System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于焊接,具体涉及一种焊接头力学性能预测方法、系统、设备及存储介质。
技术介绍
1、电磁脉冲焊接技术是一种固相焊接技术,其利用电磁感应现象产生的电流与磁场之间的强作用力实现快速变形连接,具有环保、节能、高效等优势,适合铝铜等异种材料的连接,具有广阔的应用前景。通过电磁脉冲焊接出来的焊接头的性能检测是业内的一大研究方向。
2、相关技术中,对生产过程中产生的焊接头,主要通过抽样进行破坏式检测的方法判断焊接质量是否合格,或者是通过人工神经网络技术,建立了工艺参数(焊接电压、送丝速度、焊接电流)和焊接性能的预测模型以此来预测焊接头的力学性能。
3、针对上述相关技术,传统的焊接接头性能预测主要通过工艺参数来预测,但是在焊接过程中,一些异常情况也会对接头性能产生影响,通过工艺参数建立的力学性能预测模型在预测的过程中忽略了这些因素,预测结果可能会产生偏差。
技术实现思路
1、本专利技术要解决的技术问题是,提供一种焊接头力学性能预测方法、系统、设备及存储介质,能够高效且准确的预测出焊接头的力学性能。
2、一种焊接头力学性能预测方法,包括:
3、获取焊缝扫描数据;
4、基于所述焊缝扫描数据,得到预测标签;
5、基于预设规则,剔除所述焊缝扫描数据,得到清洗数据;
6、对所述清洗数据进行归一化处理,得到数据集;
7、基于所述数据集,得到训练集、验证集以及测试集;
8、基于所述训练集、验证
9、可选的,所述基于所述预设规则,剔除所述焊缝扫描数据,得到清洗数据包括:
10、基于预设规则,得到所述功率和拉力的关联关系;
11、基于所述关联关系,从所述焊缝扫描数据剔除不符合所述关联关系的所述焊缝扫描数据,得到所述清洗数据。
12、可选的,所述对所述清洗数据进行归一化处理,得到数据集包括:
13、设定rgb通道的第一均值、第二均值、第三均值、第一标准差、第二标准差以及第三标准差;
14、基于所述第一均值、第二均值、第三均值、第一标准差、第二标准差、第三标准差以及所述清洗数据进行归一化处理,得到所述数据集。
15、可选的,所述基于所述数据集,得到训练集、验证集以及测试集包括:
16、获取预设比例;
17、将所述数据集按照预设比例进行拆分,得到所述训练集、所述验证集以及所述测试集。
18、可选的,所述基于所述焊缝扫描数据,得到预测标签包括:
19、基于所述焊缝扫描数据以及标注软件,得到标签图像;
20、获取所述标签图像对应的焊接头的拉力,得到拉力图像关系,将所述拉力图像关系作为所述预测标签。
21、可选的,所述基于所述训练集、验证集、测试集以及预测网络模型,得到预测拉力包括:
22、构建所述预测网络模型,所述预测网络模型包括特征提取网络、辅助训练分支以及主分支;
23、基于所述训练集、所述特征提取网络、特征提取网络的预训练权重,得到图像特征;
24、基于所述图像特征、所述辅助训练分支以及主分支,得到训练结果;
25、基于所述训练结果、所述预测标签、均方损失函数以及交叉熵损失函数,得到辅助训练分支损失以及主分支损失;
26、基于所述辅助训练分支损失以及所述主分支损失,得到总损失;
27、基于所述总损失调整所述特征提取网络的预训练权重,得到最佳权重参数;
28、基于所述最佳权重参数、所述预测网络模型以及所述焊缝扫描数据,得到预测拉力。
29、可选的,所述基于所述辅助训练分支损失以及所述主分支损失,得到总损失包括:
30、获取预设的主分支损失权重以及辅助训练分支损失权重;
31、所述总损失=主分支损失权重*主分支损失+辅助训练分支损失权重*辅助训练分支损失。
32、一种焊接头力学性能预测系统,包括:
33、获取模块,用于获取焊缝扫描数据;
34、关联模块,用于基于所述焊缝扫描数据,得到预测标签;
35、筛选模块,用于基于所述预设规则,剔除所述焊缝扫描数据,得到清洗数据;
36、处理模块,用于对所述清洗数据进行归一化处理,得到数据集;
37、分割模块,用于基于所述数据集,得到训练集、验证集以及测试集;
38、预测模块,用于基于所述训练集、验证集、测试集以及预测网络模型,得到预测拉力。
39、一种终端设备,包括存储器、处理器,所述存储器储存有能够在处理器上运行的计算机程序,所述处理器加载并执行所述计算机程序时,采用了上述任一项一种焊接头力学性能预测方法。
40、一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,采用了上述的一种焊接头力学性能预测方法。
41、本专利技术的有益效果是,通过将焊缝扫描数据和对应焊接头的拉力进行关联,得到预测标签,然后将采集的焊缝扫描数据中的异常数据清理后,得到清洗数据,并将清洗数据进行归一化处理得到数据集,将数据集划分为测试集、验证集和训练集,通过训练集的数据来训练预测网络模型,然后通过验证集的数据来改变预测网络模型的参数,最后通过测试集的数据验证预测网络模型的准确性,在预测网络模型训练完成后,只需要输入焊缝扫描数据即可得到预测拉力值,无需抽烟破坏焊接头进行测试,同时,也避免了通过工艺参数建立的力学性能预测模型在一些异常情况也会对接头性能产生影响,导致预测的结果不准确。能够高效且准确的预测出焊接头的力学性能。
本文档来自技高网...【技术保护点】
1.一种焊接头力学性能预测方法,其特征是,包括:
2.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述基于所述预设规则,剔除所述焊缝扫描数据,得到清洗数据包括:
3.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述对所述清洗数据进行归一化处理,得到数据集包括:
4.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述基于所述数据集,得到训练集、验证集以及测试集包括:
5.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述基于所述焊缝扫描数据,得到预测标签包括:
6.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述基于所述训练集、验证集、测试集以及预测网络模型,得到预测拉力包括:
7.如权利要求6所述的一种焊接头力学性能预测方法,其特征是,所述基于所述辅助训练分支损失以及所述主分支损失,得到总损失包括:
8.一种焊接头力学性能预测系统,其特征是,包括:
9.一种终端设备,包括存储器和处理器,其特征在于,所述存储器储存有能够在处理器上运
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序被处理器加载并执行时,采用了权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种焊接头力学性能预测方法,其特征是,包括:
2.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述基于所述预设规则,剔除所述焊缝扫描数据,得到清洗数据包括:
3.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述对所述清洗数据进行归一化处理,得到数据集包括:
4.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述基于所述数据集,得到训练集、验证集以及测试集包括:
5.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述基于所述焊缝扫描数据,得到预测标签包括:
6.如权利要求1所述的一种焊接头力学性能预测方法,其特征是,所述...
【专利技术属性】
技术研发人员:蒋浩,陈丁丁,蔡达,崔俊佳,李光耀,
申请(专利权)人:湖南大学,
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。