(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210923181.X (22)申请日 2022.08.02 (71)申请人 广州大学 地址 510006 广东省广州市大 学城外环西 路230号 (72)发明人 陈智华　赵英男　饶永生　温武　 朱恩强　洪培清　陈嘉森　 (74)专利代理 机构 广州高炬知识产权代理有限 公司 44376 专利代理师 孔令环 (51)Int.Cl. G16C 60/00(2019.01) G06T 17/00(2006.01) G06N 3/08(2006.01) (54)发明名称 一种激光软钎焊金属材料的吸收率辩识方 法 (57)摘要 本发明涉及激光软钎焊中金属材料的吸收 率辩识技术领域， 公开了一种激光软钎焊金属材 料的吸收率辩识方法， 包括以下步骤： 第一步： 构 建数据集； 第二步： 根据时间步长确定模 型数量； 第三步： 利用matplotlib绘制3D图确定模型的幂 次； 第四步： 训练模型； 第五步： 合并对各时间步 的预测结果， 生成预测曲线， 并对比真实曲线， 该 激光软钎焊金属材料的吸收率辩识方法， 实现简 单,损失函数收敛速度快,训练时对电脑性能要 求低。 权利要求书1页 说明书4页 附图8页 CN 115482887 A 2022.12.16 CN 115482887 A 1.一种激光软钎焊金属材 料的吸收率辩识方法， 其特 征在于， 包括以下步骤： 第一步： 构建数据集； 第二步： 根据时间步长确定模型 数量； 第三步： 利用matpl otlib绘制3D图确定模型的幂次； 第四步： 训练模型； 第五步： 合并对各时间步的预测结果， 生成预测曲线， 并对比真实曲线。 2.根据权利要求1所述的激光软钎焊金属材料的吸收率辩识方法， 其特征在于： 所述构 建数据集包括数据收集与划分、 数据清洗以及数据集归一 化。 3.根据权利要求2所述的激光软钎焊金属材料的吸收率辩识方法， 其特征在于： 数据收 集与划分包括以下内容根据焊接实验生成的温度变化曲线以及实验中的变量， 筛选出的有 效的特征有两个， 即焊接该材料时所使用的功率以及激光接触面的表面积， 在程序中分别 使用power和area标识， 将温度作为要预测标签， 使用tem标识。 4.根据权利要求2所述的激光软钎焊金属材料的吸收率辩识方法， 其特征在于： 数据清 洗包括以下内容将无效数据筛除， 一般为三种情况， 该数据取值为空或者Nan， 以及同样的 power和area对应不同的tem， 这样的数据只需取一组即可。 5.根据权利要求2所述的激光软钎焊金属材料的吸收率辩识方法， 其特征在于： 数据集 归一化包括以下内容使用均值归一化方法对数据集进 行预处理， 从而减小样本数据的波动 使得梯度下降能够更快速的寻找到一条'捷径'， 从而到达全局最小值， 使得样本数据在更 小的范围内变化同样明显 。 6.根据权利要求1所述的激光软钎焊金属材料的吸收率辩识方法， 其特征在于： 所述第 三步中的3D图确定模型绘制包括以下内容： S1： 绘制两个 变量与标签之间的三维关系图； S2:绘制预拟合多 项式曲线； S3:合并预拟合曲线与特 征标签关系图， 观察拟合状况； S4:根据拟合情况不断优化多 项式模型； S5:经过不断的迭代后确定出area特 征与power特征对应的幂次。 7.根据权利要求1所述的激光软钎焊金属材料的吸收率辩识方法， 其特征在于： 所述所 述第四步中的训练模型包括以下步骤： S1:组合标签与特 征， 并打乱顺序， 以便后续 不同批次的训练； S2:构建模型； S3:使用标准差为1， 均值 为0的正态分布初始化模型的参数； S4:使用均方误差函数作为损失函数； S5:使用梯度下降算法作为优化器， 设置学习率为0.001， 动量系数momentum为0， L2正 则化系数(权 重衰减)为1； S6:设置随机梯度下降批大小为1， 迭代次数10 00次， 开始训练； S7:查看损失函数 下降曲线； S8:根据模型训练后得 出的参数， 对该时间步的温度值作出 预测。权　利　要　求　书 1/1 页 2 CN 115482887 A 2一种激光软钎焊金属材料的吸收 率辩识方法 技术领域 [0001]本发明涉及激光软钎焊中金属材料的吸收率辩识技术领域， 具体为一种激光软钎 焊金属材 料的吸收率辩识方法。 背景技术 [0002]现有机器学习方法中用来回归预测的模型多是输入数据维度大于输出数据维度, 即输入多个变量预测输出单个预测值,对于输入数据的维度大幅小于输出数据的维度的情 况,损失函数无法收敛,模型预测效果表现不佳,且对样本量要求很高。 而近些年兴起的循 环神经网络结合K近邻算法的方法,虽然用于时间序列的模式学习方面表现良好,但本质上 不是一种回归模型,所以对未知的输入 数据的泛化能力很差， 应用价值很低， 为此我们提出 了激光软钎焊金属材 料的吸收率辩识方法。 发明内容 [0003](一)解决的技 术问题 [0004]针对现有技术的不足， 本发明提供一种激光软钎焊金属材料的吸收率辩识方法， 以解决上述的问题。 [0005](二)技术方案 [0006]为实现上述所述目的， 本发明提供如下技 术方案： [0007]一种激光软钎焊金属材 料的吸收率辩识方法， 包括以下步骤： [0008]第一步： 构建数据集； [0009]第二步： 根据时间步长确定模型 数量； [0010]第三步： 利用matpl otlib绘制3D图确定模型的幂次； [0011]第四步： 训练模型； [0012]第五步： 合并对各时间步的预测结果， 生成预测曲线， 并对比真实曲线。 [0013]优选的， 所述构建数据集包括以下内容： [0014]数据收集与划 分： 根据焊接实验生成的温度变化曲线以及实验中的变量， 筛选出 的有效的特征有两个， 即焊接该材料时所使用的功率以及激光接触面的表面积， 在程序中 分别使用po wer和area标识， 将温度作为要预测标签， 使用tem标识； [0015]数据清洗： 将无 效数据筛除， 一般为三种情况， 该数据取值为空或者Nan， 以及同样 的power和area对应不同的tem， 这样的数据只需取一组即可； [0016]数据集归一化： 使用均值归一化方法对数据集进行预处理， 从而减小样本数据的 波动使得梯度下降能够更快速的寻找到一条'捷径'， 从而到达全局最小值， 使得样本数据 在更小的范围内变化同样明显 。 [0017]优选的， 所述第三 步中的3D图确定模型绘制包括以下内容： [0018]S1： 绘制两个 变量与标签之间的三维关系图； [0019]S2:绘制预拟合多 项式曲线；说　明　书 1/4 页 3 CN 115482887 A 3