工程5（2019）671研究智能制造-文章基于DBN模型的激光焊接张延西a，游德永a，高向东a，张俊，片山征尔ba广东工业大学广东省焊接工程技术研究中心，广东广州510006b大坂大学焊接研究所，大坂567-0047，日本阿提奇莱因福奥文章历史：2018年7月9日收到2018年10月2日修订2019年1月10日接受在线预订2019年保留字：在线监测多传感器小波包分解深度信念网络A B S T R A C T在这项研究中，辅助照明视觉传感器系统，紫外/可见（UVV）波段视觉传感器系统（波长小于780 nm），光谱仪，和光电二极管被用来捕捉洞察到高功率光盘激光焊接过程。通过小波包分解（WPD）方法对光电二极管采集的原始信号进行分解，提取可见光信号和反射激光信号的特征光谱仪采集的信号波长主要在400-900 nm之间，通过统计方法将其划分为25个子带提取光谱特征。通过UVV视觉传感器系统采集的图像获取羽流和飞溅的特征，通过辅助照明视觉传感器系统采集的图像提取小孔的特征。基于这些焊接过程的实时量化采用遗传算法对DBN模型的参数进行优化。与传统的BP神经网络（BPNN）模型相比，所建立的DBN模型具有更高的精度和鲁棒性。通过三个不同焊接参数的实验，验证了所提出的DBN的有效性和泛化能力©2019 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍激光焊接，特别是高功率激光焊接，已广泛应用于汽车制造、航空航天制造、造船等行业[1爆裂、隆起和咬边是典型的缺陷，这些缺陷会大大降低强度并限制焊接效率。全面描述大功率圆盘激光焊接过程，是检测焊接缺陷、实现焊接状态在线监测的关键。在激光焊接过程中，材料被高密度的激光束能量迅速加热和蒸发[4]。由于汽化引起的反冲压力、Marangoni力、液体材料的重力和浮力，在激光束下方的熔池中形成键孔[5]。由于激光束在小孔中的多次反射，小孔的存在增强了材料对激光能量的吸收[6]。与此同时，*通讯作者。电子邮件地址：gaoxd666@126.com（X. Gao）。高密度能量的激光束出现在小孔内和上方[7]。羽流散射和反射激光束，并进一步影响小孔的动态[8]。由于剧烈蒸发引起的反冲压力，会产生一些飞溅[9，10]。飞溅物扰乱了熔池和小孔的动态，因为它们从熔池带走了一些动能上述研究表明，小孔、羽流和飞溅是焊接过程中最重要的现象，它们的实时特征可以用来描述焊接状态。大量的研究已经应用视觉传感方法来揭示激光焊接的机理[11-13]，因为视觉传感器提供了对飞溅、小孔和羽流的光电二极管传感器和光谱仪由于其设备成本低和设置结构简单，也已被用于监测该工业制造过程[14，15]遗憾的是，这些研究要么仅采用单个传感器来观察焊接过程，要么所捕获的信号与焊接状态没有以量化的方式相关。最近，许多机器学习方法，如多元线性回归（MLR）[16，17]，支持向量机（SVM）[18]，神经网络[https://doi.org/10.1016/j.eng.2019.01.0162095-8099/©2019 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。目录可在ScienceDirect工程杂志主页：www.elsevier.com/locate/eng672Y. Zhang等人/工程 2019 - 05 -28 01：01：00神经网络（NN）[19，20]等已被用于建模和模式识别问题，例如统计参数语音合成、语音情感识别和产品制造过程监控[21，22]。然而，由于MLR的线性特性，它在拟合焊接过程的高度非线性特征方面存在局限性支持向量机的映射能力依赖于其预定义的核函数，并且可能不足以表示来自激光焊接的多传感器信号神经网络方法也有其固有的局限性，即容易陷入局部最优，难以找到全局最优解。此外，这些方法是具有一个或没有隐藏层的浅模型，并且不能用于探索高度相关的多个光学传感器信号的有效表示因此，本研究引入了一种基于深度信念网络（DBN）模型的深度学习方法来解决这一挑战。本研究旨在建立一套多光学传感器系统，以获得对高功率圆盘激光焊接过程的全面了解。建立了基于DBN的深度学习模型，利用多光学传感器系统采集的信号寻找全局最优的焊接状态监测结果。本研究的其余部分组织如下。在第2节中介绍了实验装置，并且在第3中描述了多个光信号的特征提取。第4介绍了DBN模型的体系结构第五章通过三个不同焊接参数的附加试验验证了所建立的DBN模型的泛化能力和有效性第6结束这项研究。2. 实验装置图1描述了本研究的实验装置。四个光学传感器系统，包括辅助照明视觉传感器系统，紫外/可见光（UVV）波段视觉传感器系统，光谱仪，和光电二极管被应用于捕获焊接过程的信号。本研究中的焊接材料为304不锈钢。工件的尺寸为长150 mm，宽10 mm，厚50 mm来自焊接区域的光信号由光电二极管传感器采集激光头中预先配备了一个分束器，有助于通过光纤收集和传输这些信号，如图所示。1. 光电二极管接收这些信号，并通过光电二极管中的分色镜将其分为反射的激光光信号（波长1030 nm）和可见光光信号;两种信号都两种信号的采样率设置为500 kHz，以获得高时间分辨率的焊接过程的详细光学特征。在激光焊接过程中，应用光谱仪采集焊接区域的光谱信号（波长从186到1100 nm）。如图1所示，光谱信号由准直器捕获，然后通过光纤传输到光谱仪先前的研究表明，波长从400到900 nm的光谱信号包含了对固体激光焊接过程的最重要的见解。因此，选择该波长范围内的光谱仪的采样率设置为500 Hz。两个高速视觉成像系统，包括UVV波段视觉传感器系统（波长大于390 nm）和辅助照明视觉传感器系统，应用于获得的特征的小孔，羽流，和飞溅。UVV波段视觉传感器系统由UVV滤光片和高速摄像机组成。利用所捕获的图像，可以借助于数字图像处理方法来提取羽流和飞溅的视觉特征。采用40 W辅助光源来产生激光（波长976 nm）以照射焊接区域，并且辅助照明视觉传感器系统与仅允许波长为976 nm的激光通过的滤光器耦合，捕获小孔的视觉特征。两种视觉成像系统的采样率均为5000帧·s-1。Fig. 1.实验装置的图示。j;kj;k0;00;01Jj;kJj-1;kJj;kj;nKJ1X不Y. Zhang等/ Engineering 5（2019）671-6786733. 多传感器信号的特征提取3.1. 辅助照明视觉传感器系统的特征提取由辅助照明视觉传感器系统捕获的三幅图像如图2所示。在数字图像处理中，通过裁剪和二值化操作来计算和量化锁孔特征，包括锁孔的大小和位置。图2显示了锁孔尺寸和位置在不同时刻的波动。从辅助照明视觉系统的信号中提取的特征向量XAI其中，锁眼位置表示锁眼位置，锁眼尺寸表示锁眼尺寸。XAI1/4锁孔位置;锁孔尺寸1/23.2. UVV波段视觉传感器系统图3示出了由UVV波段视觉传感器系统获取的两幅图像。利用UVV波段视觉传感器系统采集的图像，卷-飞溅，羽流体积表示羽流的体积，并且羽流度表示羽流的倾斜度。XUVV飞溅前沿;飞溅后;羽流体积;羽流度203.3. 光电二极管传感器采集的两路信号的特征提取采用小波包分解（WPD）方法对光电二极管捕获的可见光和反射光信号进行分析WPD是通过应用低通和高通滤波器来计算近似值及其系数来实现的。WPD（S_n_t_n）的函数可以由等式（1）描述。其中，j是尺度坐标，k表示位置坐标，n是调制坐标，t表示序列号，Z是整数的集合。Daubechies小波（db10）被用作小波函数。Snt2 j=2Sn2jt-k;j;k2ZWPD的第一层中的前两个分解信号（S0和S1（4）.羽流的分辨率计算为所占据的像素数如图所示，3.第三章。烟羽的倾斜程度00; 0 1/2/3/4/5/6/7/8/9你不知道吗？被定义为羽流的质心和图像坐标系中的垂直轴;该特征是羽流方向的指示器，其也可以被认为是钥匙孔开口的方向。根据飞溅物的飞行方向量化飞溅物的特征，并使用数字图像处理操作计算向前和向后飞行的飞溅物的数量。高通滤波器（hk）和低通滤波器（gk）由等式定义（5）.hkh/t;/2t-ki;gkhut;u2t-ki5以这种方式，对于n> 1，WPD的函数可以由等式（1）描述。（6）和（7）。S2ntp2xhkSn2t-k6-从UVV波段的可见光中提取了四个特征传感器系统;这些特征形成特征向量XUVV，j;kj1;kK在Eq中表示。（2）其中飞溅前沿表示向前飞溅，向后飞溅表示向后飞溅的数量S2n1tp2xgkSn2t-k7K利用光电二极管信号xp，其WPD系数（Cnk）可以用Eq表示。（8）。CnkXxptSnt 8图2. 通过特征提取，由辅助照明视觉传感器系统捕获的三个序列图像(a)（b）感兴趣区域（ROI）;(c)二值化;（d）锁眼。WPD系数Cnk的与时间和频率两者相关的特征Fj，n在等式2中计算（9）WPD系数的数量，E表示数学期望函数，x是角向量，i是虚部。KF1¼Cnk¼1图三. UVV波段视觉传感器系统采集的图像，及其特征提取过程.S最大Ck.KXHIN¼FFFJJJ2FF4F2FF4FFj;n¼KCJkNj;nKJ3K3753F¼.ΣF 1 / 4 Xlog. 你好e161X.674Y. Zhang等人/工程 2019 - 05 -28 01：01：002vut1XKhn2计算每个子带中的强度值作为特征Fj;n¼Kk 1/2CJkð10Þ每个子带，由等式表示（21），其中N表示数量。BER，nN，start表示子带的起始频谱号第N个子带，nN，end表示第N个子带的终端频谱数。j;n¼NJ2j;nð11Þ第N个子带，xs表示光谱强度，光谱N表示第N个子带中强度的计算平均值。41Xhni2光谱¼nN;endj<$nN;start20JS;第1; 2;. ; 25分21秒k¼151K4F ���对于每个样本，从25个核心中获得总共25个特征响应子带。从光谱仪中提取的特征向量（22）.j;nKk 1/2jX1/2光谱;光谱; . . 光谱[英语泛读材料E.hCnk-F1i3光谱1 2 256j;n7j;n2j;n1j;nj j;n23j;nð14Þð15Þ4. DBN的体系结构及应用4.1. DBN框架DBN模型由目标问题所需的尽可能多的隐藏层组成，每个隐藏层由受限玻尔兹曼机（RBM）组成。DBN不仅拥有81n2pxi=Kj;njXF9¼log。你好。e4pxi=K 17X传统NN的优点，但由于其深层架构，也具有强大的多传感器融合能力[23 DBN模型的全局最优参数通过两步训练算法确定，即预训练和微调。最近，DBN模型已被广泛应用于信号处理和机器学习行业，在语音活动检测[27]，声学建模[28]和F10¼F9-Fð18Þ人脸识别[29]。j;nj;nj;n一个典型的RBM模型有两层，如图4所示;在方程式中，（16）和（17），Unx是WPD系数C nk。在本研究中，由光电二极管捕获的可见光光信号Svisible根据WPD方法分解成16个频率子带该方法可以求出各子带信号的WPD系数Cn_k_k，并根据公式计算（9）-（18）. 考虑到所有分解的子带信号，特征向量X可见光可以由等式表示。其中，F可见表示从S可见提取的特征。顶层称为可见层，顶层称为隐藏层。RBM模型可以看作是一种特殊的马尔可夫随机模型。 所有神经元{v1，v2，. . . 在可见层中，ER完全连接到单元h {h1，h2，.. . ..RBM的能量函数由等式表示（23）其中h=（w，b，c）表示RBM中的参数集合，wpq是可见神经元vq和隐藏神经元的双向权重hp，bq和cp是相应神经元1可见;j;1 16可见;j;22visible;j;12可见;j;210可见;j;1 10可见;j;27.分别在可见层和隐藏层中。可以计算通过方程（24）和（25）分别：X可见光1/4。第六 章......ð19Þfm mf1可见的2可见的10可见的Ev;h;h从反射激光信号Srefleted提取的特征向量Xrefleted-laser由等式（1）表示。其中，F反射表示从S反射提取的特征。p<$1q<$1q¼1第1页1反射;j;1 16次反射;j;2次2反射;j;12反射;j;210反射;j;1 10反射;j;27X反射激光器。第六 章......ð20Þ1反射的;j;n2反射的;j;n10反射的;j;n3.4. 光谱仪捕获信号的特征提取将光谱仪采集到的波长为400 ~ 900 nm的光谱信号分成25个子带，每个子带覆盖20 nm。平均见图4。 具有f个隐藏和m个可见神经元的RBM的结构。FFPXF8FF.. . F.. . FF.. . FFF... F... F... FFð12Þ75兹·赫夫夫ð Þ扎赫赫XXΣΣPY. Zhang等/ Engineering 5（2019）671-678675Pv;h1Xexp½-Ev;h;h]24Ph;h1Xexp½-Ev;h;h]25在方程式中，在公式（24）和（25）中，Zh表示由公式（24）和（25）表示的归一化因子。（26）.可以计算。使用所有训练样本训练RBM 1，直到满足终止条件。然后，根据图5所示的RBM 1的相同算法，RBM 1的训练参数是固定的，并且RBM 1的隐藏层被认为是训练RBM 2的可见层。预训练是不受监督的，并且一旦所有连续的个体RBM已经被训练就停止。(2)微调步骤。更新每个成果管理制中的参数并通过应用反向传播算法进行优化，MFZhexp -Evq;hp;h26q<$1p <$1由于RBM禁止同一层中神经元之间的任何连接，因此条件概率分布Phjv和Pvjh可以计算为伯努利分布的乘积。在Eqs中表示的选项。（27）和（28），其中r=u，1-u是sig-训练样本的总体误差，提高DBN模型的分类精度。所有DBN层在此过程中同时进行微调。通过将目标与DBN模型的输出进行比较来生成总体训练误差。监督微调过程迭代，直到满足DBN模型的终端条件。模型激活函数和使用埃莱表示的输入值neuron. 应用对比发散采样算法来更新方程中的模型参数wpq、cp和bq。（27）和（28）。P.hp1jvv vr.cpxwp qvq！ð27ÞP. vq<$1jhr.bqXwp qhp！ð28Þ隐藏单元的输出向量可以根据前向传播算法利用第一可见层中的真实输入数据来计算;然后第一隐藏层的输出被认为是第二隐藏层的输入数据。在DBN的顶层，分类器用于分类的目的。在这项研究中，一个softmax分类器，它可以进行Q多个分类问题，被应用作为最后一层坚持DBN模型，表示在方程。其中，D表示分类的概率值，d表示Q分类中的类别编号。softmax分类器可以被认为是由许多逻辑模型组成的4.2. 数据准备在这项研究中，光谱仪采集到的样品的光谱见解被分为25个子波段的波长。计算了各子带的平均值，共提取了25个特征。通过WPD方法将光电二极管捕获的可见光光信号和反射激光光信号分解为4个级别;因此将感兴趣的频带划分为16个子带。如第3.3节所述，从每个子带提取10个不同的特征。因此，考虑到可见光光学信号和反射激光光学信号，从所有子带获取总共320个特征。利用UVV波段视觉传感器系统采集的图像，提取羽流的体积、倾斜程度以及前后飞溅的个数，利用辅助照明视觉传感器系统采集的图像，提取小孔的大小和位置特征。从来自光电二极管的原始采样数据计算出的每组1000个特征被压缩成一条采样数据，以便与来自光电二极管的采样同步。exqDd¼Q第1页exp29其他传感器。对于辅助照明视觉传感器系统和UVV波段视觉传感器系统，将每组10个连续样本的平均值作为一个样本计算。DBN模型可以通过逐层堆叠一些RBM来构建。在本研究中，建立了一个具有三个隐藏层的DBN模型，其结构如图5所示。DBN的训练过程通过预训练和微调步骤进行(1) 预训练步骤。输入数据直接传输到可见层的神经元，然后RBM 1的输出简单数据。因此，本研究中所有传感器的采样率都同步在500 Hz，这是光谱仪的最高最后，共获得351个焊接过程的特征。每个特征的样本值被归一化为0图5. 本研究所采用的DBN结构Qp1/4范数676Y. Zhang等人/工程 2019 - 05 -28 01：01：00DBN模型的准确性和鲁棒性。归一化方程由Eq. 其中，xnorm是归一化特征值，x是原始特征值，xmin表示所有样本的最小特征值，并且xmax表示所有样本的最大特征值。为了与DBN模型进行比较，本文还建立了一个输入层节点数为351，隐含层节点数为200，输出层节点数为4的BPNN模型。在表1中列出了使用BPNN和DBN模型的焊接状态的监测结果。所建立的DBN模型具有较高的平均精度，xx-xminx最大-x最小ð30Þ与BP神经网络模型相比，BP神经网络模型在焊接状态监测中的应用效果更好。此外，每个类别的准确性分布更多本研究共进行了21次不同焊接参数的试验，采集了10500个焊接过程信号样本。在DBN模型的建立过程中，7500个样本被用作训练数据，3000个样本被用作测试数据4.3. 焊接状态的定义根据国际标准EN ISO 13919-1-1996[30]，定义了良好焊接状态以及三种典型缺陷状态-吹出、隆起和欠切。因此，本研究中所有10 500个样本的焊接状态被手动分为四类。类别1表示完好焊接状态，类别2表示井喷状态，类别3表示驼峰状态，类别4表示咬边状态。每个类别的示例如图所示。第六章4.4. DBN的模型验证及其与BPNN模型的比较从焊接过程的一个样本中提取的351个特征被聚集在一起并直接传输到DBN的第一可见层。通过三层隐层对输入特征进行降维处理，最终得到原始输入特征的最优表示。第一、第二和第三隐藏层中的神经元数量分别为200、100和10。softmax层有四个神经元来计算四个类别的分类结果。遗传算法特别适合于求解约束或无约束优化问题。遗传算法是通过自然选择过程来实现的，它模拟了现实世界中的生物进化过程[20]。通过遗传算法优化训练数据模型的学习速率、学习动量和批量大小，加速训练过程，获得DBN的最优参数。学习率、学习动量和批量训练集的大小的最佳值分别被确定为0.05、0.80和50。在所建立的DBN模型中比在BPNN模型中均匀，如表1所示。很明显，所提出的DBN模型的分类精度和鲁棒性优于BPNN模型5. 结果和讨论性能和泛化能力对于深度学习模型非常重要。本文通过三组不同焊接工艺参数的试验，验证了所建立的DBN模型的泛化能力和有效性。这三个实验的主要焊接参数列于表2中。三个实验对应的焊缝图像、采集的原始多传感器信号和在线监测结果如图1A和1B所示。 7（a-c）。在图7（a）中，焊接过程被分为两个部分;在左侧部分中，焊接过程是稳定的，并且获得了良好的焊缝外观;在右侧部分中，发生了爆裂，并且观察到了不良的焊缝外观。可见光光电二极管信号、反射激光光电二极管信号、小孔尺寸、羽流体积和羽流倾斜程度的变化与焊缝质量密切相关。在左侧，可见光信号、反射激光信号、小孔尺寸和小孔位置稳定，但羽流的体积和倾斜程度表现出较大的波动。在右侧部分，上述信号呈现相反的变化，即羽流的体积和倾斜度变得稳定，而可见光信号、反射激光信号、小孔尺寸和小孔位置与左侧部分相比呈现更大的波动。图7（b）示出了在该实验中发生的隆起状态。可见光信号、小孔大小、羽流体积、羽流倾斜程度和前向飞溅的变化与驼峰状态密切相关。同样，驼峰部位对应的光谱值（光谱图中红色部分）明显大于焊缝外观完好的其他部位。图7（c）示出了实验3的结果。实验3的左部分示出了底切状态，并且右部分示出了井喷状态。在底切中图第六章四种焊接状态的定义（a）良好焊接;（b）爆裂;（c）隆起;（d）咬边。表1BPNN和DBN模型建模方法监测类别的准确性（%）迭代次数损失1234平均BPNN模型92.4093.5089.5074.0087.355000.255DBN模型99.4098.8098.3098.9098.905000.012Y. Zhang等/ Engineering 5（2019）671-678677表2对三种不同的焊接工艺参数进行了试验。实验号激光功率（kW）焊接速度（m·s-1）散焦（mm）保护气体（L·min-1）16303023111233-3+13030图第七章三种不同焊接实验的在线监测结果和捕获信号（a）实验1：良好焊接和爆裂;（b）实验2：良好焊接和隆起;（c）实验3：咬边和爆裂。组（i）是焊缝外观;组（ii）是从多传感器信号提取的特征;组（iii）是监测结果。监测结果中的垂直坐标类别为：1类：完好焊缝; 2类：井喷; 3类：驼峰; 4类：咬边。表3三种不同焊接试验的在线监测精度。实验1（%）实验2（%）实验3（%）平均值（%）1类（良好焊接）94.4099.30-96.852类（井喷）97.60-99.7098.65第3类（驼峰）-98.40-98.40第4类（底切）--93.8093.80平均96.0098.8596.7596.93期间，只有向后飞溅和频谱的信号稳定;在熔断部分中，反射激光光电二极管信号和前向飞溅信号变得更加稳定，并且其它信号显示出比底切部分中的那些信号更高的波动。分析表明，焊接状态与这些传感信号之间的关系是复杂的、非线性的。所提出的DBN模型的在线焊接状态监测结果列于表3中。三个实验的平均准确度分别为96.00%、98.85%和96.75%。1类、2类、3类和4类的平均监测准确率分别为96.85%、98.65%、98.40%和93.80%结果表明，所建立的DBN模型具有良好的泛化能力和鲁棒性.678Y. Zhang等人/工程 2019 - 05 -28 01：01：006. 结论该研究为大功率激光焊接状态的在线监测提供了一种新的方法。建立了多光学传感器系统，对采集到的信号进行了预处理，提取了351个表征焊接过程的三维特征。建立了一个DBN模型来建立焊接状态与这些特征之间的采用遗传算法对DBN模型的参数进行优化可以得出以下结论。(1) 建立的多光学传感器能够获得详细和全面的洞察高功率激光焊接过程。(2) 采集到的信号与焊接状态之间的关系是复杂的、非线性的。(3)与传统的BP神经网络模型相比，所建立的DBN模型具有更高的精度和鲁棒性。(4)通过三组不同焊接参数的试验，验证了所建DBN模型的泛化能力和鲁棒性。确认本工作得到了 国家自然科学基金的部分 资助（ 51675104 、61703110）广州市科技计划项目（201707010197），广东省教育厅 创 新 团 队 项 目 （ 2017KCXTD010 ） 、 广 东 省 自 然 科 学 基 金（2017A030310494和2016A030310347）和广东工业大学青年科学基金（16ZK0010）。遵守道德操守准则Yanxi Zhang、Deyong You、Xiangdong Gao和Seiji Katayama声明他们没有利益冲突或财务冲突需要披露。引用[1] 张文辉，张文辉，张文辉，张文辉.小孔焊接中尖峰和驼峰的机理。IEEE TransCompon Packag Manif Technol 2012;2（3）：383-94.[2] 杨伟杰，王伟杰，王伟杰. 水平对接结构中厚钢板的高功率激光焊接。Opt LaserTechnol2016;83：1-12.[3] 张勇，李富忠，梁志成，应永永，林启德，魏海艳。基于小孔和等离子体羽流的激光焊接熔深相关性分析。J MaterProcess Technol 2018;256：1-12.[4] 庞世元，陈翔，周继新，邵晓艳，王春明。激光焊接中小孔、蒸气羽流和熔池动力学的三维瞬态多相模型，包括环境压力效应。 Opt Lasers Eng 2015;74：47-58.[5] Cho JH，Na SJ. 偏振激光打孔小孔动力学的理论分析。 J Phys D Appl Phys2007;40（24）：7638-47.[6] 张永新，高晓东。利用投影法分析大功率圆盘激光焊接熔池特征。Int J Adv ManufTechnol 2014;70（9- 12）：1979-88。[7] 庞顺，陈晓，邵晓，龚顺，肖军.不锈钢激光焊接瞬态小孔中蒸气羽流的动力学：局部蒸发、羽流摆动和气体卷入孔隙。 Opt Lasers Eng 2016;82：28-40.[8] 彭S，陈X，李W，邵X，龚S. 光纤激光焊接瞬态小孔内可压缩蒸气羽流动力学的有效多时间尺度建模方法。Opt Laser Technol2016;77：203-14.[9] 张永新，韩世文，千杰，纳世杰，高晓东。不锈钢激光对接焊接头间隙对焊道形成的影响。J Mater Process Technol2017;249：274-84.[10] 李绍昌，陈光荣，片山胜，张勇。大功率深熔激光焊接飞溅形成与动态熔池的关系。Appl Surf Sci 2014;303：481-8.[11] [10]杨文，李文，李文. 用于成形金属熔敷设备的弧焊机器人控制：模块化软件接口和传感器。IEEE TransInd Electron 2011;58（8）：3126-32.[12] 方志杰，徐东，谭明.基于视觉的角焊缝跟踪自校正模糊控制器。IEEE/ASME TransMechatron2011;16（3）：540-50.[13] 高晓冬，尤迪，片山S.基于自适应卡尔曼滤波嵌入Elman神经网络的大功率光纤激光焊接焊缝跟踪监测。IEEE Trans Ind Electron2012;59（11）：4315-25.[14] 冢本湾高速成像技术第2部分：能量束焊接现象的高速成像。 科学技术焊接连接2011;16（1）：44-55.[15] 杨 文 龙 ， 李 晓 梅 . 镀 锌 高 强 度 钢 搭 接 结 构 激 光 焊 接 的 实 时 监 测 。 Opt LaserTechnol2012;44（7）：2186-96.[16] Lee SK，Kim HW，Na EW.基于小波变换的声学度量在轿车碰撞噪声改善中的应用。J Sound Vibrat 2010;329（17）：3606-19.[17] KimHW，Lee SK，Na EW. 轿车内有防撞杆和减速带的路面引起的碰撞噪声的声品质评价。Proc Inst Mech Eng Part D 2010;224（6）：735-47.[18] 刘华，张杰，郭平，毕锋，于华，倪刚.发动机辐射噪声的声品质预测。 机械系统信号处理2015;56-57：277-87.[19] 王永生，沈国清，邢永芳。基于人工神经网络的车内噪声客观综合评价声品质模型。MechSyst Signal Process 2014;45（1）：255-66.[20] 张永欣，高晓东，片山S.基于遗传算法改进BP神经网络的圆盘激光焊接焊缝成形预测。制造系统杂志2015;34：53-9.[21] 尹生，丁世胜，哈哈尼，郝海艳，张萍。基于数据驱动的故障诊断与过程监控方法在Tennessee Eastman过程中的应用。J Process Contr 2012;22（9）：1567-81.[22] 尹S，罗H，丁SX.容错控制系统的实时实现与性能优化。IEEE Trans Ind Electron2014;61（5）：2402-11.[23] 胡勇军，凌志宏。基于DBN的统计参数语音合成的频谱特征表示。 IEEE SignalProcess Lett 2016;23（3）：321-5.[24] 黄汉波，李瑞祥，杨明立，林忠忠，丁文平。使用基于连续受限玻尔兹曼机的DBN评价车辆内部声品质。Mech Syst Signal Process 2017;84（Pt A）：245-67.[25] 邹春荣，张晓荣，查成，赵玲.一种新的跨语料语音情感识别DBN特征融合模型。JElectr Comput Eng 2016;2016：7437860.[26] 张春林，何永刚，袁丽芳，向胜。基于DBN特征提取的模拟电路早期故障诊断方法。IEEE Access 2018;6：23053-64.[27] 放 大图 片 作者 ： Michael A ， Hinton G. 使 用深 度 信念 网 络 的声 学 建模 。 IEEETransAudio Speech Lang Process 2012;20（1）：14[28] 张立新，吴杰，基于深度信念网络的语音活动检测。IEEE跨音频语音Lang过程2013;21（4）：697-710。[29] Huang GB，Lee H，Learned ME.使用卷积深度信念网络学习人脸验证的分层表示 。 In ： Proceedings of the2012 IEEE Conference on Computer Vision andPattern Recognition （ CVPR ） ;2012 June 16 -21; Providence ， RI ， USA.New York：IEEE; 2012.p. 2518- 25[30] ISO 13919-1-1996：焊接-电子和激光束焊接接头-预防措施质量等级指南-第I部分：钢。国际标准。日内瓦：国际标准化组织，1996年。
我的内容管理
展开
