一种多元工艺逻辑回归的激光拼板焊缝质量分类方法

技术领域

本发明涉及焊缝质量分类技术领域，尤其涉及一种多元工艺逻辑回归的激光拼板焊缝质量分类方法。

背景技术

薄板分段流水线激光拼板工位在工艺调试或生产阶段，由于影响焊接质量的因素众多，无法通过输入的单一工艺参数预测焊缝质量，经过长期现场经验获知，根据板厚不同，各焊接参数也不同。

发明内容

本发明的目的是提供一种多元工艺逻辑回归的激光拼板焊缝质量分类方法。

为了实现上述目的，本发明的技术方案是：

一种多元工艺逻辑回归的激光拼板焊缝质量分类方法，其特征在于，包括以下步骤：

步骤S1)记录日常调试或试生产过程中激光拼板工位每一条焊缝的焊接工艺参数，该条焊缝的焊接工艺参数作为数据集的输入特征，同时记录该条焊缝的焊接质量作为数据集的标签；

步骤S2)按照独立同分布的原则，把数据集分为训练集和测试集；

步骤S3)对训练集、测试集的焊缝工艺参数进行归一化和中心化处理；

步骤S4)使用梯度下降法，求解并构建多元工艺逻辑回归模型；构建多元工艺线性模型，并将多元工艺线性模型输出结果作为自变量嵌套在Sigmoid函数中，把多元工艺线性模型的输出映射到0和1之间的概率值，表示激光拼板焊缝质量合格的概率；

步骤S5)设置多元工艺逻辑回归模型超参数和模型参数初始值；

步骤S6)训练多元工艺逻辑回归模型，计算平均交叉熵损失函数Loss的最小值；

步骤S7)对多元工艺逻辑回归模型的损失和正确率进行可视化输出；

步骤S8)权值向量W逆转归一化；

步骤S9)对激光拼板焊缝进行质量预测分类。

进一步地，所述步骤S2中，按照独立同分布的原则把数据集按8：2分为训练集和测试集。

进一步地，所述步骤S4中，将多元工艺线性模型输出结果作为自变量嵌套在Sigmoid函数中，y＝σ(z)，把多元工艺线性模型的输出映射到0和1之间的概率值，表示激光拼板焊缝质量合格的概率，

多元工艺线性模型为z＝w

x

w

Sigmoid函数为

令b＝w

将多元工艺线性模型转换为向量形式

采用平均交叉熵损失函数

其中，y

进一步地，所述步骤S5中，超参数包括学习率η和迭代次数，初始值为多元工艺线性模型权值向量W，初始化为(w

进一步地，所述步骤S6中，计算平均交叉熵损失函数Loss最小值的方法为，

对w

对b求偏导

迭代更新多元工艺线性模型权值向量W。

进一步地，所述步骤S7中，观察平均交叉熵损失函数和模型准确率在测试集数据上的表现，找出准确率尽可能大且损失近可能小的训练次数i，重新训练模型，计算得出较好的多元工艺线性模型权值向量W，得到较佳的多元工艺逻辑回归模型。

进一步地，所述步骤S8中，权值向量W逆转归一化，

进一步地，所述步骤S9中，输入新分段的激光拼板焊接参数特征数据，根据多元工艺逻辑回归模型预测拼板焊缝质量，对结果进行分类。

本发明根据焊缝的焊接工艺参数，对训练集、测试集的焊缝工艺参数进行归一化和中心化处理，以提高模型的精度，使用梯度下降法求解并构建多元工艺逻辑回归模型，对多元工艺逻辑回归模型的损失和正确率进行可视化输出，输入特征值尺度无需再变换，对输入更加友好，最终对激光拼板焊缝进行精准的质量预测分类。

附图说明

图1为本发明激光拼板焊缝质量分类器构建和使用的流程图；

图2为本发明数据集输入样本特征和标签图；

图3为本发明板厚与焊接参数关系图；

图4为本发明Sigmoid函数嵌套多元工艺线性模型图；

图5为本发明训练损失和测试损失随学习次数下降的记录图；

图6为本发明学习过程中训练损失和测试损失随迭代次数的下降情况可视化视图；

图7为本发明学习过程中训练的准确率和测试的准确率随迭代次数的上升情况可视化视图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例公开了一种实施例提供一种多元工艺逻辑回归的激光拼板焊缝质量分类器，包括以下步骤：

步骤S1)如图2、3所示，记录日常调试/试生产过程中激光拼板工位每一条焊缝的焊接工艺参数作为数据集的输入特征，以及记录该条焊缝的焊接质量作为数据集的标签。激光拼板焊接工艺的输入特征有材质板厚、焊缝长度、焊接速度、送丝速度、脉冲频率、脉冲时间、峰值电压、基值电流、激光功率、离焦量、光丝间距，将焊接质量合格情况(0/1)作为数据集的标签值，本实施例中共收集有效样本189条。

步骤S2)按照独立同分布的原则把数据集按8：2分为训练集和测试集，训练集和测试集需要具有近似的均值和方差。

本实施例中训练集样本数151条，测试集样本数38条，并且具有相似的均值。

训练集：

[9.62251656e+00 2.22536424e+03 2.24072848e+03 1.15947020e+012.79582781e+02 1.73496689e+00 3.76125828e+01 1.15741722e+021.11622517e+01-3.17284768e+00 2.99668874e+00]，

测试集：

[1.00263158e+01 1.96578947e+03 2.25131579e+03 1.15973684e+012.75842105e+02 1.73421053e+00 3.77631579e+01 1.17657895e+021.16184211e+01-3.47894737e+00 2.97368421e+00]。

步骤S3)对训练集、测试集的焊缝工艺参数进行归一化和中心化处理，以提高模型的精度。

步骤S4)使用梯度下降法求解并构建多元工艺逻辑回归模型。构建多元工艺线性模型，并将多元工艺线性模型输出结果作为自变量嵌套在Sigmoid函数中，y＝σ(z)，如图4所示，把多元工艺线性模型的输出映射到0和1之间的概率值，表示激光拼板焊缝质量合格的概率。

多元工艺线性模型为z＝w

x

Sigmoid函数为

b是线性模型常数。

令b＝w

采用平均交叉熵损失函数

衡量多元工艺逻辑回归模型的优劣，其中y

步骤S5)设置多元工艺逻辑回归模型超参数和模型参数初始值，超参数包括学习率η和迭代次数，初始值指多元工艺线性模型权值向量W，线性模型权值向量W初始化为(w

步骤S6)训练多元工艺逻辑回归模型，计算平均交叉熵损失函数的最小值；

计算平均交叉熵损失函数Loss最小值的方法为，

对w

对b求偏导

迭代更新多元工艺线性模型权值向量W。

步骤S7)对多元工艺逻辑回归模型的损失和正确率进行可视化输出，通过结果可视化输出，观察平均交叉熵损失函数和模型准确率在测试集数据上的表现，找出准确率尽可能大且损失近可能小的训练次数i。

如图5所示，在训练550次以后，准确率下降，找出i为550左右，重新训练模型。

如图6、7所示，得出较好的多元工艺线性模型权值向量W，多元工艺逻辑回归模型

步骤S8)将权值向量W逆转归一化，

得到(w

(-9.9775,-6.5707e-02,7.8393e-06,5.1349e-03,-2.5739e-02,4.6374e-03,-5.9313e-01,-5.5637e-02,-9.314688877e-03,4.5847e-02,-4.2401e-01,1.7445e-01)，

将该系数代入多元工艺逻辑回归模型，输入特征值尺度无需再变换，对输入更加友好。

步骤S9)输入新分段的激光拼板焊接参数特征数据，根据多元工艺逻辑回归模型预测拼板焊缝质量，对结果进行分类。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。