[發明專利]激光焊接方法、裝置及其存儲介質

有效

• 申請號: 202011072145.4
• 申請日: 2020-10-09
• 公開（公告）號: CN112317957B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 鄧輔秦;黃永深;陳穎穎;馮華;李偉科
• 申請（專利權）人: 五邑大學
• 主分類號: B23K26/21
• 分類號: B23K26/21;G06K9/62
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 孫浩

本發明公開了激光焊接方法、裝置及其存儲介質，其中方法包括收集激光焊接過程中的不良因素樣本集作為目標數據集；確認與目標數據集相似度最高的已有樣本集作為源數據集；使用源數據集對深度學習模型持續進行預訓練得到第一預訓練模型；使用目標數據集對第一預訓練模型進行結構調整得到第二預訓練模型；將第一預訓練模型的參數遷移至第二預訓練模型得到最終模型。能確認與目標數據集極高相似度的匹配的源數據集，避免負遷移；利用遷移學習的方式實現避免少量的樣本數據容易過擬合的缺點并加快模型收斂速度。

技術領域

本發明涉及激光焊接領域，特別是激光焊接方法、裝置及其存儲介質。

背景技術

激光焊接技術廣泛并深入應用在航空航天、汽車制造和電子消費產品等領域。然而，在激光焊接過程中存在各種不良因素，如材料表面雜質和磨損、錯誤的工藝參數、人為操作錯誤因素等，不良因素的出現會大概率地導致缺陷連續地產生。激光焊接過程中伴隨著大量的聲、光、電、熱信號的釋出，依托于多種傳感器，可以實現對這一系列信號的監測。在監測過程中，利用深度學習技術可以建立信號強度變化與多種不良因素的關聯。深度學習技術需要大量的樣本數據才能獲得較好的表現效果，但在某些激光焊接加工環境中，樣本數據的采集十分困難，需要求助于人工抽樣和破壞性的采集方法來實現不良樣本的采集，不良樣本的獲取總是需要大量的人力和成本，這使得獲取大量的樣本數據變得困難。在樣本數據比較少的情況下，現有深度學習模型對于激光焊接的監控效果會大大受到限制。

發明內容

本發明的目的在于至少解決現有技術中存在的技術問題之一，提供激光焊接方法、裝置及其存儲介質。

本發明解決其問題所采用的技術方案是：

本發明的第一方面，激光焊接方法，包括以下步驟：

收集激光焊接過程中的不良因素樣本集作為目標數據集，所述不良因素樣本集包括多種類的不良因素樣本；

從多個已有樣本集中確認與所述目標數據集相似度最高的已有樣本集作為源數據集；

使用所述源數據集對用于監控激光焊接的深度學習模型持續進行預訓練直至模型損失達到最小值，得到第一預訓練模型；

使用所述目標數據集對所述第一預訓練模型進行結構調整得到第二預訓練模型；

將所述第一預訓練模型的參數遷移至所述第二預訓練模型得到最終模型。

根據本發明的第一方面，所述從多個已有樣本集中確認與目標數據集相似度最高的數據集作為源數據集包括以下步驟：

將每個所述已有樣本集按照類標簽劃分為多個類，確認所述已有樣本集的每個類的代表樣本；

將所述目標數據集按照類標簽劃分為多個類，確認所述目標數據集的每個類的代表樣本；

確認所述已有樣本集的每個代表樣本與所述目標數據集的所有代表樣本之間的距離，取所有距離中值最小的p個距離的平均值作為所述已有樣本集的距離對比值；

比較所有所述已有樣本集的距離對比值，取所述距離對比值最小所對應的所述已有樣本集作為所述源數據集；

其中，所述代表樣本與所述類一一對應。

根據本發明的第一方面，確認類的代表樣本包括以下步驟：

確認處于所述類的中心位置的中心樣本；

確認所述中心樣本與類中其他樣本的動態規整矩陣，通過所述動態規整矩陣得到規整代價最小的最短路徑，其中所述動態規整矩陣的元素為所述中心樣本和所述類中其他樣本的歐氏距離；

對所述最短路徑上的每個坐標作重心平均得到新路徑，將所述新路徑作為代表樣本。

根據本發明的第一方面，所述確認處于類的中心位置的中心樣本包括以下步驟：