You cannot select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.

28 lines
3.1 KiB
Markdown

2 years ago
1. 现有数据(焊接电压、电流、速度和坐标等输入数据)并不能完全反映焊接过程中的物理现象和材料特性。需要下几个方面来提高数据质量
1. 需要了解工件的材料类型、组织结构等属性以及夹具的情况、边界约束、力和载荷等参数。这些属性会直接影响焊接应变的分布和大小有利于将CAD模型与焊接数据相对应并将CAD模型转换为CAE模型。
4. 为了评估模型的准确性和有效性,需要收集变形数据。这些数据可以通过应变计或其他仪器测量得到,也可以通过有限元分析或其他数值方法模拟得到。
5. 在实际生产中,整体变形如何评估,怎么保证误差可控,有什么样的检验,检验的工序是怎样的,在生产的哪些阶段进行检验。我们可以利用这些检验结果矫正模型。
6. 焊接头移动的轨迹是多条线,在一条线上电压电流数据是稳定的,不同线之间有突变,焊接头在接触工件之前的电压电流是否是规定值,这些数据中哪些数据是需要的,突变值要不要保留。
7. ![[Pasted image 20230330202058.png]]
8.
1. 模式工厂中的传感器一般由PLC控制。变形数据等数据可能要我们自己采集电流电压等从这些PLC主控接收需要我们对不同PLC做整合
1. 对于PLC的数据解析协议不同解析之后的数据可以统一处理
2. 可以选择的网络
- 多层感知机MLP传统神经网络
- 生成对抗神经网络GAN这种方法可以利用生成器和判别器之间的对抗学习从输入数据中学习应变的分布和特征生成逼真的应变数据。
- 回归神经网络RNN这种方法可以利用循环神经网络或长短期记忆网络等结构从输入数据中提取时序特征建立输入和输出之间的映射关系预测应变的数值。
- 卷积神经网络CNN这种方法可以利用卷积层和池化层等结构从输入数据中提取空间特征建立输入和输出之间的映射关系预测应变的图像。
```markdown
输入数据:焊接电流电压、焊接头速度、焊接头三维坐标
输出数据:材料应变
流程:
数据预处理:对输入数据进行归一化、标准化、填充缺失值等操作,删除冗余数据,使其符合神经网络的输入要求。
网络构建选择合适的神经网络结构如循环神经网络RNN或长短期记忆网络LSTM并设置网络的参数如层数、节点数、激活函数等。
网络训练:将输入数据分为训练集和验证集,用训练集来更新网络的权重和偏置,用验证集来评估网络的性能,如损失函数、准确率等,并调整网络的超参数,如学习率、优化器、正则化等。
网络测试用测试集来评估网络的泛化能力即在未见过的数据上的预测效果并与真实值进行比较计算误差指标如均方误差MSE、平均绝对误差MAE等。
网络应用:将训练好的网络应用于新的输入数据,得到预测的输出数据,即材料应变。
```