基于数据空间转化的焊接参数迁移学习预测方法技术

为了解决焊接工艺参数获取困难导致焊接参数预测模型训练数据样本不足，而现有的数据扩充方法却不适用于对企业数据库中保存的焊接工艺数据进行数据扩充以满足焊接参数预测的样本需求的技术问题，本发明专利技术提出了一种基于数据空间转化的焊接参数迁移学习预测方法。本发明专利技术针对焊接工艺参数表格数据，通过对不同领域的焊件参数以及焊接工艺参数进行数据空间迁移，提取焊接工艺参数中的参数调整知识，从而可以有效地扩充小样本目标阈的参数集，进而提高小样本焊接工艺参数预测模型的预测精度。提高小样本焊接工艺参数预测模型的预测精度。提高小样本焊接工艺参数预测模型的预测精度。

【技术实现步骤摘要】
基于数据空间转化的焊接参数迁移学习预测方法


[0001]本专利技术涉及工业机器人焊接
，具体涉及一种基于数据空间转化的焊接参数迁移学习预测方法。本专利技术能够提取企业数据库中现存数据中的参数调整经验，对焊接工艺数据进行扩充，为焊接工艺参数预测提供大量训练数据基础。

技术介绍

[0002]众所周知，基于机器学习的参数预测模型是需要大量的样本数据进行训练，才能获取准确率比较高的预测模型。然而在焊接场景下，获得大量的训练数据需要进行多次实验，成本高昂且耗时，因此实验数据的获取往往是十分困难的。在焊接企业的数据库中存储有很多不同类型焊接和焊件的数据，这些数据往往不能直接运用在单一模型训练中。这些不同焊接类型、焊接材料的参数，虽然属于不同的领域，但是存在很多可以互通的知识用于提高数据数量，却因无法充分利用而浪费。因此，如何充分利用企业数据库中的焊接参数信息以提高参数预测模型的性能成为了一项关键的研究内容。
[0003]近年来，在焊接
中进行数据扩充方面的研究主要有：
[0004]广州东焊智能装备有限公司公开的专利技术专利《一种基于深度迁移学习的焊接智能检测系统》(202210413149.7)，基于深度迁移学习对焊接表面图像进行建模，对历史焊接数据进行学习，构建焊接质量检测模型。通过深度学习模型识别图像中的焊接缺陷，通过迁移学习提高模型的精度，降低误判率。
[0005]深圳创新奇智科技有限公司公开的专利技术专利《一种基于模型迁移的工业数据分类方法》(201910744936.8)，利用收集到的不用焊接缺陷图像数据集作为源域数据集并进行标签，对源域数据进行数据增强，扩充数据集，构建卷积神经网络分类模型，最终可以实现对焊接缺陷种类的预测。
[0006]上述两篇专利文献中公开的数据扩充都是在利用深度学习处理图像的时候对卷积层学习到的特征进行同领域的迁移，以提高小样本学习中存在的训练数据不足的问题，然而图像转化的矩阵都是色素点，迁移学习主要是用卷积核对每个步长的色素进行特征提取，这些提取的特征可以在不同的模型中进行迁移。但是焊接工艺参数的表格数据中每一行的数据之间存在关联关系，每一列的数据也是有特有的分布的，所以上述数据扩充方法无法适用于对焊接工艺参数的表格数据进行扩充。同样的，在企业数据库中保存的焊接工艺数据往往也存在特定的分布特点以及关联关系，上述数据扩充方法也难以适用。

技术实现思路

[0007]为了解决焊接工艺参数获取困难导致焊接参数预测模型训练数据样本不足，而现有的数据扩充方法却不适用于对企业数据库中保存的焊接工艺数据进行数据扩充以满足焊接参数预测的样本需求的技术问题，本专利技术提出了一种基于数据空间转化的焊接参数迁移学习预测方法。
[0008]本专利技术的技术方案是：
[0009]基于数据空间转化的焊接参数迁移学习预测方法，其特殊之处在于，包括以下步骤：
[0010]步骤1：从企业信息库中抽取与当前焊接任务相关的历史工艺数据集，分析汇总得到源域数据，所述源域数据中包括不同焊接工艺种类对应的焊件特征参数及焊接工艺参数；
[0011]步骤2：基于所述源域数据，获取每一种焊接工艺类型的焊件特征参数变化情况、焊接工艺参数调整方式及焊件特征参数每一次变化的起始点，以此构成源域的焊接工艺参数调整规则集，并从中提取最小单位步长的焊接工艺参数调整规则，得到不同种类的焊接工艺参数调整最小尺度规则；
[0012]步骤3：获取与目标任务同类的焊接工艺参数数据集，得到目标域数据，并采用步骤2相同的方法获得目标域调整规则集；所述目标域数据包括与目标任务属于同一焊接工艺类型的焊件特征参数及焊接工艺参数；
[0013]步骤4：基于步骤2得到的所述源域的焊接工艺参数调整规则集和步骤3得到的目标域调整规则集，构建源域数据到目标域数据空间的映射矩阵；
[0014]步骤5：利用所述映射矩阵，将步骤2得到的焊接工艺参数调整最小尺度规则映射到与所述目标域相同的数据空间中，得到扩充数据集；
[0015]步骤6：对所述扩充数据集进行数据清洗，得到可用参数集；
[0016]步骤7：将所述可用参数集作为训练数据集，构建机器学习模型XGBoost，学习焊件特征参数与焊接工艺参数之间的关系，得到参数预测模型，向所述参数预测模型中输入新的焊件特征信息，进行焊接工艺参数预测。
[0017]进一步地，所述步骤2中得到的源域的焊接工艺参数调整规则集为：
[0018][0019]式中，
[0020]表示第n种焊接工艺类型的焊件特征参数中任一样本与其他样本相比较获得的变化情况的汇总集合，
[0021]表示第n种焊接工艺类型的焊件特征参数中第d行的焊件参数与WDn中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊件特征参数WD
n
中每一个元素均减去
[0022]表示第n种焊接工艺类型的焊接工艺参数中任一样本与其他样本相比较获得的变化情况的汇总集合，
[0023]表示第n种焊接工艺类型的焊件特征参数中第d行的焊接工艺参数与WPP
n
中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊接工艺参数WPP
n
中每一个元素均减去
[0024]Initn表示第n种焊接工艺类型的每一次计算变化情况的起始点；
Init
nT
表示Init
n
的转置。
[0025]进一步地，所述步骤3中得到的目标域调整规则集为：
[0026][0027]式中，
[0028]Init
r
，Dis
WD，r，
Dis
WPP，r
分别表示目标域数据T的焊件特征参数中第r个参数的变化起始点、焊件特征参数中第r个参数的变化情况对应的焊接工艺参数的调整方式；
[0029]r为目标域调整规则集的样本量。
[0030]进一步地，所述步骤4具体为：
[0031]步骤4.1：以目标域调整规则集TADJ中的参数起始点Init
t
、焊件特征参数的变化情况Dis
WD，t
为参考指标，计算从源域数据中获取到的焊接工艺参数调整规则集ADJ与目标域调整规则集TADJ的欧拉距离，从步骤2得的焊接工艺参数调整规则集ADJ中提取与目标域调整数据欧拉距离最接近的样本并按照目标域的焊件特征参数的起始点Init
t
出现的先后顺序进行排序，得到调整数据集M，M中包括不同种类的调整数据集{M1，M2，...，M
n
}；
[0032]步骤4.2：构建偏最小二乘回归模型，从调整数据集M中提取主成分向量t
i
，使之最大限度地携带原本的调整数据集M的数据信息；
[0033]步骤4.3：求取残差矩阵E1；
[0034]步骤4.4：循环执行上述步骤4.1
‑
4.3共r
‑
1次，依次求得残差矩阵E本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据空间转化的焊接参数迁移学习预测方法，其特征在于，包括以下步骤：步骤1：从企业信息库中抽取与当前焊接任务相关的历史工艺数据集，分析汇总得到源域数据，所述源域数据中包括不同焊接工艺种类对应的焊件特征参数及焊接工艺参数；步骤2：基于所述源域数据，获取每一种焊接工艺类型的焊件特征参数变化情况、焊接工艺参数调整方式及焊件特征参数每一次变化的起始点，以此构成源域的焊接工艺参数调整规则集，并从中提取最小单位步长的焊接工艺参数调整规则，得到不同种类的焊接工艺参数调整最小尺度规则；步骤3：获取与目标任务同类的焊接工艺参数数据集，得到目标域数据，并采用步骤2相同的方法获得目标域调整规则集；所述目标域数据包括与目标任务属于同一焊接工艺类型的焊件特征参数及焊接工艺参数；步骤4：基于步骤2得到的所述源域的焊接工艺参数调整规则集和步骤3得到的目标域调整规则集，构建源域数据到目标域数据空间的映射矩阵；步骤5：利用所述映射矩阵，将步骤2得到的焊接工艺参数调整最小尺度规则映射到与所述目标域相同的数据空间中，得到扩充数据集；步骤6：对所述扩充数据集进行数据清洗，得到可用参数集；步骤7：将所述可用参数集作为训练数据集，构建机器学习模型XGBoost，学习焊件特征参数与焊接工艺参数之间的关系，得到参数预测模型，向所述参数预测模型中输入新的焊件特征信息，进行焊接工艺参数预测。2.根据权利要求1所述的基于数据空间转化的焊接参数迁移学习预测方法，其特征在于：所述步骤2中得到的源域的焊接工艺参数调整规则集为：式中，表示第n种焊接工艺类型的焊件特征参数中任一样本与其他样本相比较获得的变化情况的汇总集合，变化情况的汇总集合，表示第n种焊接工艺类型的焊件特征参数中第d行的焊件参数与WD
n
中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊件特征参数WD
n
中每一个元素均减去中每一个元素均减去表示第n种焊接工艺类型的焊接工艺参数中任一样本与其他样本相比较获得的变化情况的汇总集合，的变化情况的汇总集合，表示第n种焊接工艺类型的焊件特征参数中第d行的焊接工艺参数与WPP
n
中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊接工艺参数WPP
n
中每一个元素均减去
Init
n
表示第n种焊接工艺类型的每一次计算变化情况的起始点；表示第n种焊接工艺类型的每一次计算变化情况的起始点；Init
nT
表示Init
n
的转置。3.根据权利要求2所述的基于数据空间转化的焊接参数迁移学习预测方法，其特征在于：所述步骤3中得到的目标域调整规则集为：式中，Init
r
,Dis
WD,r
,Dis
WPP,r
分别表示目标域数据T的焊件特征参数中第r个参数的变化起始点、焊件特征参数中第r个参数的变化情况对应的焊接工艺参数的调整方式；r为目标域调整规则集的样本量。4.根据权利要求3所述的基于数据空间转化的焊接参数迁移学习预测方法，其特征在于：所述步骤4具体为：步骤4.1：以目标域调整规则集TADJ中的参数起始点Init
t
、焊件特征参数的变化情况Dis
WD,t
为参考指标，计算...

【专利技术属性】
技术研发人员：景岩，张映锋，张诚，康承飞，夏浩，陈昱杉，丁孟嘉，李尧，田桢，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：