一种直缝焊管的焊接方法、系统和可读介质技术方案

本发明专利技术涉及一种直缝焊管的焊接方法，将获取的多个焊管焊接面的界面参数对神经网络模型进行训练获得分类结果；获取与每个分类结果对应的焊接参数，将每一分类结果及其对应的焊接参数建立对应的映射关系，形成映射关系库；对焊管的整个待焊接面对应界面参数进行提取，并进行分类找到与分类结果对应的焊接参数，在焊管的待焊接面上选取焊接的起点，根据起点对步骤3中的多个界面参数进行排序，并确定参数变化位置；根据界面参数顺序和参数变化位置生成对应焊接参数的变化顺序和变化位置，从而获得焊接过程中的参数变化工艺流程。其能够更加客观、准确的对焊接参数进行选取，能够更好的保证直缝焊管的焊接质量。

【技术实现步骤摘要】
一种直缝焊管的焊接方法、系统和可读介质
本专利技术涉及一种直缝焊管的焊接方法、系统和可读介质，属于焊接
，特别涉及焊管焊接领域。
技术介绍
直缝焊管，是用热轧或冷轧钢板或钢带卷焊制成的钢管在焊接设备上进行直缝焊接得到的钢管，直缝焊管的产品质量问题约70％源自焊接生产环节，因此，直缝焊管的焊接方法是焊管生产中最为关键的步骤之一。直缝焊管(ElectricResistanceWelding，简称ERW)焊接是电阻焊的一种形式，是将热轧板经过成型机成型后，使钢卷变形为圆滑的圆筒状管坯，当高频电流通过管坯的V形开口角负载回路时，由于其强烈的趋肤效应和邻近效应，迫使高频电流高度地集中在管坯加热边部，进而通过热能将焊接区迅速地加热达到焊接状态，在挤压辊挤压力的作用下，管坯的熔化两边缘熔合在一起，经冷却就达到焊接在一起的效果，形成钢管。现有直缝焊管的焊接工艺虽然已经比较成熟，但是其中的一些工艺参数如焊接温度、焊接电流等的调整通常依据人工经验，虽然一般的焊接过程均设有温度传感器、摄像头等反馈机制，并根据反馈结果对焊接参数进行调整，但亦难免具有滞后性。
技术实现思路
针对上述问题，本专利技术的目的是提供一种直缝焊管的焊接方法、系统和可读介质，其能够更加客观、准确的对焊接参数进行选取，能够更好的保证直缝焊管的焊接质量。为实现上述目的，本专利技术采取以下技术方案：一种直缝焊管的焊接方法，包括以下步骤：1)将获取的多个焊管焊接面的界面参数输入神经网络模型，对其进行训练获得分类结果；2)获取与每个分类结果对应的焊接参数，将每一分类结果及其对应的焊接参数建立对应的映射关系，形成映射关系库；3)对焊管的整个待焊接面对应的多个界面参数进行提取，将提取的界面参数输入神经网络模型，如输出对应的分类结果，则根据映射关系获得焊接参数，若不属于已有的分类结果，则进入下一步；4)对不属于已有分类结果的界面参数，重新建立界面参数和焊接参数的映射关系，并将其保存至映射关系库中；5)在焊管的待焊接面上选取焊接的起点，根据起点对步骤3中的多个界面参数进行排序，并确定参数变化位置；6)根据界面参数顺序和参数变化位置生成对应焊接参数的变化顺序和变化位置，从而获得焊接过程中的参数变化工艺流程。进一步，界面参数至少包括焊道熔宽w、待焊接面的厚度d和待焊接面的横截面S，焊接参数至少包括焊接电流、焊接速度和焊接电压。进一步，对神经网络模型进行训练的方法为：通过迁移学习，修正待训练神经网络模型的网络层参数，待训练神经网络模型包括网络层和全连接层，全连接层连接在网络层之后，对修正后的待训练神经网络模型进行训练，获得训练后的最优的神经网络模型。进一步，神经网络模型的网络层包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层，神经网络模型的全连接层包括三层全连接层，其中，第一卷积层的卷积核大小为3x3，个数为256，步长为2；第一最大池化层窗口大小为3x3，步长为2；第二卷积层的卷积核大小为3x3，个数为256，步长为1；第二最大池化层窗口大小为3x3，步长为2；第三卷积层的卷积核大小为11x11，个数为384，步长为1；第三最大池化层窗口大小为11x11，步长为1；在整个网络中选择Relu函数作为激活函数。进一步，神经网络模型的权重公式为：其中，Wl,k(q)表示第l层第k个卷积核在第q个位置时的权重，t为迭代次数，η(t)是学习速度，Λ(k,k*)是窗函数，k*表示获胜卷积核的位置，Φq表示卷积核在特征图上第q个位置上所覆盖的像素；第l层表示卷积层或者全连接层；表示更新完后的第l层第k个卷积核在第q个位置的权重，Wl,k(q+1)表示第l层第k个卷积核在第q+1个位置时的权重，μ和σ分别为网络初始化时第l层第k个卷积核权值的均值和方差。进一步，步骤2和步骤4中映射关系的建立方法为：获得界面参数中焊道熔宽w、待焊接面的厚度d和待焊接面的横截面S的测试数据；基于二次通用旋转回归分析法分别初步建立焊道熔宽w、待焊接面的厚度d和待焊接面的横截面S关于焊接电流和焊接速度的二次回归方程，初步建立的二次回归方程的拟合效果和可信程度进行检验，进行参数优化，获得最终的二次回归方程。进一步，二次回归方程包括：焊道熔宽w＝-43.893+0.348I+0.765v-0.024Iv-0.00349I2焊接面的厚度d＝0.947-0.03794I+0.13759v-0.283054Iv+0.45820I2S＝43.85301+0.34745I+0.4859v-0.00852Iv+0.00029I2-0.03252v2其中，I为焊接电流，v为焊接速度。进一步，界面参数顺序和参数变化位置生成对应焊接参数的方法为：设焊接的起点位置为，采集位置的界面参数；每隔预设距离采集一界面参数，直至遍历整个待焊接面；将所有的界面参数按照采集的顺序依次输入经过训练的神经网络模型，记录第一个输入的界面参数的类型，若相邻的界面参数与其类型相同则不记录，并输入下一个界面参数，直到输入的界面参数的类型与第一个输入界面参数的类型不同，则记录此时输入的界面参数据焊接的起点位置的距离，并记录其对应的类型，以此类推，直至遍历所有的界面参数，将所有界面参数根据映射关系替换为焊接参数，从而获得焊接过程中的参数变化工艺流程。本专利技术还公开了一种直缝焊管的焊接系统，包括：模型训练模块，用于将获取的多个焊管焊接面的界面参数输入神经网络模型，对其进行训练获得分类结果；映射模块，用于获取与每个分类结果对应的焊接参数，将每一分类结果及其对应的焊接参数建立对应的映射关系，形成映射关系库；界面参数分类模块，用于对焊管的整个待焊接面对应的多个界面参数进行提取，将提取的界面参数输入神经网络模型，如输出对应的分类结果，则根据映射关系获得焊接参数，若不属于已有的分类结果，则进入下一步；新建映射模块，用于对不属于已有分类结果的界面参数，重新建立界面参数和焊接参数的映射关系，并将其保存至映射关系库中；界面参数排列模块，用于在焊管的待焊接面上选取焊接的起点，根据起点对步骤3)中的多个界面参数进行排序，并确定参数变化位置；焊接参数排列模块，用于根据界面参数顺序和参数变化位置生成对应焊接参数的变化顺序和变化位置，从而获得焊接过程中的参数变化工艺流程。本专利技术还公开了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据上述任一项的直缝焊管的焊接方法。本专利技术由于采取以上技术方案，其具有以下优点：1、本专利技术能够更加客观、准确的对焊接参数进行选取，能够更好的保证直缝焊管的焊接质量。2、本专利技术通过对各种焊接面进行分类，将其对应的焊接参数生成不同的映射关系，能够使焊接参数选取更加方便，即使操作人员经验不足也可以选取较优的焊接参数，从而保证直缝焊管的焊接质量。3、本专利技术通过对待焊接面的分析，可以提前对焊接参数的变化进行限定，避免了现有技术中由温度本文档来自技高网...

【技术保护点】
1.一种直缝焊管的焊接方法，其特征在于，包括以下步骤：/n1)将获取的多个焊管焊接面的界面参数输入神经网络模型，对其进行训练获得分类结果；/n2)获取与每个分类结果对应的焊接参数，将每一分类结果及其对应的焊接参数建立对应的映射关系，形成映射关系库；/n3)对焊管的整个待焊接面对应的多个界面参数进行提取，将提取的界面参数输入神经网络模型，如输出对应的分类结果，则根据所述映射关系获得焊接参数，若不属于已有的分类结果，则进入下一步；/n4)对不属于已有分类结果的界面参数，重新建立界面参数和焊接参数的映射关系，并将其保存至所述映射关系库中；/n5)在所述焊管的待焊接面上选取焊接的起点，根据所述起点对步骤3中的多个界面参数进行排序，并确定参数变化位置；/n6)根据所述界面参数顺序和参数变化位置生成对应焊接参数的变化顺序和变化位置，从而获得焊接过程中的参数变化工艺流程。/n

【技术特征摘要】
1.一种直缝焊管的焊接方法，其特征在于，包括以下步骤：
1)将获取的多个焊管焊接面的界面参数输入神经网络模型，对其进行训练获得分类结果；
2)获取与每个分类结果对应的焊接参数，将每一分类结果及其对应的焊接参数建立对应的映射关系，形成映射关系库；
3)对焊管的整个待焊接面对应的多个界面参数进行提取，将提取的界面参数输入神经网络模型，如输出对应的分类结果，则根据所述映射关系获得焊接参数，若不属于已有的分类结果，则进入下一步；
4)对不属于已有分类结果的界面参数，重新建立界面参数和焊接参数的映射关系，并将其保存至所述映射关系库中；
5)在所述焊管的待焊接面上选取焊接的起点，根据所述起点对步骤3中的多个界面参数进行排序，并确定参数变化位置；
6)根据所述界面参数顺序和参数变化位置生成对应焊接参数的变化顺序和变化位置，从而获得焊接过程中的参数变化工艺流程。


2.如权利要求1所述的直缝焊管的焊接方法，其特征在于，所述界面参数至少包括焊道熔宽w、待焊接面的厚度d和待焊接面的横截面S，所述焊接参数至少包括焊接电流、焊接速度和焊接电压。


3.如权利要求1所述的直缝焊管的焊接方法，其特征在于，所述对神经网络模型进行训练的方法为：通过迁移学习，修正待训练神经网络模型的网络层参数，所述待训练神经网络模型包括网络层和全连接层，所述全连接层连接在所述网络层之后，对修正后的待训练神经网络模型进行训练，获得训练后的最优的神经网络模型。


4.如权利要求3所述的直缝焊管的焊接方法，其特征在于，所述神经网络模型的网络层包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层和第三最大池化层，神经网络模型的全连接层包括三层全连接层，其中，所述第一卷积层的卷积核大小为3x3，个数为256，步长为2；所述第一最大池化层窗口大小为3x3，步长为2；所述第二卷积层的卷积核大小为3x3，个数为256，步长为1；所述第二最大池化层窗口大小为3x3，步长为2；所述第三卷积层的卷积核大小为11x11，个数为384，步长为1；所述第三最大池化层窗口大小为11x11，步长为1；在整个网络中选择Relu函数作为激活函数。


5.如权利要求4所述的直缝焊管的焊接方法，其特征在于，所述神经网络模型的权重公式为：






其中，Wl,k(q)表示第l层第k个卷积核在第q个位置时的权重，t为迭代次数，η(t)是学习速度，Λ(k,k*)是窗函数，k*表示获胜卷积核的位置，Φq表示卷积核在特征图上第q个位置上所覆盖的像素；第l层表示卷积层或者全连接层；表示更新完后的第l层第k个卷积核在第q个位置的权重，Wl,k(q+1)表示第l层第k个卷积核在第q+1个位置时的权重，μ和σ分别为网络初始化时第l层第k个卷积核权值的均值和方差。


6.如权利要求2所述的直缝焊管的焊接方法，其特征在于，所述步骤2和...

【专利技术属性】
技术研发人员：周金苗，陈明峰，韩波，
申请(专利权)人：张家港华程机车精密制管有限公司，
类型：发明
国别省市：江苏;32