焊接参数量化表征的自学习方法、装置、设备及存储介质

1.本技术涉及焊接机器人技术领域，尤其涉及焊接参数量化表征的自学习方法、装置、设备及存储介质。


背景技术：

2.手工电弧焊接具有焊接灵活性好、设备简单、可操作性强、焊接质量高等特点，广泛应用于各行业，在可预见的将来内还将继续发挥作用。但手工电弧焊焊接质量需依靠焊工的技术水平，而有经验的、焊接技术好的焊工数量有限，培养周期长，限于各种客观因素，他们的焊接经验技术也很难传授给其他人。
3.即现有技术中手工电弧焊无法脱技能化，不能将获得的焊接参数合理的运用，导致有经验的、焊接技术好的焊工数量有限，培养周期长，焊接经验技术也很难传授给其他人。


技术实现要素：

4.为至少在一定程度上克服相关技术中手工电弧焊无法脱技能化，能将获得的焊接参数合理的运用的问题，本技术提供焊接参数量化表征的自学习方法、装置、设备及存储介质。
5.本技术的方案如下：
6.第一方面，本技术提供焊接参数量化表征的自学习方法，所述方法包括：
7.得到焊接过程相关参数；
8.利用所述焊接相关参数，输入到预先构建的神经元网络模型中，得到焊接优选参数；
9.利用所述优选参数，输入到预先构建的焊接参数专家系统中，得到不同焊接参数焊缝质量预测方案。
10.进一步地，所述焊接相关参数，包括：焊接参数、空间位置参数和环境参数；
11.所述焊接参数，包括：焊接电压、焊接电流、焊接速度、焊丝伸出长度和保护气流量；
12.所述空间位置参数，包括：焊枪末端位置参数和焊枪姿态参数；
13.所述环境参数，包含：环境压力参数、环境湿度参数和环境温度参数。
14.进一步地，所述利用所述焊接相关参数，输入到预先构建的神经元网络模型中，得到焊接优选参数，包括：
15.s1.构建神经元网络模型；
16.s2.利用所述神经元网络模型，进行训练，得到训练后的所述神经元网络模型；
17.s3.将所述焊接相关参数，输入到所述练后的所述神经元网络模型，得到焊接优选参数。
18.进一步地，构建所述神经元网络模型，包括：
19.通过tensoflow框架建立神经元网络模型，采用交叉熵代价函数、小批量梯度下降算法、sigmoid激活函数、l2正则化方法和adam优化器进行构建，每个批次迭代30次，最大迭代次数为1500。
20.进一步地，所述神经元网络模型还包括：
21.输入层，包括：焊接电压、焊接电流、焊接速度、保护气流量、保护气类型、焊枪末端位姿、焊缝空间位置、环境压力参数、环境湿度参数和环境温度参数；
22.隐藏层，包括：焊接电弧、熔滴过渡、温度场、熔池状态、金属结晶、二次相变、传质、传热、作用力和焊接磁场；
23.输出层，包括：焊缝外观质量、焊缝接头力学性能和接头微观组织。
24.进一步地，利用所述神经元网络模型，进行训练，得到训练后的所述神经元网络模型，包括：
25.s1.将所述焊接过程相关参数进行评估检测，得到焊接过程优选参数，所述评估检测包括：对焊缝外观评估、力学性能检测和微观组织观察进行评估检测；
26.s2.将所述焊接过程优选参数作为输入变量进行双层循环训练，通过导入库、下载参数集、数据标准化，使得训练后的神经元网络的预测置信度不小于0.95。
27.进一步地，所述利用所述优选参数，输入到预先构建的焊接参数专家系统中，得到自动化焊接工艺解决方案，包括：
28.利用训练后的所述神经元网络模型，将所述的优选参数作为输入层输入到焊接参数专家系统，进行焊接参数的自主判断和筛选，实现焊接参数专家系统的自主学习和更新，得到不同焊接参数焊缝质量预测方案。
29.第二方面，本技术提供焊接参数量化表征的自学习装置，所述装置包括：
30.参数获取模块，用于得到焊接过程相关参数；
31.筛选模块，用于利用所述焊接相关参数，输入到预先构建的神经元网络模型中，得到焊接优选参数；
32.预测模块，用于利用所述优选参数，输入到预先构建的焊接参数专家系统中，得到不同焊接参数焊缝质量预测方案。
33.第三方面，本技术提供焊接参数量化表征的自学习设备，所述设备包括：
34.存储器，其上存储有可执行程序；
35.处理器，用于执行所述存储器中的所述可执行程序，以实现上述中任一项所述方法的步骤。
36.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行上述中任一项所述方法的步骤。
37.本技术提供的技术方案可以包括以下有益效果：
38.本技术通过得到焊接过程相关参数；利用所述焊接相关参数，输入到预先构建的神经元网络模型中，得到焊接优选参数；利用所述优选参数，输入到预先构建的焊接参数专家系统中，得到不同焊接参数焊缝质量预测方案。本技术有助于实现手工电弧焊脱技能化，通过获得详细的焊接参数并把这些参数合理的运用，得到不同焊接参数焊缝质量预测方案，为复杂工况下的机器人高质量自动化焊接提供工艺解决方案。
39.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
能限制本技术。
附图说明
40.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
41.图1是本技术一个实施例提供的焊接参数量化表征的自学习方法流程图；
42.图2是本技术另一个实施例提供的焊接参数量化表征的自学习装置组成图；
43.图3是本技术又一个实施例提供的焊接参数量化表征的自学习设备组成图；图4是本技术又一个实施例提供的焊接参数量化表征的神经元网络模型结构示意图。
具体实施方式
44.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
45.实施例一
46.请参阅图1，图1是本技术一个实施例提供的焊接参数量化表征的自学习方法流程图，所述方法包括：
47.s1.得到焊接过程相关参数；
48.s2.利用所述焊接相关参数，输入到预先构建的神经元网络模型中，得到焊接优选参数；
49.s3.利用所述优选参数，输入到预先构建的焊接参数专家系统中，得到不同焊接参数焊缝质量预测方案。
50.根据步骤s1所述的得到焊接过程相关参数，包括:
51.由多名焊接专家针对典型焊接结构实施焊接作业，采集并记录每次焊接过程参数，包括焊接参数、空间位置参数和环境参数；
52.在具体实施时，所述的焊接参数、空间位置参数和环境参数的量化表征方法：焊接电压u(t)、焊接电流i(t)可以通过焊机直接获得，焊接速度v(t)通过记录焊接开始/结束时间并结合焊缝长度求得，焊丝伸出长度e(t)在焊接开始前测得，保护气体流量g(t)通过气体流量计测得；焊枪末端位置参数x(t)、y(t)、z(t)和姿态参数α(t)、β(t)、γ(t)可由装在焊枪上的姿态传感器测得；环境压力p(t)可由环境气压计测得，环境湿度h(t)可由湿度计测得，环境温度k(t)可由温度计测得。
53.根据步骤s2所述的所述利用所述焊接相关参数，输入到预先构建的神经元网络模型中，得到焊接优选参数，包括：
54.s21.构建神经元网络模型；
55.在本实施例中，所述构建神经元网络模型，包括：
56.通过tensoflow框架建立神经元网络模型，采用交叉熵代价函数、小批量梯度下降算法、sigmoid激活函数、l2正则化方法和adam优化器进行构建，每个批次迭代30次，最大迭
代次数为1500。
57.具体的，基于tensoflow框架建立神经元网络模型，采用交叉熵代价函数:增加训练速度其中x表示样本，n表示样本的总数、小批量梯度下降算法:节省计算资源，其中f(x；θ)为深度神经网络，θ为网络参数、lpgistic激活函数:将实数域的输入“挤压”到(0，1)、l2正则化方法:避免过拟合，提升泛化能力，其中λ为正则化系数取0.8，m为样本数量，w为样本值、adam优化器:m
t
＝β1m
t-1
+(1-β1)g
t
，m0初始化为0，β1为指数衰减率，控制权重分配，取值0.9。每个批次迭代30次，最大迭代次数为1500。
58.在具体实施时，所述神经元网络模型还包括：输入层、隐藏层和输出层，具体如图4所示；
59.所述输入层包括：焊接电压、焊接电流、焊接速度、保护气流量、保护气类型、焊枪末端位姿、焊缝空间位置、环境压力参数、环境湿度参数和环境温度参数；
60.所述隐藏层包括：焊接电弧、熔滴过渡、温度场、熔池状态、金属结晶、二次相变、传质、传热、作用力和焊接磁场；
61.所述输出层包含：焊缝外观质量、焊缝接头力学性能和接头微观组织。
62.s22.利用所述神经元网络模型，进行训练，得到训练后的所述神经元网络模型；
63.s22.1.将所述焊接过程相关参数进行评估检测，得到焊接过程优选参数，所述评估检测包括：对焊缝外观评估、力学性能检测和微观组织观察进行评估检测；
64.具体的，由多名焊接专家针对典型焊接结构实施焊接作业，采集并记录每次焊接过程参数，包括焊接参数、空间位置参数和环境参数；
65.对焊后工件进行评估和检测，主要包括焊缝外观评估、力学性能检测和微观组织观察，获得焊缝综合性能；
66.对所采集到的焊接过程参数进行筛选，根据获得焊缝综合性能，评估每个焊缝焊接参数，综合性能好的焊缝的焊接参数将被保留下来，得到焊接过程优选参数，构建焊接参数专家系统；
67.需要说明的是，所述的焊缝综合性能评估中，焊缝外观评估包含焊缝成形和外观缺陷的评估，主要对焊缝成形好坏和外观缺陷多少进行量化评估；力学性能检测包含焊缝的拉伸强度、硬度、弯曲强度、冲击韧性等检测，从而获得量化数据；微观组织观察是对焊缝和热影响区的金相组织进行观察，并将焊缝和热影响区的金相组织与力学性能相互印证。
68.s22.2.将所述焊接过程优选参数作为输入变量进行双层循环训练，通过导入库、下载参数集、数据标准化，使得训练后的神经元网络的预测置信度不小于0.95。
69.具体的，所述的神经元网络，以优选参数(大于n条记录)作为输入变量进行训练，使得训练后的神经元网络的预测置信度不小于0.95。利用训练后的神经元网络作为预测评估手段，对后续新获取的焊接参数进行自主判断和筛选，实现焊接专家系统的自主学习和更新。
70.所述的多输入多输出的神经元网络，输入层包含：焊接电压、焊接电流、焊接速度、
access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
87.可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
88.需要说明的是，在本技术的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本技术的描述中，除非另有说明，“多个”的含义是指至少两个。
89.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
90.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
91.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
92.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
93.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
94.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
95.尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。