每个感知机对应的多个权重系数进行调整，得到所述更新后的机器学习模型；
将所述更新后的机器学习模型重新确定为当前机器学习模型。


5.根据权利要求1所述的方法，其特征在于，所述焊点信息集合包括但不限于焊点的材料牌号、焊点所在板材的厚度、电极头型号、涂胶信息、焊点对应的位置数据和焊枪型号。


6.根据权利要求1所述的方法，其特征在于，所述焊接参数包括但不限于焊接电流、通电时长和焊接压力。


7.根据权利要求1所述的方法，其特征在于，所述对所述焊点信息集合进行特征处理之前，...

【专利技术属性】
技术研发人员：彭飞，冯波，何洪岩，
申请(专利权)人：浙江吉利汽车研究院有限公司，浙江吉利控股集团有限公司，
类型：发明
国别省市：浙江;33