一种基于曲线形态残差解耦的拧紧曲线异常识别方法与流程
本技术涉及工业智能检测,尤其是一种基于曲线形态残差解耦的拧紧曲线异常识别方法。
背景技术:
1、在智能制造领域,螺纹紧固连接是决定产品可靠性的关键工序。基于扭矩角度或扭矩-时间的拧紧曲线的实时质量监测已成为自动化拧紧装配的主流手段,深度学习模型因强大的特征提取能力被逐步引入拧紧曲线异常识别任务中。
2、然而,工业现场面临一个根本性困境:成熟生产线的拧紧不良率通常低于百万分之几十,自然产生的异常拧紧曲线数量较少,而人为破坏性试验成本高昂且低效,更重要的是难以覆盖全部失效模式。训练集中拧紧曲线异常样本数量往往仅为正常样本的百分之一乃至千分之一量级,这种严重的数据不平衡导致深度模型陷入对正常样本的过拟合陷阱,判别边界过度贴近少量异常样本,对正常曲线微小波动过于敏感,同时将未见过的异常模式误判为正常,造成现场误报与漏报难以权衡。过拟合还使模型对屈服点扭矩、弹性斜率等物理特征产生错误依赖,缺乏可解释性。
3、现有方法中,比较常用的方法是通过数据增强来补充异常样本,但这种方法缺乏物理约束,易产生违背拧紧力学规律的伪样本,反而干扰模型学习。也有一些代价敏感学习方法会对异常样本赋予更高误分类代价,但代价系数依赖人工试错,缺乏理论依据,泛化性差。还有部分方法会仅用正常样本训练,将偏离正常分布的曲线判为异常,但拧紧曲线正常波动范围宽泛,阈值难以设定,易将边界正常样本误判为异常。因此,如何在异常样本极端稀缺条件下有效抑制过拟合,已成为拧紧曲线智能识别领域亟待突破的关键技术瓶颈。
技术实现思路
1、本技术针对上述问题及技术需求,提出了一种基于曲线形态残差解耦的拧紧曲线异常识别方法,本技术的技术方案如下:
2、一种基于曲线形态残差解耦的拧紧曲线异常识别方法,该拧紧曲线异常识别方法包括:
3、获取多条基础异常拧紧曲线样本并确定各自的异常类型标签,利用基础异常拧紧曲线样本训练得到曲线生成模型并确定不同异常类型标签对应的条件先验分布;
4、对多种异常类型标签和多种形态语义特征向量进行组合,构建多组不同的条件信息,对于每组条件信息:从异常类型标签对应的条件先验分布中随机采样隐变量,利用训练得到的曲线生成模型基于得到重构残差曲线,并叠加到合格拧紧曲线模板上得到具有当前条件信息的重构异常拧紧曲线样本;
5、将不同条件信息下得到的重构异常拧紧曲线样本添加到包含正常拧紧曲线样本和真实异常拧紧曲线样本的样本数据集中,并利用扩充后的样本数据集训练拧紧曲线分类模型,使用训练得到的拧紧曲线分类模型进行拧紧曲线异常识别。
6、其进一步的技术方案为,利用基础异常拧紧曲线样本训练得到曲线生成模型并确定不同异常类型标签对应的条件先验分布包括:
7、计算每条基础异常拧紧曲线样本与合格拧紧曲线模板的残差曲线,并提取残差曲线的形态语义特征向量;
8、构建包含编码器和解码器的c-vae网络,将每条基础异常拧紧曲线样本的残差曲线、形态语义特征向量和异常类型标签输入c-vae网络:编码器对进行联合编码,得到在异常类型标签与形态语义特征向量的条件下的残差曲线的后验分布,并通过重参数化技巧从中采样获得隐变量;解码器基于得到残差曲线;
9、根据各条基础异常拧紧曲线样本的残差曲线和残差曲线训练c-vae网络并确定不同异常类型标签对应的条件先验分布,将训练得到的c-vae网络的解码器作为曲线生成模型。
10、其进一步的技术方案为,根据各条基础异常拧紧曲线样本的残差曲线和残差曲线训练c-vae网络并确定不同异常类型标签对应的条件先验分布包括:
11、计算总损失函数,通过最小化总损失函数训练c-vae网络并确定不同异常类型标签对应的类别先验均值,其中:
12、kl散度损失用于约束编码器输出的后验分布逼近异常类型标签对应的条件先验分布;
13、重构损失或用于衡量残差曲线和残差曲线之间的差异,是正则项系数。
14、其进一步的技术方案为,利用扩充后的样本数据集训练拧紧曲线分类模型包括:
15、计算样本数据集中每条拧紧曲线样本与合格拧紧曲线模板的残差曲线,并提取残差曲线的形态语义特征向量;
16、将每条拧紧曲线样本及其残差曲线的形态语义特征向量输入预先构建的拧紧曲线分类模型中,在拧紧曲线分类模型中,时域序列通道基于cnn网络提取拧紧曲线样本的深层隐含特征,形态语义通道基于mlp提取形态语义特征向量的形态语义特征,特征融合模块对深层隐含特征和形态语义特征进行融合得到融合特征,深层分类器基于融合特征输出类别预测值;
17、根据样本数据集中各条拧紧曲线样本的类别标签及其类别预测值训练拧紧曲线分类模型。
18、其进一步的技术方案为,拧紧曲线分类模型中还包括随机掩码模块,随机掩码模块对输入的拧紧曲线样本施加随机掩码遮挡部分时间序列后输入时域序列通道。
19、其进一步的技术方案为,拧紧曲线分类模型中还包括连接在深层分类器后端的置信度分支,置信度分支输出置信度结果;
20、根据样本数据集中各条拧紧曲线样本的类别标签及其类别预测值训练拧紧曲线分类模型包括:根据各条拧紧曲线样本的类别标签及其类别预测值以及置信度结果训练拧紧曲线分类模型。
21、其进一步的技术方案为,根据各条拧紧曲线样本的类别标签及其类别预测值以及置信度结果训练拧紧曲线分类模型包括:
22、对每条拧紧曲线样本执行多次蒙特卡洛dropout随机前向传播得到多个softmax概率向量,并计算均值得到平均预测分布;利用平均预测分布计算预测熵,并归一化得到当前拧紧曲线样本的不确定性监督标签;其中,是类别总数,是类别索引,是拧紧曲线样本属于第个类别标签的平均概率;
23、计算各条拧紧曲线样本的置信度结果与不确定性监督标签的均方误差得到置信度损失,计算各条拧紧曲线样本的类别标签与对应的类别预测值之间的交叉熵损失;
24、计算总损失函数,通过最小化总损失函数训练拧紧曲线分类模型,为正则项系数。
25、其进一步的技术方案为,该拧紧曲线异常识别方法还包括:
26、基于总损失函数对c-vae网络开展第一次训练,并以训练得到的c-vae网络中的解码器作为曲线生成模型得到多条重构异常拧紧曲线样本添加到样本数据集中;
27、利用拧紧曲线分类模型得到各条重构异常拧紧曲线样本的类别预测值和置信度结果,并将置信度结果小于不确定性阈值的重构异常拧紧曲线样本从样本数据集中删除;
28、基于保留的各条重构异常拧紧曲线样本的置信度结果计算反馈损失,并基于总损失函数对c-vae网络开展第二次训练,以训练得到的c-vae网络中的解码器作为曲线生成模型得到多条重构异常拧紧曲线样本添加到样本数据集中。
29、其进一步的技术方案为,获取多条基础异常拧紧曲线样本并确定各自的异常类型标签包括:
30、采集真实异常拧紧曲线样本并确定每个真实异常拧紧曲线样本的异常类型标签;
31、计算每条真实异常拧紧曲线样本与合格拧紧曲线模板的残差曲线,并提取残差曲线的形态语义特征向量,在形态语义特征向量上进行有界随机扰动,生成虚拟形态参数;基于真实异常拧紧曲线样本的残差曲线和形态语义特征向量之间的映射关系,通过非均匀重采样与插值机制,根据虚拟形态参数得到增强残差曲线,并叠加到合格拧紧曲线模板上得到增强异常拧紧曲线样本,确定增强异常拧紧曲线样本与真实异常拧紧曲线样本的类别标签一致;
32、综合所有真实异常拧紧曲线样本和增强异常拧紧曲线样本得到多条基础异常拧紧曲线样本并确定各自的异常类型标签。
33、其进一步的技术方案为,曲线的形态语义特征向量包括曲线的关键拐点、关键波动段、波动频率、峰谷、斜率中的至少一种。
34、本技术的有益技术效果是:
35、本技术公开了一种基于曲线形态残差解耦的拧紧曲线异常识别方法,该方法将异常拧紧曲线样本解耦为合格拧紧曲线模板和残差曲线,根据设定的异常类型标签从对应的条件先验分布中随机采样获取隐变量,并与异常类型标签和残差曲线的形态语义特征向量共同作为曲线生成模型的输入,驱动曲线生成模型生成符合目标形态特征的残差曲线,再叠加合格拧紧曲线模板实现任意形态异常信号的按需合成与扩充,从而扩充了样本数据集中的异常拧紧曲线样本,在真实异常拧紧曲线样本极端稀缺条件下有效抑制拧紧曲线分类模型的过拟合,提升了最终训练得到的拧紧曲线分类模型的识别精度和鲁棒性,显著提升了拧紧曲线分类模型对未知形态异常的泛化能力。
36、该方法使用的拧紧曲线分类模型采用时域序列通道与形态语义通道的双通道融合结构,在此基础上还可以进一步加入随机掩码机制,增强拧紧曲线分类模型对局部特征缺失的鲁棒性,从而进一步提升拧紧曲线分类模型的性能。
37、该方法在训练阶段还引入了闭环反馈机制,利用拧紧曲线分类模型输出的置信度结果动态优化生成曲线生成模型,迫使曲线生成模型在生成过程中兼顾形态语义一致性与分类判别纯度,从而避免生成类间混淆的伪影样本,通过一次反馈与迭代更新,实现生成样本分布的自适应校准。
38、针对真实异常拧紧曲线样本极端稀缺的特点,该方法还通过基于形态语义向量扰动的增强策略基于真实异常拧紧曲线样本生成增强异常拧紧曲线样本并共同构成基础异常拧紧曲线样本用于训练曲线分类模型,不同于传统时域加噪或幅值缩放的数据增强方法,该方法确保了增强样本在关键拐点位置、波动频率及峰谷幅值等核心特征上符合预设的异常逻辑,有效扩充了形态分布的边界,提升了后续曲线生成模型的鲁棒性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com