基于迁移学习的焊接工艺参数推荐方法、装置及机器人与流程

本发明涉及人工智能领域，尤其涉及一种基于迁移学习的焊接工艺参数推荐方法、装置及机器人。
背景技术：
：焊接又称熔接、镕接，是一种以加热或加压方式接合金属或其他热塑性塑料的工艺及技术。依具体的焊接工艺，焊接可细分为气焊、电阻焊、电弧焊、感应焊接及激光焊接等其他特殊焊接。焊接是一种基础的工业加工方式，目前据保守估计仅中国市场的焊接工人数量超过500万人。随着人口老龄化现象的加剧和人力成本的逐渐增高，工业生产特别是制造业焊接领域的用工难问题日益严重，各企业严重缺乏焊接师傅特别是经验丰富的老师傅。焊接师傅培训周期长(长达数年)，难度大，中国的焊工人数缺口高达数百万之多。为了提高生产效率，工厂需逐步使用焊接机器人替代工人焊接，来提高效率降低成本。目前利用焊接机器人对产品进行焊接的领域逐年增多，比如手机精密零部件焊接、汽车车身焊接等。焊接机器人是工业机器人的最常见类型，常用于汽车制造机械流水线的规模化制造中，汽车车身和其他采用焊接工艺的部件的焊接。焊接机器人主要包括机器人和焊接设备两部分。机器人由机器人本体和控制柜(硬件及软件)组成。而焊接装备，以弧焊及点焊为例，则由焊接电源(包括其控制系统)、送丝机、焊枪等部分组成，另外还包括保护气等配套设施。对于智能机器人还应有传感系统，如激光或摄像传感器及其控制装置等。焊接机器人在稳定运行工作前需要机器人操作员进行调试，其中包括一整套机器人控制，工艺，焊接参数相关的设置工作。机器人操作员培训周期相对较短，但是如果不了解焊接的基础知识则无法设置焊接机器人中焊接相关的参数(电流，电压，速度，保护气等)。而对于指定焊接场景下的初始参数的设置需要依赖多年焊接经验的积累，因此急需一套量化的工艺包，输入场景信息(焊接母材材料，厚度，焊接类型)，输出焊接参数(电流，电压，速度，保护气等)供操作员设置使焊接机器人开始有效运行，满足焊接质量标准。工艺包一般依赖一个记录历史上同类型焊接场景下成功的焊接设置参数的数据库，国外公司通过几十年的技术积累多采用这种模式，但是这一模式在中国焊接场景下的应用面临如下问题：焊接电源多变，焊接参数一般作用在焊接机器人上的焊接电源，国外工艺包一般指定几种特定型号的电源，对于同一场景，即使是同一品牌下不同型号的电源，其适合的工艺参数往往也会有区别，焊接机器人一般需要兼容多种电源，因此国外工艺包局限性较大。技术实现要素：本发明的目的在于针对上述现有技术中的工艺包局限性较大的问题，提出一种基于迁移学习的焊接工艺参数推荐方法、装置及机器人，能够兼容多种焊接电源。一种基于迁移学习的焊接工艺参数推荐方法，包括：建立关于第一焊接场景和第一焊接工艺参数的第一神经网络模型；获取至少一组第二焊接经验场景信息和第二焊接经验工艺参数信息；根据所述第二焊接经验场景信息和第二焊接经验工艺参数信息，采用反向传播算法对所述第一神经网络模型进行训练，获得关于第二焊接场景和第二焊接工艺参数的第二神经网络模型；获取焊接目标场景参数，并输入至所述第二神经网络模型，输出焊接目标工艺参数。进一步地，建立关于第一焊接场景和第一焊接工艺参数的第一神经网络模型，包括：获取第一焊接经验场景信息和第一焊接经验工艺参数信息，并进行归一化处理，分别作为样本输入数据和样本输出数据；建立神经网络，确定神经网络的输入层神经元数量、隐藏层数量以及输出层神经元数量；根据所述样本输入数据和样本输出数据，采用反向传播算法确定神经网络的权重值和偏差值，对所述神经网络进行训练，获得关于第一焊接场景和第一焊接工艺参数的第一神经网络模型。进一步地，所述第一焊接经验场景信息至少包括第一板材厚度、第二板材厚度和焊丝直径，所述第一焊接经验工艺参数信息至少包括焊接电流值；所述第二焊接经验场景信息的类型和第一焊接经验场景信息的类型相同，所述第二焊接经验工艺参数信息的类型和所述第一焊接经验工艺参数信息的类型相同；所述第一焊接经验场景信息和第一焊接经验工艺参数信息呈映射关系；所述第二焊接经验场景信息和第二焊接经验工艺参数信息呈映射关系。进一步地，所述第二焊接经验场景信息和第二焊接经验工艺参数信息的数量为1-3组。进一步地，所述神经网络的输入层神经元数量与第一焊接经验场景信息中的信息类型的数量相等；所述神经网络的隐藏层数量至少为一层；所述输出层神经元数量至少为一个。进一步地，根据所述样本输入数据和样本输出数据，采用反向传播算法确定神经网络的权重值和偏差值，对所述神经网络进行训练，训练周期大于1000，学习速率为0.01；根据所述第二焊接经验场景信息和第二焊接经验工艺参数信息，采用反向传播算法对所述第一神经网络模型进行训练，训练周期为10-100，学习速率为0.01。进一步地，采用反向传播算法对所述第一神经网络模型进行训练，包括：冻结所述第一神经网络模型的前部分区域，采用反向传播算法确定权重值和偏差值对所述第一神经网络模型的后部分区域进行训练。一种基于迁移学习的焊接工艺参数推荐装置，包括：模型建立模块，用于建立关于第一焊接场景和第一焊接工艺参数的第一神经网络模型；参数获取模块，用于获取至少一组第二焊接经验场景信息和第二焊接经验工艺参数信息；训练模块，用于根据所述第二焊接经验场景信息和第二焊接经验工艺参数信息，采用反向传播算法对所述第一神经网络模型进行训练，获得关于第二焊接场景和第二焊接工艺参数的第二神经网络模型；预测模块，用于获取焊接目标场景参数，并输入至所述第二神经网络模型，输出焊接目标工艺参数。进一步地，所述模型建立模块还用于获取第一焊接经验场景信息和第一焊接经验工艺参数信息，并进行归一化处理，分别作为样本输入数据和样本输出数据，建立神经网络，确定神经网络的输入层神经元数量、隐藏层数量以及输出层神经元数量，根据所述样本输入数据和样本输出数据，采用反向传播算法确定神经网络的权重值和偏差值，对所述神经网络进行训练，获得关于第一焊接场景和第一焊接工艺参数的第一神经网络模型。进一步地，所述第一焊接经验场景信息至少包括第一板材厚度、第二板材厚度和焊丝直径，所述第一焊接经验工艺参数信息至少包括焊接电流值；所述第二焊接经验场景信息的类型和第一焊接经验场景信息的类型相同，所述第二焊接经验工艺参数信息的类型和所述第一焊接经验工艺参数信息的类型相同；所述第一焊接经验场景信息和第一焊接经验工艺参数信息呈映射关系；所述第二焊接经验场景信息和第二焊接经验工艺参数信息呈映射关系。进一步地，所述第二焊接经验场景信息和第二焊接经验工艺参数信息的数量为1-3组。进一步地，所述神经网络的输入层神经元数量与第一焊接经验场景信息中的信息类型的数量相等；所述神经网络的隐藏层数量至少为一层；所述输出层神经元数量至少为一个。进一步地，模型建立模块根据所述样本输入数据和样本输出数据，采用反向传播算法确定神经网络的权重值和偏差值，对所述神经网络进行训练，训练周期大于1000，学习速率为0.01；训练模块根据所述第二焊接经验场景信息和第二焊接经验工艺参数信息，采用反向传播算法对所述第一神经网络模型进行训练，训练周期为10-100，学习速率为0.01。进一步地，所述训练模块还用于冻结所述第一神经网络模型的前部分区域，采用反向传播算法确定权重值和偏差值对所述第一神经网络模型的后部分区域进行训练。一种焊接机器人，包括上述的基于迁移学习的焊接工艺参数推荐装置，还包括第一焊接电源或第二焊接电源，所述第一神经网络模型应用于所述第一焊接电源，所述第二神经网络模型应用于第二焊接电源。本发明提供的基于迁移学习的焊接工艺参数推荐方法、装置及机器人，对于更换第二焊接电源，通过迁移学习的方式，只需要提供少量的应用于第二焊接电源的经验数据，对已经建立的应用于第一焊接电源的第一神经网络模型进行训练，即可得到性能优良的、可应用于第二焊接电源的第二神经网络模型，无需再通过大量数据进行长时间训练搭建新模型，有效节约运算时间和资源，使得焊接机器人可以兼容多种焊接电源。附图说明图1为本发明提供的基于迁移学习的焊接工艺参数推荐方法一种实施例的流程图。图2为本发明提供的基于迁移学习的焊接工艺参数推荐方法中单个神经元一种实施例的结构示意图。图3为本发明提供的基于迁移学习的焊接工艺参数推荐方法中一种应用场景下神经网络的结构示意图。图4为本发明提供的基于迁移学习的焊接工艺参数推荐方法中linear的函数定义的示意图。图5为本发明提供的基于迁移学习的焊接工艺参数推荐方法中sigmoid的函数定义的示意图。图6为本发明提供的基于迁移学习的焊接工艺参数推荐方法中relu的函数定义的示意图。图7为本发明提供的基于迁移学习的焊接工艺参数推荐装置一种实施例的结构示意图。图8为本发明提供的基于迁移学习的焊接机器人一种实施例的结构示意图。具体实施方式为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。实施例一参考图1，本实施例提供一种基于迁移学习的焊接工艺参数推荐方法，包括：步骤s101，建立关于第一焊接场景和第一焊接工艺参数的第一神经网络模型；步骤s102，获取至少一组第二焊接经验场景信息和第二焊接经验工艺参数信息；步骤s103，根据所述第二焊接经验场景信息和第二焊接经验工艺参数信息，采用反向传播算法对所述第一神经网络模型进行训练，获得关于第二焊接场景和第二焊接工艺参数的第二神经网络模型；步骤s104，获取焊接目标场景参数，并输入至所述第二神经网络模型，输出焊接目标工艺参数。具体地，执行步骤s101，建立关于第一焊接场景和第一焊接工艺参数的第一神经网络模型，具体包括：步骤s1011，获取第一焊接经验场景信息和第一焊接经验工艺参数信息，并进行归一化处理，分别作为样本输入数据和样本输出数据；步骤s1012，建立神经网络，确定神经网络的输入层神经元数量、隐藏层数量以及输出层神经元数量；步骤s1013，根据所述样本输入数据和样本输出数据，采用反向传播算法确定神经网络的权重值和偏差值，对所述神经网络进行训练，获得关于第一焊接场景和第一焊接工艺参数的第一神经网络模型。其中，步骤s1011中，所述第一焊接经验场景信息至少包括第一板材厚度、第二板材厚度和焊丝直径，所述第一焊接经验工艺参数信息至少包括焊接电流值。相应地，第二焊接经验场景信息的类型和第一焊接经验场景信息的类型相同，所述第二焊接经验工艺参数信息的类型和所述第一焊接经验工艺参数信息的类型相同。此外，第一焊接经验场景信息还可以是否开坡口(开了为1，不开为0)等信息，第一焊接经验工艺参数信息还可以包括焊接电压值、焊接速度等。所述第一焊接经验场景信息和第一焊接经验工艺参数信息呈映射关系，第二焊接经验场景信息和第二焊接经验工艺参数信息呈映射关系。第一焊接经验场景信息和第一焊接经验工艺参数信息来自第一焊接电源焊接合格的经验数据。第一焊接电源和第二焊接电源分别为不同型号的焊接电源。进一步地，需要将第一焊接经验场景信息和第一焊接经验工艺参数信息转换成机器学习可以理解的形式，因此需要进行归一化处理，具体包括：计算每一类第一焊接经验场景信息或者第一焊接经验工艺参数信息的数量；如果所述数量多于或者等于预设数量，则通过以下公式进行归一化处理：其中，y为归一化后的值，x为一类焊接经验场景信息或者焊接经验工艺参数信息，为为平均值，s为标准差，n为焊接经验场景信息或者焊接经验工艺参数信息的数量；如果所述数量少于预设数量，则通过以下公式进行归一化处理：y＝x/xmax；其中，xmax为x可能合理出现的最大值。作为一种优选的实施方式，所述预设数量大于8个。归一化的后的第一焊接经验场景信息作为样本输入数据，归一化后的第一焊接经验工艺参数信息作为样本输出数据。步骤s1012中，建立神经网络，确定神经网络输入层神经元数量：神经网络的输入层神经元数量与焊接经验场景信息中的信息类型的数量相等。以最少类型的焊接经验场景信息为例，该焊接经验场景信息包括第一板材厚度、第二板材厚度以及焊丝直径，因此输入层包括三个神经元，分别用于输入第一板材厚度、第二板材厚度以及焊丝直径。作为一种优选的实施方式，神经网络的隐藏层数量至少为一层。输出层神经元数量至少为一个。以最少类型的焊接经验工艺参数信息为例，该焊接经验工艺参数信息包括焊接电流值，则输出层的神经元个数为1个。焊接经验场景信息作为神经网络的输入，每个输出都可以用同样的输入搭建一个独立的模型。如果有多个类型的输出，可以将每个输出分别搭建一个独立的模型，也可以在一个模型中的输出层设置多个神经元。参考图2，神经网络的基本单元为神经元，每一个神经元都会接受1个以上的输入，记做a1-an。每个接受到的输入都会分别乘以一个权重w1-wn，之后求和，求和之后的数值再加上一个偏差值b得到x，一个激活函数f会作用在x上获得最终的输出t。每一个除输出层以外的神经元，都作为下一层神经元的输入。本实施例中以最简单的一个应用场景进行说明，参考图3，样本输入数据包括第一板材厚度、第二板材厚度、焊丝直径，因此输入层包括三个神经元，三个神经元分别对应第一板材厚度、第二板材厚度以及焊丝直径，每个神经元接收一个以上的数据。中间层为一层，包括三个神经元。输出层包括一个神经元，对应焊接电流值。第一层为输入层，不涉及权重值和偏差值，中间层三个神经元对应三个输入总计需要9个权重，一般用矩阵的形式来表现，输出层只有一个神经元，对应三个输入需要三个权重和一个偏差。步骤s1013中，权重值和偏差值通过反向传导算法由模型根据样本输入数据和样本输出数据自动学习获得，训练周期大于1000，学习速率为0.01。优选地，所述反向传播算法采用adam、sgd、adagrad或者rmsprop。adam算法即自适应时刻估计方法(adaptivemomentestimation)，能计算每个参数的自适应学习率。这个方法不仅存储了adadelta先前平方梯度的指数衰减平均值，而且保持了先前梯度m(t)的指数衰减平均值，m(t)为梯度的第一时刻平均值，v(t)为梯度的第二时刻非中心方差值。神经网络的激活函数为tanh、linear、sigmoid或者relu。linear的函数定义如图4所示，sigmoid的函数定义如图5所示，relu的函数定义如图6所示。建立第一神经网络模型之后，应用于第一焊接电源，如果需要更换成第二焊接电源，则执行步骤s102，获取至少一组第二焊接经验场景信息和第二焊接经验工艺参数信息，第二焊接经验场景信息和第二焊接经验工艺参数信息来自第二焊接电源焊接合格的经验数据，作为一种优选的实施方式，第二焊接经验场景信息和第二焊接经验工艺参数信息的数量为1-3组。进一步地，执行步骤s103，将第二焊接经验场景信息和第二焊接经验工艺参数信息输入至第一神经网络模型，采用反向传播算法对第一神经网络模型进行训练，反向传播算法采用adam、sgd、adagrad或者rmsprop，成本函数为预测方差值，训练周期为10-100，学习速率为0.01。具体地，采用反向传播算法对所述第一神经网络模型进行训练，包括：冻结所述第一神经网络模型的前部分区域，采用反向传播算法确定权重值和偏差值对所述第一神经网络模型的后部分区域进行训练。选择性冻结部分网络的权重使其不参与训练，这样可以极大的减少训练的时间和消耗的计算资源。同时保留原有模型的特征规律，比如，板材越厚，电流要求越高(无需从再次训练中获得)。冻结的权重在网络中前部分区域，接受迁移训练的权重在后部分区域，一般来说被冻结的参数数量可根据实际应用和计算资源的条件灵活调整，比如神经网络有10层的话，可以冻结前面6层只训练后面4层，也可以冻结前面8层只训练后面2层。本实施例的应用场景中神经网络有3层，因此推荐冻结前面2层只训练最后1层。进一步地，执行步骤s104，获得第二神经网络模型之后，可以应用于第二焊接电源，根据焊接据目标场景参数，对所需的焊接目标工艺参数进行预测和推荐，例如，输入待焊接的第一板材厚度、第二板材厚度和焊丝直径，输出作用于第二焊接电源上的焊接电流值。本实施例提供的基于迁移学习的焊接工艺参数推荐方法，对于更换第二焊接电源，通过迁移学习的方式，只需要提供少量的应用于第二焊接电源的经验数据，对已经建立的应用于第一焊接电源的第一神经网络模型进行训练，即可得到性能优良的、可应用于第二焊接电源的第二神经网络模型，无需再通过大量数据进行长时间训练搭建新模型，有效节约运算时间和资源，使得焊接机器人可以兼容多种焊接电源。实施例二参考图7，本实施例提供一种基于迁移学习的焊接工艺参数推荐装置，包括：模型建立模块201，用于建立关于第一焊接场景和第一焊接工艺参数的第一神经网络模型；参数获取模块202，用于获取至少一组第二焊接经验场景信息和第二焊接经验工艺参数信息；训练模块203，用于根据所述第二焊接经验场景信息和第二焊接经验工艺参数信息，采用反向传播算法对所述第一神经网络模型进行训练，获得关于第二焊接场景和第二焊接工艺参数的第二神经网络模型；预测模块204，用于获取焊接目标场景参数，并输入至所述第二神经网络模型，输出焊接目标工艺参数。具体地，模型建立模块201还用于获取第一焊接经验场景信息和第一焊接经验工艺参数信息，并进行归一化处理，分别作为样本输入数据和样本输出数据，建立神经网络，确定神经网络的输入层神经元数量、隐藏层数量以及输出层神经元数量，根据所述样本输入数据和样本输出数据，采用反向传播算法确定神经网络的权重值和偏差值，对所述神经网络进行训练，获得关于第一焊接场景和第一焊接工艺参数的第一神经网络模型。进一步地，所述第一焊接经验场景信息至少包括第一板材厚度、第二板材厚度和焊丝直径，所述第一焊接经验工艺参数信息至少包括焊接电流值。相应地，第二焊接经验场景信息的类型和第一焊接经验场景信息的类型相同，所述第二焊接经验工艺参数信息的类型和所述第一焊接经验工艺参数信息的类型相同。此外，第一焊接经验场景信息还可以是否开坡口(开了为1，不开为0)等信息，第一焊接经验工艺参数信息还可以包括焊接电压值、焊接速度等。所述第一焊接经验场景信息和第一焊接经验工艺参数信息呈映射关系，第二焊接经验场景信息和第二焊接经验工艺参数信息呈映射关系。第一焊接经验场景信息和第一焊接经验工艺参数信息来自第一焊接电源焊接合格的经验数据。第一焊接电源和第二焊接电源分别为不同型号的焊接电源。进一步地，需要将第一焊接经验场景信息和第一焊接经验工艺参数信息转换成机器学习可以理解的形式，需要进行归一化处理，因此模型建立模块201还用于：计算每一类第一焊接经验场景信息或者第一焊接经验工艺参数信息的数量；如果所述数量多于或者等于预设数量，则通过以下公式进行归一化处理：其中，y为归一化后的值，x为一类焊接经验场景信息或者焊接经验工艺参数信息，为为平均值，s为标准差，n为焊接经验场景信息或者焊接经验工艺参数信息的数量；如果所述数量少于预设数量，则通过以下公式进行归一化处理：y＝x/xmax；其中，xmax为x可能合理出现的最大值。作为一种优选的实施方式，所述预设数量大于8个。归一化的后的第一焊接经验场景信息作为样本输入数据，归一化后的第一焊接经验工艺参数信息作为样本输出数据。建立的神经网络，输入层神经元数量与第一焊接经验场景信息中的信息类型的数量相等。以最少类型的焊接经验场景信息为例，该焊接经验场景信息包括第一板材厚度、第二板材厚度以及焊丝直径，因此输入层包括三个神经元，分别用于输入第一板材厚度、第二板材厚度以及焊丝直径。作为一种优选的实施方式，神经网络的隐藏层数量至少为一层。输出层神经元数量至少为一个。以最少类型的焊接经验工艺参数信息为例，该焊接经验工艺参数信息包括焊接电流值，则输出层的神经元个数为1个。焊接经验场景信息作为神经网络的输入，每个输出都可以用同样的输入搭建一个独立的模型。如果有多个类型的输出，可以将每个输出分别搭建一个独立的模型，也可以在一个模型中的输出层设置多个神经元。权重值和偏差值通过反向传导算法由模型根据样本输入数据和样本输出数据自动学习获得，训练周期大于1000，学习速率为0.01。优选地，所述反向传播算法采用adam、sgd、adagrad或者rmsprop。adam算法即自适应时刻估计方法(adaptivemomentestimation)，能计算每个参数的自适应学习率。这个方法不仅存储了adadelta先前平方梯度的指数衰减平均值，而且保持了先前梯度m(t)的指数衰减平均值，m(t)为梯度的第一时刻平均值，v(t)为梯度的第二时刻非中心方差值。神经网络的激活函数为tanh、linear、sigmoid或者relu。建立第一神经网络模型之后，应用于第一焊接电源，如果需要更换成第二焊接电源，则参数获取模块202获取至少一组第二焊接经验场景信息和第二焊接经验工艺参数信息，第二焊接经验场景信息和第二焊接经验工艺参数信息来自第二焊接电源焊接合格的经验数据，作为一种优选的实施方式，第二焊接经验场景信息和第二焊接经验工艺参数信息的数量为1-3组。进一步地，训练模块203将第二焊接经验场景信息和第二焊接经验工艺参数信息输入至第一神经网络模型，采用反向传播算法对第一神经网络模型进行训练，反向传播算法采用adam、sgd、adagrad或者rmsprop，成本函数为预测方差值，训练周期为10-100，学习速率为0.01。进一步地，训练模块203还用于冻结所述第一神经网络模型的前部分区域，采用反向传播算法确定权重值和偏差值对所述第一神经网络模型的后部分区域进行训练。选择性冻结部分网络的权重使其不参与训练，这样可以极大的减少训练的时间和消耗的计算资源。同时保留原有模型的特征规律，比如，板材越厚，电流要求越高(无需从再次训练中获得)。冻结的权重在网络中前部分区域，接受迁移训练的权重在后部分区域，一般来说被冻结的参数数量可根据实际应用和计算资源的条件灵活调整，比如神经网络有10层的话，可以冻结前面6层只训练后面4层，也可以冻结前面8层只训练后面2层。本实施例的应用场景中神经网络有3层，因此推荐冻结前面2层只训练最后1层。进一步地，获得第二神经网络模型之后，可以应用于第二焊接电源，预测模块204根据焊接据目标场景参数，对所需的焊接目标工艺参数进行预测和推荐，例如，输入待焊接的第一板材厚度、第二板材厚度和焊丝直径，输出作用于第二焊接电源上的焊接电流值。本实施例提供的基于迁移学习的焊接工艺参数推荐装置，对于更换第二焊接电源，通过迁移学习的方式，只需要提供少量的应用于第二焊接电源的经验数据，对已经建立的应用于第一焊接电源的第一神经网络模型进行训练，即可得到性能优良的、可应用于第二焊接电源的第二神经网络模型，无需再通过大量数据进行长时间训练搭建新模型，有效节约运算时间和资源，使得焊接机器人可以兼容多种焊接电源。实施例三参考图8，本实施例提供一种焊接机器人，包括如实施例二所述的基于迁移学习的焊接工艺参数推荐装置301，还包括第一焊接电源或第二焊接电源302，第一神经网络模型应用于所述第一焊接电源，第二神经网络模型应用于第二焊接电源。基于迁移学习的焊接工艺参数推荐装置301的工作原理请参考实施例一和实施例二，在此不再赘述。本实施例提供的基于迁移学习的焊接工艺参数推荐装置，对于更换第二焊接电源，通过迁移学习的方式，只需要提供少量的应用于第二焊接电源的经验数据，对已经建立的应用于第一焊接电源的第一神经网络模型进行训练，即可得到性能优良的、可应用于第二焊接电源的第二神经网络模型，无需再通过大量数据进行长时间训练搭建新模型，有效节约运算时间和资源，可以兼容多种焊接电源。实施例四本实施例提供具体应用场景对基于迁移学习的焊接工艺参数推荐方法做进一步说明。某厂有两种常见型号的焊接电源，分别为p型号和c型号，虽然都可以用作常规焊接作业，但是因为设计、生产线工艺，还有内置参数如阻抗等差异，使得即使在同样的场景下，比如都是5mm厚的钢材对接焊接作业，两种型号的焊接电源需要设定的电流和电压都会有差异。表1为p型号在焊接碳钢时的焊接经验场景信息和焊接经验工艺参数。表1采用表1中的数据搭建应用于p型号的神经网络模型，选用a板厚度、b板厚度、焊丝直径作为输入，电流作为输出，输入层包含3个神经元对应三个输入，中间层设定三个神经元，最后输出层对应一个输出包含一个神经元，训练周期大于1000，学习效率为0.01，反向传播算法采用adam，也可以使用sgd或者adagrad，rmsprop。因此3x3权重矩阵为：1.058816686272621155e-013.589539825916290283e-011.031024456024169922e+00-1.587914943695068359e+005.492014884948730469e-01-1.276622295379638672e+006.261262297630310059e-016.012871861457824707e-01-4.499630331993103027e-01偏差矩阵对应3个神经元为3x11.054440021514892578e+001.523165404796600342e-01-2.389379739761352539e-01最后一层一个神经元，对应三个输入需要3个权重1个偏差：-1.475565880537033081e-016.301136016845703125e-012.065707445144653320e-011个偏差：1.632140725851058960e-01获得的第一神经网络模型可以有效运行在其他p型号的焊机对于碳钢对接焊接的场景上，输出合适的电流值，同样场景下，c型号设定的电流会大一些。因此如果把该第一神经网络模型直接应用在c型号的焊接电源上，而模型参数都是为p型号的焊接电源服务的，那么输出建议的电流会偏小，因此需要进行迁移学习。如果要为c型号焊接电源重新建立专用的模型，按原有方法需要重新收集一样多的数据，每一组输入输出对的数据的实验过程都是耗时耗力的，每次实验要30分钟，还没有计算前期的安装培训等时间的投入。因此迁移学习的目的就是最小化为c型号焊接电源训练专用的模型的成本，具体方法如下：收集至少一组c型号焊接电源合格的数据，如表2所示：编号a板厚度b板厚度焊丝直径电流17.556230表2用表2的这一组数据再次训练已经建立的第一神经网络模型，将表2中的a板厚度、b板厚度、焊丝直径作为输入，电流作为输出，输入层包括三个神经元对应三个输入，中间层设定为三个神经元，最后输出层对应一个输出的一个神经元，训练周期100左右，学习效率为0.01，反向传播算法采用adam，也可以使用sgd或者adagrad，rmsprop。再次训练后，3x3权重矩阵为：-3.556502759456634521e-014.425486624240875244e-011.228518962860107422e+00-1.938442945480346680e+006.141709685325622559e-01-1.127082943916320801e+002.833672761917114258e-016.653794646263122559e-01-2.993867397308349609e-01偏差矩阵对应3个神经元为3x1：7.116801738739013672e-012.164086997509002686e-01-8.836151659488677979e-02最后一层一个神经元，对应三个输入需要3个权重一个偏差：-2.790869330056011677e-044.903075397014617920e-01-4.424218833446502686e-021个偏差：1.559610962867736816e-01得到的第二神经网络模型可以有效运行在c型号的焊接电源对于碳钢对接焊接的场景上，输出合适的电流值，虽然只有一组数据，但是通过迁移学习到第一神经网络对于不同厚度下的规律，可以有效因对c型号的焊接电源在其他厚度下的工艺参数预测。对第二神经网络模型进行测试,通过实验收集到c型号的焊接电源在碳钢焊接上17组数据，如表3所示，如果不进行迁移学习，直接运用第一神经网络模型，和最终过外观qa的电流电压匹配准确度下降为87％和91％，如果有已知任一场景下过外观qa的场景和焊接参数数据用作迁移学习，则匹配准确度为90％和92％，有显著的提高。表3匹配准确度的定义为：对于没有通过人工检测的情况，人工介入改正参数直到结果合格，然后计算合格参数和之前未通过的模型推荐参数的差别，比如一次机器推荐电流为135，未能合格，人工介入后最终合格的电流为150，则匹配率为120/150＝90％。应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。当前第1页12