本發(fā)明涉及超聲波焊接，特別涉及一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法。

背景技術(shù)：

1、umw(ultrasonic?metal?welding，超聲波金屬焊接)的原理是利用超聲頻率的機(jī)械振動(dòng)能量，連接同種材料或異種材料的一種特殊方法。在實(shí)際生產(chǎn)中，umw的工作環(huán)境非常復(fù)雜?，F(xiàn)有技術(shù)中，焊接過(guò)程采集到的振動(dòng)信號(hào)通常受到大量噪聲干擾，導(dǎo)致信號(hào)冗余，不利于后期的焊接質(zhì)量監(jiān)測(cè)，并且超聲焊接質(zhì)量受到焊接壓力、超聲振幅、焊接能量與隨機(jī)外部干擾等多個(gè)因素影響，焊接狀態(tài)數(shù)據(jù)量極大，且異常數(shù)據(jù)遠(yuǎn)少于正常數(shù)據(jù)，存在樣本數(shù)據(jù)不均衡的問(wèn)題，難以實(shí)現(xiàn)焊接質(zhì)量的在線(xiàn)監(jiān)測(cè)，從而導(dǎo)致超聲焊接質(zhì)量評(píng)估的準(zhǔn)確性較差。

2、由上可見(jiàn)，如何解決影響因素多和樣本數(shù)據(jù)不均衡的問(wèn)題，提高超聲焊接質(zhì)量評(píng)估的準(zhǔn)確性是本領(lǐng)域有待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，能夠解決影響因素多和樣本數(shù)據(jù)不均衡的問(wèn)題，提高超聲焊接質(zhì)量評(píng)估的準(zhǔn)確性。其具體方案如下：

2、本申請(qǐng)公開(kāi)了一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，包括：

3、實(shí)時(shí)采集超聲焊頭的振幅數(shù)據(jù)，并獲取焊接樣本的電阻值，對(duì)所述振幅數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，以得到預(yù)處理后的所述振幅數(shù)據(jù)；

4、對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行最大值絕對(duì)值縮放，以生成樣本多樣性損失，并結(jié)合擴(kuò)散模型，構(gòu)建最大值絕對(duì)值縮放-擴(kuò)散模型，利用所述最大值絕對(duì)值縮放-擴(kuò)散模型對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行擴(kuò)增，以得到擴(kuò)增后的所述振幅數(shù)據(jù)；

5、基于預(yù)設(shè)的智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法對(duì)擴(kuò)增后的所述振幅數(shù)據(jù)進(jìn)行分解，以得到模態(tài)分量，從所述模態(tài)分量中篩選目標(biāo)模態(tài)分量進(jìn)行重構(gòu)，以得到重構(gòu)后的所述振幅數(shù)據(jù)；

6、對(duì)重構(gòu)后的所述振幅數(shù)據(jù)進(jìn)行特征提取，以得到數(shù)據(jù)特征，將所述數(shù)據(jù)特征輸入至全連接神經(jīng)網(wǎng)絡(luò)，以輸出預(yù)測(cè)電阻值，利用所述焊接樣本的所述電阻值和所述預(yù)測(cè)電阻值對(duì)所述焊接樣本的超聲焊接質(zhì)量進(jìn)行評(píng)估。

7、可選的，所述實(shí)時(shí)采集超聲焊頭的振幅數(shù)據(jù)，并獲取焊接樣本的電阻值，包括：

8、利用多普勒激光測(cè)振儀實(shí)時(shí)測(cè)量并采集超聲焊頭的振幅數(shù)據(jù)；

9、利用回路電流發(fā)生器測(cè)量并獲取焊接樣本的電阻值。

10、可選的，所述對(duì)所述振幅數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，以得到預(yù)處理后的所述振幅數(shù)據(jù)，包括：

11、對(duì)所述振幅數(shù)據(jù)進(jìn)行歸一化處理，以得到歸一化處理后的所述振幅數(shù)據(jù)；

12、對(duì)歸一化處理后的所述振幅數(shù)據(jù)進(jìn)行降采樣處理，并對(duì)降采樣處理后的所述振幅數(shù)據(jù)進(jìn)行填充處理，以得到預(yù)處理后的所述振幅數(shù)據(jù)。

13、可選的，所述對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行最大值絕對(duì)值縮放，以生成樣本多樣性損失，并結(jié)合擴(kuò)散模型，構(gòu)建最大值絕對(duì)值縮放-擴(kuò)散模型，包括：

14、采用最大均值差異方法對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行最大值絕對(duì)值縮放，以生成樣本多樣性損失；

15、將所述樣本多樣性損失作為擴(kuò)散模型的損失函數(shù)，以構(gòu)建最大值絕對(duì)值縮放-擴(kuò)散模型。

16、可選的，所述利用所述最大值絕對(duì)值縮放-擴(kuò)散模型對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行擴(kuò)增，以得到擴(kuò)增后的所述振幅數(shù)據(jù)，包括：

17、按照預(yù)設(shè)的數(shù)據(jù)劃分比例將預(yù)處理后的所述振幅數(shù)據(jù)劃分為擴(kuò)增集和測(cè)試集；

18、利用所述最大值絕對(duì)值縮放-擴(kuò)散模型對(duì)所述擴(kuò)增集中的預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行擴(kuò)增，以得到擴(kuò)增后的所述振幅數(shù)據(jù)。

19、可選的，所述基于預(yù)設(shè)的智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法對(duì)擴(kuò)增后的所述振幅數(shù)據(jù)進(jìn)行分解，以得到模態(tài)分量，從所述模態(tài)分量中篩選目標(biāo)模態(tài)分量進(jìn)行重構(gòu)，以得到重構(gòu)后的所述振幅數(shù)據(jù)，包括：

20、構(gòu)建初始智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法，設(shè)置智能參數(shù)擾動(dòng)及變分模態(tài)分解參數(shù)據(jù)，以最小包絡(luò)熵為適應(yīng)度函數(shù)，自適應(yīng)尋找不同振幅序列的最佳分解層數(shù)和懲罰因子，以生成智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法；

21、基于所述智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法對(duì)擴(kuò)增后的所述振幅數(shù)據(jù)進(jìn)行分解，以得到模態(tài)分量；

22、對(duì)所述模態(tài)分量進(jìn)行快速傅里葉變換，并按照預(yù)設(shè)的超聲波金屬焊接的工作頻率范圍從所述模態(tài)分量中篩選對(duì)應(yīng)的目標(biāo)模態(tài)分量，以累加的方式進(jìn)行重構(gòu)，以得到重構(gòu)后的所述振幅數(shù)據(jù)。

23、可選的，所述對(duì)重構(gòu)后的所述振幅數(shù)據(jù)進(jìn)行特征提取，以得到數(shù)據(jù)特征，將所述數(shù)據(jù)特征輸入至全連接神經(jīng)網(wǎng)絡(luò)，以輸出預(yù)測(cè)電阻值，包括：

24、對(duì)重構(gòu)后的振幅數(shù)據(jù)進(jìn)行圖像數(shù)據(jù)轉(zhuǎn)換，以得到三維圖像數(shù)據(jù)；

25、將所述三維圖像數(shù)據(jù)輸入至輕量化卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取，以得到數(shù)據(jù)特征；

26、將所述數(shù)據(jù)特征輸入至全連接神經(jīng)網(wǎng)絡(luò)中進(jìn)行電阻值預(yù)測(cè)，以便所述全連接神經(jīng)網(wǎng)絡(luò)的最后一層神經(jīng)元輸出預(yù)測(cè)電阻值。

27、可見(jiàn)，本申請(qǐng)?zhí)峁┝艘环N基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，包括實(shí)時(shí)采集超聲焊頭的振幅數(shù)據(jù)，并獲取焊接樣本的電阻值，對(duì)所述振幅數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，以得到預(yù)處理后的所述振幅數(shù)據(jù)；對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行最大值絕對(duì)值縮放，以生成樣本多樣性損失，并結(jié)合擴(kuò)散模型，構(gòu)建最大值絕對(duì)值縮放-擴(kuò)散模型，利用所述最大值絕對(duì)值縮放-擴(kuò)散模型對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行擴(kuò)增，以得到擴(kuò)增后的所述振幅數(shù)據(jù)；基于預(yù)設(shè)的智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法對(duì)擴(kuò)增后的所述振幅數(shù)據(jù)進(jìn)行分解，以得到模態(tài)分量，從所述模態(tài)分量中篩選目標(biāo)模態(tài)分量進(jìn)行重構(gòu)，以得到重構(gòu)后的所述振幅數(shù)據(jù)；對(duì)重構(gòu)后的所述振幅數(shù)據(jù)進(jìn)行特征提取，以得到數(shù)據(jù)特征，將所述數(shù)據(jù)特征輸入至全連接神經(jīng)網(wǎng)絡(luò)，以輸出預(yù)測(cè)電阻值，利用所述焊接樣本的所述電阻值和所述預(yù)測(cè)電阻值對(duì)所述焊接樣本的超聲焊接質(zhì)量進(jìn)行評(píng)估。本申請(qǐng)通過(guò)對(duì)振幅數(shù)據(jù)進(jìn)行預(yù)處理，并進(jìn)行最大值絕對(duì)值縮放，以構(gòu)建最大值絕對(duì)值縮放-擴(kuò)散模型，利用模型進(jìn)行振幅數(shù)據(jù)擴(kuò)增，從而解決樣本數(shù)據(jù)不均衡的問(wèn)題，引入智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法，對(duì)振幅數(shù)據(jù)進(jìn)行分解及重構(gòu)，能夠更好地將復(fù)雜的振幅數(shù)據(jù)中的多模態(tài)混疊現(xiàn)象以及噪聲的干擾去除，所以能夠解決影響因素多的問(wèn)題，對(duì)重構(gòu)后的振幅數(shù)據(jù)進(jìn)行特征提取以及電阻值預(yù)測(cè)，以電阻值作為超聲焊接質(zhì)量的評(píng)估指標(biāo)，實(shí)現(xiàn)對(duì)超聲焊接質(zhì)量的評(píng)估，能夠提高超聲焊接質(zhì)量評(píng)估的準(zhǔn)確性。

技術(shù)特征：

1.一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，其特征在于，所述實(shí)時(shí)采集超聲焊頭的振幅數(shù)據(jù)，并獲取焊接樣本的電阻值，包括：

3.根據(jù)權(quán)利要求1所述的一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，其特征在于，所述對(duì)所述振幅數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，以得到預(yù)處理后的所述振幅數(shù)據(jù)，包括：

4.根據(jù)權(quán)利要求1所述的一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，其特征在于，所述對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行最大值絕對(duì)值縮放，以生成樣本多樣性損失，并結(jié)合擴(kuò)散模型，構(gòu)建最大值絕對(duì)值縮放-擴(kuò)散模型，包括：

5.根據(jù)權(quán)利要求1所述的一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，其特征在于，所述利用所述最大值絕對(duì)值縮放-擴(kuò)散模型對(duì)預(yù)處理后的所述振幅數(shù)據(jù)進(jìn)行擴(kuò)增，以得到擴(kuò)增后的所述振幅數(shù)據(jù)，包括：

6.根據(jù)權(quán)利要求1所述的一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，其特征在于，所述基于預(yù)設(shè)的智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法對(duì)擴(kuò)增后的所述振幅數(shù)據(jù)進(jìn)行分解，以得到模態(tài)分量，從所述模態(tài)分量中篩選目標(biāo)模態(tài)分量進(jìn)行重構(gòu)，以得到重構(gòu)后的所述振幅數(shù)據(jù)，包括：

7.根據(jù)權(quán)利要求1至6任一項(xiàng)所述的一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，其特征在于，所述對(duì)重構(gòu)后的所述振幅數(shù)據(jù)進(jìn)行特征提取，以得到數(shù)據(jù)特征，將所述數(shù)據(jù)特征輸入至全連接神經(jīng)網(wǎng)絡(luò)，以輸出預(yù)測(cè)電阻值，包括：

技術(shù)總結(jié)
本申請(qǐng)公開(kāi)了一種基于振幅去噪與數(shù)據(jù)擴(kuò)增的預(yù)測(cè)方法，涉及超聲波焊接技術(shù)領(lǐng)域，包括對(duì)振幅數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；對(duì)預(yù)處理后的振幅數(shù)據(jù)進(jìn)行最大值絕對(duì)值縮放，生成樣本多樣性損失，結(jié)合擴(kuò)散模型，構(gòu)建最大值絕對(duì)值縮放?擴(kuò)散模型，對(duì)預(yù)處理后的振幅數(shù)據(jù)進(jìn)行擴(kuò)增；基于智能參數(shù)擾動(dòng)模擬退火的自適應(yīng)變分模態(tài)分解算法對(duì)擴(kuò)增后的振幅數(shù)據(jù)分解，篩選目標(biāo)模態(tài)分量進(jìn)行重構(gòu)，得到重構(gòu)后的振幅數(shù)據(jù)；對(duì)重構(gòu)后的振幅數(shù)據(jù)進(jìn)行特征提取，得到數(shù)據(jù)特征，將數(shù)據(jù)特征輸入至全連接神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測(cè)電阻值，利用焊接樣本的電阻值和預(yù)測(cè)電阻值對(duì)焊接樣本的超聲焊接質(zhì)量進(jìn)行評(píng)估，能解決影響因素多和樣本數(shù)據(jù)不均衡問(wèn)題，提高超聲焊接質(zhì)量評(píng)估準(zhǔn)確性。

技術(shù)研發(fā)人員：姚海燕,徐越飛,馬正曙,吳小歡,陳世喆,郭強(qiáng)
受保護(hù)的技術(shù)使用者：杭州電力設(shè)備制造有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23