CN113305853A - 优化焊接参数获取方法、装置、电子设备及存储介质 - Google Patents
优化焊接参数获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113305853A CN113305853A CN202110853597.4A CN202110853597A CN113305853A CN 113305853 A CN113305853 A CN 113305853A CN 202110853597 A CN202110853597 A CN 202110853597A CN 113305853 A CN113305853 A CN 113305853A
- Authority
- CN
- China
- Prior art keywords
- welding
- parameter
- parameters
- welding parameters
- deviation
- 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.)
- Granted
Links
- 238000003466 welding Methods 0.000 title claims abstract description 450
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 87
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 34
- 239000000126 substance Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 18
- 238000012935 Averaging Methods 0.000 claims description 10
- 230000007812 deficiency Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 abstract description 13
- 238000003199 nucleic acid amplification method Methods 0.000 description 8
- 230000003321 amplification Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000035515 penetration Effects 0.000 description 3
- 238000013398 bayesian method Methods 0.000 description 2
- 235000000332 black box Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
- B23K37/02—Carriages for supporting the welding or cutting element
- B23K37/0211—Carriages for supporting the welding or cutting element travelling on a guide member, e.g. rail, track
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Resistance Welding (AREA)
Abstract
本发明提供了一种优化焊接参数获取方法、装置、电子设备及存储介质,通过根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;循环执行以下步骤,直到焊接参数收敛:根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;判断焊接参数是否收敛;获取最后计算得到的焊接参数作为最优焊接参数;从而与现有技术中基于增强学习的优化方法相比,所需的迭代次数更少,效率更高。
Description
技术领域
本发明涉及焊接技术领域,尤其涉及一种优化焊接参数获取方法、装置、电子设备及存储介质。
背景技术
机器人自动焊接以其可编程、安全性高,人力成本低等优势被广泛用于高端制造业。利用机器人自动焊接得到的焊件表面质量很大程度上取决于焊接参数设置。这些焊接参数包括但不限于焊接速度、焊枪旋转速度、工具倾斜角和埋入深度、工具与焊件表面接触力大小等。上述参数的不当设置可能会导致焊件表面产生毛刺、拉毛,甚至裂纹,严重影响焊接位置力学强度。
焊接参数的设置和选取往往是基于焊工的工程经验或工作手册,对具体焊接工况,不具备通用性。为获得最优焊接参数(组合)以实现最好的焊接质量,目前有一系列的优化方法,其中增强学习法应用较为普遍。然而,增强学习中用到的值迭代算法计算成本较大,对每一个可能的焊接参数(组合),机器人在焊接过程中对应的位姿和状态都要放入算法进行迭代计算,耗时过长。
发明内容
鉴于上述现有技术的不足之处,本申请实施例的目的在于提供一种优化焊接参数获取方法、装置、电子设备及存储介质,旨在解决现有技术中通过增强学习法来获取优化焊接参数而导致迭代次数多、耗时过长的问题。
第一方面,本申请实施例提供一种优化焊接参数获取方法,用于获取机器人自动焊接的优化焊接参数,包括步骤:
A1.根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
A2.循环执行以下步骤,直到焊接参数收敛:
根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;
根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
判断焊接参数是否收敛;
A3.获取最后计算得到的焊接参数作为最优焊接参数。
本申请实施例提供的优化焊接参数获取方法,通过循环地根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数,再根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标,最后得到收敛的焊接参数为最优焊接参数,与现有技术中基于增强学习的优化方法相比,所需的迭代次数更少,效率更高。
优选地,所述焊接参数包括焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力;
所述获取焊件的平均化表面评估指标的步骤包括:
获取由三维轮廓仪测定的焊件表面特征;所述焊件表面特征包括平均毛刺高度、平均焊缝填充不足度、峰值材料体积、焊缝中线处局部焊缝高度偏差的标准差、焊缝宽度标准差、毛刺高度标准差、焊缝填充不足度标准差以及焊缝中线处焊缝高度的极值点的测量个数与理论个数比值;其中,焊缝沿长度方向平均划分为多个局部区域,焊缝中线处局部焊缝高度偏差是指局部区域中焊缝中线处的焊缝高度最大值和最小值之间的偏差;
对所述焊件表面特征进行无量纲化处理;
根据以下公式计算平均化表面评估指标:
其中, y为平均化表面评估指标,为无量纲化处理后的平均毛刺高度,为无量纲化处理后的平均焊缝填充不足度,为无量纲化处理后的峰值材料体积,为无量纲化处理后的焊缝中线处局部焊缝高度偏差的标准差,为无量纲化处理后的焊缝宽度标准差,为无量纲化处理后的毛刺高度标准差,为无量纲化处理后的焊缝填充不足度标准差,为无量纲化处理后的焊缝中线处焊缝高度的极值点的测量个数与理论个数比值,分别为各焊件表面特征的加权系数,且。
优选地,所述根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数的步骤包括:
其中,D为已获取的实验数据集,X为焊接参数数据集,分别为已获取的M组焊接参数,Y为平均化表面评估指标数据集,分别为已获取的M个平均化表面评估指标,w为随机误差且服从平均值为零的正态分布,y是平均化表面评估指标,f(x)为y的计算函数,x为焊接参数;
优选地,所述判断焊接参数是否收敛的步骤包括:
根据以下公式计算超参数偏差:
判断超参数偏差是否小于预设的偏差阈值,若是,则判定判断焊接参数收敛,否则,判定焊接参数不收敛。
第二方面,本申请实施例提供一种优化焊接参数获取装置,用于获取机器人自动焊接的优化焊接参数,包括:
第一获取模块,用于根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
第一执行模块,用于循环执行以下步骤,直到焊接参数收敛:
根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;
根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
判断焊接参数是否收敛;
第二获取模块,用于获取最后计算得到的焊接参数作为最优焊接参数。
优选地,所述焊接参数包括焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力;
第一获取模块和第一执行模块在获取焊件的平均化表面评估指标的时候:
获取由三维轮廓仪测定的焊件表面特征;所述焊件表面特征包括平均毛刺高度、平均焊缝填充不足度、峰值材料体积、焊缝中线处局部焊缝高度偏差的标准差、焊缝宽度标准差、毛刺高度标准差、焊缝填充不足度标准差以及焊缝中线处焊缝高度的极值点的测量个数与理论个数比值;其中,焊缝沿长度方向平均划分为多个局部区域,焊缝中线处局部焊缝高度偏差是指局部区域中焊缝中线处的焊缝高度最大值和最小值之间的偏差;
对所述焊件表面特征进行无量纲化处理;
根据以下公式计算平均化表面评估指标:
其中, y为平均化表面评估指标,为无量纲化处理后的平均毛刺高度,为无量纲化处理后的平均焊缝填充不足度,为无量纲化处理后的峰值材料体积,为无量纲化处理后的焊缝中线处局部焊缝高度偏差的标准差,为无量纲化处理后的焊缝宽度标准差,为无量纲化处理后的毛刺高度标准差,为无量纲化处理后的焊缝填充不足度标准差,为无量纲化处理后的焊缝中线处焊缝高度的极值点的测量个数与理论个数比值,分别为各焊件表面特征的加权系数,且。
优选地,所述第一执行模块在根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数的时候:
其中,D为已获取的实验数据集,X为焊接参数数据集,分别为已获取的M组焊接参数,Y为平均化表面评估指标数据集,分别为已获取的M个平均化表面评估指标,w为随机误差且服从平均值为零的正态分布,y是平均化表面评估指标,f(x)为y的计算函数,x为焊接参数;
优选地,所述第一执行模块在判断焊接参数是否收敛的时候:
根据以下公式计算超参数偏差:
判断超参数偏差是否小于预设的偏差阈值,若是,则判定判断焊接参数收敛,否则,判定焊接参数不收敛。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如所述的优化焊接参数获取方法的步骤。
第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如所述的优化焊接参数获取方法的步骤。
有益效果:
本申请实施例提供的优化焊接参数获取方法、装置、电子设备及存储介质,通过根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;循环执行以下步骤,直到焊接参数收敛:根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;判断焊接参数是否收敛;获取最后计算得到的焊接参数作为最优焊接参数;从而与现有技术中基于增强学习的优化方法相比,所需的迭代次数更少,效率更高。
附图说明
图1为本申请实施例提供的优化焊接参数获取方法的流程图。
图2为本申请实施例提供的优化焊接参数获取装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
下文的公开提供的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术佩戴人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1,本申请实施例提供的一种优化焊接参数获取方法,用于获取机器人自动焊接的优化焊接参数,包括步骤:
A1.根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
A2.循环执行以下步骤,直到焊接参数收敛:
根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;
根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
判断焊接参数是否收敛;
A3.获取最后计算得到的焊接参数作为最优焊接参数。
该优化焊接参数获取方法,通过循环地根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数,再根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标,最后得到收敛的焊接参数为最优焊接参数,与现有技术中基于增强学习的优化方法相比,所需的迭代次数更少,效率更高,且鲁棒性更高。
在本实施例中,步骤A1包括:
获取预设的初始的焊接参数;
根据所述初始的焊接参数控制机器人进行自动焊接;
获取焊件的平均化表面评估指标。
其中,初始的焊接参数可根据工作手册或技术人员的工程经验进行设置。
在一些优选实施方式中,所述焊接参数包括焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力;
步骤A1和A2中,所述获取焊件的平均化表面评估指标的步骤包括:
获取由三维轮廓仪测定的焊件表面特征;所述焊件表面特征包括平均毛刺高度、平均焊缝填充不足度、峰值材料体积(Peak material volume)、焊缝中线处局部焊缝高度偏差的标准差、焊缝宽度标准差、毛刺高度标准差、焊缝填充不足度标准差以及焊缝中线处焊缝高度的极值点的测量个数与理论个数比值(焊接时存在未焊透、气泡、材料融化不均匀等现象,会导致焊缝在对应区域存在凹陷情况,通过三维扫描仪可检测每个凹陷区域的平均高度,每个凹陷区域的平均高度与焊缝非凹陷区域的平均高度之比即为该凹陷区域对应的焊缝填充不足度,通过各凹陷区域的焊缝填充不足度可计算得到平均焊缝填充不足度和焊缝填充不足度标准差;在实际应用中,会根据实际精度要求把焊缝沿长度方向平均划分为多个局部区域,焊缝中线处局部焊缝高度偏差是指局部区域中焊缝中线处的焊缝高度最大值和最小值之间的偏差,通过各局部区域的焊缝中线处局部焊缝高度偏差可计算出焊缝中线处局部焊缝高度偏差的标准差);
对所述焊件表面特征进行无量纲化处理;
根据以下公式计算平均化表面评估指标:
其中,y为平均化表面评估指标,为无量纲化处理后的平均毛刺高度,为无量纲化处理后的平均焊缝填充不足度,为无量纲化处理后的峰值材料体积,为无量纲化处理后的焊缝中线处局部焊缝高度偏差的标准差,为无量纲化处理后的焊缝宽度标准差,为无量纲化处理后的毛刺高度标准差,为无量纲化处理后的焊缝填充不足度标准差,为无量纲化处理后的焊缝中线处焊缝高度的极值点的测量个数与理论个数比值,分别为各焊件表面特征的加权系数,且。
由于焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力设置不当可能会导致焊件表面产生毛刺、拉毛,甚至裂纹,严重影响焊接位置力学强度,因此,此处的焊接参数包括这些参数,从而保证得到的优化焊接参数可实现最好的焊接质量。实际上,焊接参数可不限于这些参数。
其中,对焊件表面特征进行无量纲化处理是为了去掉特征量的量纲,使数值代表特征量的相对大小;在一些示例中,对所述焊件表面特征进行无量纲化处理的步骤包括:
无量纲化处理后的缝中线附近局部极值点测量个数与理论个数比值等于无量纲化处理前的缝中线附近局部极值点测量个数与理论个数比值(由于该特征本身为无量纲的,无需进行转换计算);
对于缝中线附近局部极值点测量个数与理论个数比值以外的焊件表面特征,用本次获取的特征值除以对应焊件表面特征的历史最大值(包括本次获取的特征值在内的多个特征值的最大值)。
一般地,y越小表明焊接质量越高,因此,获取优化的焊接参数的过程就是获取焊接参数x使y(x)最小。
优选地,步骤A2中,所述根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数的步骤包括S1-S5:
其中,D为已获取的实验数据集,X为焊接参数数据集,分别为已获取的M组焊接参数,Y为平均化表面评估指标数据集,分别为已获取的M个平均化表面评估指标,w为随机误差且服从平均值为零的正态分布,y是平均化表面评估指标,f(x)为y的计算函数,x为焊接参数。
用公式表示为:;其中,服从某一特定概率分布,如均匀分布、正态分布、对数正态分布以及gamma分布等,具体概率密度函数形式是已知的。其中函数argmax为求复数的最大幅角的函数,表示在超参数的参数空间内的概率分布的最大值,表示在超参数的参数空间内的概率分布的最大值。其中,最大后验估计法为现有技术(可参考文献:Rasmussen CE, Williams CKI (2006) Gaussian processes for machinelearning. TheMIT Press, Cambridge ISBN: 978262182539)。
其中,为正态分布平均值,为标准差,为中间矩阵,为均值为标准差为的正态分布。在使用贝叶斯优化方法计算概率分布的过程中,需要使用超参数的概率分布。其中,贝叶斯优化方法为现有技术(可参考文献:Frazier P I (2018) A tutorial on Bayesianoptimization. arXiv:1807.02811)。
其中,期望改进法为现有技术(可参考文献:Berger-Tal O,Nathan j,Meron E,Saltz D(2014)The exploration-exploitation dilemma:a multidisciplinaryframework. PLoS One 9(e95693):4。和Jones DR,Schonlau M,Welch WJ(1998)Efficientglobal optimization of expensive black-box functions.J Glob Optim 13:455-492),在使用期望改进法获取采集函数的过程中需要使用概率分布。其中,S表示整个焊接参数空间,S\D表示除了已知焊接参数D以外的焊接参数空间,表示在除了已知焊接参数D以外的焊接参数空间中求的最大值。
进一步地,步骤A2中,所述判断焊接参数是否收敛的步骤包括:
根据以下公式计算超参数偏差:
判断超参数偏差是否小于预设的偏差阈值,若是,则判定判断焊接参数收敛,否则,判定焊接参数不收敛。
上述步骤A2的过程实质是采用高斯回归过程分析表面质量(y)与待优化焊接参数(x)之间的数学关系,同时采用贝叶斯推理算法解决优化问题,可快速获得最优焊接参数以提高焊件表面质量。此外,与一般的利用贝叶斯方法来优化焊接参数的方法相比,本方法需要的焊接实验次数更少,可以大大减少实验成本。
由上可知,该优化焊接参数获取方法,通过根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;循环执行以下步骤,直到焊接参数收敛:根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;判断焊接参数是否收敛;获取最后计算得到的焊接参数作为最优焊接参数;从而与现有技术中基于增强学习的优化方法相比,所需的迭代次数更少,效率更高。
参考图2,本申请实施例提供一种优化焊接参数获取装置,用于获取机器人自动焊接的优化焊接参数,包括:
第一获取模块1,用于根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
第一执行模块2,用于循环执行以下步骤,直到焊接参数收敛:
根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;
根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
判断焊接参数是否收敛;
第二获取模块3,用于获取最后计算得到的焊接参数作为最优焊接参数。
在本实施例中,第一获取模块1在根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标的时候:
获取预设的初始的焊接参数;
根据所述初始的焊接参数控制机器人进行自动焊接;
获取焊件的平均化表面评估指标。
其中,初始的焊接参数可根据工作手册或技术人员的工程经验进行设置。
在一些优选实施方式中,所述焊接参数包括焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力;
第一获取模块1和第一执行模块2在获取焊件的平均化表面评估指标的时候:
获取由三维轮廓仪测定的焊件表面特征;所述焊件表面特征包括平均毛刺高度、平均焊缝填充不足度、峰值材料体积(Peak material volume)、焊缝中线处局部焊缝高度偏差的标准差、焊缝宽度标准差、毛刺高度标准差、焊缝填充不足度标准差以及焊缝中线处焊缝高度的极值点的测量个数与理论个数比值(焊接时存在未焊透、气泡、材料融化不均匀等现象,会导致焊缝在对应区域存在凹陷情况,通过三维扫描仪可检测每个凹陷区域的平均高度,每个凹陷区域的平均高度与焊缝非凹陷区域的平均高度之比即为该凹陷区域对应的焊缝填充不足度,通过各凹陷区域的焊缝填充不足度可计算得到平均焊缝填充不足度和焊缝填充不足度标准差;在实际应用中,会根据实际精度要求把焊缝沿长度方向平均划分为多个局部区域,焊缝中线处局部焊缝高度偏差是指局部区域中焊缝中线处的焊缝高度最大值和最小值之间的偏差,通过各局部区域的焊缝中线处局部焊缝高度偏差可计算出焊缝中线处局部焊缝高度偏差的标准差);
对所述焊件表面特征进行无量纲化处理;
根据以下公式计算平均化表面评估指标:
其中,y为平均化表面评估指标,为无量纲化处理后的平均毛刺高度,为无量纲化处理后的平均焊缝填充不足度,为无量纲化处理后的峰值材料体积,为无量纲化处理后的焊焊缝中线处局部焊缝高度偏差的标准差,为无量纲化处理后的焊缝宽度标准差,为无量纲化处理后的毛刺高度标准差,为无量纲化处理后的焊缝填充不足度标准差,为无量纲化处理后的焊缝中线处焊缝高度的极值点的测量个数与理论个数比值,分别为各焊件表面特征的加权系数,且。
由于焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力设置不当可能会导致焊件表面产生毛刺、拉毛,甚至裂纹,严重影响焊接位置力学强度,因此,此处的焊接参数包括这些参数,从而保证得到的优化焊接参数可实现最好的焊接质量。实际上,焊接参数可不限于这些参数。
其中,对焊件表面特征进行无量纲化处理是为了去掉特征量的量纲,使数值代表特征量的相对大小;在一些示例中,对所述焊件表面特征进行无量纲化处理的步骤包括:
无量纲化处理后的缝中线附近局部极值点测量个数与理论个数比值等于无量纲化处理前的缝中线附近局部极值点测量个数与理论个数比值(由于该特征本身为无量纲的,无需进行转换计算);
对于缝中线附近局部极值点测量个数与理论个数比值以外的焊件表面特征,用本次获取的特征值除以对应焊件表面特征的历史最大值(包括本次获取的特征值在内的多个特征值的最大值)。
一般地,y越小表明焊接质量越高,因此,获取优化的焊接参数的过程就是获取焊接参数x使y(x)最小。
优选地,所述第一执行模块在根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数的时候:
其中,D为已获取的实验数据集,X为焊接参数数据集,分别为已获取的M组焊接参数,Y为平均化表面评估指标数据集,分别为已获取的M个平均化表面评估指标,w为随机误差且服从平均值为零的正态分布,y是平均化表面评估指标,f(x)为y的计算函数,x为焊接参数;
用公式表示为:;其中,服从某一特定概率分布,如均匀分布、正态分布、对数正态分布以及gamma分布等,具体概率密度函数形式是已知的。其中函数argmax为求复数的最大幅角的函数,表示在超参数的参数空间内的概率分布的最大值,表示在超参数的参数空间内的概率分布的最大值;其中,最大后验估计法为现有技术(可参考文献:Rasmussen CE, Williams CKI (2006) Gaussian processes for machinelearning. TheMIT Press, Cambridge ISBN: 978262182539);
其中,为正态分布平均值,为标准差,为中间矩阵,为均值为标准差为的正态分布。在使用贝叶斯优化方法计算概率分布的过程中,需要使用超参数的概率分布;其中,贝叶斯优化方法为现有技术(可参考文献:Frazier P I (2018) A tutorial on Bayesianoptimization. arXiv:1807.02811);
其中,期望改进法为现有技术(可参考文献:Berger-Tal O,Nathan j,Meron E,Saltz D(2014)The exploration-exploitation dilemma:a multidisciplinaryframework. PLoS One 9(e95693):4。和Jones DR,Schonlau M,Welch WJ(1998)Efficientglobal optimization of expensive black-box functions.J Glob Optim 13:455-492),在使用期望改进法获取采集函数的过程中需要使用概率分布。其中,S表示整个焊接参数空间,S\D表示除了已知焊接参数D以外的焊接参数空间, 表示在除了已知焊接参数D以外的焊接参数空间中求的最大值。
进一步的,所述第一执行模块2在判断焊接参数是否收敛的时候:
根据以下公式计算超参数偏差:
判断超参数偏差是否小于预设的偏差阈值,若是,则判定判断焊接参数收敛,否则,判定焊接参数不收敛。
上述第一执行模块2实质是采用高斯回归过程分析表面质量(y)与待优化焊接参数(x)之间的数学关系,同时采用贝叶斯推理算法解决优化问题,可快速获得最优焊接参数以提高焊件表面质量。此外,与一般的利用贝叶斯方法来优化焊接参数的方法相比,本方法需要的焊接实验次数更少,可以大大减少实验成本。
由上可知,该优化焊接参数获取装置,通过根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;循环执行以下步骤,直到焊接参数收敛:根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;判断焊接参数是否收敛;获取最后计算得到的焊接参数作为最优焊接参数;从而与现有技术中基于增强学习的优化方法相比,所需的迭代次数更少,效率更高。
请参阅图3,本申请实施例还提供一种电子设备100,包括处理器101和存储器102,存储器102中存储有计算机程序,处理器101通过调用存储器102中存储的计算机程序,用于执行如上述的优化焊接参数获取方法的步骤。
其中,处理器101与存储器102电性连接。处理器101是电子设备100的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器102内的计算机程序,以及调用存储在存储器102内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
存储器102可用于存储计算机程序和数据。存储器102存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器101通过调用存储在存储器102的计算机程序,从而执行各种功能应用以及数据处理。
在本实施例中,电子设备100中的处理器101会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器102中,并由处理器101来运行存储在存储器102中的计算机程序,从而实现各种功能:根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;循环执行以下步骤,直到焊接参数收敛:根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;判断焊接参数是否收敛;获取最后计算得到的焊接参数作为最优焊接参数。
由上可知,该电子设备,通过根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;循环执行以下步骤,直到焊接参数收敛:根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;判断焊接参数是否收敛;获取最后计算得到的焊接参数作为最优焊接参数;从而与现有技术中基于增强学习的优化方法相比,所需的迭代次数更少,效率更高。
本申请实施例还提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时运行如上述的优化焊接参数获取方法的步骤,以实现以下功能:根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;循环执行以下步骤,直到焊接参数收敛:根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;判断焊接参数是否收敛;获取最后计算得到的焊接参数作为最优焊接参数。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-OnlyMemory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术佩戴人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,其方案与本发明实质上相同。
Claims (8)
1.一种优化焊接参数获取方法,用于获取机器人自动焊接的优化焊接参数,其特征在于,包括步骤:
A1.根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
A2.循环执行以下步骤,直到焊接参数收敛:
根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;
根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
判断焊接参数是否收敛;
A3.获取最后计算得到的焊接参数作为最优焊接参数;
所述焊接参数包括焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力;
所述获取焊件的平均化表面评估指标的步骤包括:
获取由三维轮廓仪测定的焊件表面特征;所述焊件表面特征包括平均毛刺高度、平均焊缝填充不足度、峰值材料体积、焊缝中线处局部焊缝高度偏差的标准差、焊缝宽度标准差、毛刺高度标准差、焊缝填充不足度标准差以及焊缝中线处焊缝高度的极值点的测量个数与理论个数比值;其中,焊缝沿长度方向平均划分为多个局部区域,焊缝中线处局部焊缝高度偏差是指局部区域中焊缝中线处的焊缝高度最大值和最小值之间的偏差;
对所述焊件表面特征进行无量纲化处理;
根据以下公式计算平均化表面评估指标:
2.根据权利要求1所述的优化焊接参数获取方法,其特征在于,所述根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数的步骤包括:
其中,D为已获取的实验数据集,X为焊接参数数据集,分别为已获取的M组焊接参数,Y为平均化表面评估指标数据集,分别为已获取的M个平均化表面评估指标,w为随机误差且服从平均值为零的正态分布,y是平均化表面评估指标,f(x)为y的计算函数,x为焊接参数;
4.一种优化焊接参数获取装置,用于获取机器人自动焊接的优化焊接参数,其特征在于,包括:
第一获取模块,用于根据预设的初始的焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
第一执行模块,用于循环执行以下步骤,直到焊接参数收敛:
根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数;
根据所述下一组焊接参数控制机器人进行自动焊接后,获取焊件的平均化表面评估指标;
判断焊接参数是否收敛;
第二获取模块,用于获取最后计算得到的焊接参数作为最优焊接参数;
所述焊接参数包括焊接速度、焊枪旋转速度、焊枪倾斜角、焊针埋入深度以及焊针与焊件表面接触力;
第一获取模块和第一执行模块在获取焊件的平均化表面评估指标的时候:
获取由三维轮廓仪测定的焊件表面特征;所述焊件表面特征包括平均毛刺高度、平均焊缝填充不足度、峰值材料体积、焊缝中线处局部焊缝高度偏差的标准差、焊缝宽度标准差、毛刺高度标准差、焊缝填充不足度标准差以及焊缝中线处焊缝高度的极值点的测量个数与理论个数比值;其中,焊缝沿长度方向平均划分为多个局部区域,焊缝中线处局部焊缝高度偏差是指局部区域中焊缝中线处的焊缝高度最大值和最小值之间的偏差;
对所述焊件表面特征进行无量纲化处理;
根据以下公式计算平均化表面评估指标:
5.根据权利要求4所述的优化焊接参数获取装置,其特征在于,所述第一执行模块在根据已获取的焊接参数数据和平均化表面评估指标数据,利用贝叶斯优化方法计算下一组焊接参数的时候:
其中,D为已获取的实验数据集,X为焊接参数数据集,分别为已获取的M组焊接参数,Y为平均化表面评估指标数据集,分别为已获取的M个平均化表面评估指标,w为随机误差且服从平均值为零的正态分布,y是平均化表面评估指标,f(x)为y的计算函数,x为焊接参数;
7.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如权利要求1-3任一项所述的优化焊接参数获取方法的步骤。
8.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-3任一项所述的优化焊接参数获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853597.4A CN113305853B (zh) | 2021-07-28 | 2021-07-28 | 优化焊接参数获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853597.4A CN113305853B (zh) | 2021-07-28 | 2021-07-28 | 优化焊接参数获取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113305853A true CN113305853A (zh) | 2021-08-27 |
CN113305853B CN113305853B (zh) | 2021-10-12 |
Family
ID=77381727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853597.4A Active CN113305853B (zh) | 2021-07-28 | 2021-07-28 | 优化焊接参数获取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113305853B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011056717A1 (de) * | 2011-12-20 | 2013-06-20 | Nimak Gmbh | "Schweißeinrichtung zum elektrischen Widerstandsschweißen" |
CN104778497A (zh) * | 2015-05-05 | 2015-07-15 | 重庆大学 | 一种加工过程中工艺参数自学习优化的滚齿加工方法 |
CN109376869A (zh) * | 2018-12-25 | 2019-02-22 | 中国科学院软件研究所 | 一种基于异步贝叶斯优化的机器学习超参优化***及方法 |
CN111461398A (zh) * | 2020-02-27 | 2020-07-28 | 季华实验室 | 焊接工艺参数优化方法、设备及可读存储介质 |
CN111545872A (zh) * | 2020-05-14 | 2020-08-18 | 广东美的智能机器人有限公司 | 焊接***、焊接控制方法和计算机可读存储介质 |
-
2021
- 2021-07-28 CN CN202110853597.4A patent/CN113305853B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011056717A1 (de) * | 2011-12-20 | 2013-06-20 | Nimak Gmbh | "Schweißeinrichtung zum elektrischen Widerstandsschweißen" |
CN104778497A (zh) * | 2015-05-05 | 2015-07-15 | 重庆大学 | 一种加工过程中工艺参数自学习优化的滚齿加工方法 |
CN109376869A (zh) * | 2018-12-25 | 2019-02-22 | 中国科学院软件研究所 | 一种基于异步贝叶斯优化的机器学习超参优化***及方法 |
CN111461398A (zh) * | 2020-02-27 | 2020-07-28 | 季华实验室 | 焊接工艺参数优化方法、设备及可读存储介质 |
CN111545872A (zh) * | 2020-05-14 | 2020-08-18 | 广东美的智能机器人有限公司 | 焊接***、焊接控制方法和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113305853B (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9573273B2 (en) | Robot simulation device for generating motion path of robot | |
DE102018008744B4 (de) | Einrichtung zum Berechnen eines Beladungsmusters und Robotersteuereinrichter | |
DE112011105151B4 (de) | Roboterkontrollvorrichtung | |
US8641337B2 (en) | Method of forming parts on a CNC machine | |
US20190299406A1 (en) | Controller and machine learning device | |
DE102019118637B4 (de) | Automatische pfadgenerierungsvorrichtung | |
DE112010000794T5 (de) | Verfahren zum Steuern eines Roboterwerkzeugs | |
CN113305853B (zh) | 优化焊接参数获取方法、装置、电子设备及存储介质 | |
CN108568596A (zh) | 激光加工装置以及机器学习装置 | |
US20210107231A1 (en) | Method and system for additive manufacturing | |
JP6577140B2 (ja) | ロボットオフラインプログラミング方法及びこれを使用する装置 | |
US9925664B2 (en) | Robot simulation device for generation motion path of robot | |
WO2023221476A1 (zh) | 一种基于机器学习预测船舶t梁焊接机器人作业时间的算法 | |
KR20130069643A (ko) | 기계가공 공정의 적응 제어방법 | |
CN113799120B (zh) | 冗余自由度机械臂的路径规划方法、装置及工程机械 | |
Zhang et al. | A segmentation planning method based on the change rate of cross-sectional area of single V-groove for robotic multi-pass welding in intersecting pipe-pipe joint | |
DE102021205324A1 (de) | Greifverfahren und Greifvorrichtung eines Industrieroboters, Computerspeichermedium und Industrieroboter | |
CN114750146B (zh) | 一种机器人铣削轨迹精度补偿方法 | |
DE102022130318A1 (de) | Autonome robuste montageplanung | |
CN106054814A (zh) | 基于图像灰度的计算机辅助加工方法 | |
WO2020012581A1 (ja) | 機械学習装置、数値制御加工プログラム生成装置および機械学習方法 | |
CN117400267B (zh) | 机器人焊接路径生成方法、装置、计算机设备和存储介质 | |
CN114799600B (zh) | 熔宽控制方法、设备、***、介质及产品 | |
CN113414762B (zh) | 焊道路径的偏移方法、装置、机器人及存储装置 | |
US20240042611A1 (en) | Program evaluation device and teaching device |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |