基于PSO-AwASD-POCS算法的焊接电弧发射系数重建参数调优方法

基于pso-awasd-pocs算法的焊接电弧发射系数重建参数调优方法
技术领域
1.本发明涉及焊接电弧光谱诊断技术领域，具体涉及一种基于 pso-awasd-pocs算法的焊接电弧发射系数重建参数调优方法。


背景技术：

2.电弧光谱诊断是一种非接触式检测手段，具有灵敏度高，选择性好，无介 入性，时空分辨率高等优点。利用焊接电弧光谱信息，对电弧内部的温度分布 以及电子密度进行定量表征，有助于了解电弧产热机理，发现焊接缺陷，为改 善焊接工艺、提高焊缝质量提供理论依据。awasd-pocs作为压缩感知理论的 一种实现算法，能够很好地解决目标函数求解不适定性问题，无需光谱数据逐 角度采集即可得到满意的焊接电弧重建结果，不仅能够显著降低采集设备成 本，而且降低了因繁琐采集引入噪声信号的概率。
3.然而，由于awasd-pocs算法在重建过程中，需要对8个参数进行恰当设 置，而这些参数没有理论选择准则，只能依赖研究人员的经验，严重制约了该 算法的推广应用。


技术实现要素：

4.针对现有技术中的缺陷，本发明提供一种基于pso-awasd-pocs算法的焊 接电弧发射系数重建参数调优方法，步骤包括：
5.获取电弧特征谱线图像，根据所述电弧特征谱线图像构建发射系数分布数 学模型；
6.从不同角度对所述发射系数分布数学模型进行投影，得到多角度特征谱线 强度，并对所述多角度特征谱线强度进行高斯白噪声叠加；
7.设置算法参数，并设定重建参数取值范围；
8.初始化粒子群位置和速度，并结合所述多角度特征谱线强度、算法参数以 及重建参数取值范围，计算初始化后粒子群的适应度；
9.更新粒子群位置和速度并进行迭代计算，根据迭代结果和所述初始化后粒 子群的适应度，得到调优重建参数。
10.进一步地，所述获取电弧特征谱线图像，根据所述电弧特征谱线图像构建 发射系数分布数学模型，具体为：
11.调用imread函数，按照指定路径获取电弧特征谱线图像；
12.调用cftool工具箱，并根据所述电弧特征谱线图像每一行的数据分布特 征，构建得到发射系数分布数学模型；
13.对所述发射系数分布数学模型进行归一化处理。
14.进一步地，所述从不同角度对所述发射系数分布数学模型进行投影，得到 多角度特征谱线强度，并对所述多角度特征谱线强度进行高斯白噪声叠加，具 体为：
15.在0
°
到179
°
范围内选取多个投影角度，所述多个投影角度之间的间隔 角度相同；
16.确定射线数量，从所述多个投影角度对发射系数分布数学模型进行投影， 得到多角度特征谱线强度；
17.获取电弧特征谱线图像标准差，并根据所述电弧特征谱线图像标准差计算 得到高斯白噪声，将所述高斯白噪声叠加在所述多角度特征谱线强度上。
18.进一步地，所述算法参数包括awasd-pocs算法参数和pso算法参数，
19.所述awasd-pocs算法参数包括但不限于电弧-探测器距离、体素数量和尺 寸、探测器数量和尺寸以及射线投射方式；
20.所述pso算法参数包括但不限于惯性因子、学习因子、最大迭代次数、粒 子数量以及粒子维度。
21.进一步地，所述重建参数为awasd-pocs算法的8个重建参数，所述设定 重建参数取值范围，具体为：
22.设定lambda参数的取值范围为0.1～2.5，设定lambda_red参数的取值 范围为0.01～1，设定tviter参数的取值范围为1～300，设定alpha参数的 取值范围为10-8
～50，设定alpha_red参数的取值范围为0.01～1，设定rmax 参数的取值范围为0～10，设定maxl2err参数的取值范围为10-4
～1000，设定 delta参数的取值范围为10-5
～5。
23.进一步地，所述初始化粒子群位置和速度，并结合所述多角度特征谱线强 度、算法参数以及重建参数取值范围，计算粒子群初始化后的适应度，具体包 括依次对粒子群的每一个粒子执行以下步骤：
24.初始化粒子的位置和速度；
25.根据所述初始化后粒子的位置和速度计算粒子的适应度；
26.根据所述适应度更新全局最优适应度和全局最优位置；
27.重复上述步骤，以初始化下一个粒子，直到完成最后一个粒子的适应度计 算。
28.进一步地，所述根据所述初始化后粒子的位置和速度计算粒子的适应度， 具体为：
29.根据所述初始化后粒子的位置，结合所述多角度特征谱线强度、算法参数 以及重建参数取值范围，采用awasd-pocs算法计算得到重建结果；
30.对所述重建结果进行中值滤波并进行归一化处理；
31.根据所述处理后的重建结果，计算初始化后粒子的适应度；
32.记录粒子历史最优位置以及历史最优适应度。
33.进一步地，所述更新粒子群位置和速度并进行迭代计算，根据迭代结果和 所述初始化后粒子群的适应度，得到调优重建参数，具体包括依次对粒子群的 每一个粒子执行以下步骤：
34.更新粒子的速度和位置；
35.根据所述更新后粒子的速度和位置进行迭代计算，得到适应度；
36.根据所述适应度更新全局最优适应度以及全局最优位置；
37.绘制粒子位置分布图和适应度随迭代次数变化曲线；
38.重复上述步骤，以进行下一个粒子的更新迭代计算，直到完成最后一个粒 子的更新迭代计算；
39.根据迭代终止时的所述全局最优适应度和全局最优位置，得到调优重建参 数。
40.进一步地，所述根据所述适应度更新全局最优适应度以及全局最优位置， 具体为：
41.当进行第一次迭代计算时，将第一次迭代计算得到的适应度与所述初始化 后粒子群的适应度进行比较，取较小适应度作为全局最优适应度，取较小适应 度所对应的位置作为全局最优位置；
42.当进行第二次及以后的迭代计算时，将迭代计算得到的适应度与上一次迭 代计算得到的适应度进行比较，取较小适应度作为全局最优适应度，取较小适 应度所对应的位置作为全局最优位置。
43.进一步地，还包括根据所述调优重建参数进行awasd-pocs算法，得到焊 接电弧重建发射系数分布，具体为：
44.将所述全局最优位置作为调优的重建参数进行awasd-pocs算法，得到迭 代误差最小的焊接电弧重建发射系数，并绘制重建发射系数分布图；
45.分析所述焊接电弧重建发射系数与原始发射系数之间的误差。
46.本发明的有益效果体现在：能够根据焊接电弧光谱采集特点，采用自适应 的方式，自动选择合适的重建参数，无需人为干预，就可以利用少量的投影特 征谱线强度信息，得到满意的重建结果，使光谱诊断的准确性和自动化水平得 到有效提高，为后续电弧光谱诊断奠定可靠基础。
附图说明
47.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将 对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附 图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分 并不一定按照实际的比例绘制。
48.图1为本发明实施例提供的基于pso-awasd-pocs算法的焊接电弧发射系 数重建参数调优方法的流程图；
49.图2为本发明实施例提供的电弧特征谱线图像某一行的发射系数分布图；
50.图3为本发明实施例提供的角度间隔为15
°
的发射系数分布投影图；
51.图4为本发明实施例提供的初始化粒子群位置分布图及其适应度；
52.图5为本发明实施例提供的迭代终止时粒子群位置分布图及其适应度；
53.图6为本发明实施例提供的适应度随迭代次数变化曲线图；
54.图7为本发明实施例提供的重建后的焊接电弧发射系数分布图；
55.图8为本发明实施例提供的原始发射系数与重建结果的误差图。
具体实施方式
56.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例 仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限 制本发明的保护范围。
57.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当 为本发明所属领域技术人员所理解的通常意义。
58.如图1所示，基于pso-awasd-pocs算法的焊接电弧发射系数重建参数调 优方法，步骤包括：
59.s1：获取电弧特征谱线图像，根据所述电弧特征谱线图像构建发射系数分 布数学模型；
60.s2：从不同角度对所述发射系数分布数学模型进行投影，得到多角度特征 谱线强度，并对所述多角度特征谱线强度进行高斯白噪声叠加；
61.s3：设置算法参数，并设定重建参数取值范围；
62.s4：初始化粒子群位置和速度，并结合所述多角度特征谱线强度、算法参 数以及重建参数取值范围，计算初始化后粒子群的适应度；
63.s5：更新粒子群位置和速度并进行迭代计算，根据迭代结果和所述初始化 后粒子群的适应度，得到调优重建参数。
64.进一步地，在步骤s1中，获取电弧特征谱线图像，根据所述电弧特征谱 线图像构建发射系数分布数学模型，具体包括：
65.s11：调用imread函数，按照指定路径获取电弧特征谱线图像；
66.s12：调用cftool工具箱，并根据所述电弧特征谱线图像每一行的数据分 布特征，构建得到发射系数分布数学模型；
67.s13：对所述发射系数分布数学模型进行归一化处理。
68.具体地，通过高速摄像机采集电弧特征谱线图像，并存储于指定路径中， 调用imread函数读取指定路径中的焊接电弧特征谱线图像，由于高速摄像机 导出的电弧特征谱线图像为索引模式，因此需要调用ind2gray函数将索引模 式图片转换为灰度模式，并将数据强制转变为double类型，便于后续光谱数 据处理。转换完成后，调用cftool工具箱，以电弧特征谱线图像某一行的灰 度值为纵坐标，采用公式(1)计算拟合参数，得到发射系数分布数学模型：
[0069][0070]
式中，ε为发射系数，a1、a2为发射系数分布曲线的幅值，b1、b2为曲线的 中心，σ1、σ2为标准差，x、y分别为横坐标和纵坐标。调用max函数和min 函数计算发射系数分布数学模型的最大值和最小值，并采用公式(2)对发射系数 分布数学模型进行归一化处理：
[0071][0072]
式中，ε
normalized
为归一化后的发射系数，ε
min
为发射系数的最小值，ε
max
为发 射系数的最大值。电弧特征谱线图像某一行的发射系数分布如图2所示。
[0073]
进一步地，在步骤s2中，从不同角度对所述发射系数分布数学模型进行 投影，得到多角度特征谱线强度，并对所述多角度特征谱线强度进行高斯白噪 声叠加，具体包括：
[0074]
s21：在0
°
到179
°
范围内选取多个投影角度，所述多个投影角度之间的 间隔角度相同；
[0075]
s22：确定射线数量，从所述多个投影角度对发射系数分布数学模型进行 投影，得到多角度特征谱线强度；
[0076]
s23：获取电弧特征谱线图像标准差，并根据所述电弧特征谱线图像标准 差计算得到高斯白噪声，将所述高斯白噪声叠加在所述多角度特征谱线强度 上。
[0077]
具体地，在0
°
到179
°
范围内选取多个投影角度，且多个投影角度之间 的间隔角度相同，本实施例以设定投影角度间隔为15
°
为例，选取0
°
、15
°
、 30
°
、45
°
、60
°
、75
°
、90
°
、105
°
、120
°
、135
°
、150
°
、165
°
作为 投影角度。根据公式(3)确定射线数量：
[0078][0079]
式中，n为射线数量，w为电弧特征谱线图像宽度方向像素点数量，round 表示四舍五入运算。调用radon函数从不同投影角度对所述发射系数分布数学 模型进行投影，如图3所示。再根据公式(4)得到高斯白噪声：
[0080]
e＝sd
×
randn(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0081]
式中，sd为调用noisele函数得到的电弧特征谱线图像标准差，randn 表示生成序列数为n的标准正态分布伪随机数。将计算得到的高斯白噪声线性 叠加在不同投影角度的特征谱线强度上，以符合实际谱线强度采集过程中受到 噪声干扰的情况。
[0082]
进一步地，在步骤s3中，算法参数包括awasd-pocs算法参数和pso算法 参数，其中，awasd-pocs算法参数包括但不限于电弧-探测器距离、体素数量 和尺寸、探测器数量和尺寸以及射线投射方式等二维线性集合结构参数，pso 算法参数包括但不限于惯性因子、学习因子、最大迭代次数、粒子数量以及粒 子维度等参数。对于pso算法参数的设定，采用线性递减方式调整惯性因子， 以兼顾pso算法的全局和局部搜索能力，本实施例将初始惯性因子设定为 0.95，将终止惯性因子设定为0.4，同时为例保证算法的计算精度和效率，将 学习因子设定为2，最大迭代次数设定为10，粒子数量设定为20。
[0083]
优选地，重建参数为awasd-pocs算法的8个重建参数，因此将pso算法 的粒子维度设定为8。再根据awasd-pocs算法重建参数特点，设定重建参数 的取值范围：设定lambda参数的取值范围为0.1～2.5，设定lambda_red参 数的取值范围为0.01～1，设定tviter参数的取值范围为1～300，设定alpha 参数的取值范围为10-8
～50，设定alpha_red参数的取值范围为0.01～1，设 定rmax参数的取值范围为0～10，设定maxl2err参数的取值范围为10-4
～ 1000，设定delta参数的取值范围为10-5
～5。而对于粒子速度的上下界限值 由对应粒子位置上下界差值的30％确定。
[0084]
进一步地，在步骤s4中，初始化粒子群位置和速度，并结合所述多角度 特征谱线强度、算法参数以及重建参数取值范围，计算粒子群初始化后的适应 度，具体包括依次对粒子群的每一个粒子执行以下步骤：
[0085]
s41：初始化粒子的位置和速度；
[0086]
s42：根据所述初始化后粒子的位置和速度计算粒子的适应度；
[0087]
s43：根据所述适应度更新全局最优适应度和全局最优位置；
[0088]
s44：重复上述步骤，以初始化下一个粒子，直到完成最后一个粒子的适 应度计算。
[0089]
具体地，对于每一个粒子，其初始化位置和速度由公式(5)计算得到：
[0090]
p(i)＝v(i)＝p
imin
+rand
×
(p
imax-p
imin
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0091]
式中，p为粒子位置，v为粒子速度，i为粒子维度，p
imax
为相应重建参数 的上界，p
imin
为相应重建参数的下界，rand表示在0到1之间生成均匀分布的 伪随机数。
[0092]
进一步的，步骤s42所述的根据所述初始化后粒子的位置和速度计算粒子 的适应度，具体为：
[0093]
s421：根据所述初始化后粒子的位置，结合所述多角度特征谱线强度、算 法参数以及重建参数取值范围，采用awasd-pocs算法计算得到重建结果；
[0094]
s422：对所述重建结果进行中值滤波并进行归一化处理；
[0095]
s423：根据所述处理后的重建结果，计算初始化后粒子的适应度；
[0096]
s424：记录粒子历史最优位置以及历史最优适应度。
[0097]
具体地，得到粒子初始化后的位置和速度后，将不同角度特征谱线强度、 重建参数以及二维线性几何结构参数带入awasd-pocs算法中，计算得到重建 结果。调用medfilt2函数对重建结果进行中值滤波，采用类似公式(2)的方式 进行归一化处理，由公式(6)计算得到粒子的适应度：
[0098][0099]
式中，p
cost
为粒子的适应度，z
original
为原始发射系数分布数学模型，z
reconstruct
为重建结果，norm表示计算矩阵的范数。如果计算得到的粒子适应度小于全 局最优适应度，则更新全局最优适应度以及全局最优位置。初始化后的粒子群 位置及其适应度如图4所示。
[0100]
进一步地，步骤s5中，更新粒子群位置和速度并进行迭代计算，根据迭 代结果和所述初始化后粒子群的适应度，得到调优重建参数，具体包括依次对 粒子群的每一个粒子执行以下步骤：
[0101]
s51：更新粒子的速度和位置；
[0102]
s52：根据所述更新后粒子的速度和位置进行迭代计算，得到适应度；
[0103]
s53：根据所述适应度更新全局最优适应度以及全局最优位置；
[0104]
s54：绘制粒子位置分布图和适应度随迭代次数变化曲线；
[0105]
s55：重复上述步骤，以进行下一个粒子的更新迭代计算，直到完成最后 一个粒子的更新迭代计算；
[0106]
s56：根据迭代终止时的所述全局最优适应度和全局最优位置，得到调优 重建参数。
[0107]
具体地，采用公式(7)更新粒子速度：
[0108][0109]
式中，vn为第n个粒子的速度，k为迭代进行的次数，w
max
为初始惯性因子， w
min
为终止惯性因子，iter为最大迭代次数，c1、c2为学习因子，pbestn为第n 个粒子历史最优适应度，gbest为全局最优适应度，pn表示第n个粒子的位置， rand表示在0到1之间生成均匀分布的伪随机数。如果计算得到的粒子速度 超出相应粒子速度上下界，则强制设定粒子速度为上下界值。
[0110]
采用公式(8)更新粒子位置：
[0111]
p
n(k+1)
＝p
n(k)
+v
n(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0112]
式中，pn表示第n个粒子的位置，vn为第n个粒子的速度，k为迭代进行 的次数。如果
计算得到的粒子位置超出相应粒子位置上下界，则强制设定粒子 位置为上下界值。
[0113]
更新粒子位置和速度后，将步骤s3中设置的算法参数带入awasd-pocs 算法中，计算得到重建结果，并采用公式(6)计算得到迭代计算后粒子的适应 度。
[0114]
如果计算得到的粒子适应度小于全局最优适应度，则更新全局最优适应度 以及全局最优位置，具体为：
[0115]
当进行第一次迭代计算时，将第一次迭代计算得到的适应度与初始化后粒 子群的适应度进行比较，取较小适应度作为全局最优适应度，取较小适应度所 对应的位置作为全局最优位置；
[0116]
当进行第二次及以后的迭代计算时，将迭代计算得到的适应度与上一次迭 代计算得到的适应度进行比较，取较小适应度作为全局最优适应度，取较小适 应度所对应的位置作为全局最优位置。
[0117]
再按照粒子维度依次两两绘制粒子位置分布图，便于研究人员进一步优化 重建参数取值范围，并绘制适应度随迭代次数变化曲线，便于研究人员判定迭 代收敛情况，以进一步调整粒子数量以及最大迭代次数，提高算法重建效率。 其中，粒子位置用实心圆点表示，全局最优位置用空心圆圈表示。
[0118]
最后根据迭代终止时的全局最优适应度和全局最优位置，得到调优重建参 数。以前面所述本实施例提供的参数为例，迭代终止时粒子群的位置及其适应 度如图5所示，适应度随迭代次数变化曲线如图6所示。最后得到的8个重建 参数分别为：lambda为0.1，lambda_red为1，tviter为115，alpha为10-8
， alpha_red为0.3719，rmax为10，maxl2err为129.7，delta为0.5106，此 时能够达到全局最优适应度。
[0119]
进一步地，步骤还包括根据所述调优重建参数进行awasd-pocs算法，得 到焊接电弧重建发射系数分布。
[0120]
具体地，将全局最优位置作为调优的重建参数，并将不同角度特征谱线强 度、调优的重建参数以及二维线性几何结构参数带入awasd-pocs算法中，计 算得到迭代误差最小的焊接电弧重建发射系数，并绘制重建发射系数分布图， 如图7所示。随机选择两行重建结果，分析原始发射系数与重建结果之间的误 差，如图8所示。
[0121]
本发明能够根据焊接电弧光谱采集特点，采用自适应的方式，自动选择合 适的重建参数，无需人为干预，就可以利用少量的投影特征谱线强度信息，得 到满意的重建结果，使光谱诊断的准确性和自动化水平得到有效提高，为后续 电弧光谱诊断奠定可靠基础。
[0122]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者 对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相 应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明 的权利要求和说明书的范围当中。