焊接参数量化表征的自学习方法、装置、设备及存储介质制造方法及图纸

本申请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，本申请包括: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。本申请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。工艺解决方案。工艺解决方案。

【技术实现步骤摘要】
焊接参数量化表征的自学习方法、装置、设备及存储介质


[0001]本申请涉及焊接机器人
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]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，本申请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。
[0005]本申请的方案如下：
[0006]第一方面，本申请提供焊接参数量化表征的自学习方法，所述方法包括：
[0007]得到焊接过程相关参数；
[0008]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；
[0009]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。
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]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：
[0015]S1.构建神经元网络模型；
[0016]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；
[0017]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。
[0018]进一步地，构建所述神经元网络模型，包括：
[0019]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。
[0020]进一步地，所述神经元网络模型还包括：
[0021]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；
[0022]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；
[0023]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。
[0024]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：
[0025]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；
[0026]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。
[0027]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：
[0028]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。
[0029]第二方面，本申请提供焊接参数量化表征的自学习装置，所述装置包括：
[0030]参数获取模块，用于得到焊接过程相关参数；
[0031]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；
[0032]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。
[0033]第三方面，本申请提供焊接参数量化表征的自学习设备，所述设备包括：
[0034]存储器，其上存储有可执行程序；
[0035]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。
[0036]第四方面，本申请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。
[0037]本申请提供的技术方案可以包括以下有益效果：
[0038]本申请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。本申请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。
[0039]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
能限制本申请。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0041]图1是本申请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；
[0042]图2是本申请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；
[0043]图3是本申请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是本申请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
[0044]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申请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、本申请的一些方面相一致的装置和方法的例子。
[0045]实施例一
[0046]请参阅图1，图1是本申请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：
[0047]S1.得到焊接过程相关参数；
[0048]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；
[0049]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。
...

【技术保护点】

【技术特征摘要】
1.焊接参数量化表征的自学习方法，其特征在于，所述方法包括：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。2.根据权利要求1所述的方法，其特征在于，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；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；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；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。3.根据权利要求1所述的方法，其特征在于，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：S1.构建神经元网络模型；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；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。4.根据权利要求2所述的方法，其特征在于，构建所述神经元网络模型，包括：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。5.根据权利要求3所述的方法，其特征在于，所述神经元网络模型还包括：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；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；输出层，包括：焊缝外观质量、...

【专利技术属性】
技术研发人员：黄继强，阎其睿，薛龙，姚舒晏，梁亚军，邹勇，曹莹瑜，黄军芬，张瑞英，韩峰，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：