一种焊接方法、装置、设备及介质

技术领域

本申请涉及焊接技术领域，特别是涉及一种焊接方法、装置、设备及介质。

背景技术

电阻焊是将焊件装配成搭接接头，并压紧在两柱状电极之间，利用高电流产生电阻热将焊件局部加热，熔化母材金属，形成熔核并冷却成焊点的电阻焊方法。点焊主要用于薄板焊接，焊接时，不需要填充金属，生产率高，焊件变形小，容易实现自动化，在汽车制造过程中应用较广。在焊接过程中，需要设置较为精确的电阻焊参数，否则容易导致虚焊、裂纹、压痕过深、焊点过小等质量问题，若质量不合格，会导致成本增加，甚至若汽车流入市场，可能会导致安全事故。

由此可见，如何选取较为精确的电阻点焊工艺参数，进而提高焊接质量是本领域人员亟需解决的技术问题。

发明内容

本申请的目的是提供一种焊接方法、装置、设备及介质，用于获取较为精确的电阻点焊工艺参数，以便于根据较为精确的工艺参数进行焊接，提高焊接质量。

为解决上述技术问题，本申请提供一种焊接方法，包括：

获取当前待焊接材料的属性；

将所述当前待焊接材料的属性输入至预设的网络模型中；其中，所述网络模型是通过对用于表征焊接材料的属性数据和用于表征各所述焊接材料对应的焊接参数组成的数据集进行训练得到，所述属性数据、所述焊接参数均为多维数据，所述数据集至少包括经验焊接数据集和实际焊接数据集；

通过所述网络模型输出所述当前待焊接材料对应的焊接参数；

将所述焊接参数发送至焊接系统，以便于所述焊接系统根据所述焊接参数焊接所述当前待焊接材料。

优选地，建立所述网络模型包括：

获取所述数据集；

对所述数据集进行预处理并获取预处理后的数据集；

将所述预处理后的数据集按照预设比例划分为训练数据、验证数据和测试数据；

将所述训练数据、所述验证数据、所述测试数据分别输入至初始模型中进行训练；

在所述测试数据的损失函数小于阈值的情况下，获取各所述焊接参数对应的权重，完成建立所述网络模型。

优选地，所述对所述数据集进行预处理并获取预处理后的数据集包括：

判断各所述属性数据和各所述焊接参数是否满足对应的第一预设要求；

若是，则获取所述焊接材料的各属性与各所述焊接参数的相关系数；

在所述相关系数满足第二预设要求的情况下，对各所述属性数据和各所述焊接参数进行归一化处理以获取所述预处理后的数据集；

在所述相关系数满足所述第二预设要求的情况下，剔除不满足所述第二预设要求的所述属性数据，并进入所述对各所述属性数据和各所述焊接参数进行归一化处理以获取所述预处理后的数据集的步骤；

若否，则剔除不满足对应的所述第一预设要求的所述属性数据以及与所述属性数据对应的所述焊接参数，并进入所述获取所述焊接材料的各属性与各所述焊接参数的相关系数的步骤。

优选地，所述判断各所述属性数据和各所述焊接参数是否满足对应的第一预设要求包括：

从所述数据集中的所述实际焊接数据集中选取距离当前实际生产最近的预设时长内的目标实际焊接数据集；

判断所述经验焊接数据集以及各所述目标实际焊接数据集中的各所述属性数据和各所述焊接参数是否满足对应的所述第一预设要求；

若是，则进入所述获取所述焊接材料的各属性与各所述焊接参数的相关系数的步骤；

若否，则进入所述剔除不满足对应的所述第一预设要求的所述属性数据以及与所述属性数据对应的所述焊接参数的步骤。

优选地，所述初始模型为多层感知机的神经网络模型；其中，输入层的神经元的数量等于剩余的属性数据的维度，所述剩余的属性数据为从所述属性数据中剔除不满足所述第一预设要求的所述属性数据和不满足所述第二预设要求的所述属性数据后得到的数据；

所述输入层与隐藏层连接；所述隐藏层与输出层连接；

所述输出层的神经元数量等于剩余的焊接参数的维度，所述剩余的焊接参数为从所述目标实际焊接数据集中的所述焊接参数中剔除不满足所述第一预设要求的所述焊接参数后得到的数据；

所述输入层、所述隐藏层中均包含激活函数、dropout函数；

所述神经网络模型采用反向传播以及学习率线性衰减策略。

优选地，在所述通过所述网络模型输出所述当前待焊接材料对应的焊接参数之后，所述方法还包括：

按照预设频率更新所述数据集，并返回所述获取所述数据集的步骤。

优选地，所述初始模型至少为神经网络模型、多元线性回归模型、SVM模型、决策树模型中的任意一种模型。

为了解决上述技术问题，本申请还提供一种焊接装置，包括：

获取模块，用于获取当前待焊接材料的属性；

输入模块，用于将所述当前待焊接材料的属性输入至预设的网络模型中；其中，所述网络模型是通过对用于表征焊接材料的属性数据和用于表征各所述焊接材料对应的焊接参数组成的数据集进行训练得到，所述属性数据、所述焊接参数均为多维数据，所述数据集至少包括经验焊接数据集和实际焊接数据集；

输出模块，用于通过所述网络模型输出所述当前待焊接材料对应的焊接参数；

发送模块，用于将所述焊接参数发送至焊接系统，以便于所述焊接系统根据所述焊接参数焊接所述当前待焊接材料。

为了解决上述技术问题，本申请还提供一种焊接设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述的焊接方法的步骤。

为了解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的焊接方法的步骤。

本申请所提供的焊接方法，包括：获取当前待焊接材料的属性；将当前待焊接材料的属性输入至预设的网络模型中；其中，网络模型是通过对用于表征焊接材料的属性数据和用于表征各焊接材料对应的焊接参数组成的数据集进行训练得到，属性数据、焊接参数均为多维数据，数据集至少包括经验焊接数据集和实际焊接数据集；通过网络模型输出当前待焊接材料对应的焊接参数；将焊接参数发送至焊接系统，以便于焊接系统根据焊接参数焊接当前待焊接材料。由此可见，该方法中，根据焊接参数实现了对待焊接材料的焊接，其次，相比于单独采用一种数据集和/或者数据集均为一维数据训练得到的网络模型，通过建立的网络模型输出待焊接材料对应的焊接参数的方式，本申请的方法中数据集至少包括经验焊接数据集和实际焊接数据集，并且数据集中的属性数据、焊接参数均为多维数据，因此建立的网络模型更具有鲁棒性，得出的待焊接材料的焊接参数也较为准确。

此外，本申请还提供一种焊接装置、焊接设备以及计算机可读存储介质，与上述提到的焊接方法具有相同或相对应的技术特征，效果同上。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种电阻焊的结构示意图；

图2为本申请实施例提供的一种焊接方法的流程图；

图3为本申请实施例提供的多层感知机神经网络模型的示意图；

图4为本申请的一实施例提供的焊接装置的结构图；

图5为本申请另一实施例提供的焊接设备的结构图；

图6为本申请实施例提供的基于自学习的电阻焊工艺参数的获取方法的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。

本申请的核心是提供一种焊接方法、装置、设备及介质，用于获取较为精确的电阻点焊工艺参数，以便于根据较为精确的工艺参数进行焊接，提高焊接质量。

图1为本申请实施例提供的一种电阻焊的结构示意图。如图1所示，该结构至少包含上部电极1、下部电极2、被焊物3、熔核4、变压器5。电阻焊是将焊件装配成搭接接头，并压紧在两柱状电极之间，利用高电流产生电阻热将焊件局部加热，熔化母材金属，形成熔核并冷却成焊点的电阻焊方法。点焊主要用于薄板焊接，焊接时，不需要填充金属，生产率高，焊件变形小，容易实现自动化，在汽车制造过程中应用较广。在焊接过程中，需要设置较为精确的电阻焊参数，否则容易导致虚焊、裂纹、压痕过深、焊点过小等质量问题，若质量不合格，会导致成本增加，甚至若汽车流入市场，可能会导致安全事故。因此，本申请中基于专家知识库和工厂实时生产工艺参数的联合数据集通过网络模型来获取较精确的电阻点焊工艺参数，从而提高焊接质量。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。图2为本申请实施例提供的一种焊接方法的流程图，如图2所示，该方法包括：

S10：获取当前待焊接材料的属性；

S11：将当前待焊接材料的属性输入至预设的网络模型中；

S12：通过网络模型输出当前待焊接材料对应的焊接参数；

S13：将焊接参数发送至焊接系统，以便于焊接系统根据焊接参数焊接当前待焊接材料。

为了获取到当前待焊接材料对应的焊接参数，首先需要建立网络参数模型。本实施例中网络模型是通过对用于表征焊接材料的属性数据和用于表征各焊接材料对应的焊接参数组成的数据集进行训练得到，属性数据、焊接参数均为多维数据，数据集至少包括经验焊接数据集和实际焊接数据集。

构建数据源D(数据集)＝专家数据集S(经验焊接数据集)+工厂实时生产工艺参数数据集F(实际焊接数据集)

需要说明的是，用来构建数据源的数据为焊接质量正常时得到的数据。

D＝{S，F}＝[XS，YS]；

其中，XS代表一系列焊接材料属性，YS代表对应焊接参数。

专家数据集S即专家给出的经验值。

S＝{S1，S2，…，Si，…，Sm}，实际中，m不少于1000条。

Si＝[{x1，x2，x3，…，xi，…，xp}，{y1，y2，…，yi，…，yq}]；

其中，xi代表材料综合属性，其材料包括DC01、DC03、DC06、HC340/590DP、Usibor1500P等，材料属性包括厚度、密度、电阻率、熔点、硬度、是否涂胶、屈服强度、断后伸长率等p个属性值，即材料属性是多维度数据；yi代表焊接参数，包括电流、压力、焊接时长等q个，即焊接参数是多维度数据。

工厂实时生产工艺参数数据集F同样也为焊接质量正常时得到的数据。

F＝{F1，F2，…，Fi,…,Fn}，实际中，n不少于1000条

Fi＝[{x1，x2，x3，…，xi…，xp}，{y1，y2，…，yi，…，yq}]；

同样地，xi代表材料综合属性，其材料包括DC01、DC03、DC06、HC340/590DP、Usibor1500P等，材料属性包括厚度、密度、电阻率、熔点、硬度、是否涂胶、屈服强度、断后伸长率等p个属性值，yi代表焊接参数，包括电流、压力、焊接时长等q个。

在获取到数据集后，将数据集输入至初始模型中进行训练得到预设的网络模型。由于数据集是多维数据，因此，在将数据集输入至初始模型中，可以对数据集进行预处理，如归一化处理等。在得到预设的网络模型后，将当前待焊接材料的属性输入至预设的网络模型中，通过网络模型输出当前待焊接材料对应的焊接参数。获取到焊接参数后，若手动将数据输入至焊接系统，由于手动输入数据存在输入速度慢、易出错的问题，故而，可以通过调用焊接系统的应用程序编程接口(Application Programming Interface，API)将参数更新至焊接系统中。

本实施例所提供的焊接方法，包括：获取当前待焊接材料的属性；将当前待焊接材料的属性输入至预设的网络模型中；其中，网络模型是通过对用于表征焊接材料的属性数据和用于表征各焊接材料对应的焊接参数组成的数据集进行训练得到，属性数据、焊接参数均为多维数据，数据集至少包括经验焊接数据集和实际焊接数据集；通过网络模型输出当前待焊接材料对应的焊接参数；将焊接参数发送至焊接系统，以便于焊接系统根据焊接参数焊接当前待焊接材料。由此可见，该方法中，根据焊接参数实现了对待焊接材料的焊接，其次，相比于单独采用一种数据集和/或者数据集均为一维数据训练得到的网络模型，通过建立的网络模型输出待焊接材料对应的焊接参数的方式，本实施例的方法中数据集至少包括经验焊接数据集和实际焊接数据集，并且数据集中的属性数据、焊接参数均为多维数据，因此建立的网络模型更具有鲁棒性，得出的待焊接材料的焊接参数也较为准确；

为了通过建立的网络模型得到待焊接材料对应的焊接参数，首先需要建立合适的网络模型。在实施中，优选的建立网络模型的方式包括：

获取数据集；

对数据集进行预处理并获取预处理后的数据集；

将预处理后的数据集按照预设比例划分为训练数据、验证数据和测试数据；

将训练数据、验证数据、测试数据分别输入至初始模型中进行训练；

在测试数据的损失函数小于阈值的情况下，获取各焊接参数对应的权重，完成建立网络模型。

具体地，对数据集进行预处理并获取预处理后的数据集包括：

判断各属性数据和各焊接参数是否满足对应的第一预设要求；

若是，则获取焊接材料的各属性与各焊接参数的相关系数；

在相关系数满足第二预设要求的情况下，对各属性数据和各焊接参数进行归一化处理以获取预处理后的数据集；

在相关系数满足第二预设要求的情况下，剔除不满足第二预设要求的属性数据，并进入对各属性数据和各焊接参数进行归一化处理以获取预处理后的数据集的步骤；

若否，则剔除不满足对应的第一预设要求的属性数据以及与属性数据对应的焊接参数，并进入获取焊接材料的各属性与各焊接参数的相关系数的步骤。

需要说明的是，对于预设比例、第一预设要求、第二预设要求不作限定，根据实际情况确定。初始模型至少为神经网络模型、多元线性回归模型、支持向量机(SupportVector Machine，SVM)模型、决策树模型中的任意一种模型。上述的判断各属性数据和各焊接参数是否满足对应的第一预设要求，并剔除不满足对应的第一预设要求的属性数据以及与属性数据对应的焊接参数的过程可以认为是剔除异常值的过程；判断相关系数是否满足第二预设要求，剔除不满足第二预设要求的属性数据的过程可以认为是去除不相关因素的过程，即预处理的过程包含剔除异常值、去除不相关因素以及归一化的过程。在剔除数据之前，为了方便剔除数据，可以将材料的各个属性、材料对应的各个焊接参数按照一定的顺序排列，如建立EXCEL表格，将由材料的各个属性、对应的各个焊接参数组成数据放置在同一行。

具体地，剔除异常值的步骤如下：

步骤1，剔除自定义数据规则的数据行，规则有大于、小于、区间，对于设置的规则不作限定，根据实际情况确定，如电流介于[7K，15K]；

步骤2，剔除3σ以外的数据行，如果数据不在(μ-3σ,μ+3σ)中则剔除，μ为属性维度均值，σ为属性维度标准差。

在去除不相关因素时，本实施例通过皮尔逊相关系数选择维度，具体地，

采用皮尔逊相关系数公式如下：

其中，r为皮尔逊相关系数，取值范围[-1，1]，n为数据个数，X代表焊接材料属性，Y代表焊接参数，分别从XS、YS中依次选取。

在剔除异常数据以及去除不相关因素后，对处理后的数据集进行归一化处理。具体地，通过Z-score标准化，对处理后的D的每一个维度进行标准化处理，x'＝(x-μ)/σ，x’表示标准化后的材料属性，μ均值，σ标准差。经过上述的预处理过程，得到预处理后的数据集为D’。

在得到预处理后的数据集D’后，按照预设比例划分为训练数据、验证数据和测试数据，如将预处理后的数据集D’按照60％、30％、10％比例随机划分为训练数据、验证数据和测试数据，将训练数据、验证数据、测试数据分别输入至初始模型中进行训练；在测试数据的损失函数小于阈值的情况下，获取各焊接参数对应的权重，完成建立网络模型。对于阈值不作限定，根据实际情况确定。

本实施例提供的建立网络模型的方式，将数据进行剔除异常值、去除不相关因素以及归一化的过程的预处理，以及将预处理后的数据分为训练数据、验证数据、测试数据这三种不同类型的数据，使得能够提高模型的准确性。

在实施中，为了使获得的数据集更能代表实际生产中的数据，优选的实施方式是，判断各属性数据和各焊接参数是否满足对应的第一预设要求包括：

从数据集中的实际焊接数据集中选取距离当前实际生产最近的预设时长内的目标实际焊接数据集；

判断经验焊接数据集以及各目标实际焊接数据集中的各属性数据和各焊接参数是否满足对应的第一预设要求；

若是，则进入获取焊接材料的各属性与各焊接参数的相关系数的步骤；

若否，则进入剔除不满足对应的第一预设要求的属性数据以及与属性数据对应的焊接参数的步骤。

最开始的数据集中包含实际焊接数据集，但是，该实际焊接数据集可能是历史实际焊接过程中的数据，如2年前的数据等，但是随着科技的发展材料的属性等可能发生了很大的变化，若仍然采用2年前的数据，则可能会导致得出的网络模型不具有鲁棒性，故而，本实施例中选取最近一段时间的实际焊接数据。对于预设时长的值不作限定。该过程可以称为时窗截取(仅针对工厂工艺参数)，从F中选择最近一段时间(如3个月)内的生产数据FA＝{F1，F2，…，Fi，…，Fr}，r代表时窗内的数据条数，F＝FA。在进行时窗截取之后，可以进入上述实施例的剔除异常值的步骤。

本实施例提供的选取最近一段时间的生产数据建立网络模型，使得数据更具有参考性以及使得能够提高网络模型预测的准确性。

在建立网络模型时，选取的初始模型为多层感知机的神经网络模型；其中，输入层的神经元的数量等于剩余的属性数据的维度，剩余的属性数据为从属性数据中剔除不满足第一预设要求的属性数据和不满足第二预设要求的属性数据后得到的数据；

输入层与隐藏层连接；隐藏层与输出层连接；

输出层的神经元数量等于剩余的焊接参数的维度，剩余的焊接参数为从目标实际焊接数据集中的焊接参数中剔除不满足第一预设要求的焊接参数后得到的数据；

输入层、隐藏层中均包含激活函数、dropout函数；

神经网络模型采用反向传播以及学习率线性衰减策略。

构建多层感知机神经网络模型，包含输入层神经元数量(数量等于剔除后得到的XS的特征维度)，隐藏层层神经元数量(大于等于1个)，输出层层神经元数量(数量等于剔除后得到的YS的特征维度)。图3为本申请实施例提供的多层感知机神经网络模型的示意图。如图3所示，该模型包含输入层、隐藏层以及输出层。在输入层和隐藏层中分别包含LeakyReLU层以及dropout层。

其中，激活函数采用LeakyReLU，α＝0.1，激活函数LeakyReLU的计算公式如下：

为防止过拟合，加入dropout策略，r为0-1随机值，p为dropout概率，dropout概率设置为0.5。dropout的计算公式如下：

初始化权重采用标准正态分布初始化，满足均值为0，标准差为1。

Loss为带权重的MSE loss，loss＝Ew(y^hat-y)2，其中y^hat为预测值，y为真实值，w为类别权重。可以针对电流压力等重要参数权重较大，针对焊接时间、预热时间等次重要参数权重设置较小。

反向传播，优化器可选随机梯度下降(Stochastic Gradient Descent，SGD)、均方根传递(Root Mean Square Prop，RMSprop)、自适应梯度(Adaptive Gradient，Adagrad)、自适应矩估计(Adaptive Moment Estimation，Adam)。

建立学习率线性衰减策略lr＝γ*lr，初始学习率lr＝0.01，γ取值0.1

对于迭代周期不作限定，如迭代周期选择大于1000轮。

训练中当测试数据loss小于设定阈值时，停止训练，保存权重，达到上线要求。

需要说明的是，本实施例采用的是构建的模型除多层感知机，在实际中，还可以采用其他机器学习模型，如多元线性回归模型、SVM模型、决策树等。

随着时间的推移，外界不可控因素的影响，如板材材质变化、板材质量均匀性变化、板材接触角度变化、板材清洁度、电极对准性，电极材料变化、电极形状变化、焊枪老化等，导致了焊接环境变化，从而焊接效果越来越差，因此需要对模型进行更新。优选的实施方式是，在通过网络模型输出当前待焊接材料对应的焊接参数之后，焊接方法还包括：

按照预设频率更新数据集，并返回获取数据集的步骤。

对于预设频率不作限定，根据实际情况确定。按照设定的更新周期(天、周或月)，替换D中的生产数据，进行预处理后，得到标准数据集D”。

将第一次建立的网络模型的权重作为初始权重，冻结部分层，设置较小的学习率lr如0.001，训练多轮，如1000轮。需要说明的是，在冻结部分层时，如冻结层的数量不能过多，否则，将覆盖之前的经验值，若冻结层的数量较少，则不能很多地对最新的数据进行训练，因此，需要选取合适数量的冻结层。

建立早停策略，当测试loss小于既定阈值时，终止当前训练。替换之前的推理模型，成为最优推理模型。

本实施例提供通过自学习更新模型，使得得到的焊接参数较为准确，使得能够根据较为准确的焊接参数进行焊接，提高焊接的质量。

在上述实施例中，对于焊接方法进行了详细描述，本申请还提供焊接装置、焊接设备对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。

图4为本申请的一实施例提供的焊接装置的结构图。本实施例基于功能模块的角度，包括：

获取模块10，用于获取当前待焊接材料的属性；

输入模块11，用于将当前待焊接材料的属性输入至预设的网络模型中；其中，网络模型是通过对用于表征焊接材料的属性数据和用于表征各焊接材料对应的焊接参数组成的数据集进行训练得到，属性数据、焊接参数均为多维数据，数据集至少包括经验焊接数据集和实际焊接数据集；

输出模块12，用于通过网络模型输出当前待焊接材料对应的焊接参数；

发送模块13，用于将焊接参数发送至焊接系统，以便于焊接系统根据焊接参数焊接当前待焊接材料。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。与上述提到的焊接方法具有相同的有益效果。

图5为本申请另一实施例提供的焊接设备的结构图。本实施例基于硬件角度，如图5所示，焊接设备包括：

存储器20，用于存储计算机程序；

处理器21，用于执行计算机程序时实现如上述实施例中所提到的焊接方法的步骤。

其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图形处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的焊接方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于上述所提到的焊接方法所涉及到的数据等。

在一些实施例中，焊接设备还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。

本领域技术人员可以理解，图5中示出的结构并不构成对焊接设备的限定，可以包括比图示更多或更少的组件。

本申请实施例提供的焊接设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：焊接方法，效果同上。

本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。

可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请提供的计算机可读存储介质包括上述提到的焊接方法，效果同上。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。图6为本申请实施例提供的基于自学习的电阻焊工艺参数的获取方法的流程图。如图6所示，该方法包括：

S14：构建基于专家知识库和工厂实时生产工业参数的联合数据集；

S15：预处理采用阈值法和三西格玛剔除异常值，皮尔逊相关系数筛选特征；

S16：建立基于多层感知机神经网络模型，并践行反向传播优化模型参数；

S17：采用线性衰减学习率和早停机制构建自学习系统；

S18：通过API接口方式将预测的焊接工艺参数设置到焊接系统中。

本实施例提供的方法中，基础数据为专家经验数据+所有实时生产焊接数据，单个模型适用所有生产板材，可以解决适用范围小的问题。选择数据时间窗口(3个月)，选择哪些维度(相关性分析>0.1)、再剔除多少(阈值、3σ)。剔除干扰，解决推荐参数不准确问题；加入LeakReLU激活函数，dropout防止过拟合等，保证效果，解决推荐参数不准确问题；动态更新模型。根据生产数据动态拟合现场实际情况，解决了推荐参数随着时间推移效果变差问题；通过调用焊接设备的API接口将参数更新到设备里，解决了手动录入速度慢和易出错的问题。

以上对本申请所提供的一种焊接方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。