基于全连接神经网络的焊接飞溅及工艺参数优化方法技术

本发明专利技术提供的一种基于全连接神经网络的焊接飞溅及工艺参数优化方法，包括：S1.采集焊接生产工艺参数；S2.对采集的生产工艺参数进行预处理；S3.构建全连接神经网络，并将预处理后的生产工艺参数输入至全连接神经网络中对全连接神经网络进行训练；S4.评估全连接神经网络的准确性，当全连接神经网络准确性达到设定值，则将采集的生产工艺参数输入至全连接神经网络中进行飞溅预测，并输出预测值；S5.当存在飞溅时，再次构建全连接神经网络，将生产工艺参数输入至全连接神经网络中进行训练；S6.将采集的生产工艺参数输入至步骤S5构建的全连接神经网络中进行处理，输出焊点孔径误差值；S7.判断焊点孔径误差是否达到设定误差值，如否，采用粒子群优化算法对生产工艺参数进行优化，更新生产工艺参数，返回步骤S5；如是，则以优化后的生产工艺参数对焊接系统进行设置。以优化后的生产工艺参数对焊接系统进行设置。

【技术实现步骤摘要】
基于全连接神经网络的焊接飞溅及工艺参数优化方法


[0001]本专利技术涉及焊接领域，尤其涉及一种基于全连接神经网络的焊接飞溅及工艺参数优化方法。

技术介绍

[0002]随着汽车产量需求的增多，汽车生产车间大部分生产线都已向自动化发展，一条生产线往往由多种机器人配合生产。在汽车行业，焊接机器人更是大规模的运用，焊接时火花飞溅已是一种常见的现象。但火花飞溅大往往会给车身环境和焊接质量带来很多的负面影响。
[0003]现有技术中，对于焊接火花飞溅的控制一般依靠工作人员对焊枪的垂直度进行肉眼观察，从而调整垂直度来控制焊接火花飞溅，但是这种方式存在以下缺陷：效率较低，不能保证焊枪与零件表面100％垂直，从而引起火花。而且，对于工件自身以及焊枪并没有任何调整，更容易引起火花，这是由于焊钳设定的板厚为理论板厚，实际因为冲压过程导致板厚减薄，实际板厚比理论板厚要小，因此焊钳开始施压的设定距离大于实际板厚，容易形成闪爆的现象；焊钳压力不足，零件接触电阻大，焊点表面发黑，存在电极一接触零件立即闪爆的情形。
[0004]因此，为了解决上述技术问题，亟需提出一种新的技术手段。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提供一种基于全连接神经网络的焊接飞溅及工艺参数优化方法，能够对焊接过程中是否发生火花进行精准预测，并且基于预测能够实现焊接工业参数的优化调整，从而能够有效防止焊接过程中发生火花飞溅，确保生产效率以及生产质量。
[0006]本专利技术提供的一种基于全连接神经网络的焊接飞溅及工艺参数优化方法，包括以下步骤：
[0007]S1.采集焊接生产工艺参数；
[0008]S2.对采集的生产工艺参数进行预处理；
[0009]S3.构建全连接神经网络，并将预处理后的生产工艺参数输入至全连接神经网络中对全连接神经网络进行训练；
[0010]S4.评估全连接神经网络的准确性，当全连接神经网络准确性达到设定值，则将采集的生产工艺参数输入至全连接神经网络中进行飞溅预测，并输出预测值；
[0011]S5.当存在飞溅时，再次构建全连接神经网络，将生产工艺参数输入至全连接神经网络中进行训练；
[0012]S6.将采集的生产工艺参数输入至步骤S5构建的全连接神经网络中进行处理，输出焊点孔径误差值；
[0013]S7.判断焊点孔径误差是否达到设定误差值，如否，采用粒子群优化算法对生产工
艺参数进行优化，更新生产工艺参数，返回步骤S5；如是，则以优化后的生产工艺参数对焊接系统进行设置。
[0014]进一步，所述生产工艺参数包括：焊点坐标、焊枪电流、工件夹具角度以及焊接轨迹。
[0015]进一步，步骤S2中，对生产工艺参数预处理包括：
[0016]对生产工艺数据进行归一化处理：
[0017][0018]X
scale
为归一化处理后的工艺参数，X
ij
表示单个工艺参数，X
je
为第j个工艺参数的平均数，δ
j
为第j个工艺参数的方差，i表示工艺参数的样本序号。
[0019]进一步，步骤S3中，全连接神经网络包括输入层、隐含层和输出层；其中：
[0020]输入层和隐含层的激活函数为：
[0021][0022]输出层的激活函数为：
[0023][0024]全连接神经网络的损失函数为：
[0025]y
pred
表示飞溅预测值，Y
i
表示飞溅的真实状态。
[0026]进一步，步骤S4中，对步骤S3中的全连接神经网络准确性评估具体包括：
[0027]计算精确率Precision和召回率Recell：
[0028][0029]TP为被判断为飞溅的样本数，FP为被判断为飞溅但实际未飞溅的样本数，FN为被判断为未飞溅的样本数；
[0030]计算F1分数和调和平均数F
β
[0031][0032][0033]其中：β为调和平均数系数；
[0034]判断F1分数和调和平均数F
β
是否均处于设定阈值范围内，如是，则判断当前全连接神经网络准确定达到设定值。
[0035]进一步，步骤S5中，全连接神经网络的目标函数为三层：
[0036]x为输入的参数矩阵，大小为6*1，w
(1)
为第一层的权重矩阵，大小为24*6，w
(2)
为第二层的权重矩阵，大小为12*24，w
(3)
第三层的权重矩阵，大小为1*12，b
(1)
为第一层网络偏置参数、b
(2)
为第二层网络偏置参数、b
(3)
为第三层网络偏置参数，z
(1)
第一层加权输出矩阵，大小24*1；z
(2)
为第二层加权输出矩阵，大小12*1，z
(3)
第三层加权输出矩阵，大小1*1；
[0037]全连接神经网络的激活函数为：
[0038][0039]其中，a为焊点孔径误差预测值且a＝ReLU(z)。
[0040]本专利技术的有益效果：能够对焊接过程中是否发生火花进行精准预测，并且基于预测能够实现焊接工业参数的优化调整，从而能够有效防止焊接过程中发生火花飞溅，确保生产效率以及生产质量。
附图说明
[0041]下面结合附图和实施例对本专利技术作进一步描述：
[0042]图1为本专利技术的流程图。
具体实施方式
[0043]以下进一步对本专利技术进行详细说明：
[0044]本专利技术提供的一种基于全连接神经网络的焊接飞溅及工艺参数优化方法，包括以下步骤：
[0045]S1.采集焊接生产工艺参数；
[0046]S2.对采集的生产工艺参数进行预处理；
[0047]S3.构建全连接神经网络，并将预处理后的生产工艺参数输入至全连接神经网络中对全连接神经网络进行训练；
[0048]S4.评估全连接神经网络的准确性，当全连接神经网络准确性达到设定值，则将采集的生产工艺参数输入至全连接神经网络中进行飞溅预测，并输出预测值；
[0049]S5.当存在飞溅时，再次构建全连接神经网络，将生产工艺参数输入至全连接神经网络中进行训练；
[0050]S6.将采集的生产工艺参数输入至步骤S5构建的全连接神经网络中进行处理，输出焊点孔径误差值；
[0051]S7.判断焊点孔径误差是否达到设定误差值，如否，采用粒子群优化算法对生产工艺参数进行优化，更新生产工艺参数，返回步骤S5；如是，则以优化后的生产工艺参数对焊接系统进行设置。其中：粒子群优化算法为现有技术，在此不进行赘述；通过上述方法，能够对焊接过程中是否发生火花进行精准预测，并且基于预测能够实现焊接工业参数的优化调整，从而能够有效防止焊接过程中发生火花飞溅，确保生产效率以及生产质量。
[0052]其中，所述生产工艺参数包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全连接神经网络的焊接飞溅及工艺参数优化方法，其特征在于：包括以下步骤：S1.采集焊接生产工艺参数；S2.对采集的生产工艺参数进行预处理；S3.构建全连接神经网络，并将预处理后的生产工艺参数输入至全连接神经网络中对全连接神经网络进行训练；S4.评估全连接神经网络的准确性，当全连接神经网络准确性达到设定值，则将采集的生产工艺参数输入至全连接神经网络中进行飞溅预测，并输出预测值；S5.当存在飞溅时，再次构建全连接神经网络，将生产工艺参数输入至全连接神经网络中进行训练；S6.将采集的生产工艺参数输入至步骤S5构建的全连接神经网络中进行处理，输出焊点孔径误差值；S7.判断焊点孔径误差是否达到设定误差值，如否，采用粒子群优化算法对生产工艺参数进行优化，更新生产工艺参数，返回步骤S5；如是，则以优化后的生产工艺参数对焊接系统进行设置。2.根据权利要求1所述基于全连接神经网络的焊接飞溅及工艺参数优化方法，其特征在于：所述生产工艺参数包括：焊点坐标、焊枪电流、工件夹具角度以及焊接轨迹。3.根据权利要求1所述基于全连接神经网络的焊接飞溅及工艺参数优化方法，其特征在于：步骤S2中，对生产工艺参数预处理包括：对生产工艺数据进行归一化处理：X
scale
为归一化处理后的工艺参数，X
ij
表示单个工艺参数，X
je
为第j个工艺参数的平均数，δ
j
为第j个工艺参数的方差，i表示工艺参数的样本序号。4.根据权利要求1所述基于全连接神经网络的焊接飞溅及工艺参数优化方法，其特征在于：步骤S3中，全连接神经网络包括输入层、隐含层和输出层；其中：输入层和隐含层的激活函数为：输出层的激活函数为：全连接神经网络的损失函数为：<...

【专利技术属性】
技术研发人员：蔡洪伟，唐倩，郭伏雨，程奕华，叶超，钱锐，陈美君，吴同春，
申请(专利权)人：重庆铃耀汽车有限公司重庆长安汽车股份有限公司，
类型：发明
国别省市：