【技术实现步骤摘要】
本申请涉及智能焊接，且更为具体地，涉及一种文件柜生产用焊接方法及其系统。
技术介绍
1、在文件柜焊接过程中，通常使用电阻焊的方式进行焊接。电阻焊是将被焊零件压紧于两电极之间，并通以电流，利用电流流经零件接触面及邻近区域产生的电阻热将其加工到熔化或塑性状态，在压力下形成金属结合的一种焊接方法。
2、由于焊接过程进行很快，若焊接时由于某些工艺因素发生波动，会直接影响焊接质量。焊接过程中的电流大小就是影响焊接质量的重要因素之一。当电流过小时，会导致焊缝不完全熔合，焊接接头的强度会降低。而电流过大时，会引起过度熔化，导致焊接接头变脆，也会降低焊接强度，并且，过高的电流会导致焊接过快，短时间内热量集中，可能导致焊接缺陷和变形。
3、因此，期待一种文件柜生产用焊接方法及其系统，可以在焊接过程中，基于焊接效果自适应地调整电流的大小。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种文件柜生产用焊接方法及其系统，其首先采集文件柜焊接过程中的监控视频和电流值，利用机器学习算法对电流值和焊接监控视频进行分析，以提取出监控视频中聚焦于焊接接口的状态变化特征信息，以及电流值的时序动态特征，以这两者的关联性特征表示来进行当前时间点的电流值的实时控制。这样，可以准确地预测最佳的电流大小，以避免焊接缺陷和变形，从而提高焊接质量。
2、相应地，根据本申请的一个方面，提供了一种文件柜生产用焊接方法，其包括：
3、获取预定时间段内文件柜在焊
4、将所述多个预定时间点的电流值按照时间顺序排列为电流输入向量后通过时序编码器以得到电流时序特征向量；
5、将所述焊接监控视频通过使用时间注意力机制的第一卷积神经网络以获得焊接跟踪特征图；
6、将所述焊接跟踪特征图通过包含深浅特征融合模块的第二卷积神经网络模型以得到焊接特征向量；
7、计算所述焊接特征向量相对于所述电流时序特征向量的响应性估计以得到分类特征矩阵；
8、对所述焊接特征向量和所述电流时序特征向量进行关联特征的概率密度一致化以得到融合特征向量；
9、将融合特征向量乘以自身的转置以得到融合特征矩阵，并计算所述融合特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到优化分类特征矩阵；
10、将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果为当前时间点电流应增大或减小。
11、在上述文件柜生产用焊接方法中，将所述多个预定时间点的电流值按照时间顺序排列为电流输入向量后通过时序编码器以得到电流时序特征向量，包括：使用所述时序编码器的全连接层以如下全连接公式对所述电流输入向量进行全连接编码以提取出所述电流输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接公式为：其中x是所述电流输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵相乘；以及，使用所述时序编码器的一维卷积层以如下卷积公式对所述电流输入向量进行一维卷积编码以提取出所述电流输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述卷积公式为：
12、
13、其中，a为卷积核在x方向上的宽度、f(a)为卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述电流输入向量，cov(x)表示对所述电流输入向量进行一维卷积编码。
14、在上述文件柜生产用焊接方法中，将所述焊接监控视频通过使用时间注意力机制的第一卷积神经网络以获得焊接跟踪特征图，包括：以预定采样频率从所述焊接监控视频提取多个监控关键帧；以及，将所述多个监控关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述焊接跟踪特征图。
15、在上述文件柜生产用焊接方法中，将所述多个监控关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述焊接跟踪特征图，包括：从所述多个监控关键帧中提取相邻的第一监控关键帧和第二监控关键帧；将所述第一监控关键帧和所述第二监控关键帧分别通过所述第一卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；将所述时间注意力图输入softmax激活函数以得到时间注意力特征图；以及，计算所述第二卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二监控关键帧的时间增强监控特征图；其中，所述多个监控关键帧中最后一个监控关键帧对应的时间增强监控特征图为所述焊接跟踪特征图。
16、在上述文件柜生产用焊接方法中，将所述焊接跟踪特征图通过包含深浅特征融合模块的第二卷积神经网络模型以得到焊接特征向量，包括：从所述第二卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；从所述第二卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；使用所述第二卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，对所述融合特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述焊接特征向量。
17、在上述文件柜生产用焊接方法中，计算所述焊接特征向量相对于所述电流时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下响应性公式计算所述焊接特征向量相对于所述电流时序特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性公式为：
18、
19、其中va表示所述焊接特征向量，vb表示所述电流时序特征向量，m表示所述分类特征矩阵，表示矩阵相乘。
20、在上述文件柜生产用焊接方法中，对所述焊接特征向量和所述电流时序特征向量进行关联特征的概率密度一致化以得到融合特征向量，包括：计算所述焊接特征向量和所述电流时序特征向量之间的协方差矩阵；对所述协方差矩阵进行进行特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征值向量；从所述多个特征值向量中提取前两个最大特征值对应的特征值向量作为第一主成分特征向量和第二主成分特征向量；对所述第一主成分特征向量和所述第二主成分特征向量进行归一化处理以得到归一化第一主成分特征向量和归一化第二主成分特征向量；构造所述归一化第一主成分特征向量和归一化第二主成分特征向量之间的关联矩阵作为共同变换矩阵；将所述焊接特征向量和所述电流时序特征向量分别与所述共同变换矩阵进行矩阵相乘以得到映射后焊接特征向量和映射后电流时序特征向量；使用一致化法对所述映射后焊接特征向量和映射后电流时序特征向量进行概率密度一致化以得到概率密度一致化焊接特征向量和概率密度一致化电流时序特征向量；计算所述概率密度一致化焊接特征向量和概率密度一致化电流时序特征向量之间的均值向量以得到所述融合特征向量。
21、在上述文件柜生产用焊接方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果本文档来自技高网...
【技术保护点】
1.一种文件柜生产用焊接方法，其特征在于，包括：
2.根据权利要求1所述的文件柜生产用焊接方法，其特征在于，将所述多个预定时间点的电流值按照时间顺序排列为电流输入向量后通过时序编码器以得到电流时序特征向量，包括：
3.根据权利要求2所述的文件柜生产用焊接方法，其特征在于，将所述焊接监控视频通过使用时间注意力机制的第一卷积神经网络以获得焊接跟踪特征图，包括：
4.根据权利要求3所述的文件柜生产用焊接方法，其特征在于，将所述多个监控关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述焊接跟踪特征图，包括：
5.根据权利要求4所述的文件柜生产用焊接方法，其特征在于，将所述焊接跟踪特征图通过包含深浅特征融合模块的第二卷积神经网络模型以得到焊接特征向量，包括：
6.根据权利要求5所述的文件柜生产用焊接方法，其特征在于，计算所述焊接特征向量相对于所述电流时序特征向量的响应性估计以得到分类特征矩阵，包括：
7.根据权利要求6所述的文件柜生产用焊接方法，其特征在于，对所述焊接特征向量和所述电流时序特征向量进行关联
8.根据权利要求7所述的文件柜生产用焊接方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果为当前时间点电流应增大或减小，包括：
9.一种文件柜生产用焊接系统，其特征在于，包括：
10.根据权利要求9所述的文件柜生产用焊接系统，其特征在于，所述电流时序特征提取模块，包括：
...【技术特征摘要】
1.一种文件柜生产用焊接方法，其特征在于，包括：
2.根据权利要求1所述的文件柜生产用焊接方法，其特征在于，将所述多个预定时间点的电流值按照时间顺序排列为电流输入向量后通过时序编码器以得到电流时序特征向量，包括：
3.根据权利要求2所述的文件柜生产用焊接方法，其特征在于，将所述焊接监控视频通过使用时间注意力机制的第一卷积神经网络以获得焊接跟踪特征图，包括：
4.根据权利要求3所述的文件柜生产用焊接方法，其特征在于，将所述多个监控关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述焊接跟踪特征图，包括：
5.根据权利要求4所述的文件柜生产用焊接方法，其特征在于，将所述焊接跟踪特征图通过包含深浅特征融合模块的第二卷积神经网络...
【专利技术属性】
技术研发人员：敖桂兵，熊园军，徐建兵，杨小罗，
申请(专利权)人：江西远大保险设备实业集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。