【技術實現步驟摘要】
本申請涉及焊接，具體而言，涉及一種焊接狀態的確定方法、焊接狀態的確定裝置、計算機可讀存儲介質、處理器與電子設備。
技術介紹
1、現有技術中的焊接狀態的檢測方法如下：
2、方法一：主要利用電弧聲音信號的梅爾頻譜特征和長短期記憶神經網絡對焊接狀態正常與否進行識別，根據電弧聲音信號特點，采用daubechies小波作為小波基函數，利用啟發式閾值對電弧聲信號進行分解和重構，提高電弧聲音信號的信噪比，該方法通過搭建短弧高速脈沖x80管線鋼gmaw實驗平臺，搭載高速脈沖全位置熔化極氣體保護焊焊接技術，收集電弧聲數據，共收集了597條正常焊接狀態樣本數據，584條異常焊接狀態樣本數據，其中478條正樣本數據和467條負樣本數據作為訓練集，其余的數據則作為測試集，搭建長短期記憶神經網絡在訓練集上進行訓練，調整參數，優化模型，最終可以實現焊接過程中由保護氣和外部氣流引起的異常焊接狀態的檢測。
3、方法二：通過對焊接聲音的分析表明，電弧能量變化越快，相應的聲壓值越大，通過研究焊接電參數和焊接聲音信號的特征提取和融合方法實現焊接氣體供給異常和焊接磨損兩種異常焊接狀態，其中，在電信號方面，研究了焊接電流、焊接電壓、線路能量，在聲音信號方面，經過分幀和加窗后提取了梅爾倒譜系數，然后利用雙向循環神經網絡和時序分類模型對焊接狀態進行檢測和識別，該方法共對四種聲音進行了檢測和識別，分別是環境噪音、正常焊接、氣流不足、焊漏，其中環境噪音的樣本有110個、275個、250個、300個，對雙向循環神經網絡和時序分類模型進行訓練，優化參數，實現
4、由上可知，現有技術中的焊接狀態的檢測方法只提取了聲音特征的梅爾頻譜系數，使用的特征過于單一，從而影響焊接狀態識別的準確性和可靠性，此外，現有技術中的焊接狀態的檢測方法只能實現對焊接狀態正常、焊接氣流狀態異常、環境噪音、氣流不足、焊漏這幾種焊接狀態進行檢測。
5、目前針對上述問題，暫無解決方案。
技術實現思路
1、本申請的主要目的在于提供一種焊接狀態的確定方法、焊接狀態的確定裝置、計算機可讀存儲介質、處理器與電子設備，以至少解決現有技術中的焊接狀態的檢測方法使用的特征過于單一導致焊接狀態識別準確性低的問題。
2、為了實現上述目的，根據本申請的一個方面，提供了一種焊接狀態的確定方法，所述方法包括：獲取當前原始矩陣和當前原始向量，所述當前原始矩陣為當前時段的第一原始矩陣，所述第一原始矩陣包括焊接聲音的時頻圖中的所有的像素點在多個顏色通道的像素值，所述當前原始向量為所述當前時段的原始向量，所述原始向量包括多個連續時刻的焊接聲音的幅值；將所述當前原始矩陣和所述當前原始向量輸入檢測模型，得到目標焊接狀態，所述檢測模型是通過采用多組歷史數據訓練神經網絡得到的，所述多組歷史數據中的每一組所述歷史數據均包括歷史時段內獲取的：所述第一原始矩陣、所述原始向量，所述目標焊接狀態為所述當前時段的焊接狀態，所述焊接狀態的類型至少包括：正常、氣流干擾、氣流量大、氣流量小、氣孔、送絲速度快、送絲速度慢、未熔透、過熔透、穿絲、送絲故障、電壓小電流大、電壓大電流小。
3、可選地，所述檢測模型根據所述當前原始矩陣和所述當前原始向量得到所述目標焊接狀態的過程，包括：對所有的所述當前原始矩陣進行特征提取，得到第一特征向量，對所述當前原始向量進行特征提取，得到第二特征向量，所述第一特征向量包含的元素的數量和所述第二特征向量包含的元素的數量相等；采用自注意力機制算法對所述第一特征向量和所述第二特征向量進行處理，得到第三特征向量；對所述第三特征向量中的所有元素進行歸一化處理，得到歸一化向量；根據所述歸一化向量，確定目標元素，所述目標元素為所述歸一化向量中值最大的元素；確定所述目標元素的位置對應的焊接狀態為目標焊接狀態，所述歸一化向量中的一個元素的位置對應于一種焊接狀態。
4、可選地，對所有的所述當前原始矩陣進行特征提取，得到第一特征向量，包括：對所述當前原始矩陣進行至少一次卷積池化處理，得到第一特征矩陣；將所述第一特征矩陣中的行向量進行首尾拼接處理，得到第四特征向量，所述首尾拼接處理中相鄰兩個行向量中上一個行向量的最后一個元素與下一個行向量的第一個元素相鄰；將所述第四特征向量輸入全連接網絡，得到所述第一特征向量。
5、可選地，對所述當前原始向量進行特征提取，得到第二特征向量，包括：按照時間先后順序，將所述當前原始向量切分為多個原始子向量；按照時間先后順序，將原始子向量拼接成第二原始矩陣，所述第二原始矩陣的一個行向量為一個所述原始子向量；將所述第二原始矩陣輸入全連接網絡，得到第三特征矩陣；將所述第三特征矩陣輸入循環神經網絡，得到第五特征向量和第六特征向量所述第五特征向量為所述循環神經網絡的第m層在第n個時刻的隱式向量，所述第六特征向量為所述循環神經網絡的第m+1層在第n個時刻的隱式向量；將所述第五特征向量和所述第六特征向量拼接成第七特征向量，第七特征向量中所述第五特征向量的最后一個元素與所述第六特征向量的第一個元素向量；將所述第七特征向量輸入全連接網絡，得到所述第二特征向量。
6、可選地，采用自注意力機制算法對所述第一特征向量和所述第二特征向量進行處理，得到第三特征向量，包括：將所述第一特征向量和所述第二特征向量拼接成第四特征矩陣，所述第四特征矩陣的第一個列向量為所述第一特征向量，所述第四特征矩陣的第二個列向量為所述第二特征向量；計算所述第四特征矩陣與所述第四特征矩陣的轉置矩陣的乘積，得到注意力矩陣；計算所述第四特征矩陣所述注意力矩陣的乘積，得到第五特征矩陣；將所述第五特征矩陣中的行向量進行首尾拼接處理，得到第八特征向量，所述首尾拼接處理中相鄰兩個行向量中上一個行向量的最后一個元素與下一個行向量的第一個元素相鄰；對所述第八特征向量進行降維處理，得到所述第三特征向量。
7、可選地，對所述第八特征向量進行降維處理，得到所述第三特征向量，包括：將所述第八特征向量輸入前饋神經網絡，得到所述第三特征向量。
8、根據本申請的另一方面，提供了一種焊接狀態的確定裝置，所述裝置包括：獲取單元，用于獲取當前原始矩陣和當前原始向量，所述當前原始矩陣為當前時段的第一原始矩陣，所述第一原始矩陣包括焊接聲音的時頻圖中的所有的像素點在多個顏色通道的像素值，所述當前原始向量為所述當前時段的原始向量，所述原始向量包括多個連續時刻的焊接聲音的幅值；檢測單元，用于將所述當前原始矩陣和所述當前原始向量輸入檢測模型，得到目標焊接狀態，所述檢測模型是通過采用多組歷史數據訓練神經網絡得到的，所述多組歷史數據中的每一組所述歷史數據均包括歷史時段內獲取的：所述第一原始矩陣、所述原始向量，所述目標焊接狀態為所述當前時段的焊接狀態，所述焊接狀態的類型至少包括：正常、氣流干擾、氣流量大、氣流量小、氣孔、送絲速度快、送絲速度慢、未熔透、過熔透、穿絲、送絲故障、電壓小電流大、電壓大電流小。
9、根據本申請的再一方面，提供了一種計算機可讀存儲介質，所述本文檔來自技高網...
【技術保護點】
1.一種焊接狀態的確定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述檢測模型根據所述當前原始矩陣和所述當前原始向量得到所述目標焊接狀態的過程，包括：
3.根據權利要求2所述的方法，其特征在于，對所有的所述當前原始矩陣進行特征提取，得到第一特征向量，包括：
4.根據權利要求2所述的方法，其特征在于，對所述當前原始向量進行特征提取，得到第二特征向量，包括：
5.根據權利要求2所述的方法，其特征在于，采用自注意力機制算法對所述第一特征向量和所述第二特征向量進行處理，得到第三特征向量，包括：
6.根據權利要求5所述的方法，其特征在于，對所述第八特征向量進行降維處理，得到所述第三特征向量，包括：
7.一種焊接狀態的確定裝置，其特征在于，所述裝置包括：
8.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的程序，其中，在所述程序運行時控制所述計算機可讀存儲介質所在設備執行權利要求1至6中任意一項所述的焊接狀態的確定方法。
9.一種處理器，其特征在
10.一種電子設備，其特征在于，包括：一個或多個處理器，存儲器，以及一個或多個程序，其中，所述一個或多個程序被存儲在所述存儲器中，并且被配置為由所述一個或多個處理器執行，所述一個或多個程序包括用于執行權利要求1至6中任意一項所述的焊接狀態的確定方法。
...【技術特征摘要】
1.一種焊接狀態的確定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述檢測模型根據所述當前原始矩陣和所述當前原始向量得到所述目標焊接狀態的過程，包括：
3.根據權利要求2所述的方法，其特征在于，對所有的所述當前原始矩陣進行特征提取，得到第一特征向量，包括：
4.根據權利要求2所述的方法，其特征在于，對所述當前原始向量進行特征提取，得到第二特征向量，包括：
5.根據權利要求2所述的方法，其特征在于，采用自注意力機制算法對所述第一特征向量和所述第二特征向量進行處理，得到第三特征向量，包括：
6.根據權利要求5所述的方法，其特征在于，對所述第八特征向量進行降維處理，得到所述第三特征向量，...
【專利技術屬性】
技術研發人員：馮消冰，韓滕躍，
申請(專利權)人：北京博清科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。