CN111151932A - 一种厚板焊接机器人的焊接控制方法 - Google Patents
一种厚板焊接机器人的焊接控制方法 Download PDFInfo
- Publication number
- CN111151932A CN111151932A CN202010099843.7A CN202010099843A CN111151932A CN 111151932 A CN111151932 A CN 111151932A CN 202010099843 A CN202010099843 A CN 202010099843A CN 111151932 A CN111151932 A CN 111151932A
- Authority
- CN
- China
- Prior art keywords
- welding
- image
- groove
- thick plate
- control method
- 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
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
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
Abstract
本发明实施例公开了一种厚板焊接机器人的焊接控制方法，包括以下步骤：厚板坡口检测、坡口识别、规划焊接任务、焊接、检测、对最终焊缝进行检测；合格，则完成焊接，并将焊接过程数据补入到数据库中；不合格，则重复上述步骤。本发明的控制方法结合了自学习系统、高度自动化系统，无需人工干预，突破了厚板高效、优质、低成本焊接难题，确保了接头获得良好的热性能和综合性能，满足厚板高效、优质、低成本焊接生产需求，大幅提高了厚板焊接成品的合格率。
Description
技术领域
本发明涉及机器人焊接技术领域,具体地说是一种厚板焊接机器人的焊接控制方法。
背景技术
工业机器人在中厚板焊接生产中主要应用于船舶制造、工程机械、煤炭机械、核工业、钢结构及压力容器制造等行业。在工程机械行业，焊接机器人已经较广泛的应用于各种工程机械工件的制造。例如盾构机上关键零部件，挖掘机的动臂、斗杆、挖斗、X架、主平台及履带梁等各个部件，装载机的前后车架、动臂等关键部件，推土机后桥箱、台车方盒，汽车起重机车架、转台、支腿以及履带起重机、泵车、平地机及摊铺机等设备关键部件的焊接都有了专门的焊接机器人-变位机集成系统。这些专门的机器人焊接系统运行稳定可靠，本体及控制系统通过电弧跟踪功能、接触传感功能、焊接专家数据库等智能化功能，对中厚板焊接领域存在的工件尺寸、焊脚尺寸较大，焊接坡口加工、工件组对精度较差等问题进行了解决，焊缝成形效果和焊接稳定性均较好。
焊接机器人在得到越来越广泛应用的同时，也正向更高程度的自动化与智能化方向发展。近年来不断涌现具有代表性的机器人焊接新技术，这些技术从生产效率、精度要求、操作性、适应性等方面显示了焊接机器人技术的未来发展趋势，从研发完善逐渐走向推广应用。
然而对于厚板，其坡口根部附近的焊道深度大，空间较小，需要多层焊接，不容易控制，采用现有的控制方法焊接得到的成品合格率较低。
发明内容
本发明实施例中提供了一种厚板焊接机器人的焊接控制方法，以解决现有技术中厚板焊接成品合格率低的问题。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
本发明提供了一种厚板焊接机器人的焊接控制方法，所述方法包括以下步骤：
步骤1，对厚板坡口进行检测，得到检测数据；
步骤2，将检测数据与数据库中标准坡口数据进行匹配，若匹配成功，则执行步骤4，否则，执行步骤3；
步骤3，确定与数据库最接近的坡口，将当前坡口进行机械制作，然后返回步骤1；
步骤4，根据与数据库匹配的坡口，规划对应的焊接策略；
步骤5，通过图像拍照分析和激光识别跟踪，识别厚板的厚度和坡口信息，确定实际运动轨迹和焊接顺序，根据数据库内的指导信息调整每一层的焊接工艺，进行多层多道焊缝的焊接；
步骤6，对焊缝进行检测，若合格，则焊接完成，并将焊接过程数据写入数据库，否则，返回步骤1。
进一步的，步骤1中所述检测数据包括待焊接工件的厚度、坡口形式和坡口图像。
进一步的，步骤2中所述匹配的要求为坡口角度公差范围±2°，坡口深度公差范围±1mm。
进一步的，步骤4中所述数据库内根据焊接工件的厚度、坡口形式、工件材料、坡口宽度和焊接起止点位置确定所述焊接策略，所述焊接策略内包括焊接层数、焊接规范和焊接路径。
进一步的，步骤5中，通过识别的厚度和坡口信息，每一层焊接均与数据库进行比较匹配，确定运动轨迹和焊接顺序，并根据数据库信息调整每一层的焊接工艺，若任意一层未找到匹配数据，则返回步骤1。
进一步的，所述步骤5中图像拍照分析包括对获取的灰度图像进行图像增强，具体过程为：
S51，计算灰度图像原图f的灰度直方图H；
S52，计算原图f的总体像素个数，利用公式(1)计算灰度级出现的概率，
pr(rk)＝H(k)/N(0≤rk≤1,k＝0,1,2…L-1) (1)
公式(1)中，rk表示第k个灰度，pr(rk)表示第k个灰度级出现的概率，H(k)为第k个灰度级出现的频数，N为图像像素总数，L为图像中的灰度级总数；
S53，利用公式(2)计算原图f的灰度级累积分布函数，
公式(2)中，Sk为归一化灰度级，T(rk)为变换函数；
S54，利用公式(3)计算新图像每个像素的灰度值，绘制新图像h，
进一步的，在所述图像增强后进行背景分析，具体过程为：
设置焊接工件对应的二维矩阵T，所述二维矩阵T中包括0和1两个区域，通过调节0和1的排布，对应不同的焊接工件；
对当前灰度图像为f(i,j)的焊接工件，根据其对应的二维矩阵按照公式(4)进行分割，
进一步的，所述方法还包括对背景分析后的图像作以下处理：
对图像进行阈值二值化操作，将小于阈值的像素值置0，大于等于阈值的像素值置1，得到二值图像；
对所述二值图像运用轮廓提取算法，得到缺陷区域的轮廓形态信息，并统计轮廓像素面积信息；
根据坡口像素面积制定缺陷程度划分规则，对待焊接图像进行处理时，根据所述划分规则界定焊接缺陷的缺陷等级，进行焊接质量分析。
进一步的，步骤6中检验合格要求为VT合格率≥99.9％，焊缝余高≤2mm，探伤要求100％MT。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
1、本发明的控制方法结合了自学习系统，高度自动化系统，无需人工干预，突破了厚板高效、优质、低成本焊接难题，确保了接头获得良好的热性能和综合性能，满足厚板高效、优质、低成本焊接生产需求，大幅提高焊接成品的合格率。
2、将图像处理技术运用于现场生产，创造性地设计了背景分割，针对不同型号的焊接工件都能获得较好的图像处理结果，解决了昏暗条件下背景复杂前后景分离困难的技术难题。
3、焊接采用视觉技术自主识别厚板类型及尺寸信息，定位焊缝，实现自主寻找焊缝位置，自动识别坡口信息，并完成自主编排多层多道焊路径，同时极大降低人工工时，而且安全系数高。
4、针对厚板焊接易发生变形、坡口不断变化的问题，本发明通过激光识别跟踪技术，实时跟踪检测反馈策略，不需停机，反复检测学习的焊接路径规划策略，总体思路是根据焊件的变形情况不断修正焊接路径，使得焊道能够不断适应坡口变化，还具有控制方式简单、可靠性高的优点。
5、对于焊接合格的焊接工件，将其焊接过程中的数据存入数据库，不断丰富数据库，使后续的焊接过程更加顺利，成品的合格率不断提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述控制方法的流程示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例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。此外，本发明可以在不同例子中重复参考数字和/或字母。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例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示，本发明厚板焊接机器人的焊接控制方法，包括以下步骤：
步骤1，对厚板坡口进行检测，得到检测数据；
步骤2，将检测数据与数据库中标准坡口数据进行匹配，若匹配成功，则执行步骤4，否则，执行步骤3；
步骤3，确定与数据库最接近的坡口，将当前坡口进行机械制作，然后返回步骤1；
步骤4，根据与数据库匹配的坡口，规划对应的焊接策略；
步骤5，通过图像拍照分析和激光识别跟踪，识别厚板的厚度和坡口信息，确定实际运动轨迹和焊接顺序，根据数据库内的指导信息调整每一层的焊接工艺，进行多层多道焊缝的焊接；
步骤6，对焊缝进行检测，若合格，则焊接完成，并将焊接过程数据写入数据库，否则，返回步骤1。
步骤1中的检测数据包括待焊接工件的厚度、坡口形式和坡口图像。
步骤2中的数据库根据实际经验坡口参数和焊接策略建立。步骤2中匹配的要求为坡口角度公差范围±2°，坡口深度公差范围±1mm。
步骤3中，对匹配不合格的焊接工件进行机械制作，使其与数据库内最接近的坡口匹配，机械制作完成后返回步骤1，重新进行检测匹配，保证做种匹配结果的准确性。
步骤4中数据库内根据焊接工件的厚度、坡口形式、工件材料、坡口宽度和焊接起止点位置确定所述焊接策略，焊接策略内包括焊接层数、焊接规范和焊接路径。
步骤5中，通过识别的厚度和坡口信息，每一层焊接均与数据库进行比较匹配，确定运动轨迹和焊接顺序，并根据数据库信息调整每一层的焊接工艺，若任意一层未找到匹配数据，则返回步骤1。
步骤5中图像拍照分析包括对获取的灰度图像进行图像增强，图像增强是运用直方图均衡化增强算法对获取的灰度图像进行图像增强，即采用以下步骤对获取的灰度图像的像素分布进行调整，提高了图像的对比度，使图像更加清晰。
具体过程为：
S51，计算灰度图像原图f的灰度直方图H，灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率；
S52，计算原图f的总体像素个数N，N＝m×n，式中m、n分别对应图像的长和宽，利用公式(1)计算灰度级出现的概率，
pr(rk)＝H(k)/N(0≤rk≤1,k＝0,1,2…L-1) (1)
公式(1)中，rk表示第k个灰度，pr(rk)表示第k个灰度级出现的概率，H(k)为第k个灰度级出现的频数，N为图像像素总数，L为图像中的灰度级总数；
S53，利用公式(2)计算原图f的灰度级累积分布函数，
公式(2)中，Sk为归一化灰度级，T(rk)为变换函数；
S54，利用公式(3)计算新图像每个像素的灰度值，绘制新图像h，
在图像增强后进行背景分析，具体过程为：
设置焊接工件对应的二维矩阵T，二维矩阵T中包括0和1两个区域，通过调节0和1的排布，将矩阵分割成特定的1和0两类区域，1和0两个区域对应于工件中的兴趣区域和非兴趣区域，不同的工件焊接图像中焊接的形状和区域分布不同，工件类型众多，针对不同的工件，设置不同的T来满足工件需求；
对当前灰度图像为f(i,j)的焊接工件，根据其对应的二维矩阵按照公式(4)进行分割，
将图像中不需要的背景像素值设置为0，将需要的背景像素保留，方便后续的特征提取。
对背景分析后的图像作以下处理：
对图像进行阈值二值化操作，将小于阈值的像素值置0，大于等于阈值的像素值置1，得到二值图像；
对所述二值图像运用轮廓提取算法，得到缺陷区域的轮廓形态信息，并统计轮廓像素面积信息；
根据坡口像素面积制定缺陷程度划分规则，对待焊接图像进行处理时，根据所述划分规则界定焊接缺陷的缺陷等级，进行焊接质量分析。
步骤6中检验合格要求为VT合格率≥99.9％，焊缝余高≤2mm，探伤要求100％MT。
根据上述方法的步骤，对100块厚板进行焊接，结果为，1-20块的合格率在85％以上，21-90合格率在87％以上，91-100合格率在92％以上，并且整个过程无需人工介入。可以看出，自学习的效果明显，自动化程度极高。且合格率不断提高。
以上所述只是本发明的优选实施方式，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，这些改进和润饰也被视为本发明的保护范围。
Claims (9)
1.一种厚板焊接机器人的焊接控制方法，其特征是，所述方法包括以下步骤：
步骤1，对厚板坡口进行检测，得到检测数据；
步骤2，将检测数据与数据库中标准坡口数据进行匹配，若匹配成功，则执行步骤4，否则，执行步骤3；
步骤3，确定与数据库最接近的坡口，将当前坡口进行机械制作，然后返回步骤1；
步骤4，根据与数据库匹配的坡口，规划对应的焊接策略；
步骤5，通过图像拍照分析和激光识别跟踪，识别厚板的厚度和坡口信息，确定实际运动轨迹和焊接顺序，根据数据库内的指导信息调整每一层的焊接工艺，进行多层多道焊缝的焊接；
步骤6，对焊缝进行检测，若合格，则焊接完成，并将焊接过程数据写入数据库，否则，返回步骤1。
2.根据权利要求1所述的厚板焊接机器人的焊接控制方法，其特征是，步骤1中所述检测数据包括待焊接工件的厚度、坡口形式和坡口图像。
3.根据权利要求1所述的厚板焊接机器人的焊接控制方法，其特征是，步骤2中所述匹配的要求为坡口角度公差范围±2°，坡口深度公差范围±1mm。
4.根据权利要求1所述的厚板焊接机器人的焊接控制方法，其特征是，步骤4中所述数据库内根据焊接工件的厚度、坡口形式、工件材料、坡口宽度和焊接起止点位置确定所述焊接策略，所述焊接策略内包括焊接层数、焊接规范和焊接路径。
5.根据权利要求1所述的厚板焊接机器人的焊接控制方法，其特征是，步骤5中，通过识别的厚度和坡口信息，每一层焊接均与数据库进行比较匹配，确定运动轨迹和焊接顺序，并根据数据库信息调整每一层的焊接工艺，若任意一层未找到匹配数据，则返回步骤1。
6.根据权利要求1所述的厚板焊接机器人的焊接控制方法，其特征是，所述步骤5中图像拍照分析包括对获取的灰度图像进行图像增强，具体过程为：
S51，计算灰度图像原图f的灰度直方图H；
S52，计算原图f的总体像素个数，利用公式(1)计算灰度级出现的概率，
pr(rk)＝H(k)/N(0≤rk≤1,k＝0,1,2…L-1) (1)
公式(1)中，rk表示第k个灰度，pr(rk)表示第k个灰度级出现的概率，H(k)为第k个灰度级出现的频数，N为图像像素总数，L为图像中的灰度级总数；
S53，利用公式(2)计算原图f的灰度级累积分布函数，
公式(2)中，Sk为归一化灰度级，T(rk)为变换函数；
S54，利用公式(3)计算新图像每个像素的灰度值，绘制新图像h，
7.根据权利要求6所述的厚板焊接机器人的焊接控制方法，其特征是，在所述图像增强后进行背景分析，具体过程为：
设置焊接工件对应的二维矩阵T，所述二维矩阵T中包括0和1两个区域，通过调节0和1的排布，对应不同的焊接工件；
对当前灰度图像为f(i,j)的焊接工件，根据其对应的二维矩阵按照公式(4)进行分割，
8.根据权利要求7所述的厚板焊接机器人的焊接控制方法，其特征是，所述方法还包括对背景分析后的图像作以下处理：
对图像进行阈值二值化操作，将小于阈值的像素值置0，大于等于阈值的像素值置1，得到二值图像；
对所述二值图像运用轮廓提取算法，得到缺陷区域的轮廓形态信息，并统计轮廓像素面积信息；
根据坡口像素面积制定缺陷程度划分规则，对待焊接图像进行处理时，根据所述划分规则界定焊接缺陷的缺陷等级，进行焊接质量分析。
9.根据权利要求1所述的厚板焊接机器人的焊接控制方法，其特征是，步骤6中检验合格要求为VT合格率≥99.9％，焊缝余高≤2mm，探伤要求100％MT。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099843.7A CN111151932B (zh) | 2020-02-18 | 2020-02-18 | 一种厚板焊接机器人的焊接控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099843.7A CN111151932B (zh) | 2020-02-18 | 2020-02-18 | 一种厚板焊接机器人的焊接控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111151932A true CN111151932A (zh) | 2020-05-15 |
| CN111151932B CN111151932B (zh) | 2021-09-14 |
Family
ID=70565924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010099843.7A Active CN111151932B (zh) | 2020-02-18 | 2020-02-18 | 一种厚板焊接机器人的焊接控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111151932B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115415748A (zh) * | 2022-09-21 | 2022-12-02 | 钢构管家(湖北)网络服务有限公司 | 自动化卷板加工方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1133727A (ja) * | 1997-07-15 | 1999-02-09 | Yaskawa Electric Corp | 溶接ロボットの制御方法 |
| CN101607342A (zh) * | 2009-06-26 | 2009-12-23 | 广州中船黄埔造船有限公司 | 一种厚板拼板埋弧焊接方法 |
| CN108188548A (zh) * | 2017-12-28 | 2018-06-22 | 江苏杰瑞科技集团有限责任公司 | 一种机器人多层多道焊接方法 |
| CN108596880A (zh) * | 2018-04-08 | 2018-09-28 | 东南大学 | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 |
| CN109604767A (zh) * | 2019-01-30 | 2019-04-12 | 浙江师范大学 | 用于厚板窄间隙gma机器人的智能焊接控制系统及方法 |
-
2020
- 2020-02-18 CN CN202010099843.7A patent/CN111151932B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1133727A (ja) * | 1997-07-15 | 1999-02-09 | Yaskawa Electric Corp | 溶接ロボットの制御方法 |
| CN101607342A (zh) * | 2009-06-26 | 2009-12-23 | 广州中船黄埔造船有限公司 | 一种厚板拼板埋弧焊接方法 |
| CN108188548A (zh) * | 2017-12-28 | 2018-06-22 | 江苏杰瑞科技集团有限责任公司 | 一种机器人多层多道焊接方法 |
| CN108596880A (zh) * | 2018-04-08 | 2018-09-28 | 东南大学 | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 |
| CN109604767A (zh) * | 2019-01-30 | 2019-04-12 | 浙江师范大学 | 用于厚板窄间隙gma机器人的智能焊接控制系统及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115415748A (zh) * | 2022-09-21 | 2022-12-02 | 钢构管家(湖北)网络服务有限公司 | 自动化卷板加工方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111151932B (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111922483B (zh) | 基于学习的线结构光焊缝跟踪与增材路径纠偏装置及方法 | |
| CN112529858A (zh) | 一种基于机器视觉的焊缝图像处理方法 | |
| CN113634964B (zh) | 一种大型构件龙门式机器人焊接装备及焊接工艺 | |
| Ye et al. | A robust algorithm for weld seam extraction based on prior knowledge of weld seam | |
| CN111192307A (zh) | 基于激光切割三维零部件的自适应纠偏方法 | |
| CN112381095B (zh) | 基于深度学习的电弧增材制造层宽自抗扰控制方法 | |
| CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
| Wei et al. | Autonomous guidance of initial welding position with “single camera and double positions” method | |
| Mohd Shah et al. | Autonomous detection and identification of weld seam path shape position | |
| CN114474041A (zh) | 一种基于协作机器人的焊接自动化智能引导方法及系统 | |
| CN111151932B (zh) | 一种厚板焊接机器人的焊接控制方法 | |
| Tian et al. | Robust identification of weld seam based on region of interest operation | |
| CN114170176A (zh) | 一种基于点云的钢格板焊缝自动检测方法 | |
| CN115546125A (zh) | 一种基于点云信息的增材制造熔敷层的误差检测并对轨迹纠偏的方法 | |
| CN113319859B (zh) | 一种机器人示教方法、系统、装置及电子设备 | |
| CN114406425A (zh) | 一种用于超薄金属精密焊接的焊缝跟踪方法 | |
| CN107914067B (zh) | 一种基于被动视觉传感的薄板焊接的焊枪偏差三维提取方法 | |
| CN114119504A (zh) | 一种基于级联卷积神经网络的钢件焊缝自动检测方法 | |
| Lin et al. | Intelligent seam tracking of an ultranarrow gap during K-TIG welding: a hybrid CNN and adaptive ROI operation algorithm | |
| CN116664508A (zh) | 一种焊缝表面质量检测方法及计算机可读存储介质 | |
| CN114932292B (zh) | 一种窄间隙被动视觉焊缝跟踪方法及系统 | |
| CN109934820B (zh) | 一种激光拼焊待焊件图像中直线边缘亚像素检测方法 | |
| CN115770988A (zh) | 一种基于点云环境理解的焊接机器人智能示教方法 | |
| CN112734782A (zh) | 一种激光路径规划视觉算法 | |
| CN115383262B (zh) | 一种激光视觉引导下的焊缝轨迹自动跟踪方法及系统 |
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 |