CN109865916A - 一种基于cbr和rbr的机器人焊接工艺参数优化方法 - Google Patents

Abstract

本发明涉及一种基于CBR和RBR的机器人焊接工艺参数优化方法，属于机器人焊接技术领域，包括焊接工艺输入模块、焊接工艺专家系统、焊接工艺输出模块；焊接工艺输入模块将接受焊接任务和焊接资源提交至焊接工艺专家系统，焊接工艺专家系统中的查询引擎实现对历史焊接案例的重用，若没有相似的焊接工艺案例则进入推理引擎，进行基于规则进行案例推理。推理出的焊接工艺中存在范围值，利用焊接工艺参数优化模块中的粒子群算法对焊接工艺参数的多目标优化，确定最优的焊接工艺参数组合，获取精确值以供焊接机器人执行，实现机器人焊接智能化，可提高生产效率、效果显著。

Description

一种基于CBR和RBR的机器人焊接工艺参数优化方法

技术领域

本发明涉及一种基于CBR和RBR的机器人焊接工艺参数优化方法，尤其涉及一种基于案例推理(Case-based Reasoning,CBR)、基于规则推理(Rule-based Reasoning,RBR)的焊接工艺推理以及基于神经网络与粒子群优化算法结合，适用于焊接机器人自主决策焊接工艺的方法，属于机器人焊接技术领域。

背景技术

传统的焊接机器人在焊接前需要经验丰富的工艺设计人员针对具体的焊接任务制定焊接工艺，设计人员的经验水平参差不齐，而且由于焊接过程的复杂性在焊接工艺制定过程中需要考虑很多因素，所以工艺设计效率较低。基于CBR和RBR的焊接专家系统可以取代这样繁琐的人工制定过程，很大程度上节省焊接机器人完成焊接任务工艺制定准备时间，提高生产效率。

现有的焊接工艺专家系统可以基于当前焊接任务实现对以往成熟焊接工艺的重用，当在专家系统的案例库中无法找到匹配的焊接工艺时可以借助专家系统的基于规则推理功能推理出适用于当前焊接任务的焊接工艺。但是由于在推理过程中规则库中很多规则来源于专家经验或者焊接实用手册，仅仅能推理出焊接工艺参数的一个适用范围，进一步确定特定焊接任务最优的焊接工艺参数组合时往往需要大量实验。而通过焊接实验来选定合理的焊接工艺参数值组合增加了焊接工艺制定时间与成本，不利于焊接机器人对焊接工艺的智能决策。

粒子群优化算法PSO(Particle Swarm Optimization)是一种迭代优化算法，对解决带约束的非线性多目标参数优化问题具有很好的效果。可以对焊接工艺推理结果进行进一步的优化求解。

因此，在焊接机器人自主决策焊接工艺中，亟待解决焊接机器人工艺智能推理精确性、自主化、最优化问题。

发明内容

针对现有技术的不足，本发明提供一种基于CBR和RBR的机器人焊接工艺参数优化方法，能够对焊接工艺专家系统推理得到的不精确结果进行优化求解，实现焊接机器人工艺制定的智能化。

本发明的技术方案如下：

一种基于CBR和RBR的机器人焊接工艺参数优化方法，包括焊接工艺输入模块、焊接工艺专家系统、焊接工艺输出模块；

所述焊接工艺输入模块用于将焊接资源文件与焊接任务文件基于一定映射规则转换为合理格式后将焊接信息提交至焊接工艺专家系统中；

所述焊接工艺专家系统用于判断焊接信息并调取对应的焊接工艺；所述焊接工艺专家系统包括查询引擎、推理引擎、知识库、焊接工艺参数优化模块，所述知识库包括焊接工艺案例库和焊接工艺规则库，所述查询引擎用于判断焊接信息是否属于焊接工艺案例库的相似案例并将相似案例导入焊接工艺输出模块；所述推理引擎用于在焊接工艺规则库中提取规则并进入焊接工艺参数优化模块，所述焊接工艺参数优化模块用于基于焊接信息制定对应的焊接工艺并将焊接工艺导入焊接工艺输出模块；

所述焊接工艺输出模块将焊接工艺输出至焊接机器人控制器。

利用本方法首先判断根据特定的焊接信息是否能在已有案例库中找到相似案例，若不能、再进入优化过程，通过基于CBR和RBR的专家系统进行工艺推理，由神经网络和粒子群算法组成的焊接工艺优化模块对专家系统的推理结果进行参数优化。

优选的，所述焊接资源文件包括焊接资源信息，焊接资源信息包括焊机型号、焊接电流/电压可调范围、适用焊丝直径范围、保护气体可调范围；所述焊接任务文件包括焊接条件信息，焊接条件信息包括焊接位置、母材材料、母材厚度、接头厚度、接头形式。

优选的，所述焊接工艺案例库用于保存历史焊接质量优良的焊接工艺案例，一条焊接工艺案例包括案例条件与案例结果，案例条件包括母材材料、母材厚度、接头厚度、接头形式、焊接位置；案例结果包括焊接电流、焊接速度、焊接电压、焊材直径、保护气体成分、保护气体流量、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压，所需要的焊接工艺与焊接工艺案例内容一致。

优选的，所述焊接工艺规则库包括焊接方法规则库、焊接材料规则库、焊丝直径与伸出长度规则库、送丝速度规则库、焊枪倾角规则库、焊接工艺参数规则库。

优选的，基于CBR和RBR的机器人焊接工艺参数优化方法，其步骤包括：

(1)焊接工艺输入模块将焊接资源文件与焊接任务文件基于一定映射规则转换为合理格式提交至焊接工艺专家系统中；

(2)查询引擎在焊接工艺案例库中进行相似案例查询，如果有匹配到相似案例则将该相似案例提交到焊接工艺输出模块中，如没有相似案例则进入推理引擎；

(3)推理引擎在焊接工艺规则库中提取相关规则后生成合适的焊接工艺；所述推理引擎推理得到的焊接工艺中焊接速度、焊接电流、焊接电压、保护气体流量为合适的范围值，需要进行多目标优化得到最终的最优焊接工艺参数，进入焊接工艺参数优化模块；推理引擎得到的其他焊接工艺参数：焊材直径、保护气体成分、焊丝伸出长度、焊枪倾角为确定值；送丝速度、起弧电流/收弧电流、起弧电压/收弧电压则由经过焊接工艺参数优化模块优化后的焊接电流、焊接电压得到；

(4)焊接工艺参数优化模块包括神经网络和粒子群算法；所述神经网络包括输入层和输出层，输入层包括五个输入变量：焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量，所述接头厚度为焊接条件中提供的已知信息、为使神经网络更好的建立输入变量与输出变量之间的非线性映射关系、在神经网络中为常量；输出层包括四个输出变量：焊缝宽度BW、焊缝熔深BP、焊缝高度BH、热影响区域HAZ，输入层和输出层之间为非线性映射关系，神经网络算法在粒子群算法中作为适应度函数，求解粒子群中每个粒子在所经历位置对应的适应度函数值，适应度函数值通过加权计算求得最终的结果最小时即为输入层五个焊接工艺参数值的最优组合结果；

(5)将粒子群算法得到最优的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量组合结果连同推理引擎得到的其他焊接工艺参数提交至焊接工艺输出模块，并基于一定映射规则将焊接工艺转换为合适格式提交至焊接机器人控制器，控制系统执行焊接任务；同时将该焊接工艺案例保存至焊接工艺案例库中；

所述其他焊接工艺参数包括焊材直径、保护气体成分、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压。

优选的，步骤(2)中，所述查询引擎由基于案例的推理(CBR)机制实现，通过分析提取焊接任务文件中焊接条件信息，在焊接工艺案例库中搜索相似案例，根据相似程度选出最为匹配的焊接工艺案例；具体的为，当一个新的焊接任务出现时，首先对焊接条件信息进行数据预处理并由问题特征向量X表示：

X＝(x₁,x₂,x₃,x₄,x₅) (1)

其中x₁,x₂,x₃,x₄,x₅分别为焊接位置、母材材料、母材厚度、接头厚度、接头形式；

所述数据预处理为对焊接条件信息中数据类型为数值型的母材厚度、接头厚度进行归一化处理，数据类型为类别型的焊接位置、接头形式、母材材料进行one-hot编码；

然后结合焊接工艺案例库中历史案例通过K-最近邻匹配算法或GHSOM算法(生长型分层自组织映射)或决策树搜索算法进行检索，检索得到最相似案例与源案例还是有一定差异，需要进行进一步的案例修正，案例修正可采用支持向量回归模型或更为简单地将案例结果和检索结果交由给领域专家修改，修正后的案例保存至焊接工艺案例库，同时提交至输出模块。

优选的，步骤(3)中，所述推理引擎由基于规则的推理(RBR)机制实现，合适的焊接工艺由知识的产生式规则表示：

if x₁ is X₁ and x₂ is X₂ and…x_n is X_n than Y(CF(H,E)) (2)

其中，X为规则的条件前提，x₁为条件1，X₁为前提1，x₂为条件2，X₂为前提2，依此类推；Y表示规则的结论，X、Y可以为单一或者组合；CF(H,E)为可信度因子，表示知识的产生式规则的可信度，在[0，1]上取值；CF(H,E)值越大，说明对于结论Y在X成立的情况下的确定与信任程度越大；具体的推理流程为：

1)推理引擎根据焊接任务文件中提取的母材厚度、母材材料、焊接位置信息，在焊接方法库中匹配焊接方法，基于前述公式(2)所述的规则，将选定的焊接方法保存至动态焊接工艺库；

2)推理引擎根据焊接任务文件中提取的母材厚度、焊接位置信息在焊枪倾角规则库中匹配焊枪角度，基于前述公式(2)所述的规则，将选定的焊枪倾角保存至动态焊接工艺库；

3)推理引擎根据焊接任务文件中提取的母材材料信息在焊接材料规则库中提取匹配的焊丝牌号、焊丝类型、保护气体并保存至动态焊接工艺库；

4)推理引擎根据焊接任务文件中提取的母材厚度信息在焊丝直径与伸出长度规则库中匹配相应焊丝直径与焊丝伸出长度并保存至动态焊接工艺库；焊丝伸出长度为焊丝直径的10-15倍；

5)推理引擎根据上述步骤1)、2)、3)、4)推理得到的动态焊接工艺库中信息在焊接工艺参数规则库中进行推理确定焊接工艺参数，并保存至动态焊接工艺库中；

6)将推理所得动态焊接工艺库中焊接工艺参数中的焊接速度、焊接电流、焊接电压、保护气体流量连同接头厚度提交至焊接工艺参数优化模块；

7)送丝速度由焊接电流确定，送丝速度v＝δ*I_i，其中δ送丝速度系数，I_i为由焊接工艺参数优化模块优化后的焊接电流，确定送丝速度后提交至动态焊接工艺库；

8)起弧电流/收弧电流、起弧电压/收弧电压分别由焊接电流与焊接电压确定：

u₁＝ξ₁*U₁ (5)

u₂＝ξ₂*U₁ (6)

其中i₁为起弧电流、i₂为收弧电流、为起弧电流系数、为收弧电流系数、I_i为由焊接工艺参数优化模块优化后的焊接电流、u₁为起弧电压、u₂为收弧电压、ξ₁为起弧电压系数、ξ₂为收弧电压系数、U₁为由焊接工艺参数优化模块优化后的焊接电压；将确定的起弧电流/收弧电流、起弧电压/收弧电压提交至动态焊接工艺库，完成推理引擎程序(见图2)。

进一步优选的，步骤7)中，所述δ送丝速度系数由领域专家确定。

进一步优选的，步骤8)中，所述起弧电流系数、收弧电流系数、ξ₁起弧电压系数、ξ₂收弧电压系数由领域专家确定。

优选的，步骤(4)中，所述焊接工艺参数优化模块由嵌入神经网络的粒子群算法实现，神经网络作为输入变量与输出变量之间的非线性映射求解模块；所述粒子群算法中，优化目标为神经网络的输出变量，目标是通过粒子群找到使优化目标最优的神经网络输入变量，即满足最优优化目标的焊接工艺，所述粒子群算法中粒子约束条件即为推理引擎提交至焊接工艺参数优化模块中焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量的各自的范围值；所述接头厚度为焊接条件中提供的已知信息、为使神经网络更好的建立输入变量与输出变量之间的非线性映射关系、在神经网络中为常量；通过神经网络求解出输入变量对应的输出变量(优化目标)；

每个粒子为五维的位置向量x_id和速度向量v_id，粒子在搜索空间中运动时记录了其所经历的最优位置，根据粒子群最优经历位置来改变自身速度以调整自身位置，优选的粒子群中粒子按照公式(7)、(8)进行变化：

x_id＝x_id+v_id (7)

v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (8)

其中x_id为单个粒子位置向量，v_id为单个粒子速度向量，w为权重因子，c₁,c₂为加速因子为正常数，r₁,r₂为[0,1]中均匀分布的随机数，d为维度5，公式(7)等号左右的x_id分别为粒子更新前位置与更新后位置，公式(8)中等号左右的v_id分别为粒子更新前速度与更新后速度；

所述嵌入有神经网络的多目标粒子群优化的算法流程为(见图3)：

a)根据初始数据集训练人工神经网络求解模型；

b)初始化粒子群，种群大小为N，将种群分为支配子集n₁和非支配子集n₂，其中n₁、n₂和为N；精英解集用来存储每次迭代产生的非支配子集n₂，每次迭代更新仅对支配子集n₁进行，随机初始化每个粒子的位置向量x_id和速度向量v_id，设置初始权重因子w；

c)通过神经网络计算粒子当前位置所对应的多目标值，多目标值为输出变量：焊缝宽度、焊缝熔深、焊缝高度、热影响区，用加入惩罚函数的目标函数计算粒子适应度值；

d)计算支配子集粒子当前的个体最优和整个粒子群的全局最优；

e)按照公式(7)、(8)分别更新支配子集n₁各个粒子的位置向量x_id和速度向量v_id；

f)将更新后的支配子集n₁与非支配子集n₂比较，选出支配子集n₁中的非劣解加入n₂，并剔除n₂中的劣解，更新外部的精英解集；

g)如果满足迭代终止条件，则停止迭代，输出精英解集即为最优解集，否则返回步骤2)；所述迭代终止条件为设定的迭代次数。

h)将动态焊接工艺库中焊接工艺参数中的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量更新为外部的精英解集中的最优解。

焊接工艺参数优化模块之后，将动态焊接工艺库优化后的案例保存至焊接工艺案例库，同时提交至焊接工艺输出模块。

本发明的有益效果在于：

1.本发明采用基于CBR和RBR的焊接工艺专家系统，提高了焊接工艺制定效率，实现历史焊接工艺案例重用。随着焊接工艺的积累，焊接工艺案例库中案例逐渐增加，相应推理任务减少。实现对焊接历史资源的有效利用

2.本发明通过嵌入有神经网络模型的粒子群算法，人工神经网络模型对焊接工艺参数和焊接质量参数进行非线性映射，在粒子群算法中作为适应度函数求解专家系统给出的合理参数范围内焊接工艺参数随机组合所对应的焊接质量值。粒子群算法模型进一步对工艺参数进行多目标优化。通过所述方法可以显著提高焊接质量，在焊接工艺推理后减少对具体焊接工艺参数确定时实验耗用时间，提高工艺制定效率与焊接机器人工艺的自主决策。

3.本发明通过焊接工艺专家系统与嵌入有神经网络模型的粒子群算法结合使焊接机器人实现焊接工艺的自主决策，实现机器人焊接智能化，可提高生产效率、效果显著。

附图说明

图1为本发明一种基于CBR、RBR的焊接工艺推理以及基于神经网络与粒子群优化工艺参数确定焊接工艺的流程示意图；

图2为本发明一种基于RBR推理的焊接工艺参数确定方法的流程示意图；

图3为本公开的实施例示出的一种嵌入有神经网络的粒子群算法优化焊接工艺参数的流程示意图。

具体实施方式

下面通过实施例并结合附图对本发明做进一步说明，但不限于此。

实施例1：

一种基于CBR和RBR的机器人焊接工艺参数优化方法，包括焊接工艺输入模块、焊接工艺专家系统、焊接工艺输出模块；如图1所示。

所述焊接工艺输入模块用于将焊接资源文件与焊接任务文件基于一定映射规则转换为本体语言后将焊接信息提交至焊接工艺专家系统中。

所述焊接工艺专家系统用于判断焊接信息并调取对应的焊接工艺；所述焊接工艺专家系统包括查询引擎、推理引擎、知识库、焊接工艺参数优化模块，所述知识库包括焊接工艺案例库和焊接工艺规则库，所述查询引擎用于判断焊接信息是否属于焊接工艺案例库的相似案例并将相似案例导入焊接工艺输出模块；所述推理引擎用于在焊接工艺规则库中提取规则并进入焊接工艺参数优化模块，所述焊接工艺参数优化模块用于基于焊接信息制定对应的焊接工艺并将焊接工艺导入焊接工艺输出模块。

所述焊接工艺输出模块将焊接工艺输出至焊接机器人控制器。

利用本方法，有焊接任务和焊接资源提交时，焊接工艺输入模块首先将焊接资源文件与焊接任务文件基于一定映射规则转换为本体语言提交至焊接工艺专家系统中。在焊接工艺专家系统中，首先由查询引擎在焊接工艺案例库中进行相似案例查询，首先判断根据特定的焊接信息是否能在已有案例库中找到相似案例，若不能、再进入优化过程，通过基于CBR和RBR的专家系统进行工艺推理，由神经网络和粒子群算法组成的焊接工艺优化模块对专家系统的推理结果进行参数优化。

焊接资源文件包括焊接资源信息，焊接资源信息包括焊机型号、焊接电流/电压可调范围、适用焊丝直径范围、保护气体可调范围；焊接任务文件包括焊接条件信息，焊接条件信息包括焊接位置、母材材料、母材厚度、接头厚度、接头形式。

焊接工艺案例库用于保存历史焊接质量优良的焊接工艺案例，一条焊接工艺案例包括案例条件与案例结果，案例条件包括母材材料、母材厚度、接头厚度、接头形式、焊接位置；案例结果包括焊接电流、焊接速度、焊接电压、焊材直径、保护气体成分、保护气体流量、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压，所需要的焊接工艺与焊接工艺案例内容一致。

焊接工艺规则库包括焊接方法规则库、焊接材料规则库、焊丝直径与伸出长度规则库、送丝速度规则库、焊枪倾角规则库、焊接工艺参数规则库。

实施例2：

一种如实施例1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其方法如实施例1所述，具体步骤包括：

(1)焊接工艺输入模块将焊接资源文件与焊接任务文件基于一定映射规则转换为合理格式提交至焊接工艺专家系统中；

(2)查询引擎在焊接工艺案例库中进行相似案例查询，如果有匹配到相似案例则将该相似案例提交到焊接工艺输出模块中，如没有相似案例则进入推理引擎；

(3)推理引擎在焊接工艺规则库中提取相关规则后生成合适的焊接工艺；所述推理引擎推理得到的焊接工艺中焊接速度、焊接电流、焊接电压、保护气体流量为合适的范围值，需要进行多目标优化得到最终的最优焊接工艺参数，进入焊接工艺参数优化模块；推理引擎得到的其他焊接工艺参数：焊材直径、保护气体成分、焊丝伸出长度、焊枪倾角为确定值；送丝速度、起弧电流/收弧电流、起弧电压/收弧电压则由经过焊接工艺参数优化模块优化后的焊接电流、焊接电压得到；

(4)焊接工艺参数优化模块包括神经网络和粒子群算法；所述神经网络包括输入层和输出层，输入层包括五个输入变量：焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量，输出层包括四个输出变量：焊缝宽度BW、焊缝熔深BP、焊缝高度BH、热影响区域HAZ，输入层和输出层之间为非线性映射关系，神经网络算法在粒子群算法中作为适应度函数，求解粒子群中每个粒子在所经历位置对应的适应度函数值，适应度函数值通过加权计算求得最终的结果最小时即为输入层五个焊接工艺参数值的最优匹配结果；

(5)将粒子群算法得到最优的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量组合结果连同推理引擎得到的其他焊接工艺参数提交至焊接工艺输出模块，并基于一定映射规则将焊接工艺转换为合适格式提交至焊接机器人控制器，控制系统执行焊接任务；同时将该焊接工艺案例保存至焊接工艺案例库中；

所述其他焊接工艺参数包括焊材直径、保护气体成分、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压。

实施例3：

一种如实施例1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其步骤如实施例2所述，进一步的，步骤(2)中，所述查询引擎由基于案例的推理(CBR)机制实现，通过分析提取焊接任务文件中焊接条件信息，在焊接工艺案例库中搜索相似案例，根据相似程度选出最为匹配的焊接工艺案例；具体的为，当一个新的焊接任务出现时，首先对焊接条件信息进行数据预处理并由问题特征向量X表示：

X＝(x₁,x₂,x₃,x₄,x₅) (1)

其中x₁,x₂,x₃,x₄,x₅分别为焊接位置、母材材料、母材厚度、接头厚度、接头形式；

所述数据预处理为对焊接条件信息中数据类型为数值型的母材厚度、接头厚度进行归一化处理，数据类型为类别型的焊接位置、接头形式、母材材料进行one-hot编码；

然后结合焊接工艺案例库中历史案例通过K-最近邻匹配算法或GHSOM算法(生长型分层自组织映射)或决策树搜索算法进行检索，检索得到最相似案例与源案例还是有一定差异，需要进行进一步的案例修正，案例修正可采用支持向量回归模型或更为简单地将案例结果和检索结果交由给领域专家修改，修正后的案例保存至焊接工艺案例库，同时提交至输出模块。

实施例4：

一种如实施例1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其步骤如实施例2所述，进一步的，步骤(3)中，所述推理引擎由基于规则的推理(RBR)机制实现，合适的焊接工艺由知识的产生式规则表示：

if x₁ is X₁ and x₂ is X₂ and…x_n is X_n than Y(CF(H,E)) (2)

其中，X为规则的条件前提，x₁为条件1，X₁为前提1，x₂为条件2，X₂为前提2，依此类推；Y表示规则的结论，X、Y可以为单一或者组合；CF(H,E)为可信度因子，表示知识的产生式规则的可信度，在[0，1]上取值；CF(H,E)值越大，说明对于结论Y在X成立的情况下的确定与信任程度越大；具体的推理流程为：

1)推理引擎根据焊接任务文件中提取的母材厚度、母材材料、焊接位置信息，在焊接方法库中匹配焊接方法，基于前述公式(2)所述的规则，将选定的焊接方法保存至动态焊接工艺库；

2)推理引擎根据焊接任务文件中提取的母材厚度、焊接位置信息在焊枪倾角规则库中匹配焊枪角度，基于前述公式(2)所述的规则，将选定的焊枪倾角保存至动态焊接工艺库；

3)推理引擎根据焊接任务文件中提取的母材材料信息在焊接材料规则库中提取匹配的焊丝牌号、焊丝类型、保护气体并保存至动态焊接工艺库；

4)推理引擎根据焊接任务文件中提取的母材厚度信息在焊丝直径与伸出长度规则库中匹配相应焊丝直径与焊丝伸出长度并保存至动态焊接工艺库；焊丝伸出长度为焊丝直径的10-15倍；

5)推理引擎根据上述步骤1)、2)、3)、4)推理得到的动态焊接工艺库中信息在焊接工艺参数规则库中进行推理确定焊接工艺参数，并保存至动态焊接工艺库中；

6)将推理所得动态焊接工艺库中焊接工艺参数中的焊接速度、焊接电流、焊接电压、保护气体流量连同接头厚度提交至焊接工艺参数优化模块；

7)送丝速度由焊接电流确定，送丝速度v＝δ*I_i，其中δ送丝速度系数，I_i为由焊接工艺参数优化模块优化后的焊接电流，确定送丝速度后提交至动态焊接工艺库；所述δ送丝速度系数由领域专家人工确定。

8)起弧电流/收弧电流、起弧电压/收弧电压分别由焊接电流与焊接电压确定：

u₁＝ξ₁*U₁ (5)

u₂＝ξ₂*U₁ (6)

其中i₁为起弧电流、i₂为收弧电流、为起弧电流系数、为收弧电流系数、I_i为由焊接工艺参数优化模块优化后的焊接电流、u₁为起弧电压、u₂为收弧电压、ξ₁为起弧电压系数、ξ₂为收弧电压系数、U₁为由焊接工艺参数优化模块优化后的焊接电压，所述起弧电流系数、收弧电流系数、ξ₁起弧电压系数、ξ₂收弧电压系数由领域专家人工确定。将确定的起弧电流/收弧电流、起弧电压/收弧电压提交至动态焊接工艺库，完成推理引擎程序，如图2所示。

实施例5：

一种如实施例1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其步骤如实施例2所述，进一步的，步骤(4)中，所述焊接工艺参数优化模块由嵌入有神经网络的粒子群算法实现，神经网络作为输入变量与输出变量之间的非线性映射求解模块；所述粒子群算法中，优化目标为神经网络的输出变量，目标是通过粒子群找到使优化目标最优的神经网络输入变量，即满足最优优化目标的焊接工艺，所述粒子群算法中粒子约束条件即为推理引擎提交至焊接工艺参数优化模块中焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量的各自的范围值；通过神经网络求解出输入变量对应的输出变量(优化目标)；

每个粒子为五维的位置向量x_id和速度向量v_id，粒子在搜索空间中运动时记录了其所经历的最优位置，根据粒子群最优经历位置来改变自身速度以调整自身位置，优选的粒子群中粒子按照公式(7)、(8)进行变化：

x_id＝x_id+v_id (7)

v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (8)

其中x_id为单个粒子位置向量，v_id为单个粒子速度向量，w为权重因子，c₁,c₂为加速因子为正常数，r₁,r₂为[0,1]中均匀分布的随机数，d为维度5，公式(7)等号左右的x_id分别为粒子更新前位置与更新后位置，公式(8)中等号左右的v_id分别为粒子更新前速度与更新后速度；

所述嵌入有神经网络的多目标粒子群优化的算法流程为(如图3所示)：

a)根据初始数据集训练人工神经网络求解模型；

b)初始化粒子群，种群大小为N，将种群分为支配子集n₁和非支配子集n₂，其中n₁、n₂和为N；精英解集用来存储每次迭代产生的非支配子集n₂，每次迭代更新仅对支配子集n₁进行，随机初始化每个粒子的位置向量x_id和速度向量v_id，设置初始权重因子w；

c)通过神经网络计算粒子当前位置所对应的多目标值，多目标值为输出变量：焊缝宽度、焊缝熔深、焊缝高度、热影响区，用加入惩罚函数的目标函数计算粒子适应度值；

d)计算支配子集粒子当前的个体最优和整个粒子群的全局最优；

e)按照公式(7)、(8)分别更新支配子集n₁各个粒子的位置向量x_id和速度向量v_id；

f)将更新后的支配子集n₁与非支配子集n₂比较，选出支配子集n₁中的非劣解加入n₂，并剔除n₂中的劣解，更新外部的精英解集；

g)如果满足迭代终止条件，则停止迭代，输出精英解集即为最优解集，否则返回步骤2)；所述迭代终止条件为设定的迭代次数。

h)将动态焊接工艺库中焊接工艺参数中的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量更新为外部的精英解集中的最优解。

焊接工艺参数优化模块之后，将动态焊接工艺库优化后的案例保存至焊接工艺案例库，同时提交至焊接工艺输出模块。

Claims (10)

1.一种基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，包括焊接工艺输入模块、焊接工艺专家系统、焊接工艺输出模块；

所述焊接工艺输入模块用于将焊接资源文件与焊接任务文件转换为合理格式后将焊接信息提交至焊接工艺专家系统中；

所述焊接工艺专家系统用于判断焊接信息并调取对应的焊接工艺；所述焊接工艺专家系统包括查询引擎、推理引擎、知识库、焊接工艺参数优化模块，所述知识库包括焊接工艺案例库和焊接工艺规则库，所述查询引擎用于判断焊接信息是否属于焊接工艺案例库的相似案例并将相似案例导入焊接工艺输出模块；所述推理引擎用于在焊接工艺规则库中提取规则并进入焊接工艺参数优化模块，所述焊接工艺参数优化模块用于基于焊接信息制定对应的焊接工艺并将焊接工艺导入焊接工艺输出模块；

所述焊接工艺输出模块将焊接工艺输出至焊接机器人控制器。

2.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，所述焊接资源文件包括焊接资源信息，焊接资源信息包括焊机型号、焊接电流/电压可调范围、适用焊丝直径范围、保护气体可调范围；所述焊接任务文件包括焊接条件信息，焊接条件信息包括焊接位置、母材材料、母材厚度、接头厚度、接头形式。

3.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，所述焊接工艺案例库用于保存历史焊接工艺案例，一条焊接工艺案例包括案例条件与案例结果，案例条件包括母材材料、母材厚度、接头厚度、接头形式、焊接位置；案例结果包括焊接电流、焊接速度、焊接电压、焊材直径、保护气体成分、保护气体流量、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压，所需要的焊接工艺与焊接工艺案例内容一致。

4.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，所述焊接工艺规则库包括焊接方法规则库、焊接材料规则库、焊丝直径与伸出长度规则库、送丝速度规则库、焊枪倾角规则库、焊接工艺参数规则库。

5.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，基于CBR和RBR的机器人焊接工艺参数优化方法，其步骤包括：

(1)焊接工艺输入模块将焊接资源文件与焊接任务文件基于一定映射规则转换为合理格式提交至焊接工艺专家系统中；

(2)查询引擎在焊接工艺案例库中进行相似案例查询，如果有匹配到相似案例则将该相似案例提交到焊接工艺输出模块中，如没有相似案例则进入推理引擎；

(3)推理引擎在焊接工艺规则库中提取相关规则后生成合适的焊接工艺；所述推理引擎推理得到的焊接工艺中焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量为范围值，进入焊接工艺参数优化模块；推理引擎得到的其他焊接工艺参数：焊材直径、保护气体成分、焊丝伸出长度、焊枪倾角为确定值；送丝速度、起弧电流/收弧电流、起弧电压/收弧电压则由经过焊接工艺参数优化模块优化后的焊接电流、焊接电压得到；

(4)焊接工艺参数优化模块包括神经网络和粒子群算法；所述神经网络包括输入层和输出层，输入层包括五个输入变量：焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量，输出层包括四个输出变量：焊缝宽度、焊缝熔深、焊缝高度、热影响区域，输入层和输出层之间为非线性映射关系，神经网络算法在粒子群算法中作为适应度函数，求解粒子群中每个粒子在所经历位置对应的适应度函数值，适应度函数值通过加权计算求得最终的结果最小时即为输入层五个焊接工艺参数值的最优组合结果；

(5)将粒子群算法得到最优的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量组合结果连同推理引擎得到的其他焊接工艺参数提交至焊接工艺输出模块，并基于一定映射规则将焊接工艺转换为合适格式提交至焊接机器人控制器，控制系统执行焊接任务；同时将该焊接工艺案例保存至焊接工艺案例库中；

所述其他焊接工艺参数包括焊材直径、保护气体成分、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压。

6.根据权利要求5所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤(2)中，所述查询引擎由基于案例的推理机制实现，通过分析提取焊接任务文件中焊接条件信息，在焊接工艺案例库中搜索相似案例，根据相似程度选出最为匹配的焊接工艺案例；具体的为，当一个新的焊接任务出现时，首先对焊接条件信息进行数据预处理并由问题特征向量X表示：

X＝(x₁,x₂,x₃,x₄,x₅) (1)

其中x₁,x₂,x₃,x₄,x₅分别为焊接位置、母材材料、母材厚度、接头厚度、接头形式；

所述数据预处理为对焊接条件信息中数据类型为数值型的母材厚度、接头厚度进行归一化处理，数据类型为类别型的焊接位置、接头形式、母材材料进行one-hot编码；

然后结合焊接工艺案例库中历史案例通过K-最近邻匹配算法或GHSOM算法或决策树搜索算法进行检索，检索得到最相似案例与源案例还是有一定差异，需要进行进一步的案例修正，案例修正采用支持向量回归模型或将案例结果和检索结果交由给领域专家修改，修正后的案例保存至焊接工艺案例库，同时提交至输出模块。

7.根据权利要求5所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤(3)中，所述推理引擎由基于规则的推理机制实现，合适的焊接工艺由知识的产生式规则表示：

if x₁ is X₁ and x₂ is X₂ and…x_n is X_n than Y(CF(H,E)) (2)

其中，X为规则的条件前提，x₁为条件1，X₁为前提1，x₂为条件2，X₂为前提2，依此类推；Y表示规则的结论，X、Y为单一或者组合；CF(H,E)为可信度因子，表示知识的产生式规则的可信度，在[0，1]上取值；CF(H,E)值越大，说明对于结论Y在X成立的情况下的确定与信任程度越大；具体的推理流程为：

1)推理引擎根据焊接任务文件中提取的母材厚度、母材材料、焊接位置信息，在焊接方法库中匹配焊接方法，基于前述公式(2)所述的规则，将选定的焊接方法保存至动态焊接工艺库；

2)推理引擎根据焊接任务文件中提取的母材厚度、焊接位置信息在焊枪倾角规则库中匹配焊枪角度，基于前述公式(2)所述的规则，将选定的焊枪倾角保存至动态焊接工艺库；

3)推理引擎根据焊接任务文件中提取的母材材料信息在焊接材料规则库中提取匹配的焊丝牌号、焊丝类型、保护气体并保存至动态焊接工艺库；

4)推理引擎根据焊接任务文件中提取的母材厚度信息在焊丝直径与伸出长度规则库中匹配相应焊丝直径与焊丝伸出长度并保存至动态焊接工艺库；焊丝伸出长度为焊丝直径的10-15倍；

5)推理引擎根据上述步骤1)、2)、3)、4)推理得到的动态焊接工艺库中信息在焊接工艺参数规则库中进行推理确定焊接工艺参数，并保存至动态焊接工艺库中；

6)将推理所得动态焊接工艺库中焊接工艺参数中的焊接速度、焊接电流、焊接电压、保护气体流量连同接头厚度提交至焊接工艺参数优化模块；

7)送丝速度由焊接电流确定，送丝速度v＝δ*I_i，其中δ送丝速度系数，I_i为由焊接工艺参数优化模块优化后的焊接电流，确定送丝速度后提交至动态焊接工艺库；

8)起弧电流/收弧电流、起弧电压/收弧电压分别由焊接电流与焊接电压确定：

u₁＝ξ₁*U₁ (5)

u₂＝ξ₂*U₁ (6)

其中i₁为起弧电流、i₂为收弧电流、为起弧电流系数、为收弧电流系数、I_i为由焊接工艺参数优化模块优化后的焊接电流、u₁为起弧电压、u₂为收弧电压、ξ₁为起弧电压系数、ξ₂为收弧电压系数、U₁为由焊接工艺参数优化模块优化后的焊接电压；将确定的起弧电流/收弧电流、起弧电压/收弧电压提交至动态焊接工艺库，完成推理引擎程序。

8.根据权利要求7所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤7)中，所述δ送丝速度系数由领域专家人工确定。

9.根据权利要求7所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤8)中，所述起弧电流系数、收弧电流系数、ξ₁起弧电压系数、ξ₂收弧电压系数由领域专家人工确定。

10.根据权利要求5所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤(4)中，所述焊接工艺参数优化模块由嵌入神经网络的粒子群算法实现，神经网络作为输入变量与输出变量之间的非线性映射求解模块；所述粒子群算法中，优化目标为神经网络的输出变量，目标是通过粒子群找到使优化目标最优的神经网络输入变量，即满足最优优化目标的焊接工艺，所述粒子群算法中粒子约束条件为推理引擎提交至焊接工艺参数优化模块中焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量的各自的范围值；通过神经网络求解出输入变量对应的输出变量；

每个粒子为五维的位置向量x_id和速度向量v_id，粒子在搜索空间中运动时记录了其所经历的最优位置，根据粒子群最优经历位置来改变自身速度以调整自身位置，粒子群中粒子按照公式(7)、(8)进行变化：

x_id＝x_id+v_id (7)

v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (8)

其中x_id为单个粒子位置向量，v_id为单个粒子速度向量，w为权重因子，c₁,c₂为加速因子为正常数，r₁,r₂为[0,1]中均匀分布的随机数，d为维度5，公式(7)等号左右的x_id分别为粒子更新前位置与更新后位置，公式(8)中等号左右的v_id分别为粒子更新前速度与更新后速度；

所述嵌入有神经网络的多目标粒子群优化的算法流程为：

a)根据初始数据集训练人工神经网络求解模型；

b)初始化粒子群，种群大小为N，将种群分为支配子集n₁和非支配子集n₂，其中n₁、n₂和为N；精英解集用来存储每次迭代产生的非支配子集n₂，每次迭代更新仅对支配子集n₁进行，随机初始化每个粒子的位置向量x_id和速度向量v_id，设置初始权重因子w；

c)通过神经网络计算粒子当前位置所对应的多目标值，多目标值为输出变量：焊缝宽度、焊缝熔深、焊缝高度、热影响区，用加入惩罚函数的目标函数计算粒子适应度值；

d)计算支配子集粒子当前的个体最优和整个粒子群的全局最优；

e)按照公式(7)、(8)分别更新支配子集n₁各个粒子的位置向量x_id和速度向量v_id；

f)将更新后的支配子集n₁与非支配子集n₂比较，选出支配子集n₁中的非劣解加入n₂，并剔除n₂中的劣解，更新外部的精英解集；

g)如果满足迭代终止条件，则停止迭代，输出精英解集即为最优解集，否则返回步骤2)；所述迭代终止条件为设定的迭代次数；

h)将动态焊接工艺库中焊接工艺参数中的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量更新为外部的精英解集中的最优解。