一种基于多视野特征融合的焊接异常实时诊断方法技术

本发明专利技术公开了一种基于多视野特征融合的焊接异常实时诊断方法，基于传感器采集到的焊接高频时序数据，设计了焊接异常实时检测网络；该网络主体为多分支结构，各分支均包括若干逆向残差块及一级自注意力块；通过改变不同分支间逆向残差块内部深度可分卷积网络层的膨胀系数，使各分支充分学习焊接时序数据的宏观及微观特征；每个分支通过添加一级自注意力块，使该分支在传统逆向残差块的基础上可以学习焊接数据的时序特征；将各分支输出在channel维度拼接后通过通道注意力块对不同channel特征信息赋予权重，使网络获得更好的训练效果；最终网络输出不同状态的异常预测概率，并以预测概率最大的标签作为输出结果。并以预测概率最大的标签作为输出结果。并以预测概率最大的标签作为输出结果。

【技术实现步骤摘要】
一种基于多视野特征融合的焊接异常实时诊断方法


[0001]本专利技术属于智慧焊接
，特别涉及一种基于多视野特征融合的焊接异常实时诊断方法。

技术介绍

[0002]智慧焊接作为智能制造领域中最重要的研究课题之一，已经引起行业的普遍重视。传感技术及对应的信息处理方法则是实现焊接过程可视、可查、可控的关键要素。近年来，具有小型化、无接触式及大传输量等特点的传感技术更多地被应用到焊接过程及质量实时控制中，对于焊接异常的实时检测诊断，目前也已存在较多研究。现有技术中普遍采用图像识别的方式对焊接异常进行识别，这种方法则存在实时性不够，检测精度不够的问题。考虑到焊接过程中最能体现焊接场景特征的数据一般包括电流、电压、焊接速度等时序数据，对于时序数据的处理及对应状态的识别则是一条具备长远前景的研究方向。

技术实现思路

[0003]专利技术目的：针对上述
技术介绍
中提供的研究思路，本专利技术提供了一种基于多视野特征融合的焊接异常实时诊断方法，本专利技术通过设计焊接异常实时诊断网络，设计了多个具备不同视野的分支，可以有效获取不同视野下从宏观到微观的特征信息；同时在不同分支下均采用自注意力机制，使各分支可以学习到时序特征；最后，通过通道注意力机制对不同输出channel的特征赋予权重，可以有效提升网络的检测准确率。
[0004]技术方案：一种基于多视野特征融合的焊接异常实时诊断方法，包括以下步骤：步骤S1、采集实际焊接过程中的高频电流数据并进行预处理，获取入模样本集；步骤S2、搭建焊接异常实时诊断网络；所述网络包括若干分支，每条分支包括若干逆向残差块和一级自注意力块；同一分支下各逆向残差块膨胀系数相同，不同分支间各逆向残差块的膨胀系数不同；所述自注意力块采用多头自注意力结构；将不同分支的输出结果在channel维度上进行拼接，并输入通道注意力块，为每个channel输出特征赋予权重；最终输出不同状态标签对应的预测概率，选取预测概率最大的状态标签作为网络的预测标签；步骤S3、训练步骤S2中搭建的焊接异常实时诊断网络；步骤S4、将训练好的焊接异常实时诊断网络部署至边缘侧，获取新的实时高频电流数据，按照设定窗长window_size输入至训练好的焊接异常实时诊断网络中，网络实时输出对应的焊接状态，实现焊接异常的实时诊断。
[0005]进一步地，所述步骤S1中预处理步骤包括：采用滑窗构造样本方法构造若干样本，作为入模数据集；根据实际焊接过程中发生的异常状态，将异常状态对应的滑窗样本打上异常标签，记为1，正常焊接状态下的滑窗样本标签记为0；最后将所有滑窗样本随机乱序，按一定比例划分为训练集、验证集和测试集。
[0006]进一步地，步骤S2中搭建的焊接异常实时诊断网络结构具体包括：滑窗样本输入至一维卷积网络块Block1，Block1分别输出至各分支Branch；每条分支均包含若干个相连的逆向残差块InvertedResidualBlock，最后一级逆向残差块输出连接一级自注意力块AttentionBlock；将各条分支的输出在channel维度上进行拼接，最终输出为X，其维度为C；将拼接后的输出X输入至通道注意力块SEBlock中；将SEBlock输出的各channel权重分别与拼接后的输出X相乘，即可获得最终带有权重的特征信息；将带有权重的特征信息输入至Flatten层进行拉平操作，最终输入至全连接层；全连接层包括2个神经元，分别代表异常和正常焊接状态标签；最终选择预测概率最高对应的焊接状态标签作为输出。
[0007]进一步地，每个逆向残差块InvertedResidualBlock结构包括依次连接的第一卷积网络层、BN层、ReLU6激活函数层、第二卷积网络层、BN层、ReLU6激活函数层、第三卷积网络层和BN层；每个逆向残差块的输入和输出间通过1*1的卷积网络层跳跃连接；其中第一卷积网络层为1*1一维卷积网络层，输出维度为：expand_ration*out_channel；其中expand_ration为扩张系数；第二卷积网络层为融合了深度卷积Depthwise Convolution和膨胀卷积Dilated Convolution的深度可分卷积网络层；第三卷积网络层为1*1一维卷积网络层，输出维度为out_channel；其中同一分支下深度可分卷积网络层的膨胀系数dilation_rate相同，不同分支间深度可分卷积网络层的膨胀系数依次增大。
[0008]进一步地，所述自注意力块结构采用多头自注意力结构，包括一个ConcatPosEmbed块以及一个multi
‑
head attention块;其中ConcatPosEmbed块用于在输入矩阵的基础上拼接一个可训练的位置层，核心参数包括embed_dim和seq_length；seq_length为0.5*window_size，embed_dim则等于每条分支中最后一个逆向残差块的输出维度out_channel；multi
‑
head attention块中输出dim同样等于每条分支中最后一个逆向残差块的输出维度out_channel。
[0009]进一步地，所述通道注意力块SEBlock结构包括依次连接的一维全局平均池化下采样层、上层一维卷积层、ReLU激活函数层、下层一维卷积层和sigmoid激活函数层；其中上层一维卷积层卷积核大小kernel_size=1，卷积核个数为C/4；下层一维卷积层的卷积核大小kernel_size=1，卷积核个数为C。
[0010]进一步地，将带有权重的特征信息输入至Flatten层进行拉平操作，最终输入至全连接层。
[0011]进一步地，所述步骤S3中输入带有焊接状态标签的训练集数据至焊接异常实时诊断网络，网络输出各焊接状态标签对应的预测概率；不断迭代网络结构，最终使网络输出标签不断逼近真实标签，直至符合检测精度要求。
[0012]本专利技术采用的技术方案与现有技术方案相比，具有以下有益效果：（1）本专利技术设计了多分支的焊接异常实时诊断，通过不同分支间的深度可分卷积网络层的膨胀系数依次增大，在多视野角度下捕捉高频时序数据的宏观及微观特征信息，用于后续特征融合。该网络可以有效精准地学习焊接样本特征，进而获得更好的模型精度。
[0013]（2）本专利技术在每个分支上均设置有自注意力块，解决了传统逆向残差块无法学习数据时序特征的问题，每个分支均能学习高频焊接时序数据的时序特征，使学习结果更加符合焊接场景，进一步提升了网络的精度。
[0014]（3）本专利技术中各分支结果拼接后通过通道注意力机制，为每个channel的输出特征赋予权重，通过不断学习，加大重要特征的权重，弱化其他特征的影响，使网络具备更好的学习效果。
附图说明
[0015]图1为本专利技术提供的基于多视野特征融合的焊接异常实时诊断方法流程图；图2为本专利技术实施例中设计的焊接异常实时诊断网络结构图；图3为本专利技术实施例中设计的逆向残差块结构示意图。
实施方式
[0016]下面结合附图对本专利技术做更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多视野特征融合的焊接异常实时诊断方法，其特征在于，包括以下步骤：步骤S1、采集实际焊接过程中的高频电流数据并进行预处理，获取入模样本集；步骤S2、搭建焊接异常实时诊断网络；所述网络包括若干分支，每条分支包括若干逆向残差块和一级自注意力块；同一分支下各逆向残差块膨胀系数相同，不同分支间各逆向残差块的膨胀系数不同；所述自注意力块采用多头自注意力结构；将不同分支的输出结果在channel维度上进行拼接，并输入通道注意力块，为每个channel输出特征赋予权重；最终输出不同状态标签对应的预测概率，选取预测概率最大的状态标签作为网络的预测标签；步骤S3、训练步骤S2中搭建的焊接异常实时诊断网络；步骤S4、将训练好的焊接异常实时诊断网络部署至边缘侧，获取新的实时高频电流数据，按照设定窗长window_size输入至训练好的焊接异常实时诊断网络中，网络实时输出对应的焊接状态，实现焊接异常的实时诊断。2.根据权利要求1所述的一种基于多视野特征融合的焊接异常实时诊断方法，其特征在于，所述步骤S1中预处理步骤包括：采用滑窗构造样本方法构造若干样本，作为入模数据集；根据实际焊接过程中发生的异常状态，将异常状态对应的滑窗样本打上异常标签，记为1，正常焊接状态下的滑窗样本标签记为0；最后将所有滑窗样本随机乱序，按一定比例划分为训练集、验证集和测试集。3.根据权利要求1所述的一种基于多视野特征融合的焊接异常实时诊断方法，其特征在于，步骤S2中搭建的焊接异常实时诊断网络结构具体包括：滑窗样本输入至一维卷积网络块Block1，Block1分别输出至各分支Branch；每条分支均包含若干个相连的逆向残差块InvertedResidualBlock，最后一级逆向残差块输出连接一级自注意力块AttentionBlock；将各条分支的输出在channel维度上进行拼接，最终输出为X，其维度为C；将拼接后的输出X输入至通道注意力块SEBlock中；将SEBlock输出的各channel权重分别与拼接后的输出X相乘，即可获得最终带有权重的特征信息；将带有权重的特征信息输入至Flatten层进行拉平操作，最终输入至全连接层；全连接层包括2个神经元，分别代表异常和正常焊接状态标签；最终选择预测概率最高对应的焊接状态标签作为输出。4.根据权利要求3所述的一种基于多视野特征融合的焊接异常实时诊断方法，其特征在于，每个逆向残差块InvertedResidualBlock结构包括依次连接的第一卷积网络层、BN层、ReLU6激活...

【专利技术属性】
技术研发人员：李波，田慧云，
申请(专利权)人：苏芯物联技术南京有限公司，
类型：发明
国别省市：