基于多目标学习算法的焊接参数自适应预测方法技术

为了解决现有焊接参数预测方法预测准确度低、预测实时性较低，以及当企业信息库中不含有或新任务中未录入焊件参数时无法生成相应的焊接工艺参数的技术问题，本发明专利技术提出了一种基于多目标学习算法的焊接参数自适应预测方法。本发明专利技术通过对焊接工件的特征信息进行分析，基于已有的工艺信息库和工艺经验，分析焊接工艺参数的关联关系，利用所提出的基于GA算法的多目标XGBoost模型对焊件信息和焊接工艺参数进行学习，构建焊接工艺全部参数的自适应预测模型，能够高效地对于原始数据库中没有的工艺参数进行较为准确的预测，提高焊接可靠性。性。性。

【技术实现步骤摘要】
基于多目标学习算法的焊接参数自适应预测方法


[0001]本专利技术涉及工业机器人焊接
，具体涉及一种焊接参数自适应预测方法。

技术介绍

[0002]随着制造业智能化的转变，制造企业需要能够快速敏捷地响应用户的个性化需求和市场的短周期需求，基于数据驱动的智能化决策技术为这些需求提供了可能。焊接机器人作为制造业中新兴的一部分，越来越受到人们的关注。但是目前焊接机器人存在着焊接参数难以预测、焊接经验难以普及、焊接参数难以评价等问题。这些问题使得焊接机器人的使用需要大量有经验的人员介入，严重制约了焊接机器人技术的应用和发展。因此焊接参数自适应优化已成为焊接机器人领域一项关键的研究内容。
[0003]近年来，在焊接参数自适应预测或优化方面的研究主要有：
[0004]配天机器人技术有限公司公开的专利技术专利《一种智能焊接装置、焊接方法以及计算机可读存储介质》(202010734486.7)，通过读取计算机存储的工艺参数信息和焊件参数信息，为待加工工件匹配相对应的焊接参数。但是该技术仅构建了参数匹配模型，并未构建焊接参数预测模型，因此需要在系统预设匹配规则的前提下运行，如果新任务的焊件参数信息并未录入，则无法为其产生相对应的焊接工艺参数。
[0005]西咸新区大熊星座智能科技有限公司公开的专利技术专利《焊接工艺匹配调用方法及装置》(202010446654.2)，提供了一种基于焊接领域工艺经验模型的参数处理方式，通过预设的工艺参数模型对定量参数数据进行处理，获取焊接工艺参数。该方法所获取的焊接工艺参数主要基于公式的焊接参数预测模型，但是由于焊接类型复杂、参数数量多，这样的参数预测模型在焊接类型发生变化后则需要重新构建公式，而且由于环境的影响，构建的公式无法准确地对参数进行预测。
[0006]上海船舶工艺研究所(中国船舶工业集团公司第十一研究所)公开的专利技术专利《面向船舶焊接工艺规划的参数规则匹配方法》(202111198144.9)通过对船舶焊接工艺规则进行汇总，通过船舶设计软件API接口读取工件设计数据，通过焊缝的设计属性以及其连接的零件外形，提取焊缝的特征信息，然后按照特殊到一般进行优先级降序排列为其匹配表达式计算焊缝特征，若表达式结果为真，则将表达式对应的工艺参数匹配给焊缝。同样的，这种方法是基于规则的焊接参数生成方法，并未构建焊接参数预测模型，如果企业信息库中不含有的焊件参数则无法预测其焊接工艺参数。
[0007]经略智能科技(苏州)有限公司公开的专利技术专利《基于XGBoost机器学习模型的焊接方法》(201810896178.7)提出了一种能够通过焊口质量样本数据，根据XGBoost机器学习模型对焊接参数进行调整，对输油管材进行自动焊接的方法。但是这种机器学习方法只能进行单目标预测，而实际中焊接参数数量很多，单一独立的预测模型无法充分考虑焊接参数之间的关联关系，从而导致参数预测准确度低，进而影响焊接精度。除此之外，由于焊接参数数量较大，预测模型的运算时间成倍增长，往往无法满足运行任务对参数实时预测的需求。

技术实现思路

[0008]为了解决现有焊接参数预测方法预测准确度低、预测实时性较低，以及当企业信息库中不含有或新任务中未录入焊件参数时无法生成相应的焊接工艺参数的技术问题，本专利技术提出了一种基于多目标学习算法的焊接参数自适应预测方法。
[0009]本专利技术的专利技术构思是：
[0010]本专利技术通过对焊接工件的特征信息进行分析，基于已有的工艺信息库和工艺经验，分析焊接工艺参数的关联关系，利用所提出的基于GA算法的多目标XGBoost模型对焊件信息和焊接工艺参数进行学习，构建焊接工艺全部参数的自适应预测模型，同时在每次任务结束用更新的工艺库对自适应预测模型进行训练，实现焊件信息的工艺参数预测和自适应预测模型的自动迭代更新。
[0011]首先，从现有的工艺信息库中抽取工艺信息表，对工艺信息表中的数据进行数据清洗，得到原始数据集，再对原始数据集进行扩充得到数据更加充分的训练数据集；
[0012]然后，利用GA算法对焊接工艺参数排序，并利用GA算法对多目标XGBoost模型进行超参数优化，最终得到焊接参数多目标自适应预测模型。
[0013]获取到的多目标自适应预测模型考虑了焊接工艺参数之间的关联关系，在输入新的工件信息后，对其相应的焊接工艺信息进行精确的预测，并且模型包含焊接机器人的全部焊接参数，提高了模型的泛化能力。
[0014]最后，通过对实验/实际焊接操作后的焊接结果进行获取，对其进行质量分析评价，将焊接质量与焊接工艺参数进行对应，将其重新输入到自适应预测模型中进行学习，实现对自适应预测模型的迭代优化。
[0015]本专利技术所采用的技术方案是：
[0016]基于多目标学习算法的焊接参数自适应预测方法，其特殊之处在于，包括以下步骤：
[0017]步骤1：基于企业工艺信息库建立包含工件特征和其所对应的焊接工艺参数的原始数据集；
[0018]步骤2：对所述原始数据集进行数据扩充，得到数据更加充分的训练数据集；
[0019]步骤3：将传统单目标XGBoost模型中的单层CART回归树改进为能够构架多目标输出的多层Mutli
‑
CART回归树，从而构建出多目标XGBoost模型Multi_XGB；
[0020]步骤4：利用所述训练数据集对所述多目标XGBoost模型Multi_XGB进行训练和测试；
[0021]步骤5：将当前待加工工件的特征信息集输入到步骤4训练好的多目标XGBoost模型Multi_XGB中，得到与之对应的预测焊接工艺参数。
[0022]进一步地，还包括对所述多目标XGBoost模型Multi_XGB进行迭代更新的步骤，具体为：
[0023]步骤6：基于步骤5得到的预测焊接工艺参数对工件在实验室/实际焊接之后，采用层次分析法对焊接结果进行焊接质量评价，将评价结果作为焊接质量评价指标；
[0024]步骤7：将所述焊接质量评价指标与设定阈值进行比较，若小于设定阈值，则进入步骤8；若大于等于设定阈值，则将当前焊接工艺参数作为最优参数，并放入最优参数优化数据集中，进入步骤9；
[0025]步骤8：对当前焊接工艺参数进行调参优化，并基于调参优化后得到的焊接工艺参数开展焊接实验，并根据焊接过程中的实时熔池图像不断对焊接工艺参数进行调整，直到获取到最优参数进入步骤9；
[0026]步骤9：将最优参数与其对应的工件特征整合为一条工艺信息，加入到所述训练数据集中，对训练数据集进行更新；
[0027]步骤10：利用更新后的训练数据集对当前的多目标XGBoost模型Multi_XGB中进行模型训练，实现模型的迭代更新。
[0028]进一步地，所述步骤1具体为：
[0029]步骤1.1：从企业工艺信息库中抽取当前工件的特征信息以及与当前工件的工艺类型相同的加工工件的工艺信息表，得到特征信息集Feature和焊接工艺参数：
[0030]Feat本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多目标学习算法的焊接参数自适应预测方法，其特征在于，包括以下步骤：步骤1：基于企业工艺信息库建立包含工件特征和其所对应的焊接工艺参数的原始数据集；步骤2：对所述原始数据集进行数据扩充，得到数据更加充分的训练数据集；步骤3：将传统单目标XGBoost模型中的单层CART回归树改进为能够构架多目标输出的多层Mutli
‑
CART回归树，从而构建出多目标XGBoost模型Multi_XGB；步骤4：利用所述训练数据集对所述多目标XGBoost模型Multi_XGB进行训练和测试；步骤5：将当前待加工工件的特征信息集输入到步骤4训练好的多目标XGBoost模型Multi_XGB中，得到与之对应的预测焊接工艺参数。2.根据权利要求1所述的基于多目标学习算法的焊接参数自适应预测方法，其特征在于：还包括对所述多目标XGBoost模型Multi_XGB进行迭代更新的步骤，具体为：步骤6：基于步骤5得到的预测焊接工艺参数对工件在实验室/实际焊接之后，采用层次分析法对焊接结果进行焊接质量评价，将评价结果作为焊接质量评价指标；步骤7：将所述焊接质量评价指标与设定阈值进行比较，若小于设定阈值，则进入步骤8；若大于等于设定阈值，则将当前焊接工艺参数作为最优参数，并放入最优参数优化数据集中，进入步骤9；步骤8：对当前焊接工艺参数进行调参优化，并基于调参优化后得到的焊接工艺参数开展焊接实验，并根据焊接过程中的实时熔池图像不断对焊接工艺参数进行调整，直到获取到最优参数进入步骤9；步骤9：将最优参数与其对应的工件特征整合为一条工艺信息，加入到所述训练数据集中，对训练数据集进行更新；步骤10：利用更新后的训练数据集对当前的多目标XGBoost模型Multi_XGB中进行模型训练，实现模型的迭代更新。3.根据权利要求1或2所述的基于多目标学习算法的焊接参数自适应预测方法，其特征在于：所述步骤1具体为：步骤1.1：从企业工艺信息库中抽取当前工件的特征信息以及与当前工件的工艺类型相同的加工工件的工艺信息表，得到特征信息集Feature和焊接工艺参数：Feature＝{fea1,fea2,
…
,fea
n
}；式中，fea
n
表示当前待加工工件的特征数据，包括焊接类型、焊接层数、工件的几何参数、工件的材质；n为当前待加工工件总的特征个数；步骤1.2：对抽取到的信息进行清洗、整合，得到原始数据集：式中，pa
j,m
表示从企业工艺信息库中抽取到的焊件的焊接工艺参数；
fea
j,n
表示待加工工件(焊件)的特征参数；m为焊接工艺参数的种类数量；j为训练数据集的样本数，由抽取到的数据量决定。4.根据权利要求3所述的基于多目标学习算法的焊接参数自适应预测方法，其特征在于：所述步骤2具体为：步骤2.1：从企业工艺经验库中抽取工艺经验，包括焊接电流I、电弧电压U和焊接速度v的选取依据；其中：焊接电流I的选取依据为：I＝(30～50)d式中，d为焊条直径，单位为mm；焊接电流I的单位为A；电弧电压U选取依据为：U＝16～25式中，电弧电压的单位为V；焊接速度v(单位为cm/min)的选取依据为：式中，E表示焊缝所需的线能量，单位为J/cm，由焊板厚度和工件结构形式确定；焊接速度v的单位为cm/min；步骤2.2：根据步骤2.1抽取的工艺经验，构建工艺规则库Rule：Rule＝{rule1,rule2,rule3}式中，rule1表示一条由焊接电流I的选取依据转化成的第一条工艺规则...

【专利技术属性】
技术研发人员：景岩，张映锋，张诚，康承飞，夏浩，陈昱杉，丁孟嘉，李尧，田桢，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：