Digital-Twin/gwx/笔记/唐车会议/焊接问题总结.md

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。
   2. 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。
   3. 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。
   4. 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。
   5. !
   6. 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。

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。