CN115570228B - 一种焊接管道供气智能反馈控制方法与*** - Google Patents
一种焊接管道供气智能反馈控制方法与*** Download PDFInfo
- Publication number
- CN115570228B CN115570228B CN202211467931.3A CN202211467931A CN115570228B CN 115570228 B CN115570228 B CN 115570228B CN 202211467931 A CN202211467931 A CN 202211467931A CN 115570228 B CN115570228 B CN 115570228B
- Authority
- CN
- China
- Prior art keywords
- clustering
- pipeline
- welding
- data
- feedback control
- 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.)
- Active
Links
Images
Classifications
-
- 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
- B23K3/00—Tools, devices, or special appurtenances for soldering, e.g. brazing, or unsoldering, not specially adapted for particular methods
-
- 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
- B23K3/00—Tools, devices, or special appurtenances for soldering, e.g. brazing, or unsoldering, not specially adapted for particular methods
- B23K3/08—Auxiliary devices therefor
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种焊接管道供气反馈控制方法与***,首先通过多维传感器采集焊接过程中各项传感器数据,选取电流、电压、送丝速度数据,通过聚类算法进行聚类,并迭代聚类个数,基于真实焊接工况,选取最佳聚类个数;基于所述最佳聚类个数,训练聚类模型,并给出每一类数据标准管道供气速度区间;最后根据传感器实时采集的多维传感数据,匹配标准管道供气速度区间,并完成反馈控制;本发明基于聚类算法模型,结合实时采集的多维传感数据,迭代聚类个数,并在传统评价指标的基础上设计了更加能够反映焊接实际工况的均方根误差指标作为聚类评价指标,可以在迭代聚类个数的过程中选取最贴近实际的聚类个数。
Description
技术领域
本发明属于智慧焊接技术领域,特别涉及一种焊接管道供气智能反馈控制方法与***。
背景技术
随着焊接工艺的不断发展,越来越多的大型工厂在气体保护焊接过程中采用管道供气的模式为焊接机器人提供流速稳定的焊接保护气。相比于传统的瓶装供气,管道供气相比于传统瓶装供气,具有更加集中,更加稳定的优势,但同样存在开气过冲、关气溢出的实际问题,这些问题直接导致了管道供气存在着大量浪费情况,因此需要一种有效的管道供气反馈控制方法,对管道供气过程中可能存在的问题进行实时反馈并有效控制。
随着物联网技术的不断发展,通过不同类型传感器采集多维传感数据,使得对焊接过程实时监测成为了可能,利用传感器采集的数据对焊接过程中的管道气体流速进行分析并实时控制,为焊接管道供气的实时反馈控制提供了方向。
中国专利CN114951981A(公开日20200830)提供了一种激光焊接保护气体自动控制方法,由比例电磁阀、气体流量传感器和微控制单元组成核心控制模块实现对激光焊接保护气体的自动调节控制;该发明在焊接过程中根据激光输出能量大小实现保护气流量的自动匹配与自动控制,能够减少焊接保护气体的用量,从而降低焊接生产制造成本消耗,并且可以在不影响焊接区域保护效果和焊接质量的同时实现节气效果。
中国专利CN111098000A(公开日20200505)提供了一种焊接设备中保护气体的流量控制方法,通过压力开关检查管内压力,主动加入气流量的控制;通过电流互感器检测焊接电流自动匹配气流量,与计算机或PLC模拟量模块控制,以电压形式控制流量控制阀的阀体开度从而控制气体流量;当气流量与焊接电流偏离了设定值,则判断为异常,并输出异常信号。
上述发明并未从传感器数据分析的角度给出管道供气反馈控制的方法。
发明内容
发明目的:针对上述背景技术中存在的问题及思路,本发明提供了一种焊接管道供气智能反馈控制方法与***,通过改进的聚类算法,基于实际采集的多维传感数据,设计了更加贴近实际焊接工况的聚类模型,并设计新的聚类评价指标用于确定最佳聚类个数。通过训练好的聚类模型,给出不同类别情况下焊接管道供气的标准供气区间,作为反馈控制依据。此外,为了节省数据传输成本,本发明还设计了一种基于强化学习的反馈控制模型,首先通过反馈控制模型对多维传感数据进行判断,当判断需要执行反馈控制时,再通过聚类模型输出标准管道供气速度区间,用于调节管道供气速度。
技术方案:
一种焊接管道供气智能反馈控制方法,包括以下步骤:
步骤S1、通过多维传感器采集焊接过程中各项传感器数据,并对传感器数据进行预处理;所述预处理包括异常值剔除和缺失值填充;所述传感器数据包括电流、电压、送丝速度、管道供气速度,其中每一条传感器数据包括唯一确定的索引,对应当前电流、电压、送丝速度和管道供气速度;
步骤S2、选取步骤S1中采集到的电流、电压、送丝速度数据,通过聚类算法进行聚类,迭代聚类个数,基于真实焊接工况,选取最佳聚类个数;
步骤S3、基于所述最佳聚类个数,训练聚类模型,并赋予每一类数据标准管道供气速度区间;
步骤S4、基于强化学习搭建反馈控制模型,所述反馈控制模型的输入为电流、电压、送丝速度和管道供气速度四个状态数据,输出为执行动作,所述执行动作包括执行控制和不执行控制两种;当输出为执行控制时,将各项传感器数据传输至步骤S3中训练好的聚类模型中,获取并输出匹配的标准管道供气速度区间;实际管道供气速度超过上限时,通过控制器调节速度,实际管道供气速度低于下限时,则发出报警信号;当输出为不执行控制时,则不再传输数据。
进一步地,所述步骤S1中采用箱型图法剔除传感器数据中的异常值。
进一步地,所述步骤S1中补充缺失值的方法如下:
步骤S1.2、当发生传感器数据缺失时,基于步骤S1.1中的时长集合判断缺失部分所属焊缝;当缺失值属于连续时间段缺失时,记录缺失开始时间点与所属焊缝起始时间的距离S和缺失值持续的时长L作为定位信息,记为;当缺失值属于单点缺失时,记录缺失时间点与所属焊缝起始时间点的距离作为定位信息,记为;
步骤S1.3、记录另一相同工件焊接过程的时序数据,并根据焊接时长集合和定位信息确定缺失值找到相同焊缝的同一位置,找到对应数据填充至缺失值处。
进一步地,所述步骤S2中选取最佳聚类个数的方法包括以下步骤:
步骤S2.1、将带有索引的电流、电压、送丝速度划分为训练集dfTrain和测试集dfTest;
步骤S2.3、在每一次迭代聚类个数过程中,通过训练好的聚类算法,预测测试集dfTest的聚类类别;选取每一类中的所有索引对应的管道供气速度,记为,,代表测试集中索引个数;采用均方根误差Gasrmse作为评价指标,选取最佳聚类个数,具体表示如下:
步骤S2.4、迭代聚类个数,计算每次迭代过程中的均方根误差Gasrmse,找出Gasrmse值最小时对应的类数,即为最佳聚类个数。
进一步地,所述步骤S3中基于训练集dfTrain重新训练模型,并计算每一类别中管道供气速度的1/4位数和3/4位数,则每一类中标准管道供气速度区间表示为:[1/4位数,3/4位数]。
进一步地,所述步骤S4中反馈控制模型搭建方法包括:
步骤S4.1、创建控制环境,包括四个对应状态数据,即电流、电压、送丝速度和管道供气速度;为输出的执行动作打上标签,其中执行控制为1,不执行控制为0;
步骤S4.2、根据不同动作制定奖励函数R;具体如下:
其中action代表输出动作,v代表当前时刻管道供气速度,代表前t时刻管道供气速度的平均值;当输出动作为不执行控制时,action=0,此时奖励函数R=0;当输出动作为执行控制时,action=1,奖励函数R=;
步骤S4.3、建立Q网络模型,所述Q网络模型包括1层gru和不少于1层线性层,激活函数选用Relu函数;Q网络模型输入为控制环境,输出即为执行动作,选取softmax概率最大的执行动作作为输出;
步骤S4.4、输入训练集数据,训练步骤S4.3建立的强化模型,求出每次训练时选取执行动作产生的奖励函数R之和,最终选取奖励函数R最大时对应的执行动作策略作为Q网络模型参数。
一种焊接管道供气智能反馈控制方法与***,包括多维传感器数据采集***、云平台、管道供气反馈控制***;所述多维传感器数据采集***实时采集多维传感数据,在云平台上部署聚类模型和反馈控制模型,首先将多维传感数据传输至反馈控制模型判断是否需要执行反馈控制,当判断需要执行控制时,将多维传感数据传输至聚类模型,获取标准管道供气速度区间并进行控制;当判断不执行控制时,则不再传输多维传感数据。
本发明采用的技术方案与现有技术方案相比,具有以下有益效果:
(1)、本发明针对采集到的实时多维传感数据,提出了异常值剔除和缺失值补充的预处理方法,保证传感数据的连续可用。
(2)、本发明基于聚类算法模型,结合实时采集的多维传感数据,迭代聚类个数,并在传统评价指标的基础上设计了更加能够反映焊接实际工况的均方根误差指标作为聚类评价指标,可以在迭代聚类个数的过程中选取最贴近实际的聚类个数。
(3)、本发明通过训练好的聚类模型,进一步设计每个类别的标准管道供气速度区间,并推荐至管道供气反馈控制***,实现了管道供气速度的实时检测、反馈、控制。
(4)由于实际焊接过程中的管道供气速度并不是频繁变化的,采用聚类模型推荐的标准管道供气速度区间变化频率也不高,实际数据传输过程中如果持续输出推荐区间,会产生大量的冗余数据,大幅度提升数据传输成本。针对这一问题,本发明设计了配套的反馈控制模型,基于强化学习,获取Q网络模型,通过该模型先对采集到的传感器数据进行判断,当判断应当反馈控制时,再控制聚类模型输出标准管道供气速度区间,并根据相应区间进行具体控制。该模型的建立大大降低了数据传输成本,可以有效实现精准的反馈控制。
附图说明
图1是本发明提供的焊接管道供气反馈控制***结构图;
图2是本发明提供聚类模型框架图;
图3是本发明提供的反馈控制模型搭建过程示意图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
本发明针对传统焊接过程中管道供气存在的供气不稳,开气过冲、关气溢出问题,提供了一种焊接管道供气反馈控制方法,通过如图1所示的焊接管道供气反馈控制***进行控制。该***主要包括多维传感器数据采集***、云平台和管道供气反馈控制***。多维传感器数据采集***实时采集多维传感数据,云平台则用于部署聚类模型和反馈控制模型,首先将多维传感数据输入至反馈控制模型中进行判断,当判断需要执行反馈控制时,控制数据输入至聚类模型,并推荐标准管道供气速度区间至管道供气反馈控制***。所述管道供气反馈控制***判断当前实际管道供气速度是否超限,并通过控制模块进行对应控制、报警。下面结合具体实施例详细阐述***各模块的工作原理。
步骤S1、通过多维传感器数据采集***实时采集焊接过程中各项传感器数据,并对传感器数据进行预处理。预处理包括异常值剔除和缺失值填充。本实施例中采用箱型图法剔除传感器数据中的异常值,并采用填充法补齐针对采集过程中由于采集设备网络延迟等原因导致的缺失值。具体方法如下:
步骤S1.2、当发生传感器数据缺失时,基于步骤S1.1中的时长集合判断缺失部分所属焊缝;当缺失值属于连续时间段缺失时,记录缺失开始时间点与所属焊缝起始时间的距离S和缺失值持续的时长L作为定位信息,记为;当缺失值属于单点缺失时,记录缺失时间点与所属焊缝起始时间点的距离作为定位信息,记为;
步骤S1.3、记录另一相同工件焊接过程的时序数据,并根据焊接时长集合和定位信息确定缺失值找到相同焊缝的同一位置,找到对应数据填充至缺失值处。
本实施例中实时采集的传感器数据包括电流、电压、送丝速度、管道供气速度,其中每一条传感器数据包括唯一确定的索引,对应当前电流、电压、送丝速度和管道供气速度。在此基础上,本实施例提供了一种改进的聚类算法模型,用于给出标准管道供气速度区间。具体地,
步骤S2.1、将带有索引的电流、电压、送丝速度划分为训练集dfTrain和测试集dfTest;
步骤S2.3、在每一次迭代聚类个数过程中,通过训练好的聚类算法,预测测试集dfTest的聚类类别;选取每一类中的所有索引对应的管道供气速度,记为,,代表测试集中索引个数;采用均方根误差Gasrmse作为评价指标,选取最佳聚类个数,具体表示如下:
步骤S2.4、迭代聚类个数,计算每次迭代过程中的均方根误差Gasrmse,找出Gasrmse值最小时对应的类数,即为最佳聚类个数。
本实施例中最终选取的最佳聚类个数即为最贴近实际焊接工况的聚类情况,这种情况下,输入对应的电流、电压、送丝速度可以更准确地推荐标准管道供气速度区间,用于后续反馈控制。
步骤S3、获取最佳聚类个数后,基于训练集dfTrain重新训练模型,并计算每一类别中管道供气速度的1/4位数和3/4位数,则每一类中标准管道供气速度区间表示为:[1/4位数,3/4位数]。选取1/4位数和3/4位数分别作为标准管道供气速度区间的上下限,可以更精准地表征推荐管道供气速度的最佳范围,给出的区间更贴近焊接实际工况,也更符合标准焊接工艺。
步骤S4、实际焊接过程中,管道供气速度并不是频繁变化的,采用聚类模型推荐的标准管道供气速度区间变化频率也不高,实际数据传输过程中如果持续输出推荐区间,会产生大量的冗余数据,大幅度提升数据传输成本。本实施例为了解决精准反馈控制的问题,进一步设计了反馈控制模型。如图3所示,基于强化学习搭建反馈控制模型,所述反馈控制模型的输入为电流、电压、送丝速度和管道供气速度四个状态数据,输出为执行动作,所述执行动作包括执行控制和不执行控制两种;当输出为执行控制时,将各项传感器数据传输至步骤S3中训练好的聚类模型中,获取并输出匹配的标准管道供气速度区间;实际管道供气速度超过上限时,通过控制器调节速度,实际管道供气速度低于下限时,则发出报警信号;当输出为不执行控制时,则不再传输数据。具体地,
步骤S4.1、创建控制环境,包括四个对应状态数据,即电流、电压、送丝速度和管道供气速度;为输出的执行动作打上标签,其中执行控制为1,不执行控制为0;
步骤S4.2、根据不同动作制定奖励函数R;具体如下:
其中action代表输出动作,v代表当前时刻管道供气速度,代表前t时刻管道供气速度的平均值;当输出动作为不执行控制时,action=0,此时奖励函数R=0;当输出动作为执行控制时,action=1,奖励函数R=;
步骤S4.3、建立Q网络模型,所述Q网络模型包括1层gru和不少于1层线性层,激活函数选用Relu函数;Q网络模型输入为控制环境,输出即为执行动作,选取softmax概率最大的执行动作作为输出。
步骤S4.4、输入训练集数据,训练步骤S4.3建立的强化模型,求出每次训练时选取执行动作产生的奖励函数R之和,最终选取奖励函数R最大时对应的执行动作策略作为Q网络模型参数。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种焊接管道供气智能反馈控制方法,其特征在于,包括以下步骤:
步骤S1、通过多维传感器采集焊接过程中各项传感器数据,并对传感器数据进行预处理;所述预处理包括异常值剔除和缺失值填充;所述传感器数据包括电流、电压、送丝速度、管道供气速度,其中每一条传感器数据包括唯一确定的索引,对应当前电流、电压、送丝速度和管道供气速度;补充缺失值的方法如下:
步骤S1.1、基于同种工艺下需要焊接的焊缝数量相同,统计所述工艺下每道焊缝的焊接时长,记为[T1,T2,...,Tn],其中n代表第n条焊缝;
步骤S1.2、当发生传感器数据缺失时,基于步骤S1.1中的时长集合判断缺失部分所属焊缝;当缺失值属于连续时间段缺失时,记录缺失开始时间点与所属焊缝起始时间的距离S和缺失值持续的时长L作为定位信息,记为[S,L];当缺失值属于单点缺失时,记录缺失时间点与所属焊缝起始时间点的距离作为定位信息,记为Sp;
步骤S1.3、记录另一相同工件焊接过程的时序数据,并根据焊接时长集合和定位信息确定缺失值找到相同焊缝的同一位置,找到对应数据填充至缺失值处;
步骤S2、选取步骤S1中采集到的电流、电压、送丝速度数据,通过聚类算法进行聚类,迭代聚类个数,基于真实焊接工况,选取最佳聚类个数;所述选取最佳聚类个数的方法包括以下步骤:
步骤S2.1、将带有索引的电流、电压、送丝速度划分为训练集dfTrain和测试集dfTest;
步骤S2.2、基于训练集dfTrain迭代聚类个数,并根据每一类中包含的若干索引对应找出相同数量的管道供气速度;统计每一类中的管道供气速度并计算平均值,记为Gasmean;
步骤S2.3、在每一次迭代聚类个数过程中,通过训练好的聚类算法,预测测试集dfTest的聚类类别;选取每一类中的所有索引对应的管道供气速度,记为dfTestGasi,i∈[1,len(dfTest)],len(dfTest)代表测试集中索引个数;采用均方根误差Gasrmse作为评价指标,选取最佳聚类个数,具体表示如下:
dfTestGasi-Gasmeantype代表每一条dfTestGasi与所在聚类类别的Gasmean作差;
步骤S2.4、迭代聚类个数,计算每次迭代过程中的均方根误差Gasrmse,找出Gasrmse值最小时对应的类数,即为最佳聚类个数;
步骤S3、基于所述最佳聚类个数,训练聚类模型,并赋予每一类数据标准管道供气速度区间;具体地,基于训练集dfTrain重新训练模型,并计算每一类别中管道供气速度的1/4位数和3/4位数,则每一类中标准管道供气速度区间表示为:[1/4位数,3/4位数];
步骤S4、基于强化学习搭建反馈控制模型,所述反馈控制模型的输入为电流、电压、送丝速度和管道供气速度四个状态数据,输出为执行动作,所述执行动作包括执行控制和不执行控制两种;当输出为执行控制时,将各项传感器数据传输至步骤S3中训练好的聚类模型中,获取并输出匹配的标准管道供气速度区间;实际管道供气速度超过上限时,通过控制器调节速度,实际管道供气速度低于下限时,则发出报警信号;当输出为不执行控制时,则不再传输数据;具体地,所述反馈控制模型搭建方法包括:
步骤S4.1、创建控制环境,包括四个对应状态数据,即电流、电压、送丝速度和管道供气速度;为输出的执行动作打上标签,其中执行控制为1,不执行控制为0;
步骤S4.2、根据不同动作制定奖励函数R;具体如下:
其中action代表输出动作,v代表当前时刻管道供气速度,代表前t时刻管道供气速度的平均值;当输出动作为不执行控制时,action=0,此时奖励函数R=0;当输出动作为执行控制时,action=1,奖励函数
步骤S4.3、建立Q网络模型,所述Q网络模型包括1层gru和不少于1层线性层,激活函数选用Relu函数;Q网络模型输入为控制环境,输出即为执行动作,选取softmax概率最大的执行动作作为输出;
步骤S4.4、输入训练集数据,训练步骤S4.3建立的强化模型,求出每次训练时选取执行动作产生的奖励函数R之和,最终选取奖励函数R最大时对应的执行动作策略作为Q网络模型参数。
2.根据权利要求1所述的一种焊接管道供气智能反馈控制方法,其特征在于,所述步骤S1中采用箱型图法剔除传感器数据中的异常值。
3.一种焊接管道供气智能反馈控制***,其特征在于,包括多维传感器数据采集***、云平台、管道供气反馈控制***;所述多维传感器数据采集***实时采集多维传感数据,在云平台上部署权利要求1-2中任一项所述方法提供的聚类模型和反馈控制模型,首先将多维传感数据传输至反馈控制模型判断是否需要执行反馈控制,当判断需要执行控制时,将多维传感数据传输至聚类模型,获取标准管道供气速度区间并进行控制;当判断不执行控制时,则不再传输多维传感数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467931.3A CN115570228B (zh) | 2022-11-22 | 2022-11-22 | 一种焊接管道供气智能反馈控制方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467931.3A CN115570228B (zh) | 2022-11-22 | 2022-11-22 | 一种焊接管道供气智能反馈控制方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115570228A CN115570228A (zh) | 2023-01-06 |
CN115570228B true CN115570228B (zh) | 2023-03-17 |
Family
ID=84588480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211467931.3A Active CN115570228B (zh) | 2022-11-22 | 2022-11-22 | 一种焊接管道供气智能反馈控制方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115570228B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116275643B (zh) * | 2023-02-03 | 2023-11-07 | 苏芯物联技术(南京)有限公司 | 一种焊接工艺执行情况智能识别方法 |
CN116038076B (zh) * | 2023-03-28 | 2023-10-13 | 苏芯物联技术(南京)有限公司 | 一种基于场景匹配的焊接保护气体控制方法 |
CN117226224B (zh) * | 2023-11-16 | 2024-01-23 | 苏芯物联技术(南京)有限公司 | 一种焊接保护气流量实时智能控制方法 |
CN117428302B (zh) * | 2023-12-20 | 2024-02-20 | 苏芯物联技术(南京)有限公司 | 一种焊接管道供气流速智能动态控制方法及*** |
CN118081124B (zh) * | 2024-04-29 | 2024-07-05 | 苏芯物联技术(南京)有限公司 | 一种基于多方协同和工艺推荐的激光切割参数控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207043515U (zh) * | 2017-06-05 | 2018-02-27 | 上海和宗焊接设备制造有限公司 | 低成本igbt单管单端正激逆变氩弧焊机及其电路 |
CN109530862A (zh) * | 2018-11-23 | 2019-03-29 | 中车工业研究院有限公司 | 一种智能焊接控制方法及装置 |
CN112183555A (zh) * | 2020-09-23 | 2021-01-05 | 唐山松下产业机器有限公司 | 焊接质量的检测方法、***、电子设备和存储介质 |
EP3799988A1 (en) * | 2019-09-12 | 2021-04-07 | Illinois Tool Works Inc. | System for and method of labeling weld monitoring time periods using machine learning techniques |
CN113084311A (zh) * | 2021-04-09 | 2021-07-09 | 吴忠市黄河电焊机有限公司 | 一种用于多功能数字焊机的群控传输监测*** |
CN114309901A (zh) * | 2020-09-28 | 2022-04-12 | 林肯环球股份有限公司 | 用于控制焊接烟雾抽引的方法和*** |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8592722B2 (en) * | 2008-11-03 | 2013-11-26 | Illinois Tool Works Inc. | Weld parameter interface |
US20120095941A1 (en) * | 2010-02-11 | 2012-04-19 | Illinois Tool Works Inc. | Method and Apparatus For Welding Cost Calculator |
WO2017019860A1 (en) * | 2015-07-29 | 2017-02-02 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
JP7048382B2 (ja) * | 2018-03-28 | 2022-04-05 | 株式会社神戸製鋼所 | ガスシールドアーク溶接の制御方法及び制御装置 |
CN108877947B (zh) * | 2018-06-01 | 2021-10-15 | 重庆大学 | 基于迭代均值聚类的深度样本学习方法 |
CN111142474A (zh) * | 2018-11-05 | 2020-05-12 | 苏芯物联技术(南京)有限公司 | 一种数据控制机床健康监测*** |
US11373262B2 (en) * | 2019-03-25 | 2022-06-28 | Illinois Tool Works Inc. | Systems and methods for providing part quality confidence |
CN110543816B (zh) * | 2019-07-23 | 2021-08-03 | 浙江工业大学 | 一种基于谱聚类和增强学习的自适应人脸图像聚类方法 |
US20210060680A1 (en) * | 2019-08-28 | 2021-03-04 | Lincoln Global, Inc. | Systems and methods providing coordinated dual power outputs supporting a same welding or auxiliary power process |
CN110653457A (zh) * | 2019-09-30 | 2020-01-07 | 桥兴能源科技(广东)有限公司 | 一种焊接气体节能综合控制*** |
CN111098000B (zh) * | 2020-01-13 | 2023-10-31 | 广州欣大津汽车智能科技有限公司 | 焊接设备中保护气体的流量控制方法及气体流量控制装置 |
CN110991568B (zh) * | 2020-03-02 | 2020-07-31 | 佳都新太科技股份有限公司 | 目标识别方法、装置、设备和存储介质 |
CN111790967A (zh) * | 2020-03-19 | 2020-10-20 | 何苗 | 一种焊接用气体控制***及其控制方法、焊接*** |
US20210299777A1 (en) * | 2020-03-30 | 2021-09-30 | Illinois Tool Works Inc. | Systems and methods for control of welding parameter command value limits |
CN112186799B (zh) * | 2020-09-22 | 2022-07-26 | 中国电力科学研究院有限公司 | 基于深度强化学习的分布式能源***自治控制方法及*** |
US20220014963A1 (en) * | 2021-03-22 | 2022-01-13 | Shu-Ping Yeh | Reinforcement learning for multi-access traffic management |
CN113610232B (zh) * | 2021-09-28 | 2022-02-22 | 苏州浪潮智能科技有限公司 | 网络模型量化方法、装置、计算机设备以及存储介质 |
CN113870260B (zh) * | 2021-12-02 | 2022-04-12 | 苏芯物联技术(南京)有限公司 | 一种基于高频时序数据的焊接缺陷实时检测方法及*** |
CN114528949A (zh) * | 2022-03-24 | 2022-05-24 | 哈尔滨理工大学 | 一种基于参数优化的电能计量异常数据的识别与补偿方法 |
CN114951981A (zh) * | 2022-05-20 | 2022-08-30 | 重庆理工大学 | 一种激光焊接保护气体自动控制方法 |
CN115147448A (zh) * | 2022-05-20 | 2022-10-04 | 南京理工大学 | 面向自动化焊接的图像增强与特征提取方法 |
CN114755962A (zh) * | 2022-06-16 | 2022-07-15 | 苏芯物联技术(南京)有限公司 | 一种基于多传感器的智慧焊接数据采集***及采集方法 |
CN114969553B (zh) * | 2022-07-19 | 2022-10-28 | 苏芯物联技术(南京)有限公司 | 一种基于知识图谱的焊接成本和工艺参数综合智能推荐方法 |
CN115293383A (zh) * | 2022-10-09 | 2022-11-04 | 西南石油大学 | 融合博弈论的变压器风险致因分析方法 |
-
2022
- 2022-11-22 CN CN202211467931.3A patent/CN115570228B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207043515U (zh) * | 2017-06-05 | 2018-02-27 | 上海和宗焊接设备制造有限公司 | 低成本igbt单管单端正激逆变氩弧焊机及其电路 |
CN109530862A (zh) * | 2018-11-23 | 2019-03-29 | 中车工业研究院有限公司 | 一种智能焊接控制方法及装置 |
EP3799988A1 (en) * | 2019-09-12 | 2021-04-07 | Illinois Tool Works Inc. | System for and method of labeling weld monitoring time periods using machine learning techniques |
CN112183555A (zh) * | 2020-09-23 | 2021-01-05 | 唐山松下产业机器有限公司 | 焊接质量的检测方法、***、电子设备和存储介质 |
CN114309901A (zh) * | 2020-09-28 | 2022-04-12 | 林肯环球股份有限公司 | 用于控制焊接烟雾抽引的方法和*** |
CN113084311A (zh) * | 2021-04-09 | 2021-07-09 | 吴忠市黄河电焊机有限公司 | 一种用于多功能数字焊机的群控传输监测*** |
Non-Patent Citations (2)
Title |
---|
徐德进 ; .基于云智能焊接管控的大数据分析***设计.2018,(第10期),全文. * |
杨雨禾 ; 雷正龙 ; 黎炳蔚 ; 陈彦宾 ; 吴军 ; 张黎旭 ; 秦占领 ; .D406A超高强度钢激光-TIG复合填丝焊接气孔特性分析.2017,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115570228A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115570228B (zh) | 一种焊接管道供气智能反馈控制方法与*** | |
Pham et al. | Artificial intelligence in engineering | |
CN110023850B (zh) | 用于控制技术***的方法和控制装置 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测*** | |
CN112446091A (zh) | 一种基于人工神经网络的脉动压力预测方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN112180832A (zh) | 一种人工智能摘酒装置及其摘酒方法 | |
CN111476278A (zh) | 一种气体浓度智能化检测*** | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及*** | |
CN115146798A (zh) | 基于本体数据的装配机器人全流程监测与辅助方法及*** | |
Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
CN113418229A (zh) | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控*** | |
CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
CN116503029B (zh) | 用于自动驾驶的模块数据协同处理方法及*** | |
CN117572863A (zh) | 用于变电站机器人的路径优化方法及*** | |
CN117829453A (zh) | 一种智能化装备生产与管理一体化*** | |
CN113126488A (zh) | 一种物质混合智能*** | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
CN116475651A (zh) | 用于焊接检修的边缘智能控制方法及智能焊接设备 | |
CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
CN116203836A (zh) | 一种智能控制工业烟气吸收剂氨水加量的方法 | |
CN114880930A (zh) | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 | |
CN112816211A (zh) | 一种基于pso-bp算法的带式输送机故障诊断的方法 | |
Posada et al. | Machine learning approaches for offline-programming optimization in robotic painting |
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 |