【技术实现步骤摘要】
本专利技术涉及智能机器人领域，具体涉及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。
技术介绍
1、目前，随着产线自动化的发展，焊接机器人也得到了广泛的应用，在焊接加工效率得到保证以后，焊接机器人的焊接质量也需要得到控制，焊接机器人根据工艺的不同可以分为点焊以及搅拌摩擦焊，其中用于预测搅拌摩擦焊焊接质量的方法主要分为：(1)基于多元线性回归、随机森林、支持向量机等传统机器学习模型的焊接质量预测方法；(2)基于bp神经网络的焊接质量预测方法。
2、然而上述焊接质量预测方法仍具有以下问题：在焊接工艺中，特征与标签之间基本是非线性的，导致经典的线性回归和逻辑回归方法无法在此类数据上应用。同时，由于焊接数据中的特征较少，决策树、随机森林等传统非线性模型难以有效发挥作用，尤其是当焊接样本仅有三四个特征时，模型无法有效区分焊接质量好的样本和焊接质量差的样本。另外，基于简单的bp神经网络的方法虽然能够有效解决样本的线性不可分问题，但是仅靠较少的特征(焊接头转速、焊接速度、下压力)很难得到较好的预测结果，因为这些特征的信息只是焊接机器人某一时刻的数值，无法让模型捕获焊接机器人运动过程中的数值波动。同时，现有的方法为了解决线性不可分问题，通常会加深bp神经网络的网络深度，容易导致模型过拟合，即模型没有泛化性，无法对新样本进行有效预测。
技术实现思路
1、针对现有技术的不足，本专利技术提出一种基于工业互联网的焊接质量预测模型训练方法，包括：
2、通过工业互联网从数据库中获
3、在bp神经网络中加入l2范数惩罚项，将通过工业互联网获取的工艺参数输入bp神经网络以获取第一损失误差以及第一抽象特征；通过lstm神经网络提取单个焊接点的时序信息，以输出第二抽象特征；
4、融合所述第一抽象特征和第二抽象特征，以获取融合后的联合特征，对所述联合特征进行线性变换以预测出预测焊接质量；
5、计算焊接点的预测焊接质量与真实焊接质量之间的第二损失误差，对第一损失误差和第二损失误差进行加权求和得到联合损失误差；使用联合损失误差优化所述bp神经网络直到损失收敛，完成焊接质量预测模型的训练。
6、在其中一个实施例中，所述工艺参数包括焊接头转速、焊接速度以及下压力，所述时序信息为单个焊接点的工艺参数在单位时间内各个时刻的变化数值。
7、在其中一个实施例中，所述在bp神经网络中加入l2范数惩罚项，将工艺参数输入bp神经网络以获取第一损失误差以及第一抽象特征，还包括：对所述bp神经网络中各层的线性层权重矩阵施加l2范数，获得各层神经元的l2-norm损失项，集合所述l2-norm损失项获得第一损失误差。
8、在其中一个实施例中，在通过lstm神经网络提取单个焊接点的时序信息，以输出第二抽象特征；还包括：
9、所述时序信息包括单位时间内各个时刻焊接头转动圈数、下压力大小、焊接头温度以及水平移动距离；
10、将所述时序信息输入同一lstm神经网络以输出第二抽象特征。
11、在其中一个实施例中，所述预测焊接质量包括焊接点的屈服强度、抗拉强度和断后延伸率。
12、在其中一个实施例中，在计算所述第二损失误差时，计算所述预测焊接质量和真实焊接质量的平均绝对误差作为第二损失误差。
13、本专利技术第二方面还提供了一种基于工业互联网的工件焊接质量监测方法，包括：
14、使用如本专利技术第一方面任一项所述的基于工业互联网的焊接质量预测模型训练方法训练预测模型；
15、将所述预测模型部署到计算机中，连接所述计算机以及焊接机器人，以建立信息传递通道；
16、焊接机器人完成单个焊接点的焊接工作后，通过工业互联网将焊接过程中的焊接数据传输至计算机，所述计算机调用预测模型对所述焊接点进行质量预测；
17、完成单个工件的全部焊接点后，若焊接质量预测结果都合格，则开始下一工件的焊接，否则发出警报。
18、在其中一个实施例中，所述信息传递通道基于工业互联网建立。
19、在其中一个实施例中，在调用预测模型对所述焊接点进行质量预测后，还包括：
20、将焊接质量预测结果、焊接点编号以及工件设备编号通过工业互联网传输，并存储至数据库进行保存。
21、本专利技术第三方面还提供了一种计算机存储介质，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如本专利技术第一方面任意一项所述的基于工业互联网的焊接质量预测模型训练方法。
22、本专利技术的有益效果在于：
23、本专利技术实施例通过bp神经网络进行焊接质量建模，有效解决了线性回归、逻辑回归等常用机器学习算法难以在焊接数据上解决的非线性问题。其次，通过在bp神经网络中引入l2范数惩罚项对bp神经网络的神经元权重进行惩罚，有效缓解bp神经网络加深所带来的过拟合问题。此外本专利技术实施例通过提取焊接点样本的历史焊接数据进行模型训练，由于历史焊接数据包括工艺参数和时序信息组成的时间序列信息，能够增强预测模型对焊接质量较差的样本的拟合度，提高了对焊接质量的预测准确度，有效预测出焊点的屈服强度、抗拉强度、断后延伸率。
本文档来自技高网...【技术保护点】
1.一种基于工业互联网的焊接质量预测模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述工艺参数包括焊接头转速、焊接速度以及下压力，所述时序信息为单个焊接点的工艺参数在单位时间内各个时刻的变化数值。
3.如权利要求2所述的方法，其特征在于，所述在BP神经网络中加入L2范数惩罚项，将工艺参数输入BP神经网络以获取第一损失误差以及第一抽象特征，还包括：对所述BP神经网络中各层的线性层权重矩阵施加L2范数，获得各层神经元的L2-norm损失项，集合所述L2-norm损失项获得第一损失误差。
4.如权利要求3所述的方法，其特征在于，在通过LSTM神经网络提取单个焊接点的时序信息，以输出第二抽象特征；还包括：
5.如权利要求4所述的方法，其特征在于，所述预测焊接质量包括焊接点的屈服强度、抗拉强度和断后延伸率。
6.如权利要求1所述的方法，其特征在于，在计算所述第二损失误差时，计算所述预测焊接质量和真实焊接质量的平均绝对误差作为第二损失误差。
7.一种基于工业互联网的工件焊接质量监测方法，其特征
8.如权利要求7所述的方法，其特征在于，所述信息传递通道基于工业互联网建立。
9.如权利要求7所述的方法，其特征在于，在调用预测模型对所述焊接点进行质量预测后，还包括：
10.一种计算机存储介质，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如权利要求1至6任意一项所述的基于工业互联网的焊接质量预测模型训练方法。
...【技术特征摘要】
1.一种基于工业互联网的焊接质量预测模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述工艺参数包括焊接头转速、焊接速度以及下压力，所述时序信息为单个焊接点的工艺参数在单位时间内各个时刻的变化数值。
3.如权利要求2所述的方法，其特征在于，所述在bp神经网络中加入l2范数惩罚项，将工艺参数输入bp神经网络以获取第一损失误差以及第一抽象特征，还包括：对所述bp神经网络中各层的线性层权重矩阵施加l2范数，获得各层神经元的l2-norm损失项，集合所述l2-norm损失项获得第一损失误差。
4.如权利要求3所述的方法，其特征在于，在通过lstm神经网络提取单个焊接点的时序信息，以输出第二抽象特征；还包括：
5....
【专利技术属性】
技术研发人员：谢晓川，张北贤，刘俊成，陈文昊，赵飞，蓝海平，刘秦军，
申请(专利权)人：广州飞数工业软件有限公司，
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。