CN110154027A - 一种基于云计算的机器人智能焊接方法 - Google Patents

Abstract

本发明提供一种基于云计算的机器人智能焊接方法，涉及大数据信息处理的云计算焊接技术领域。本发明步骤如下：步骤1：获取n个机器人的质量信号数据，将该数据作为神经网络的输入信号,输出信号为质量信号数据与理想焊接质量信号的误差；步骤2：根据输出信号确定所有焊接质量不合格的机器人的编号和位置；步骤3：计算所有存在焊接质量不合格的机器人的输出信号与理想焊接质量信号的均方误差；步骤4：判断所有机器人的均方误差是否大于等于10，若是，则调节其主电路中开关器件的触发角和触发时间；若否，则执行步骤1。本方法通过大量信息处理后通过云计算的方式，可以有效提高焊接质量。

Description

一种基于云计算的机器人智能焊接方法

技术领域

本发明涉及大数据信息处理的云计算焊接技术领域，尤其涉及一种基于云计算的机器人智能焊接方法。

背景技术

随着当前工业技术的发展，当前现代工业制造过程中的生产线变的复杂，在高自动化的生产过程中，对于焊接质量的监测变的尤为重要。传统的焊接过程为手工直接焊接，对于质量检测也为人工质检，随着自动化程度的提高，将机器人模拟焊工的焊接操作过程，从而可以智能地监测焊接过程中的焊接质量。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于云计算的机器人智能焊接方法，本方法通过大量信息处理后通过云计算的方式，可以有效提高焊接质量。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于云计算的机器人智能焊接方法，包括如下步骤：

步骤1：分别获取当前在工作状态的n个机器人的质量信号数据，n为机器人编号，所述质量信号数据包括焊接电压U、电流I、声音S、光谱特征信息氧化缝O、焊接坑深度C和热能Q；将采集到的质量信号数据作为神经网络的输入信号神经网络的输出信号y_n为质量信号数据与理想焊接质量信号的误差，其中U′代表焊接电压与理想焊接质量信号的误差，I′代表焊接电流与理想焊接质量信号的误差，S′代表焊接声音与理想焊接质量信号的误差，O′代表光谱特征信息氧化缝与理想焊接质量信号的误差，C′代表焊接坑深度与理想焊接质量信号的误差，Q′代表焊接热能与理想焊接质量信号的误差；将存在误差的机器人视为焊接质量不合格的机器人；重复本步骤，直至求出n个机器人的输出信号；理想焊接质量信号为在焊接最优情况下的信号值；

第n个机器人的输入信号相量与输出信号相量之间的映射关系为：

上式中，代表第n个机器人的第i个输出信号，i＝1,2,3,4,5,6；n代表机器人编号，ω_j为在云计算过程中神经网络从隐层到输出层的权值，R_j(x)表示基函数，x为输入信号组成的相量，m为云计算中隐层神经元的个数；

具体基函数表达式如下所示：

式中，j＝1,2,......m；c_j为第j个高斯基函数的中心；σ_j为第j个基函数中心点的宽度，m为隐层元的个数，||x-c_j||为输入向量到c_j的欧氏距离，R_j(x)在c_j处服从高斯分布；

步骤2：根据步骤1中的输出信号确定所有焊接质量不合格的机器人的编号以及机器人所在的位置；

步骤3：计算出所有存在焊接质量不合格的机器人的输出信号与理想焊接质量信号的均方误差，公式如下：

上式，a为存在焊接质量不合格的机器人的编号，a∈n，为机器人a的第i个实际输出信号值，为机器人a的第i个理想焊接质量信号值，表示第a个机器人的第i个输出误差。

步骤4：遍历所有存在焊接质量不合格的机器人，判断机器人的均方误差E_a是否大于等于10，若是，则调节其主电路中开关器件的触发角，改变开关器件的触发时间；通过改变其触发角和触发时间，达到对电压以及电流的整定，也改变焊接质量信号。若否，则执行步骤1；

调节方法的具体步骤如下：

步骤4.1：计算触发角α₁、α₃、α₅、α₇、α₉，如下式所示：

其中，U_g为所需通过整流后的逆变电路输出电压,U_t、u₁、u₃、u₅、u₇、u₉为参数，u₁＝U_g，u₃＝0，u₅＝0，u₇＝0，u₉＝0；

步骤4.2：通过步骤4.1得到的触发角确定触发时间的；如下式所示：

其中t₁、t₃、t₅、t₇、t₉分别代表在触发角为α₁、α₃、α₅、α₇、α₉时所对应的触发时间；f代表焊接过程中系统交流电的频率；

步骤4.3：通过步骤4.2中得到修订后的触发角和触发时间，将以上触发时间加入修正误差△E_μ后得到最终触发时间t_1end、t_3end、t_5end、t_7end、t_9end；

其中μ＝1，3，5，7，9；

所述步骤1中的理想质量信号值是根据当前的焊接材料决定。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于云计算的机器人智能焊接方法，本发明通过在对焊接电路的输出信号进行相应监测，在对采集的信号进行云计算后，进行精确定位，得到存在焊接质量问题的焊接机器人，定位后通过当前的输出信号进行误差整定，通过神经网络计算，进行相应触发角的确定，得到满足焊接要求的输出信号，本发明能够在基于云计算的基础上进行精确定位，通过大量计算以及神经网络算法得到符合要求的焊接信号，从而达到对焊接电路的最优控制，满足焊接质量要求，达到提高焊接质量的目的。

附图说明

图1为本发明实施例提供的方法流程图；

图2为本发明实施例提供的改进的逆变器焊机的主电路示意图，其中，a为改进后的主电路图，b为滤波电路图；

图3为本发明实施例提供的神经网络计算图；

图4为本发明实施例提供的机器人焊接质量云控制前和云控制后的对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

为提高工业生产线的焊接质量，进行焊接过程的主电路进行改进，具体电路如图2中a所示，所述改进为在进行焊接过程的主电路的输出端一端加入输出监测模块，输出端的另一端加入滤波电路；所述输出监测模块用于对影响焊接质量因素的质量信号数据进行提取，即对焊接电压U，电流I，声音S，以及光谱特征信息氧化缝O，以及焊接坑深度C，热能Q进行采集，其中(电压单位(伏)，电流单位(安)，热能单位(千焦)，声音S，氧化缝最大值O，焊接坑深度C，均为标幺值)；

本实施例中输出检测模块主要应用传感器进行信号采集，运用型号为QBV2000V电压传感器进行电压信号检测。运用型号为WBI412M05的电流传感器进行电流信号检测。采用型号为WKX-5的光谱分析仪对氧化缝O，以及焊接坑深度C进行光谱分析，得到相应数据。采用型号为PTL701的温度传感器进行进行热能信号的检测。

所述滤波电路用于输出过程中的谐波抑制，具体电路如图2中b所示；

本实施例中滤波电路中放大器型号为TDA2030A。电阻的阻值为10kΩ(千欧)，电容为21mF(毫法)。

如图1所示，本实施例的方法如下所述。

本发明提供一种基于云计算的机器人智能焊接方法，包括如下步骤：

步骤1：分别获取当前在工作状态的n个机器人的质量信号数据，n为机器人编号，所述质量信号数据包括焊接电压U、电流I、声音S、光谱特征信息氧化缝O、焊接坑深度C和热能Q；将采集到的质量信号数据作为神经网络的输入信号神经网络的输出信号y_n为质量信号数据与理想焊接质量信号的误差，其中U′代表焊接电压与理想焊接质量信号的误差，I′代表焊接电流与理想焊接质量信号的误差，S′代表焊接声音与理想焊接质量信号的误差，O′代表光谱特征信息氧化缝与理想焊接质量信号的误差，C′代表焊接坑深度与理想焊接质量信号的误差，Q′代表焊接热能与理想焊接质量信号的误差；将存在误差的机器人视为焊接质量不合格的机器人；重复本步骤，直至求出n个机器人的输出信号；理想焊接质量信号为在焊接最优情况下的信号值；该值根据当前的焊接材料决定；

第n个机器人的输入信号相量与输出信号相量之间的映射关系为：

上式中，代表第n个机器人的第i个输出信号，i＝1,2,3,4,5,6；n代表机器人编号，ω_j为在云计算过程中神经网络从隐层到输出层的权值，R_j(x)表示基函数，x为输入信号组成的相量，m为云计算中隐层神经元的个数；

具体基函数表达式如下所示：

式中，j＝1,2,......m；c_j为第j个高斯基函数的中心；σ_j为第j个基函数中心点的宽度，m为隐层元的个数，||x-c_j||为输入向量到c_j的欧氏距离，R_j(x)在c_j处服从高斯分布；

本实施例中电压信号U＝60v，电流I＝34A，声音S＝0.7，以及光谱特征信息氧化缝最大值O＝1，以及焊接坑C深度＝1，热能Q＝100kJ；

步骤2：根据步骤1中的输出信号确定所有焊接质量不合格的机器人的编号以及机器人所在的位置，如图3所示；

步骤3：计算出所有存在焊接质量不合格的机器人的输出信号与理想焊接质量信号的均方误差，公式如下：

获取存在焊接质量不合格的机器人的质量信号数据，通过神经网络的计算，在大量数据处理过程中，将大数据数据传送到云端后进行云计算，如步骤1中的输入与输出的关系公式所示，所以定位后机器人的输出信号与期望信号的均方误差如下计算。

上式，a为存在焊接质量不合格的机器人的编号，a∈n，为机器人a的第i个实际输出信号值，为机器人a的第i个理想焊接质量信号值，表示第a个机器人的第i个输出误差。

本实施例中通过计算得到E＝16.5；

步骤4：遍历所有存在焊接质量不合格的机器人，判断其均方误差E_a是否大于等于10，若是，则调节其主电路中开关器件的触发角，改变开关器件的触发时间；若否，则执行步骤1；

通过改变其触发角和触发时间，达到对电压以及电流的整定，也达到改变其他焊接质量信号。

通过改变逆变器的触发脉冲从而达到改变机器人的输出电压信号和电流信号，从而提高焊接质量。调节方法的具体步骤如下：

步骤4.1：计算触发角α₁、α₃、α₅、α₇、α₉，如下式所示：

其中，U_g为所需通过整流后的逆变电路输出电压，且U_g＝67.7V,U_t、u₁、u₃、u₅、u₇、u₉为参数，u₁＝U_g，u₃＝0，u₅＝0，u₇＝0，u₉＝0；

通过计算得到触发角

步骤4.2：通过步骤4.1得到的触发角确定触发时间的；如下式所示：

其中t₁、t₃、t₅、t₇、t₉分别代表在触发角为α₁、α₃、α₅、α₇、α₉时所对应的触发时间；f代表焊接过程中系统交流电的频率；

本实施例中f＝50Hz，求得的

步骤4.3：通过步骤4.2中得到修订后的触发角和触发时间，将以上触发时间加入修正误差△E_μ后得到最终触发时刻t_1end、t_3end、t_5end、t_7end、t_9end；

其中μ＝1，3，5，7，9；

本实施例中求得最终触发时刻为：

通过以上电路设计以及相应的智能计算得到机器人焊接质量仿真结果如图4所示，可以明确的看出通过本方法电压值得到明显的改善，通过输出电压的改善从而提高机器人的焊接质量。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种基于云计算的机器人智能焊接方法，其特征在于：包括如下步骤：

步骤1：分别获取当前在工作状态的n个机器人的质量信号数据，n为机器人编号，所述质量信号数据包括焊接电压U、电流I、声音S、光谱特征信息氧化缝O、焊接坑深度C和热能Q；将采集到的质量信号数据作为神经网络的输入信号神经网络的输出信号y_n为质量信号数据与理想焊接质量信号的误差，其中U′代表焊接电压与理想焊接质量信号的误差，I′代表焊接电流与理想焊接质量信号的误差，S′代表焊接声音与理想焊接质量信号的误差，O′代表光谱特征信息氧化缝与理想焊接质量信号的误差，C′代表焊接坑深度与理想焊接质量信号的误差，Q′代表焊接热能与理想焊接质量信号的误差；将存在误差的机器人视为焊接质量不合格的机器人；重复本步骤，直至求出n个机器人的输出信号；理想焊接质量信号为在焊接最优情况下的信号值；

第n个机器人的输入信号相量与输出信号相量之间的映射关系为：

上式中，代表第n个机器人的第i个输出信号，i＝1,2,3,4,5,6；n代表机器人编号，ω_j为在云计算过程中神经网络从隐层到输出层的权值，R_j(x)表示基函数，x为输入信号组成的相量，m为云计算中隐层神经元的个数；

具体基函数表达式如下所示：

式中，j＝1,2,......m；c_j为第j个高斯基函数的中心；σ_j为第j个基函数中心点的宽度，m为隐层元的个数，||x-c_j||为输入向量到c_j的欧氏距离，R_j(x)在c_j处服从高斯分布；

步骤2：根据步骤1中的输出信号确定所有焊接质量不合格的机器人的编号以及机器人所在的位置；

步骤3：计算出所有存在焊接质量不合格的机器人的输出信号与理想焊接质量信号的均方误差，公式如下：

上式，a为存在焊接质量不合格的机器人的编号，a∈n，为机器人a的第i个实际输出信号值，为机器人a的第i个理想焊接质量信号值，表示第a个机器人的第i个输出误差；

步骤4：遍历所有存在焊接质量不合格的机器人，判断机器人的均方误差E_a是否大于等于10，若是，则调节其主电路中开关器件的触发角，改变开关器件的触发时间；通过改变其触发角和触发时间，达到对电压以及电流的整定，也改变焊接质量信号；若否，则执行步骤1；

调节方法的具体步骤如下：

步骤4.1：计算触发角α₁、α₃、α₅、α₇、α₉，如下式所示：

其中，U_g为所需通过整流后的逆变电路输出电压,U_t、u₁、u₃、u₅、u₇、u₉为参数，u₁＝U_g，u₃＝0，u₅＝0，u₇＝0，u₉＝0；

步骤4.2：通过步骤4.1得到的触发角确定触发时间的；如下式所示：

其中t₁、t₃、t₅、t₇、t₉分别代表在触发角为α₁、α₃、α₅、α₇、α₉时所对应的触发时间；f代表焊接过程中系统交流电的频率；

步骤4.3：通过步骤4.2中得到修订后的触发角和触发时间，将以上触发时间加入修正误差△E_μ后得到最终触发时间t_1end、t_3end、t_5end、t_7end、t_9end；

其中μ＝1，3，5，7，9；

2.根据权利要求1所述的一种基于云计算的机器人智能焊接方法，其特征在于：所述步骤1中的理想质量信号值是根据当前的焊接材料决定。