CN111461398A - 焊接工艺参数优化方法、设备及可读存储介质 - Google Patents
焊接工艺参数优化方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111461398A CN111461398A CN202010126442.6A CN202010126442A CN111461398A CN 111461398 A CN111461398 A CN 111461398A CN 202010126442 A CN202010126442 A CN 202010126442A CN 111461398 A CN111461398 A CN 111461398A
- Authority
- CN
- China
- Prior art keywords
- welding
- process parameter
- parameter combination
- preset
- penetration data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明公开了一种焊接工艺参数优化方法、设备及可读存储介质,所述焊接工艺参数优化方法通过训练样本对神经网络模型进行训练,使得获取到用于预测实际焊接工艺参数所对应的熔深数据的非线性映射关系;利用已训练的神经网络的预测能力将实际工艺参数组合不断向目标熔深数据的方向进行优化调整,简化了焊接参数调节的过程,使得焊接技术人员能够根据焊接工件参数快速适配优质的工艺参数;通过不断将实际工艺参数组合调整到逼近目标熔深数据所对应的工艺参数组合,使得实际工艺参数最终完成优化,提高了焊缝接头的力学性能,且工艺参数调试灵活,满足了焊接场景多变的需求,极大提高了焊接的质量与效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种焊接工艺参数优化方法、设备及可读存储介质。
背景技术
随着机器人技术的快速发展,利用工业机器人进行自动化焊接的方式已经得到普遍应用。而由于焊接过程具有高度的复杂性、不确定性、可变性与多变量耦合性,因而在实际的焊接过程中,往往需要焊接经验丰富的工程师针对当前的实际焊接条件,不断调节起弧、收弧、送气、焊枪速度等种种参数,通过调整参数对焊接效果进行不断优化,以达到预期的产品要求。上述的传统焊接工艺调试过程十分复杂,从而导致了通过传统的焊接方式的焊接生产效率低下的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种焊接工艺参数优化方法,旨在解决通过传统的焊接方式的焊接生产效率低下的技术问题。
为实现上述目的,本发明提供一种焊接工艺参数优化方法,所述焊接工艺参数优化方法应用于焊接工艺参数优化设备,所述焊接工艺参数优化方法包括以下步骤:
利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系;
根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合;
判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值;
若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合。
可选地,所述利用预设训练样本对预设神经网络模型进行训练的步骤之前,还包括:
建立目标激光焊接模型;
根据预设焊接工艺参数范围设计正交模拟试验,并根据有限元计算方式对所述目标激光焊接模型进行所述正交模拟试验;
获取经所述正交模拟试验得到的不同焊接工艺参数组合下的熔深数据,将所述不同焊接工艺参数组合下的熔深数据作为所述预设训练样本。
可选地,所述建立目标激光焊接模型的步骤包括:
基于预设初始边界条件,建立初始激光焊接模型;
获取预设高斯热表面热源模型,利用预设实验测温对所述预设高斯热表面热源模型进行修正;
结合修正后的高斯热表面热源模型与所述初始激光焊接模型,生成所述目标激光焊接模型。
可选地,所述直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合的步骤之后,还包括:
基于所述目标激光焊接模型,确定最优工艺参数组合条件下的焊接过程与冷却过程中应力场的变化规律;
获取最优工艺参数组合条件下焊接接头的焊接表面信息,并根据所述焊接表面信息确定焊接接头的力学性能;
根据所述变化规律与力学性能,判定所述最优工艺参数组合的实际应用效果。
可选地,所述根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合的步骤包括:
根据所述非线性映射关系与目标熔深数据,确定待优化工艺参数;
对所述待优化工艺参数增加或减小一步长,将调整后的待优化工艺参数作为所述优化工艺参数组合。
可选地,所述神经网络模型为BP神经网络模型,所述焊接工艺参数包括焊接功率、焊接速度和离焦量,所述利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系的步骤包括:
利用预设训练样本对带动量因子的BP神经网络模型进行训练,获取所述焊接功率、焊接速度、离焦量与熔深数据之间的非线性映射关系。
可选地,所述若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合的步骤包括:
若所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值不小于预设阈值,则对所述优化工艺参数组合中焊接功率、焊接速度与离焦量增加或减小一步长,确定新的优化工艺参数组合;
将新的优化工艺参数组合输入所述神经网络模型,所述神经网络模型根据所述非线性映射关系输出当前熔深数据;
直至当前熔深数据与所述预设目标熔深数据的差值小于预设阈值时,将此时的焊接功率、焊接速度与离焦量作为所述最优工艺参数组合。
可选地,所述判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值的步骤之后,还包括:
若所述优化工艺参数组合所映射的熔深数据与预设目标熔深数据之间的差值小于预设阈值,则将所述优化工艺参数组合作为所述最优工艺参数组合。
此外,为实现上述目的,本发明还提供一种焊接工艺参数优化装置,所述焊接工艺参数优化装置包括:
映射关系获取模块,用于利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系;
优化参数确定模块,用于根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合;
数据差值判断模块,用于判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值;
最优参数确定模块,用于若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合。
此外,为实现上述目的,本发明还提供一种焊接工艺参数优化设备,所述焊接工艺参数优化设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的焊接工艺参数优化程序,所述焊接工艺参数优化程序被所述处理器执行时实现如上述的焊接工艺参数优化方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有焊接工艺参数优化程序,所述焊接工艺参数优化程序被处理器执行时实现如上述的焊接工艺参数优化方法的步骤。
本发明提供一种焊接工艺参数优化方法、设备及计算机可读存储介质。所述焊接工艺参数优化方法通过利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系;根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合;判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值;若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合。通过上述方式,本发明通过训练样本对神经网络模型进行训练,使得获取到用于预测实际焊接工艺参数所对应的熔深数据的非线性映射关系;利用神经网络的预测能力将实际工艺参数组合不断向目标熔深数据的方向进行优化调整,简化了焊接参数调节的过程,使得焊接技术人员能够根据焊接工件参数快速适配优质的工艺参数;通过不断将实际工艺参数组合调整到逼近目标熔深数据所对应的工艺参数组合,使得实际工艺参数最终完成优化,提高了焊缝接头的力学性能,且工艺参数调试灵活,满足了焊接场景多变的需求,极大提高了焊接的质量与效率,从而解决了通过传统的焊接方式的焊接生产效率低下的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明焊接工艺参数优化方法第一实施例的流程示意图;
图3为本发明单隐层神经网络拓扑结构示意图;
图4为激光焊接工艺参数优化的流程示意图;
图5为本发明装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及焊接工艺参数优化程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的焊接工艺参数优化程序,并执行以下操作:
利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系;
根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合;
判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值;
若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合。
进一步地,处理器1001可以调用存储器1005中存储的焊接工艺参数优化程序,还执行以下操作:
建立目标激光焊接模型;
根据预设焊接工艺参数范围设计正交模拟试验,并根据有限元计算方式对所述目标激光焊接模型进行所述正交模拟试验;
获取经所述正交模拟试验得到的不同焊接工艺参数组合下的熔深数据,将所述不同焊接工艺参数组合下的熔深数据作为所述预设训练样本。
进一步地,处理器1001可以调用存储器1005中存储的焊接工艺参数优化程序,还执行以下操作:
基于预设初始边界条件,建立初始激光焊接模型;
获取预设高斯热表面热源模型,利用预设实验测温对所述预设高斯热表面热源模型进行修正;
结合修正后的高斯热表面热源模型与所述初始激光焊接模型,生成所述目标激光焊接模型。
进一步地,处理器1001可以调用存储器1005中存储的焊接工艺参数优化程序,还执行以下操作:
基于所述目标激光焊接模型,确定最优工艺参数组合条件下的焊接过程与冷却过程中应力场的变化规律;
获取最优工艺参数组合条件下焊接接头的焊接表面信息,并根据所述焊接表面信息确定焊接接头的力学性能;
根据所述变化规律与力学性能,判定所述最优工艺参数组合的实际应用效果。
进一步地,处理器1001可以调用存储器1005中存储的焊接工艺参数优化程序,还执行以下操作:
根据所述非线性映射关系与目标熔深数据,确定待优化工艺参数;
对所述待优化工艺参数增加或减小一步长,将调整后的待优化工艺参数作为所述优化工艺参数组合。
进一步地,处理器1001可以调用存储器1005中存储的焊接工艺参数优化程序,还执行以下操作:
利用预设训练样本对带动量因子的BP神经网络模型进行训练,获取所述焊接功率、焊接速度、离焦量与熔深数据之间的非线性映射关系。
进一步地,处理器1001可以调用存储器1005中存储的焊接工艺参数优化程序,还执行以下操作:
若所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值不小于预设阈值,则对所述优化工艺参数组合中焊接功率、焊接速度与离焦量增加或减小一步长,确定新的优化工艺参数组合;
将新的优化工艺参数组合输入所述神经网络模型,所述神经网络模型根据所述非线性映射关系输出当前熔深数据;
直至当前熔深数据与所述预设目标熔深数据的差值小于预设阈值时,将此时的焊接功率、焊接速度与离焦量作为所述最优工艺参数组合。
进一步地,处理器1001可以调用存储器1005中存储的焊接工艺参数优化程序,还执行以下操作:
若所述优化工艺参数组合所映射的熔深数据与预设目标熔深数据之间的差值小于预设阈值,则将所述优化工艺参数组合作为所述最优工艺参数组合。
基于上述硬件结构,提出本发明焊接工艺参数优化方法的各个实施例。
参照图2,图2为焊接工艺参数优化方法第一实施例的流程示意图。
随着机器人技术的快速发展,利用工业机器人进行自动化焊接的方式已经得到普遍应用。而由于焊接过程具有高度的复杂性、不确定性、可变性与多变量耦合性,因而在实际的焊接过程中,往往需要焊接经验丰富的工程师针对当前的实际焊接条件,不断调节起弧、收弧、送气、焊枪速度等种种参数,通过调整参数对焊接效果进行不断优化,以达到预期的产品要求。上述的传统焊接工艺调试过程十分复杂,从而导致了通过传统的焊接方式的焊接生产效率低下的技术问题。
在本实施例中,为解决上述问题,本发明提供一种焊接工艺参数优化方法,即通过训练样本对神经网络模型进行训练,使得获取到用于预测实际焊接工艺参数所对应的熔深数据的非线性映射关系;利用神经网络的预测能力将实际工艺参数组合不断向目标熔深数据的方向进行优化调整,简化了焊接参数调节的过程,使得焊接技术人员能够根据焊接工件参数快速适配优质的工艺参数;通过不断将实际工艺参数组合调整到逼近目标熔深数据所对应的工艺参数组合,使得实际工艺参数最终完成优化,提高了焊缝接头的力学性能,且工艺参数调试灵活,满足了焊接场景多变的需求,极大提高了焊接的质量与效率,从而解决了通过传统的焊接方式的焊接生产效率低下的技术问题。所述焊接工艺参数优化方法应用于终端设备。
本发明第一实施例提供一种焊接工艺参数优化方法,所述焊接工艺参数优化方法包括以下步骤:
步骤S10,利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系;
在本实施例中,预设训练样本为步骤S10之前技术人员基于合理的焊接模型,进行了大量的焊接试验后所获取到的不同工艺参数下的焊接熔深数据。熔深指母材熔化部的最深位与母材表面之间的距离。预设神经网络模型的类型可为反向传播(BP,backpropagation)神经网络、径向基函数(RBF,Radial Basis Function)神经网络等。BP神经网络是按误差逆传播算法训练的多层前馈网络,能学***方和最小。BP神经网络主要包括输入层、隐含层、输出层及各层之间的传递函数,并且可以包含不同的隐含层。对于激光焊接方式,焊接工艺参数可为焊接功率、焊接速度、离焦量等。离焦量是激光焦点离作用物质间的距离。在焊接过程中,离焦量对焊接质量的影响很大。激光焊接通常需要一定的离焦量,因为激光焦点处光斑中心的功率密度过高,容易蒸发成孔。离开激光焦点的各平面上,功率密度分布相对均匀。实际的焊接任务可由焊接机器人根据预设预先编排的程序自动执行,也可由焊接机器人通过接收焊接技术人员发送的指令执行。具体地,以钢铝薄板为焊接对象,以激光焊为焊接实施方式,以BP神经网络模型为上述预设神经网络模型。终端获取到经大量钢铝激光焊接试验所得的多种不同焊接功率、焊接速度、离焦量条件下的焊接熔深数据,将其作为训练样本,并通过有监督学习的方式对钢铝激光焊接的BP神经网络进行训练,从而建立焊接功率、焊接速度、离焦量与焊接熔深之间的非线性映射关系,也即是训练后的BP神经网络模型具有了预测实际焊接功率、焊接速度与离焦量所映射的焊接熔深的能力。
步骤S20,根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合;
在本实施例中,预设目标熔深数据为完成当前焊接任务的最优熔深数据。优化工艺参数组合为调整后的焊接功率、焊接速度、离焦量等不同工艺参数所组成的集合。终端根据上述非线性映射关系,对选定的目标熔深数据附近的不同种类工艺参数的数值进行调整,从而得到一组新的工艺参数,将新的工艺参数组合作为优化工艺参数。具体地,终端根据焊接功率、焊接速度、离焦量与焊接熔深之间的非线性映射关系,确定出目标熔深数据附近的焊接功率、焊接速度与离焦量,并分别对焊接功率、焊接速度与离焦量增加或减小某一微小步长,得到一组新的焊接功率、焊接速度与离焦量的工艺参数组合,即为优化工艺参数组合。
步骤S30,判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值;
在本实施例中,终端将经调整后的优化工艺参数组合输入已训练的神经网络模型,通过模型对优化工艺参数组合所映射的焊接熔深数据进行预测,得到预测的实际焊接熔深数据后,将其与目标熔深数据进行比对。终端将模型所预测的实际焊接熔深数据与目标熔深数据之间的差值与预设阈值进行比较,判断差值是否小于预设阈值。其中,预设阈值可根据实际情况灵活设置,本实施例对此不做具体限定。具体地,以单隐层的BP神经网络模型为例,其网络拓扑结果如图3所示,对于激光焊接方式,将优化工艺参数中的激光功率P、焊接速度V与离焦量f作为输入变量,输入已训练的BP神经网络模型,模型包括输入层、隐含层、输出层及各层之间的传递函数,模型最终可预测出当前输入的P、V、f所映射的熔深D。
步骤S40,若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合。
在本实施例中,终端若判定模型预测的优化工艺参数所映射的实际熔深数据与目标熔深数据之间的差值大于或等于预设阈值,则可进一步判定该优化工艺参数组合还未达到理想状态,还需继续进行优化,终端则再次对当前的优化工艺参数组合中的各参数分别增加或减小某一微小步长,以对当前的优化工艺参数组合继续进行优化,并再次通过模型预测出对应的实际熔深数据,再次判断实际熔深数据与目标熔深数据之间的差值与预设阈值之间的大小关系,直至将优化工艺参数组合调整至其所对应的实际熔深数据,与目标熔深数据之间的差值小于预设阈值时,结束对参数的调整,将此时的优化工艺参数组合作为最优工艺参数组合。另外,在实际的焊接过程中,还可设置对优化工艺参数组合的最大调整次数,以避免资源的过度消耗。具体地,如图4所示,技术人员根据选定的激光焊接工艺参数范围,设计正交试验。终端进行数值模拟获得试验结果,得到不同工艺参数下的焊接熔深数据作为神经网络的训练样本;终端利用训练样本对BP神经网络模型进行训练,获得焊接工艺参数和熔接深度之间的非线性映射关系;终端在选定的目标熔深数据点附近对每个工艺参数增加或减少某一微小步长,获得新的一组工艺参数,重新设计正交实验,获得新的工艺参数组合;终端通过BP神经网络仿真预测新的工艺参数下的熔深数据;终端在新的熔深数据中查找最逼近合适熔深数据的点,若熔深已满足要求,则优化结束,反之则返回调整工艺参数步骤继续寻优,直至获得最优工艺参数组合。
在本实施例中,通过利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系;根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合;判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值;若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合。通过上述方式,本发明通过训练样本对神经网络模型进行训练,使得获取到用于预测实际焊接工艺参数所对应的熔深数据的非线性映射关系;利用神经网络的预测能力将实际工艺参数组合不断向目标熔深数据的方向进行优化调整,简化了焊接参数调节的过程,使得焊接技术人员能够根据焊接工件参数快速适配优质的工艺参数;通过不断将实际工艺参数组合调整到逼近目标熔深数据所对应的工艺参数组合,使得实际工艺参数最终完成优化,提高了焊缝接头的力学性能,且工艺参数调试灵活,满足了焊接场景多变的需求,极大提高了焊接的质量与效率,从而解决了通过传统的焊接方式的焊接生产效率低下的技术问题。
图中未示的,基于上述图2所示的第一实施例,提出本发明焊接工艺参数优化方法第二实施例。在本实施例中,步骤S10之前,还包括:
步骤a,建立目标激光焊接模型;
在本实施例中,可以理解的是,为获取到用于训练神经网络模型的训练样本数据,技术人员需要在终端上先建立一个焊接模型,再基于这一焊接模型进行大量焊接试验。本实施例以激光焊接方式为例,实际操作过程中可通过有限元分析软件ABAQUS、ANSYS、MSC等仿真模拟目标激光焊接模型。需要说明的是,由于焊接过程是一个涉及物理变化、传热学、力学、冶金学等多个方面的复杂过程,其中包含电磁、传热、融化凝固、结晶、变相等阶段过程,有限元分析软件不可能将所有过程都考虑在内,因此在建立激光焊接模型时,可对影响微弱的变量做一些合理的假设和简化,以避免数据过多导致计算量过大、消耗时间过长或计算收敛困难等问题。
步骤b,根据预设焊接工艺参数范围设计正交模拟试验,并根据有限元计算方式对所述目标激光焊接模型进行所述正交模拟试验;
在本实施例中,预设焊接工艺参数范围可根据实际情况具体设置,焊接方式不同,焊接材料不同,对应的焊接工艺参数范围可能也不尽相同,本实施例对此不做具体限定。技术人员根据一预设的焊接工艺参数范围设计正交模拟试验,并在使用有限元分析软件所建立的激光焊接模型上进行正交模拟试验。
步骤c,获取经所述正交模拟试验得到的不同焊接工艺参数组合下的熔深数据,将所述不同焊接工艺参数组合下的熔深数据作为所述预设训练样本。
在本实施例中,技术人员通过在激光焊接模型上进行正交试验,对计算所得的温度场与应力场的变化规律进行分析,获取到多组不同焊接工艺参数组合下所对应的各焊接熔深数据。终端将计算所得的多组不同焊接工艺参数组合下的焊接熔深数据作为用于训练神经网络模型的训练样本数据。
进一步地,在本实施例中,步骤a包括:
步骤d,基于预设初始边界条件,建立初始激光焊接模型;
在本实施例中,以所使用的有限元软件为ANSYS为例,预设初始边界条件为初始条件与边界条件。初始条件为:在温度t=0时,工件具有均匀的初始温度,一般为周围环境温度。而边界条件需考虑热源作用的高斯热流分布,焊接的对称面考虑为绝热边界条件,对于焊缝高温区,通过在实体单元表面覆盖一层表面效应单元来考虑对流和辐射边界条件。终端根据初始条件与边界条件,使用ANSYS软件建立初始激光焊接的几何模型。仿真过程中,对于模型三个部件,采用扫描方法划分六面体网格,板材厚度方向上,定义三层网格以捕捉弯曲变形效果。利用Ansys仿真平台可直接对焊接过程进行热固耦合数值求解,进而得到给定工艺参数条件下的温度场和应力场分布。
步骤e,获取预设高斯热表面热源模型,利用预设实验测温对所述预设高斯热表面热源模型进行修正;
在本实施例中,需要说明的是,考虑到本实施例中焊接对象为钢铝薄板,故选用高斯表面热源模型。具体地,为了仿真激光焊接过程产生的热场分布,必须建立精确地热源。对于移动热源施加问题,可借助ANSYS软件的ACT工具“Moving_Heat_Flux”实现高斯热源载荷设置:移动热流率或移动热能量两种方式。终端获取实际焊接实验中所记录的实验测温,根据实验测温对此热源模型进行修正,以使模型更加适配于实际焊接条件。
步骤f,结合修正后的高斯热表面热源模型与所述初始激光焊接模型,生成所述目标激光焊接模型。
在本实施例中,终端将基于ANSYS软件,将根据实验测温修正后的高斯热表面热源模型与根据初始条件与边界条件所建立的初始激光焊接模型相结合,生成上述目标激光焊接模型。
进一步地,在本实施例中,步骤S40之后,还包括:
步骤g,基于所述目标激光焊接模型,确定最优工艺参数组合条件下的焊接过程与冷却过程中应力场的变化规律;
在本实施例中,终端在ANSYS仿真平台上对目标激光焊接模型设置最优工艺参数组合,对其进行焊接过程仿真,并分析此条件下焊接过程与冷却过程中应力场的变化规律。需要说明的是,终端在ANSYS仿真平台上根据多种实验参数对激光焊接模型进行仿真模拟时,会相应进行激光焊过程瞬态热分析与热应力分析。终端根据瞬态热分析—静态结构分析的顺序耦合分析,将瞬态热分析获得的温度分布数据,传递到结构模块模拟激光焊接过程的热翘曲、热变形现象。
步骤h,获取最优工艺参数组合条件下焊接接头的焊接表面信息,并根据所述焊接表面信息确定焊接接头的力学性能;
在本实施例中,技术人员可观察在最优工艺参数组合条件下的进行焊接过后的焊接接头的表面成形性与表面缺陷,以此为依据对该焊接接头的力学性能进行判定。具体地,若焊接接头的表面成形性越高,表面缺陷越少,则可判定该焊接接头的力学性能越好。
步骤i,根据所述变化规律与力学性能,判定所述最优工艺参数组合的实际应用效果。
在本实施例中,终端可结合在最优工艺参数组合的焊接条件下,焊接工件的应力场的变化规律,以及焊接接头的力学性能,对该最优工艺参数组合的实际应用效果进行判定。若实际应用效果不佳,则可对该最优工艺参数组合继续进行优化。
在本实施例中,进一步通过建立目标激光焊接模型,并进行正交模拟试验,为神经网络模型提供了大量有效的训练样本数据;通过预设实验测温对激光焊接模型中所用到的热源模型进行修正,使得试验所得数据更加符合实际焊接情况,提高了数据的实用性;通过分析最优工艺参数组合条件下的应力场变化规律与力学性能,为本次焊接过程提供了反馈信息,同时也为后续的的焊接试验提供了真实依据。
图中未示的,基于上述图2所示的第一实施例,提出本发明焊接工艺参数优化方法第三实施例。在本实施例中,步骤S20包括:
步骤j,根据所述非线性映射关系与目标熔深数据,确定待优化工艺参数;
在本实施例中,终端基于已训练的BP神经网络模型所确定的焊接功率、焊接速度、离焦量与焊接熔深之间的非线性映射关系,选择出目标熔深数据附近的焊接功率、焊接速度与离焦量,将其作为待优化工艺参数。
步骤k,对所述待优化工艺参数增加或减小一步长,将调整后的待优化工艺参数作为所述优化工艺参数组合。
在本实施例中,终端分别对待优化的焊接功率、焊接速度、离焦量参数增加或减小某一微小步长,将新的焊接功率、焊接速度与离焦量作为上述优化工艺参数组合。
进一步地,在本实施例中,步骤S10包括:
步骤l,利用预设训练样本对带动量因子的BP神经网络模型进行训练,获取所述焊接功率、焊接速度、离焦量与熔深数据之间的非线性映射关系。
在本实施例中,需要说明的是,标准的BP算法学***稳。具体地,经过反复试验,对在本方案中对钢铝薄板的激光焊接过程中适宜的动量因子取值应为0.5。
进一步地,在本实施例中,步骤S40包括:
步骤m,若所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值不小于预设阈值,则对所述优化工艺参数组合中焊接功率、焊接速度与离焦量增加或减小一步长,确定新的优化工艺参数组合;
在本实施例中,若经终端将优化工艺参数组合输入已训练的BP神经网络模型后,得到经模型预测的优化工艺参数组合所对应的熔深数据,与目标熔深数据之间的差值大于或等于预设阈值,则分别对上述优化工艺参数组合中的焊接功率、焊接速度与离焦量增加或减小某一微小步长,并将调整后的焊接功率、焊接速度与离焦量作为新的优化工艺参数组合。
步骤n,将新的优化工艺参数组合输入所述神经网络模型,所述神经网络模型根据所述非线性映射关系输出当前熔深数据;
在本实施例中,终端将新的优化工艺参数组合作为输入模型的输入变量输入已训练的BP神经网络模型,根据模型训练所得的非线性映射关系对新的优化工艺参数组合所对应的熔深数据进行预测,得到预测的当前熔深数据。
步骤o,直至当前熔深数据与所述预设目标熔深数据的差值小于预设阈值时,将此时的焊接功率、焊接速度与离焦量作为所述最优工艺参数组合。
在本实施例中,终端对包含有焊接功率、焊接速度与离焦量的优化工艺参数组合不断进行调整,直至检测到当前的优化工艺参数组合所对应的当前熔深数据与目标熔深数据之间的差值小于预设阈值,则可判定已达到预期目标,停止对工艺参数的调整,将此时的焊接功率、焊接速度与离焦量作为上述最优工艺参数组合。
进一步地,在本实施例中,步骤S30之后,还包括:
步骤p,若所述优化工艺参数组合所映射的熔深数据与预设目标熔深数据之间的差值小于预设阈值,则将所述优化工艺参数组合作为所述最优工艺参数组合。
在本实施例中,终端若检测到上述优化工艺参数组合所对应的熔深数据与目标熔深数据之间的差值小于预设阈值,则可判定此时已达到预期目标,无需再对工艺参数进行调整,将上述优化工艺参数组合作为上述最优工艺参数组合。焊接机器人则以此最优工艺参数组合为焊接参数设置条件对待焊接工件进行焊接。
在本实施例中,进一步通过对待优化工艺参数增加或减小某一微小步长,实现了对待优化工艺参数的优化调整;通过采用带动量的BP神经网络,较之标准的BP神经网络学***稳,且收敛速度更快,进一步提高了工艺参数的优化效率;通过不断对工艺参数进行优化调整,直至达到预期目标数据范围,使得完成对各工艺参数的优化;通过将满足预期目标数据范围的优化工艺参数组合直接作为最优工艺参数组合,使得快速获取到最优工艺参数,提高了工艺参数优化的效率。
本发明还提供一种焊接工艺参数优化设备。
所述焊接工艺参数优化设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的焊接工艺参数优化程序,其中所述焊接工艺参数优化程序被所述处理器执行时,实现如上所述的焊接工艺参数优化方法的步骤。
其中,所述焊接工艺参数优化程序被执行时所实现的方法可参照本发明焊接工艺参数优化方法的各个实施例,此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有焊接工艺参数优化程序,所述焊接工艺参数优化程序被处理器执行时实现如上所述的焊接工艺参数优化方法的步骤。
其中,所述焊接工艺参数优化程序被执行时所实现的方法可参照本发明焊接工艺参数优化方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种焊接工艺参数优化方法,其特征在于,所述焊接工艺参数优化方法包括:
利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系;
根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合;
判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值;
若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合。
2.如权利要求1所述的焊接工艺参数优化方法,其特征在于,所述利用预设训练样本对预设神经网络模型进行训练的步骤之前,还包括:
建立目标激光焊接模型;
根据预设焊接工艺参数范围设计正交模拟试验,并根据有限元计算方式对所述目标激光焊接模型进行所述正交模拟试验;
获取经所述正交模拟试验得到的不同焊接工艺参数组合下的熔深数据,将所述不同焊接工艺参数组合下的熔深数据作为所述预设训练样本。
3.如权利要求2所述的焊接工艺参数优化方法,其特征在于,所述建立目标激光焊接模型的步骤包括:
基于预设初始边界条件,建立初始激光焊接模型;
获取预设高斯热表面热源模型,利用预设实验测温对所述预设高斯热表面热源模型进行修正;
结合修正后的高斯热表面热源模型与所述初始激光焊接模型,生成所述目标激光焊接模型。
4.如权利要求2所述的焊接工艺参数优化方法,其特征在于,所述直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合的步骤之后,还包括:
基于所述目标激光焊接模型,确定最优工艺参数组合条件下的焊接过程与冷却过程中应力场的变化规律;
获取最优工艺参数组合条件下焊接接头的焊接表面信息,并根据所述焊接表面信息确定焊接接头的力学性能;
根据所述变化规律与力学性能,判定所述最优工艺参数组合的实际应用效果。
5.如权利要求1所述的焊接工艺参数优化方法,其特征在于,所述根据预设目标熔深数据与所述非线性映射关系,确定优化工艺参数组合的步骤包括:
根据所述非线性映射关系与目标熔深数据,确定待优化工艺参数;
对所述待优化工艺参数增加或减小一步长,将调整后的待优化工艺参数作为所述优化工艺参数组合。
6.如权利要求1所述的焊接工艺参数优化方法,其特征在于,所述神经网络模型为BP神经网络模型,所述焊接工艺参数包括焊接功率、焊接速度和离焦量,所述利用预设训练样本对预设神经网络模型进行训练,获取焊接工艺参数与熔深数据之间的非线性映射关系的步骤包括:
利用预设训练样本对带动量因子的BP神经网络模型进行训练,获取所述焊接功率、焊接速度、离焦量与熔深数据之间的非线性映射关系。
7.如权利要求1-6中任意一项所述的焊接工艺参数优化方法,其特征在于,所述若不小于预设阈值,则调整所述优化工艺参数组合,直至所述差值小于预设阈值时,将此时的优化工艺参数组合作为最优工艺参数组合的步骤包括:
若所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值不小于预设阈值,则对所述优化工艺参数组合中焊接功率、焊接速度与离焦量增加或减小一步长,确定新的优化工艺参数组合;
将新的优化工艺参数组合输入所述神经网络模型,所述神经网络模型根据所述非线性映射关系输出当前熔深数据;
直至当前熔深数据与所述预设目标熔深数据的差值小于预设阈值时,将此时的焊接功率、焊接速度与离焦量作为所述最优工艺参数组合。
8.如权利要求1所述的焊接工艺参数优化方法,其特征在于,所述判断所述优化工艺参数组合所映射的熔深数据与所述预设目标熔深数据之间的差值是否小于所述预设阈值的步骤之后,还包括:
若所述优化工艺参数组合所映射的熔深数据与预设目标熔深数据之间的差值小于预设阈值,则将所述优化工艺参数组合作为所述最优工艺参数组合。
9.一种焊接工艺参数优化设备,其特征在于,所述焊接工艺参数优化设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的焊接工艺参数优化程序,所述焊接工艺参数优化程序被所述处理器执行时实现如权利要求1至8中任一项所述的焊接工艺参数优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有焊接工艺参数优化程序,所述焊接工艺参数优化程序被处理器执行时实现如权利要求1至8中任一项所述的焊接工艺参数优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010126442.6A CN111461398A (zh) | 2020-02-27 | 2020-02-27 | 焊接工艺参数优化方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010126442.6A CN111461398A (zh) | 2020-02-27 | 2020-02-27 | 焊接工艺参数优化方法、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111461398A true CN111461398A (zh) | 2020-07-28 |
Family
ID=71684193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010126442.6A Pending CN111461398A (zh) | 2020-02-27 | 2020-02-27 | 焊接工艺参数优化方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461398A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380743A (zh) * | 2020-11-02 | 2021-02-19 | 湖北文理学院 | 一种异种钢激光穿透焊接参数确定方法 |
CN112555451A (zh) * | 2020-10-29 | 2021-03-26 | 成都成高阀门有限公司 | 用于全焊接球阀阀座密封槽的压制工艺参数确定方法及半成品阀座 |
CN112710490A (zh) * | 2020-12-21 | 2021-04-27 | 歌尔光学科技有限公司 | 一种用于激光喷料焊接机的性能检测方法 |
CN113111006A (zh) * | 2021-05-06 | 2021-07-13 | 上海三一重机股份有限公司 | 作业机械控制***调试方法及*** |
CN113305853A (zh) * | 2021-07-28 | 2021-08-27 | 季华实验室 | 优化焊接参数获取方法、装置、电子设备及存储介质 |
CN113369753A (zh) * | 2021-07-01 | 2021-09-10 | 中铁磁浮科技(成都)有限公司 | 基于有限元分析的焊接参数确定方法及焊接方法 |
CN114202262A (zh) * | 2022-02-21 | 2022-03-18 | 德州联合拓普复合材料科技有限公司 | 基于神经网络的预浸料工艺改进方法、***和存储介质 |
CN114548610A (zh) * | 2022-04-27 | 2022-05-27 | 季华实验室 | 发动机盖外板冲压工艺的自动排布方法及装置 |
CN114871577A (zh) * | 2022-05-13 | 2022-08-09 | 武汉锐科光纤激光技术股份有限公司 | 齿轮刀盘的焊接方法和装置、存储介质及电子装置 |
WO2023045237A1 (zh) * | 2021-09-27 | 2023-03-30 | 深圳市联赢激光股份有限公司 | 一种智能焊接方法、智能焊接***及计算机存储介质 |
CN115922061A (zh) * | 2022-12-07 | 2023-04-07 | 长沙大科激光科技有限公司 | 基于超声实时测量的铜铝异种金属搭接焊方法 |
CN117483954A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市恒永达科技股份有限公司 | 一种薄壁金属激光焊接方法、***及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999676A (zh) * | 2012-12-24 | 2013-03-27 | 湖南大学 | 一种钢/铝激光熔钎焊的工艺优化方法 |
CN106909727A (zh) * | 2017-02-20 | 2017-06-30 | 武汉理工大学 | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 |
-
2020
- 2020-02-27 CN CN202010126442.6A patent/CN111461398A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999676A (zh) * | 2012-12-24 | 2013-03-27 | 湖南大学 | 一种钢/铝激光熔钎焊的工艺优化方法 |
CN106909727A (zh) * | 2017-02-20 | 2017-06-30 | 武汉理工大学 | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 |
Non-Patent Citations (1)
Title |
---|
乔小杰: "基于 BP 神经网络钢/铝激光焊工艺优化及组织性能研究", 《中国优秀硕士学位论文全文数据库 (电子刊)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112555451A (zh) * | 2020-10-29 | 2021-03-26 | 成都成高阀门有限公司 | 用于全焊接球阀阀座密封槽的压制工艺参数确定方法及半成品阀座 |
CN112555451B (zh) * | 2020-10-29 | 2022-03-18 | 成都成高阀门有限公司 | 用于全焊接球阀阀座密封槽的压制工艺参数确定方法及半成品阀座 |
CN112380743A (zh) * | 2020-11-02 | 2021-02-19 | 湖北文理学院 | 一种异种钢激光穿透焊接参数确定方法 |
CN112710490B (zh) * | 2020-12-21 | 2022-11-11 | 歌尔光学科技有限公司 | 一种用于激光喷料焊接机的性能检测方法 |
CN112710490A (zh) * | 2020-12-21 | 2021-04-27 | 歌尔光学科技有限公司 | 一种用于激光喷料焊接机的性能检测方法 |
CN113111006A (zh) * | 2021-05-06 | 2021-07-13 | 上海三一重机股份有限公司 | 作业机械控制***调试方法及*** |
CN113369753A (zh) * | 2021-07-01 | 2021-09-10 | 中铁磁浮科技(成都)有限公司 | 基于有限元分析的焊接参数确定方法及焊接方法 |
CN113305853A (zh) * | 2021-07-28 | 2021-08-27 | 季华实验室 | 优化焊接参数获取方法、装置、电子设备及存储介质 |
WO2023045237A1 (zh) * | 2021-09-27 | 2023-03-30 | 深圳市联赢激光股份有限公司 | 一种智能焊接方法、智能焊接***及计算机存储介质 |
CN114202262A (zh) * | 2022-02-21 | 2022-03-18 | 德州联合拓普复合材料科技有限公司 | 基于神经网络的预浸料工艺改进方法、***和存储介质 |
CN114548610B (zh) * | 2022-04-27 | 2022-07-08 | 季华实验室 | 发动机盖外板冲压工艺的自动排布方法及装置 |
CN114548610A (zh) * | 2022-04-27 | 2022-05-27 | 季华实验室 | 发动机盖外板冲压工艺的自动排布方法及装置 |
CN114871577A (zh) * | 2022-05-13 | 2022-08-09 | 武汉锐科光纤激光技术股份有限公司 | 齿轮刀盘的焊接方法和装置、存储介质及电子装置 |
CN115922061A (zh) * | 2022-12-07 | 2023-04-07 | 长沙大科激光科技有限公司 | 基于超声实时测量的铜铝异种金属搭接焊方法 |
CN117483954A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市恒永达科技股份有限公司 | 一种薄壁金属激光焊接方法、***及介质 |
CN117483954B (zh) * | 2023-12-29 | 2024-03-22 | 深圳市恒永达科技股份有限公司 | 一种薄壁金属激光焊接方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461398A (zh) | 焊接工艺参数优化方法、设备及可读存储介质 | |
CN110666321B (zh) | 焊接方法、自动焊接装置及存储介质 | |
US10786849B2 (en) | Systems and methods for performing microstructure simulation and implementation of additive manufacturing processes | |
Pires et al. | Advances in robotics for additive/hybrid manufacturing: robot control, speech interface and path planning | |
WO2019103772A1 (en) | Detection and root cause analysis of welding defects | |
CN103909516A (zh) | 机器人示教***、机器人示教辅助装置和机器人示教方法 | |
CN111283307A (zh) | 一种仿真焊接的方法、装置、终端设备及存储介质 | |
Pan et al. | Automated offline programming for robotic welding system with high degree of freedoms | |
Liu et al. | Control of human arm movement in machine-human cooperative welding process | |
US11733678B2 (en) | Method for determining building instructions for an additive manufacturing method, method for generating a database with correction measures for controlling the process of an additive manufacturing method | |
JP2017161981A (ja) | 解析装置、解析方法および解析プログラム | |
Wu et al. | Weld penetration in situ prediction from keyhole dynamic behavior under time-varying VPPAW pools via the OS-ELM model | |
Socrate et al. | A finite element based die design algorithm for sheet-metal forming on reconfigurable tools | |
JP6560841B1 (ja) | 制御装置、作業ロボット、プログラム、及び、制御方法 | |
Jović et al. | Estimation of the laser cutting operating cost by support vector regression methodology | |
CN110893515B (zh) | 加工条件调整装置以及机器学习装置 | |
CN116038163A (zh) | 一种激光智能焊接***和方法 | |
Fergani et al. | A machine learning-based digital twin of the manufacturing process: metal powder-bed fusion case | |
EP4389337A1 (en) | Deformation predicting system and program | |
EP3412381A1 (en) | Library of predefined shapes for additive manufacturing processes | |
Wang et al. | Visual sensing and controlling of the keyhole in robotic plasma arc welding | |
Mendizabal et al. | Improved accuracy of the inherent shrinkage method for fast and more reliable welding distortion calculations | |
CN114357850A (zh) | 焊接工艺参数的生成方法、生成装置、以及焊接方法 | |
Papacharalampopoulos et al. | Towards a surrogate spatiotemporal model of additive manufacturing for digital twin-based process control | |
Huang et al. | An adaptive inverse control method based on SVM–fuzzy rules acquisition system for pulsed GTAW process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
RJ01 | Rejection of invention patent application after publication |