[发明专利]激光焊接方法、装置及其存储介质

说明书

本发明公开了激光焊接方法、装置及其存储介质，其中方法包括收集激光焊接过程中的不良因素样本集作为目标数据集；确认与目标数据集相似度最高的已有样本集作为源数据集；使用源数据集对深度学习模型持续进行预训练得到第一预训练模型；使用目标数据集对第一预训练模型进行结构调整得到第二预训练模型；将第一预训练模型的参数迁移至第二预训练模型得到最终模型。能确认与目标数据集极高相似度的匹配的源数据集，避免负迁移；利用迁移学习的方式实现避免少量的样本数据容易过拟合的缺点并加快模型收敛速度。

技术领域

本发明涉及激光焊接领域，特别是激光焊接方法、装置及其存储介质。

背景技术

激光焊接技术广泛并深入应用在航空航天、汽车制造和电子消费产品等领域。然而，在激光焊接过程中存在各种不良因素，如材料表面杂质和磨损、错误的工艺参数、人为操作错误因素等，不良因素的出现会大概率地导致缺陷连续地产生。激光焊接过程中伴随着大量的声、光、电、热信号的释出，依托于多种传感器，可以实现对这一系列信号的监测。在监测过程中，利用深度学习技术可以建立信号强度变化与多种不良因素的关联。深度学习技术需要大量的样本数据才能获得较好的表现效果，但在某些激光焊接加工环境中，样本数据的采集十分困难，需要求助于人工抽样和破坏性的采集方法来实现不良样本的采集，不良样本的获取总是需要大量的人力和成本，这使得获取大量的样本数据变得困难。在样本数据比较少的情况下，现有深度学习模型对于激光焊接的监控效果会大大受到限制。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供激光焊接方法、装置及其存储介质。

本发明解决其问题所采用的技术方案是：

本发明的第一方面，激光焊接方法，包括以下步骤：

收集激光焊接过程中的不良因素样本集作为目标数据集，所述不良因素样本集包括多种类的不良因素样本；

从多个已有样本集中确认与所述目标数据集相似度最高的已有样本集作为源数据集；

使用所述源数据集对用于监控激光焊接的深度学习模型持续进行预训练直至模型损失达到最小值，得到第一预训练模型；

使用所述目标数据集对所述第一预训练模型进行结构调整得到第二预训练模型；

将所述第一预训练模型的参数迁移至所述第二预训练模型得到最终模型。

根据本发明的第一方面，所述从多个已有样本集中确认与目标数据集相似度最高的数据集作为源数据集包括以下步骤：

将每个所述已有样本集按照类标签划分为多个类，确认所述已有样本集的每个类的代表样本；

将所述目标数据集按照类标签划分为多个类，确认所述目标数据集的每个类的代表样本；

确认所述已有样本集的每个代表样本与所述目标数据集的所有代表样本之间的距离，取所有距离中值最小的p个距离的平均值作为所述已有样本集的距离对比值；

比较所有所述已有样本集的距离对比值，取所述距离对比值最小所对应的所述已有样本集作为所述源数据集；

其中，所述代表样本与所述类一一对应。

根据本发明的第一方面，确认类的代表样本包括以下步骤：

确认处于所述类的中心位置的中心样本；

确认所述中心样本与类中其他样本的动态规整矩阵，通过所述动态规整矩阵得到规整代价最小的最短路径，其中所述动态规整矩阵的元素为所述中心样本和所述类中其他样本的欧氏距离；

对所述最短路径上的每个坐标作重心平均得到新路径，将所述新路径作为代表样本。

根据本发明的第一方面，所述确认处于类的中心位置的中心样本包括以下步骤：