基于深度学习的焊点质量异常检测方法、装置、系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115392132A(43)申请公布日2022.11.25(21)申请号202211129612.1G06N3/08(2006.01)(22)申请日2022.09.16B23K11/25(2006.01)B23K11/11(2006.01)(66)本国优先权数据202111098723.62021.09.18CN(71)申请人天津商科数控技术股份有限公司地址300450天津市滨海新区经济技术开发区逸仙科学工业园庆龄大路17号申请人内蒙古农业大学(72)发明人冯友仁张永志聂兰民(74)专利代理机构天津市尚文知识产权代理有限公司12222专利代理师黄静(51)Int.Cl.G06F30/27(2020.01)G06N3/04(2006.01)权利要求书2页说明书9页附图3页(54)发明名称基于深度学习的焊点质量异常检测方法、装置、系统(57)摘要本申请涉及一种基于深度学习的焊点质量异常检测方法、装置、系统，所述方法包括：对于任一待检测焊点，获取待检测焊点焊接过程中的动态焊接数据，并基于动态焊接数据确定待检测焊点信息；将待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，确定焊点重构信息与待检测焊点信息之间的误差；利用每个焊点质量异常检测模型各自对应的误差，确定待检测焊点的焊点质量类型。不仅能够脱离人工凿解，检测的速度更快，能够覆盖所有待检测焊点，还能确定出焊点质量类型。CN115392132ACN115392132A权利要求书1/2页1.一种基于深度学习的焊点质量异常检测方法，其特征在于，所述方法包括：对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检测模型中，其中，多个所述焊点质量异常检测模型，分别利用预先分类的不同种焊点质量类型对应的焊点信息训练得到；分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差；利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型。2.根据权利要求1所述的方法，其特征在于，所述动态焊接数据至少包括电流、电压、电阻和功率；所述获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息，包括：对于待检测焊点焊接过程中的任一动态焊接数据，间隔预设时间长度进行持续采样，得到每个采样点各自对应的实际值；按照采样的时间先后顺序，基于各采样点的实际值，确定各动态焊接数据的过程曲线，并将各过程曲线确定为待检测焊点信息。3.根据权利要求2所述的方法，其特征在于，所述分别获取每个焊点质量异常检测模型各自输出的焊点重构信息，包括：对于任一所述焊点质量异常检测模型，获取每个所述采样点各动态焊接数据的重构值；基于各动态焊接数据在各采样点的重构值确定所述焊点质量异常检测模型的焊点重构信息。4.根据权利要求3所述的方法，其特征在于，所述对于任一焊点质量异常检测模型输出的焊点重构信息，确定所述焊点重构信息与所述待检测焊点信息之间的误差，包括：对于任一焊点质量异常检测模型输出的焊点重构信息，确定各采样点对应的实际值与重构值之间的标准差或平均误差；将所述标准差或所述平均误差确定为所述焊点重构信息与所述待检测焊点信息之间的误差。5.根据权利要求1所述的方法，其特征在于，所述利用每个焊点质量异常检测模型各自对应的误差，确定所述待检测焊点的焊点质量类型，包括：对每个焊点质量异常检测模型各自对应的误差进行比较，得到最小的误差；确定所述最小的误差对应的目标焊点质量异常检测模型，并获取目标焊点质量异常检测模型对应的目标焊点质量类型；将所述目标焊点质量类型确定为所述待检测焊点的焊点质量类型。6.根据权利要求1所述的方法，其特征在于，所述焊点质量类型至少包括：正常、飞溅、焊点过小、焊点过大、熔深过大、熔深不足。2CN115392132A权利要求书2/2页7.根据权利要求1所述的方法，其特征在于，所述焊点质量异常检测模型为如下深度学习模型中的一种：深度学习自编码模型、循环神经网络模型或长短时记忆网络模型。8.一种基于深度学习的焊点质量异常检测装置，其特征在于，所述装置包括：待检测焊点信息获取模块，用于对于任一待检测焊点，获取所述待检测焊点焊接过程中的动态焊接数据，并基于所述动态焊接数据确定待检测焊点信息；输入模块，用于将所述待检测焊点信息分别输入到预先训练的多个焊点质量异常检