一种基于大数据处理的钢结构焊接工艺优化方法及系统技术方案

本发明专利技术公开了一种基于大数据处理的钢结构焊接工艺优化方法及系统，包括以下步骤：S1、从云端的工艺数据库中选择缺陷指标值最小的焊接工艺方案作为当前的基准方案；S2、通过焊接工艺优化模型获得机器优化方案P1；S3、按照机器优化方案对焊接对象进行焊接；S4、对焊接区域进行质量检测，分析得到焊接区域的缺陷指标值V1；S5、将V1和缺陷指标阈值进行比较。本发明专利技术提供了的基于大数据处理的钢结构焊接工艺优化方法，能够根据环境因素的变化，借助基于机器学习算法的焊接工艺优化模型实时调整浮动参数，从而获得优化的焊接工艺方案，并据此进行焊接，能够有效提高焊接质量。能够有效提高焊接质量。能够有效提高焊接质量。

【技术实现步骤摘要】
一种基于大数据处理的钢结构焊接工艺优化方法及系统


[0001]本专利技术涉及钢结构工程领域，特别涉及一种基于大数据处理的钢结构焊接工艺优化方法及系统。

技术介绍

[0002]钢结构是由钢制材料组成的结构，是主要的建筑结构类型之一。各构件或部件之间通常采用焊缝、螺栓或铆钉连接，因具有自重较轻、强度大、施工简单等优点，广泛应用于大型厂房、场馆、超高层、桥梁等领域。
[0003]焊接是钢结构之间的连接的主要方式之一，焊接的强度对钢结构牢固性影响重大，焊接工艺的优劣能直接决定焊接强度的高度。目前钢结构的焊接质量好坏主要取决与操作人员的经验，焊接质量不稳定，且由于缺乏必要的基准焊接参数的参考，往往还需要多次的人工焊接实验以进行焊接参数的优化，导致焊接效率低下。基于大数据的支持进行焊接工艺的优化，是一种具备较好潜力的方案，例如专利CN109822200B公开的一种基于云平台大数据的自适应焊接方法及系统。
[0004]对于钢结构焊接而言，其通常处于暴露的环境中，例如建筑工地的钢结构建筑焊接，所以环境因素对钢结构焊接的影响不容忽视。环境因素中，温度和湿度对焊接质量的影响显著(杨武.现场环境对厚钢板焊接应力的影响研究[D].重庆交通大学,2010)，所以在不同温湿度情况下，需要适应性的优化调整焊接工艺参数，才能够保证更好的焊接质量。但现有技术中通常忽略了环境因素的影响或是难以依据环境因素的变化自适应调整焊接工艺。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于大数据处理的钢结构焊接工艺优化方法及系统。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：一种基于大数据处理的钢结构焊接工艺优化方法，包括以下步骤：
[0007]S1、从云端的工艺数据库中选择缺陷指标值最小的焊接工艺方案作为当前的基准方案，记为P0，P0对应的缺陷指标值记为V0；
[0008]所述工艺数据库中存储有若干焊接工艺方案P，每个焊接工艺方案P均具有一个该工艺获得的缺陷指标值V作为评价标签，该缺陷指标值V代表对应的焊接工艺方案P的焊接质量好坏，且V越小，代表焊接质量越好；
[0009]S2、将当前的环境温度、湿度、当前焊接对象要求的缺陷指标阈值V
T
和基准方案P0输入基于机器学习的焊接工艺优化模型中，所述焊接工艺优化模型输出机器优化方案P1；
[0010]S3、按照机器优化方案P1对焊接对象进行焊接；
[0011]S4、对焊接区域进行质量检测，分析得到焊接区域的缺陷指标值V1，将V1作为机器优化焊接工艺方案P1的评价标签；
[0012]S5、将V1和预先确定的当前焊接对象的缺陷指标阈值V
T
进行比较：若V1≤V
T
且V1≤
V0，则判定焊接合格，并将将当前的机器优化焊接工艺方案P1与对应的缺陷指标值V1绑定并上传至云端的工艺数据库中，V1作为P1的评价标签，更新工艺数据库。
[0013]优选的是，该方法还包括步骤S6和步骤S7，且步骤S5
‑
S7具体如下：
[0014]S5、将V1和预先确定的当前焊接对象的缺陷指标阈值V
T
进行比较：若V1≤V
T
，则判定焊接合格，进入步骤S6，否则直接进入步骤S7；
[0015]S6、比较V1和V0：若V1≤V0，则将当前的机器优化焊接工艺方案P1与对应的缺陷指标值V1绑定并上传至云端的工艺数据库中，V1作为P1的评价标签，更新工艺数据库；否则，不上传机器优化焊接工艺方案P1；
[0016]结束，完成焊接工艺优化；
[0017]S7、清除当前的焊接区域，人工对机器优化焊接工艺方案P1进行优化后对焊接对象进行焊接，重复步骤S3
‑
S5，直至焊接区域被判定为焊接合格，将此时对应的人工优化后的方案记为人工优化焊接工艺方案P2，P2对应的缺陷指标值记为V2；
[0018]然后比较V2和V0：若V2≤V0，则将当前的人工优化焊接工艺方案P2与对应的缺陷指标值V2绑定并上传至云端的工艺数据库中，V2作为P2的评价标签，更新工艺数据库；否则，不上传人工优化焊接工艺方案P2；
[0019]结束，完成焊接工艺优化。
[0020]优选的是，焊接工艺方案中包括固定参数g和浮动参数f，所述浮动参数f包括焊接电流、焊接电压、焊接速度；
[0021]所述焊接工艺优化模型根据当前的环境温度值、湿度值对焊接工艺方案中的浮动参数进行优化。
[0022]优选的是，所述焊接工艺优化模型包括基于机器学习算法的参数优化子模型、工艺拆分与组合子模型。
[0023]优选的是，所述步骤S2具体为：
[0024]S2
‑
1、将当前的环境温度、湿度、当前焊接对象要求的缺陷指标阈值V
T
和基准方案P0输入基于机器学习的焊接工艺优化模型中，基准方案P0被工艺拆分与组合子模型拆分得到浮动参数f和固定参数g；
[0025]S2
‑
2、环境温度、湿度以及缺陷指标阈值V
T
输入到所述参数优化子模型中，所述参数优化子模型输出优化后的浮动参数f
′
；
[0026]S2
‑
3、所述工艺拆分与组合子模型将优化后的浮动参数f
′
与固定参数g组合，得到机器优化焊接工艺方案P1。
[0027]优选的是，所述参数优化子模型通过以下方法构建得到：
[0028]1)构建训练数据集：
[0029]1‑
1)从云端的工艺数据库中选择一个既有的焊接工艺方案，保持焊接工艺方案中的固定参数g不变，在不同的环境温度、湿度的条件下，调节焊接工艺方案的浮动参数f对相同的对象进行焊接，然后按照与步骤S4相同的方法对焊接区域进行质量检测，分析得到每次焊接所得焊接区域的缺陷指标值V；
[0030]1‑
2)将环境温度、湿度作为环境因素数据h，将每次焊接中对应的环境因素数据h、浮动参数f及缺陷指标值V组合为一条训练数据q，进行N次焊接，保留所有缺陷指标值不高于预先设定的阈值V
Tb
的训练数据q，组合得到训练数据集Q；
[0031]2)利用训练数据集Q对参数优化基础网络模型进行训练，获得参数优化子模型：
[0032]将训练数据集Q输入到基于机器学习算法的参数优化基础网络模型中，以环境因素数据h、缺陷指标值V作为输入，浮动参数f作为输出进行训练，训练完成后，得到所述参数优化子模型。
[0033]优选的是，所述步骤S4中，对焊接区域进行质量检测的方法具体为：
[0034]S4
‑
1、采集包含整个焊接区域的焊接位置原始图像，进行灰度处理和阈值分割后得到焊接区域图像；
[0035]S4
‑
2、通过阈值分割，在焊接区域图像中提取出焊接缺陷区域R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据处理的钢结构焊接工艺优化方法，其特征在于，包括以下步骤：S1、从云端的工艺数据库中选择缺陷指标值最小的焊接工艺方案作为当前的基准方案，记为P0，P0对应的缺陷指标值记为V0；所述工艺数据库中存储有若干焊接工艺方案P，每个焊接工艺方案P均具有一个该工艺获得的缺陷指标值V作为评价标签，该缺陷指标值V代表对应的焊接工艺方案P的焊接质量好坏，且V越小，代表焊接质量越好；S2、将当前的环境温度、湿度、当前焊接对象要求的缺陷指标阈值V
T
和基准方案P0输入基于机器学习的焊接工艺优化模型中，所述焊接工艺优化模型输出机器优化方案P1；S3、按照机器优化方案P1对焊接对象进行焊接；S4、对焊接区域进行质量检测，分析得到焊接区域的缺陷指标值V1，将V1作为机器优化焊接工艺方案P1的评价标签；S5、将V1和预先确定的当前焊接对象的缺陷指标阈值V
T
进行比较：若V1≤V
T
且V1≤V0，则判定焊接合格，并将将当前的机器优化焊接工艺方案P1与对应的缺陷指标值V1绑定并上传至云端的工艺数据库中，V1作为P1的评价标签，更新工艺数据库。2.根据权利要求1所述的基于大数据处理的钢结构焊接工艺优化方法，其特征在于，该方法还包括步骤S6和步骤S7，且步骤S5
‑
S7具体如下：S5、将V1和预先确定的当前焊接对象的缺陷指标阈值V
T
进行比较：若V1≤V
T
，则判定焊接合格，进入步骤S6，否则直接进入步骤S7；S6、比较V1和V0：若V1≤V0，则将当前的机器优化焊接工艺方案P1与对应的缺陷指标值V1绑定并上传至云端的工艺数据库中，V1作为P1的评价标签，更新工艺数据库；否则，不上传机器优化焊接工艺方案P1；结束，完成焊接工艺优化；S7、清除当前的焊接区域，人工对机器优化焊接工艺方案P1进行优化后对焊接对象进行焊接，重复步骤S3
‑
S5，直至焊接区域被判定为焊接合格，将此时对应的人工优化后的方案记为人工优化焊接工艺方案P2，P2对应的缺陷指标值记为V2；然后比较V2和V0：若V2≤V0，则将当前的人工优化焊接工艺方案P2与对应的缺陷指标值V2绑定并上传至云端的工艺数据库中，V2作为P2的评价标签，更新工艺数据库；否则，不上传人工优化焊接工艺方案P2；结束，完成焊接工艺优化。3.根据权利要求2所述的基于大数据处理的钢结构焊接工艺优化方法，其特征在于，焊接工艺方案中包括固定参数g和浮动参数f，所述浮动参数f包括焊接电流、焊接电压、焊接速度；所述焊接工艺优化模型根据当前的环境温度值、湿度值对焊接工艺方案中的浮动参数进行优化。4.根据权利要求3所述的基于大数据处理的钢结构焊接工艺优化方法，其特征在于，所述焊接工艺优化模型包括基于机器学习算法的参数优化子模型、工艺拆分与组合子模型。5.根据权利要求4所述的基于大数据处理的钢结构焊接工艺优化方法，其特征在于，所述步骤S2具体为：S2
‑
1、将当前的环境温度、湿度、当前焊接对象要求的缺陷指标阈值V
T
和基准方案P0输
入基于机器学习的焊接工艺优化模型中，基准方案P0被工艺拆分与组合子模型拆分得到浮动参数f和固定参数g；S2
‑
2、环境温度、湿度以及缺陷指标阈值V
T
输入到所述参数优化子模型中，所述参数优化子模型输出优化后的浮动参数f
′
；S2
‑
3、所述工艺拆分与组合子模型将优化后的浮动参数f
′
与固定参数g组合，得到机器优化焊接工艺方案P1。6.根据权利要求5所述的基于大数据处理的钢结构焊接工艺优化方法，其特征在于，所述参数优化子模型通过以下方法构建得到：1)构建训练数据集：1
‑
1)从云端的工艺数据库中选择一个既有的焊接工艺方案，保持焊接工艺方案中的固定参数g不变，在不同的环境温度、湿度的条件下，调节焊接工艺方案的浮动参数f对相同的对象进行焊接，然后按照与步骤S4相同的方法对焊接区域进行质量检测，分析得到每次焊接所得焊接区域的缺陷指标值V；1
‑
2)将环境温度、湿度作为环境因素数据h，将每次焊接中对应的环境因素数据h、浮动参数f及缺陷指标值V组合为一条训练数据q，进行N次焊接，保留所有缺陷指标值不高于预先设定的阈值V
Tb
的训练数据q，组合得到训练数据集Q；2)利用训练数据集Q对参数优化基础网络模型进行训练，获得参数优化子模型：将训练数据集Q输入到基于机器学习算法的参数优化基础网络模型中，以环境因素数据h、缺陷指标值V作为输入，浮动参数f作为输出进行训练，训练完成后，得到所述参数优化子模型。7.根据权利要求6所述的基于大数据处理的钢结构焊接工艺优化方法，其特征在于，所述步骤S4中，对焊接区域进行质量检测的方法...

【专利技术属性】
技术研发人员：孙金亮，张玉，季兆东，周大齐，
申请(专利权)人：江苏迅兴重工设备有限公司，
类型：发明
国别省市：