基于LSTM模型的汽车车身焊接工艺质量评分预测方法及装置与流程

基于lstm模型的汽车车身焊接工艺质量评分预测方法及装置
技术领域
1.本发明涉及汽车焊接技术领域，具体涉及一种基于lstm模型的汽车车身焊接工艺质量评分预测方法及装置。


背景技术：

2.当今汽车产业发展迅速，新材料研究与推广不断更新，但车身设计和制造的基本方式没有变，汽车质量关乎生命安全，车身更是整车质量的核心部分。因此对车身质量提出了新的挑战，需要对车身焊接质量相关因素进行深入分析，利用新的技术手段提升焊接质量控制水平。
3.汽车车身焊接质量控制的重点是设计与制造过程中的可靠性问题，从车身焊接强度的角度考虑，影响因素包括焊接的时间、电流、电压、压力等因素。
4.针对常见的焊点质量问题漏焊、虚焊、飞溅和焊穿等问题，一般都会伴随焊接电流、焊接电压、焊接时间等参数的变化。目前为汽车车身焊接工艺质量评分主要是依靠人工的经验累积，人为去判断和评价焊接质量，数字化、智能化运用欠缺，导致人工成本过高、很难保证评价准确性、时效性差和维护困难等问题。


技术实现要素：

5.为了解决传统汽车车身焊接质量控制存在的上述问题，本发明提供一种基于lstm模型的汽车车身焊接工艺质量评分预测方法及装置，能够根据焊接现场的环境、设备和业务需求的紧迫性等各项因素，实时采集焊接质量集成管理系统提供的焊接变化参数，通过质量评分预测，快速锁定焊接问题的出处，从而快速制定解决和优化措施，提升维护准确性，减少维护时间、人力成本和备件成本等。
6.根据本发明的一个方面，提供了一种基于lstm模型的汽车车身焊接工艺质量评分预测方法，包括以下步骤：
7.s1：采集焊点质量样本数据并进行数据修复和归一化处理，得到归一化处理后的焊点质量样本数据；
8.s2：通过预设的重要性分析模型对所述归一化处理后的焊点质量样本数据进行特征相对重要性分析，提取相关性强的特征参数；
9.s3：将所述相关性强的特征参数划分为训练数据集和测试数据集；
10.s4：通过所述训练数据集对lstm模型进行训练，训练完成后，得到训练好的lstm模型；
11.s5：通过所述测试数据集对所述训练好的lstm模型进行测试，测试完成后，得到最优lstm模型；
12.s6：通过所述最优lstm模型对汽车车身焊接工艺质量进行评分预测，并输出预测结果。
13.优选地，步骤s1中，所述焊点质量样本数据包括：焊点信息参数、环境参数、焊接设
备参数和质量评分参数。
14.优选地，步骤s2包括：
15.s21：获取lightgbm模型并进行网络参数初始化；
16.s22：将所述焊点质量样本数据划分为第二训练数据集和第二测试数据集；
17.s23：通过所述第二训练数据集对所述lightgbm模型进行训练，在训练的过程中，通过网格搜索算法寻找最优的网络参数，并通过所述第二测试数据集进行网络测试，若测试结果达到预设值，则获得训练好的lightgbm模型；
18.s24：通过所述训练好的lightgbm模型对所述焊点质量样本数据进行特征相对重要性分析，得到影响模型预测目标相关性的特征表；
19.s25：从所述特征表中提取相关性排名前k的特征参数用于焊接质量评分预测。
20.优选地，步骤s2包括：
21.s21：获取xgboost模型并进行网络参数初始化；
22.s22：将所述焊点质量样本数据划分为第二训练数据集和第二测试数据集；
23.s23：通过所述第二训练数据集对所述xgboost模型进行训练，在训练的过程中，通过网格搜索算法寻找最优的网络参数，并通过所述第二测试数据集进行网络测试，若测试结果达到预设值，则获得训练好的xgboost模型；
24.s24：通过所述训练好的xgboost模型对所述焊点质量样本数据进行特征相对重要性分析，得到影响模型预测目标相关性的特征表；
25.s25：从所述特征表中提取相关性排名前k的特征参数用于焊接质量评分预测。
26.优选地，在将所述训练数据集和测试数据集对lstm模型进行训练和测试的过程中，采用麻雀搜索算法对lstm模型进行优化，并加入了dropout参数和正则项避免过拟合，选用adam优化方法对权值进行优化。
27.根据本发明的第二方面，本发明还提供了一种基于lstm模型的汽车车身焊接工艺质量评分预测装置，包括以下模块：
28.样本采集及预处理模块，用于采集焊点质量样本数据并进行数据修复和归一化处理，得到归一化处理后的焊点质量样本数据；
29.特征参数提取模块，用于通过预设的重要性分析模型对所述归一化处理后的焊点质量样本数据进行特征相对重要性分析，提取相关性强的特征参数；
30.数据集划分模块，用于将所述相关性强的特征参数划分为训练数据集和测试数据集；
31.模型训练模块，用于通过所述训练数据集对lstm模型进行训练，训练完成后，得到训练好的lstm模型；
32.模型测试模块，用于通过所述测试数据集对所述训练好的lstm模型进行测试，测试完成后，得到最优lstm模型；
33.评分预测模块，用于通过所述最优lstm模型对汽车车身焊接工艺质量进行评分预测，并输出预测结果。
34.优选地，所述预设的重要性分析模型包括lightgbm模型和xgboost模型中的任一种。
35.本发明提供的技术方案带来的有益效果在于：
36.建立了一种lstm深度学习的预测模型，通过深度神经网络对长序列数据有记忆的特点，改善了传统预测模型易陷入局部极小值、收敛速度慢、泛化性差等缺点，从而实现了对汽车车身焊接工艺质量评分的精准预测。可以根据根据焊接现场的环境、设备和业务需求的紧迫性等各项因素，实时采集焊接质量集成管理系统提供的焊接变化参数，通过质量评分预测，快速锁定焊接问题的出处，从而快速制定解决和优化措施，提升维护准确性，减少维护时间、人力成本和备件成本等。
附图说明
37.下面将结合附图及实施例对本发明作进一步说明，附图中：
38.图1是发明的一种基于lstm模型的汽车车身电阻焊接工艺质量评分预测设备的逻辑示意图；
39.图2是发明实施例1中一种基于lstm模型的汽车车身电阻焊接工艺质量评分预测方法的流程图；
40.图3是本发明实施例2中一种基于lstm模型的汽车车身电阻焊接工艺质量评分预测方法的流程图；
41.图4是本发明中麻雀搜索算法的流程图。
具体实施方式
42.为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
43.具体的，在本实施例中，以对汽车车身电阻焊接工艺质量评分预测进行详细说明。在一些实施方式中，也可以对车身的其他焊接(电弧焊、埋弧焊、气焊等)质量进行评分预测，与本实施例类似。
44.首先，本实施例采用一种安装在汽车车身电阻点焊焊机上的动态信号检测设备，该设备能够实现对焊接电流、电极压力、动态电阻等多种信息的实时监测。
45.如图1所示，图1是发明的一种基于lstm模型的汽车车身电阻焊接工艺质量评分预测设备的逻辑示意图；
46.通常在汽车车身焊接制造过程中都是以焊枪为工具，以焊点的形式将两种或者两种以上同种或异种金属材料通过原子或分子之间的结合和扩散连成一体，因此焊点质量的优劣对汽车整体质量影响很大，一个完整的焊接过程包括金属贴合致密、金属升温融化、焊核形成焊接完毕三个阶段，总体耗时约400ms，焊接完成后会通过专业人士观测焊缝质量是否合格，一般焊缝质量确认标准包括焊点飞溅、虚焊、漏焊、焊穿等，如果质量不合格需要及时退回至焊接处重新进行焊接，及时更换焊接装备，或者对设备进行维护以减少生产损失。但是，通过人工检测焊接工艺质量是否合格，效率越来越低，越来越难以满足提高生产效率的需求。
47.汽车车身电阻焊点焊接系统通过线边机完成对生产线的实时生产控制与原始焊接数据获取、格式生成，线边机采集原始焊接数据的同时，确定汽车车身电阻焊接线边机所采集的数据类型，具体的，作为示例，输入到数据分析单元用于数据分析的数据可以包括以下内容：
48.1)电阻点焊焊接工艺参数包括焊接时间、焊接电流、焊接电阻波形、焊接能量、焊接时间、焊接电压、焊接热量等；
49.2)焊点的信息参数包括机组编号、焊枪编号、焊枪批次类型、焊枪位置、故障类型、焊接评分等。
50.线边机获取焊点工艺参数和信息参数后，通过ftp传输协议传送至服务器，服务器接受数据便将焊点工艺参数和信息参数数据以指定格式存入数据库。
51.实施例1：以lightgbm模型为例
52.如图2所示，在线上服务器上部署了lightgbm模型，该模型能识别传送到服务器的数据特征值的路径，通过实时读取该固定路径上的特征值数据，判断是否有新数据以及有何新数据生成；如果一旦发现有新的数据生成，则实时跟进对应焊点类型的识别方案，提取特征数据集，并生成数据筛选文件保存至固定路径；如果没有发现则不会触发线上系统进行特征相对重要性选择模型。
53.采集的焊点信息数据经过lightgbm模型后，会生成特征值参数，将特征值参数保存至焊点信息数据库的同时，系统会检测到固定路径有新特征数据生成，然后触发lstm模型，输出对应的焊点类型焊接质量评分；另外在焊接参数改变时，针对新数据发布，对每一种焊接类型的质量评分策略完成重新训练与验证。
54.在特征数据与指定质量评分数据集按照时间刻度生成的同时，完成对该类数据的筛查与问题查找，并依据此生成报告文件保存至固定路径，同时服务器实时读取报告文件，若报告文件中关键参数超过设定值，则通过调用组件生成报告并发送给相关负责人进行相应操作。
55.建立汽车车身焊接特征参数相对重要性选择模型：采用lightgbm模型对焊接参数进行相关重要性提取，选用更重要的参数进行下一步预测，起到简化模型降低计算难度的作用。lightgbm是一种集成学习算法，是基于histogram的决策树算法，拥有计算速度快、分类回归效果好、能处理大规模数据、支持多种语言等优点，被广泛应用于工程领域。lightgbm相比于其他机器学习模型有很多优点：
56.histogram算法：直方图算法使得内存消耗降低，而且在选择分裂特征计算收益时只需要遍历桶就行了，大大降低计算复杂度；
57.leaf-wise策略：在当前所有叶子节点中选择分裂收益最大的节点进行分裂，如此递归进行，减少了很多没必要的开销；
58.单边梯度采样：使用goss可以减少大量只具有小梯度的数据实例，这样在计算信息增益的时候只利用剩下的具有高梯度的数据就可以了，相比其他集成学习算法遍历所有特征值节省了不少时间和空间上的开销；
59.互斥特征捆绑：可以将许多互斥的特征绑定为一个特征，这样达到了降维的目的；
60.支持类别特征：lightgbm支持的类别特征可以使训练速度加速8倍，并且精度一致。更重要的是，lightgbm是第一个直接支持类别特征的gbdt工具；
61.支持高效并行：不进行数据垂直划分，而是在每台机器上保存全部训练数据，在得到最佳划分方案后可在本地执行划分而减少了不必要的通信。
62.本发明构建lightgbm特征相对重要性选择模型，利用网格搜索算法对lightgbm模型学习率learning_rate、树的深度max_depth、树的颗数n_estimators、最小叶子权重min_
child_weight等参数进行优化，获得最优参数组合作为lightgbm粉尘预测模型参数，然后lightgbm利用贪心策略和二次最优化算法，迭代对每个决策树进行参数的分配和优化，直至目标函数达到最优，最后利用验证集对模型进行判断优劣，对效果最好的模型进行保留。最后选用的模型参数如下表。
63.表1：lightgbm的模型参数
64.参数名取值learning_rate(学习率)0.10max_depth(树深度)1.00n_estimators(树棵树)100.00min_child_weight(最小叶子权重)3.00
65.在进行模型训练和模型测试的过程中，首先将样本数据集进行归一化处理，归一化处理可以减少数据不同量纲造成的误差，归一化计算公式为：
[0066][0067]
式中，n
max
表示样本数据集的最大值，n
min
表示样本数据集的最小值，n"表示样本数据集的归一化值，n表示实际值。
[0068]
将样本数据集进行归一化操作后，将选取好特征相关重要性的特征参数数据划分训练集、验证集和测试集。训练集用于训练模型，验证集用于验证模型的拟合效果并选择出所有参数的相对重要性。另外，样本数据中训练集和测试集的比例还可以根据具体的模型训练和模型测试需求进行调整。在输出影响焊点质量的相关重要性的过程中，评估模型训练以及模型测试结果的各项评估参数指标值，最后输出各个特征相关重要性的重要性排序。
[0069]
在输出影响模型预测目标的模型特征列表排序时，通过选择重要性排名靠前的特征作为接下来训练预测模型的特征数据，一般选取重要性占比80％的数据特征，选取特征后面可以根据模型预测性能进行调整。
[0070]
对特征相对重要性选择后的数据再次划分为训练集与验证集，用划分好的数据集训练lstm深度学习预测模型，首先对预测模型超参数和权重进行初始化，并且将训练集作为输入对模型进行训练，通过麻雀搜索算法(ssa)对lstm模型进行优化，并且加入了dropout参数和正则项避免过拟合，使用adam算法连续对模型权重和参数进行优化处理，以致得到所需要的精度。
[0071]
麻雀搜索算法是一种智能优化算法，相比于遗传算法等其他算法具有较强的全局搜索能力，在高维函数计算搜索中具有很好的效果，可以避免局部最优解的问题，ssa算法模拟麻雀觅食过程中，将不同个体分为发现者和追随者，发现者积极发现目标，追随者跟随发现者，期间有捕食者和警戒者加入。算法流程图如图4所示。
[0072]
lstm是一种特殊的循环神经网络(recurrent neural network，rnn)，能够有效地解决信息的长期依赖，避免梯度消失或爆炸，它的出现就是专门解决长期依赖问题的。与传统的rnn相比，巧妙地设计了循环结构，在输入门和输出门的基础上增加了遗忘门，解决了梯度消失和梯度爆炸问题。
[0073]
本发明通过遍历搜索的方法对lstm模型的隐藏层节点数、批尺度和时间步分别进
行搜索，最后选择出合适的参数，标准lstm模型的隐藏层节点数、批尺度和时间步分别为20、32、5。
[0074]
采用平均绝对百分比误差m
ape
、均方根误差r
mse
和平均绝对误差m
ae
等评价指标对标准lstm预测模型进行性能评价，计算公式分别如下：
[0075][0076][0077][0078]
式中，i表示数据序号，yi、分别表示实际值和预测值，n表示测试样本集数量。
[0079]
最终使用测试集测试lstm预测模型得到评分预测结果，使用误差评价公式与真实评分数据进行分析对比，得到最合适的预测模型。
[0080]
实施例2：以xgboost模型为例
[0081]
如图3所示，在线上服务器上部署了xgboost模型，该模型能识别传送到服务器的数据特征值的路径，通过实时读取该固定路径上的特征值数据，判断是否有新数据以及有何新数据生成；如果一旦发现有新的数据生成，则实时跟进对应焊点类型的识别方案，提取特征数据集，并生成数据筛选文件保存至固定路径；如果没有发现则不会触发线上系统进行特征相对重要性选择模型。
[0082]
采集的焊点信息数据经过xgboost模型后，会生成特征值参数，将特征值参数保存至焊点信息数据库的同时，系统会检测到固定路径有新特征数据生成，然后触发lstm深度学习焊点质量评分预测模型，输出对应的焊点类型焊接质量评分；另外在焊接参数改变时，针对新数据发布，对每一种焊接类型的质量评分策略完成重新训练与验证。
[0083]
在特征数据与指定质量评分数据集按照时间刻度生成的同时，完成对该类数据的筛查与问题查找，并依据此生成报告文件保存至固定路径，同时服务器实时读取报告文件，若报告文件中关键参数超过设定值，则通过调用组件生成报告并发送给相关负责人进行相应操作。
[0084]
建立汽车车身焊接特征参数相对重要性选择模型：采用xgboost模型对焊接参数进行相关重要性提取，选用更重要的参数进行下一步预测，起到简化模型降低计算难度的作用。xgboost是一种集成学习算法，是对梯度提升决策树(gradient boosting decision tree，gbdt)算法的改进，拥有计算速度快、分类回归效果好、能处理大规模数据、支持多种语言等优点，被广泛应用于工程领域。xgboost相比于其他机器学习模型有很多优点：
[0085]
正则项：在模型的代价函数中加入了正则项，避免模型出现过拟合的情况；
[0086]
并行计算：在模型特征层级进行并行处理和计算，各个特征增益计算以多线程方式并行；
[0087]
剪枝过程：先从顶到底建立所有可以建立的子树，再从底到顶反向进行剪枝，避免陷入局部最优；
[0088]
列抽样：支持列抽样，不仅能降低过拟合，还能减少计算量，提升模拟计算速度；
[0089]
缺失值处理：对于特征的值有确实的样本，可以自动学习出它的分裂方向。
[0090]
本发明构建xgboost特征相对重要性选择模型，利用网格搜索算法对xgboost模型学习率learning_rate、树的深度max_depth、树的颗数n_estimators、最小叶子权重min_child_weight等参数进行优化，获得最优参数组合作为xgboost粉尘预测模型参数，然后xgboost利用贪心策略和二次最优化算法，迭代对每个决策树进行参数的分配和优化，直至目标函数达到最优，最后利用验证集对模型进行判断优劣，对效果最好的模型进行保留。最后选用的模型参数如下表。
[0091]
表2：xgboost的模型参数
[0092]
参数名取值learning_rate0.10max_depth3.00n_estimators300.00min_child_weight7.00
[0093]
在实施例2中，除了选择的特征参数相对重要性选择模型与实施例1中不同，其他步骤均同实施例1。
[0094]
与现有技术相比，本发明能够对采集的样本数据参数进行筛查选择，降低数据的冗余，使数据训练出来的模型复杂度更低，增强模型的鲁棒性，随着深度学习的性能增强，深度学习模型在工程上应用更加广泛，本发明也是为汽车车身焊接评价预测领域提供了一条新思路。
[0095]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0096]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0097]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。