CN111940954B - 高可靠抗弧光干扰的焊接多形态数据智能处理方法 - Google Patents

Abstract

本发明公开了一种高可靠抗弧光干扰的焊接多形态数据智能体及处理方法，包括：主控制器，其用于从爬行焊接机器人的各类传感设备上实时采集数据；通讯控制器，其与云端状态监听设备通信连接；物理抗干扰隔离层，其设置于主控制器与通讯控制器之间，物理抗干扰隔离层用于外层隔离；应用层，其与主控制器通信连接，应用层包括通信连接的应用层智能主节点和应用层智能备用节点；以及物理实体存储层，其与应用层通信连接，物理实体存储层包括通信连接的物理层存储实体主节点和物理层存储实体备用节点，物理层存储实体主节点与应用层智能主节点通信连接。本发明的焊接多形态数据智能体及处理方法具有高可靠性、混合智能算法以及良好的抗干扰能力。

Description

高可靠抗弧光干扰的焊接多形态数据智能处理方法

技术领域

本发明涉及焊接机器人技术领域，具体涉及一种高可靠抗弧光干扰的焊接多形态数据智能处理方法。

背景技术

焊接机器人是从事焊接的工业机器人，并且对现代高技术产业各领域以至人们的生活产生了重要影响，焊接机器人在工作状态时，机器人主体行进至大型钢结构体表面进行焊接，由位于地面或脚手架上的控制设备对机器人主体进行控制，以完成焊接工作。

发明人发现可以通过焊接过程中产生的数据，反馈出在焊接机器人的产品质量缺陷，通过数据反哺焊接机器人的性能优化，进一步保证焊接质量，最终优化迭代出高质量的焊接机器人。但是由于焊接过程中，涉及的数据种类较多，如何有效管理，是一个比较复杂的难题。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种高可靠抗弧光干扰的焊接多形态数据智能处理方法，其能够通过将各种形态的原始焊接数据，加工形成利于分析的可利用数据，从而抽象出产品质量问题。

为实现上述目的，本发明提供了一种高可靠抗弧光干扰的焊接多形态数据智能体，包括：主控制器，其用于从爬行焊接机器人的各类传感设备上实时采集数据，并提供多个数据接口；通讯控制器，其与云端状态监听设备通信连接；物理抗干扰隔离层，其设置于主控制器与通讯控制器之间，物理抗干扰隔离层用于外层隔离；应用层，其与主控制器通信连接，应用层包括通信连接的应用层智能主节点和应用层智能备用节点，其中，当应用层智能主节点发生故障时，应用层智能主节点和应用层智能备用节点能够进行状态倒换，并且应用层智能主节点和应用层智能备用节点均包括具有多个智能算法的复合智能体模块；以及物理实体存储层，其与应用层通信连接，物理实体存储层包括通信连接的物理层存储实体主节点和物理层存储实体备用节点，物理层存储实体主节点与应用层智能主节点通信连接，其中，当物理层存储实体主节点发生故障时，物理层存储实体主节点和物理层存储实体备用节点能够通过状态倒换来使物理实体存储层正常工作。

在一优选实施方式中，具有多个智能算法的复合智能体包括多形态时序数据队列、图像特征表征智能算法体、异常检测智能算法体、时间校验一致性智能算法体和主备切片堆处理体。

在一优选实施方式中，物理实体存储层包括I/O读写功能和存储功能，I/O读写功能要求读写速度不低于主控制器下发指令的频率。

在一优选实施方式中，物理抗干扰隔离层为碳纳米管纤维材料，其用于吸收弧光的电磁辐射。

在一优选实施方式中，主控制器所采集的数据包括图像数据、焊机数据和机器本体运动数据，多个数据接口包括时序图像数据接口、主推时序数据接口、焊接时序数据接口和滑块时序数据接口，分别用于传输时序图像、主推数据、焊机数据和滑块数据。

本发明还公开了一种高可靠抗弧光干扰的焊接多形态数据智能处理方法，包括如下步骤：构建主控制器、物理抗干扰隔离层、应用层、物理实体存储层以及通讯控制器；主控制器从爬行焊接机器人的多个传感设备实时采集数据；主控制器通过多个数据接口将所采集的数据传输给应用层智能主节点的具有多个智能算法的复合智能体模块，其中，多个数据接口包括时序图像数据接口、主推时序数据接口、焊接时序数据接口和滑块时序数据接口，分别用于传输时序图像、主推数据、焊机数据和滑块数据；当复合智能体模块所接收到的时序图像、主推数据、焊机数据和滑块数据时，时序图像、主推数据、焊机数据和滑块数据进入处理队列；图像特征表征智能算法体通过图像特征表征算法将焊缝的图像数据进行转化处理，输出未焊接的焊缝参数，并输出已经焊接完成的焊接质量数据；异常检测智能算法体通过异常检测智能算法对转化处理后的数据进行异常甄别，并且对焊机数据和主推数据的原始数据做异常甄别和处理，并得到归一化形态数据；时间一致性校验算法体通过时间一致性校验算法将归一化形态数据进行逻辑校验，并得到时序单一形态数据；在状态开关处于开的状态下，把时序单一形态数据进行堆处理，形成可提取的时间轴回放数据，时间轴回放数据在切片堆栈队列中进行堆栈处理，并存储在物理实体存储层中；云端状态监听设备通过通讯控制器定时同步获取存储在物理实体存储层中的数据；其中，当应用层智能主节点发生故障时，应用层智能主节点和应用层智能备用节点进行状态倒换；并且当物理层存储实体主节点发生故障时，物理层存储实体主节点和物理层存储实体备用节点通过状态倒换来使物理实体存储层正常工作。

在一优选实施方式中，在进入云端同步的过程中，状态开关改为关闭状态，如果此时爬行焊接机器人处于运行态状态，时间一致性校验算法把逻辑校验后的归一化形态数据输送到切片堆栈备用队列；当云端同步结束之后，切片堆栈备用队列归并到切片堆栈队列，状态开关改为开启状态。

在一优选实施方式中，通过图像特征表征算法将焊缝的图像数据进行转化处理包括如下步骤：先对RGB图像做二值化灰度处理，然后通过多个神经核去扫描，卷积计算出低维数据，通过多次低维度处理，最终输出若干1*N维数据，然后分别截取不同段表示各个数据，从而能够按照时间维度将焊缝图像提取出有效特征，并表征为结构化多维数据。

在一优选实施方式中，对焊机数据和主推数据的原始数据做异常甄别和处理包括如下步骤：将焊机数据和主推数据的原始数据做异常时序数据的过滤，然后找出所有有问题的时间点集合，把该集合下所有数据全部做剔除处理，以得到归一化形态数据。

在一优选实施方式中，主控制器所采集的数据包括图像数据、焊机数据和机器本体运动数据。

与现有技术相比，本发明的高可靠抗弧光干扰的焊接多形态数据智能体及处理方法的有益效果如下：本发明通过将应用层设置为包括应用层智能主节点和应用层智能备用节点的主备双节点管理、将物理实体存储层设置为包括物理层存储实体主节点和物理层存储实体备用节点主备双节点管理，使得本发明的焊接多形态数据智能体具有高可靠性，可以让焊接数据最大程度上不丢失，记录焊接产生的焊接质量数据、焊机数据和机器人主体运动数据。通过设置多种人工智能算法组合的复合智能体，有效保障了多形态机器人运行态数据的可阅读性与可利用性，打通了焊接数据集中化管理与处理的瓶颈；通过设置物理抗干扰隔离层，可以有效屏蔽弧光以及特殊频段电磁波，从而保障了焊接时序数据的真实性。通过设置物理抗干扰隔离层可以避免弧光以及部分电磁场的干扰，保证原生态数据高质量的传送到云端，为真实反应千万级规模量的机器人运行态奠定可信任的硬件底座框架。

附图说明

图1为本发明的优选实施方式的高可靠抗弧光干扰的焊接多形态数据智能体的结构框图。

图2为本发明的优选实施方式的高可靠抗弧光干扰的焊接多形态数据智能处理方法流程框图。

具体实施方式

下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述。本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

实施例1

如图1-2所示，根据本发明一优选实施方式的高可靠抗弧光干扰的焊接多形态数据智能体，包括：主控制器101、通讯控制器102、物理抗干扰隔离层103、应用层104以及物理实体存储层105。其中，主控制器101用于从爬行焊接机器人100的各类传感设备上实时采集数据，并提供多个数据接口。通讯控制器102与云端状态监听设备106通信连接。物理抗干扰隔离层103设置于主控制器101与通讯控制器102之间，物理抗干扰隔离层103用于外层隔离。应用层104与主控制器101通信连接，应用层104包括通信连接的应用层智能主节点114和应用层智能备用节点124。当应用层智能主节点114发生故障时，应用层智能主节点114和应用层智能备用节点124能够进行状态倒换，从而快速实现智能体的时序数据处理和响应能力。应用层智能主节点114和应用层智能备用节点124均包括具有多个智能算法的复合智能体模块134。物理实体存储层105与应用层104通信连接，物理实体存储层105包括通信连接的物理层存储实体主节点115和物理层存储实体备用节点125，物理层存储实体主节点115与应用层智能主节点114通信连接。其中，当物理层存储实体主节点115发生故障时，物理层存储实体主节点115和物理层存储实体备用节点125能够通过状态倒换来使物理实体存储层105正常工作。

在一优选实施方式中，具有多个智能算法的复合智能体包括多形态时序数据队列、图像特征表征智能算法体、异常检测智能算法体、时间校验一致性智能算法体和主备切片堆处理体。

在一优选实施方式中，物理实体存储层包括I/O读写功能和存储功能，I/O读写功能要求读写速度不低于主控制器下发指令的频率。存储功能满足在云端上报数据失效极端情况下失效周期的2倍能力，即本地预留的free存储空间资源要按照2倍来保证。

在一优选实施方式中，物理抗干扰隔离层为碳纳米管(CNT)纤维材料，其用于吸收弧光的电磁辐射。

在一优选实施方式中，主控制器所采集的数据包括图像数据、焊机数据和机器本体运动数据，多个数据接口包括时序图像数据接口、主推时序数据接口、焊接时序数据接口和滑块时序数据接口，分别用于传输时序图像、主推数据、焊机数据和滑块数据。

实施例2

如图2所示，本发明还公开了一种高可靠抗弧光干扰的焊接多形态数据智能处理方法，包括如下步骤：

构建主控制器101、物理抗干扰隔离层103、应用层104、物理实体存储层105以及通讯控制器102；主控制器101从爬行焊接机器人100的多个传感设备实时采集数据。

主控制器101通过多个数据接口将所采集的数据传输给应用层智能主节点的具有多个智能算法的复合智能体模块。其中，多个数据接口包括时序图像数据接口、主推时序数据接口、焊接时序数据接口和滑块时序数据接口，分别用于传输时序图像201、主推数据202、焊机数据203和滑块数据204。

当复合智能体模块所接收到的时序图像201、主推数据202、焊机数据203和滑块数据204时，时序图像201、主推数据202、焊机数据203和滑块数据204进入时序队列211。

图像特征表征智能算法体212通过图像特征表征算法将焊缝的图像数据进行转化处理，输出未焊接的焊缝参数，并输出已经焊接完成的焊接质量数据。

异常检测智能算法体213通过异常检测智能算法对转化处理后的数据进行异常甄别，并且对焊机数据和主推数据的原始数据做异常甄别和处理，并得到归一化形态数据。

时间一致性校验算法体214通过时间一致性校验算法将归一化形态数据进行逻辑校验，并得到时序单一形态数据。

在状态开关217处于开启的状态下，把时序单一形态数据进行堆处理，形成可提取的时间轴回放数据，时间轴回放数据在切片堆栈队列215中进行切片堆栈处理，并存储在物理实体存储层105中。

云端状态监听设备106通过通讯控制器102定时同步获取存储在物理实体存储层105中的数据。其中，应用层和物理实体存储层均具有主备双节点容灾备份倒换功能。当应用层智能主节点发生故障时，应用层智能主节点和应用层智能备用节点进行状态倒换；并且当物理层存储实体主节点发生故障时，物理层存储实体主节点和物理层存储实体备用节点通过状态倒换来使物理实体存储层正常工作。

实施例3

在一优选实施方式中，在进入云端同步的过程中，状态开关217改为关闭状态，如果此时爬行焊接机器人100处于运行态状态，时间一致性校验算法把逻辑校验后的归一化形态数据输送到切片堆栈备用队列216；当云端同步结束之后，切片堆栈备用队列216归并到切片堆栈队列215，状态开关217改为开启状态。

在一优选实施方式中，通过图像特征表征算法将焊缝的图像数据进行转化处理包括如下步骤：先对RGB图像做二值化灰度处理，然后通过多个神经核去扫描，卷积计算出低维数据，通过多次低维度处理，最终输出若干1*N维数据，然后分别截取不同段表示各个数据，从而能够按照时间维度将焊缝图像提取出有效特征，并表征为结构化多维数据。

在一优选实施方式中，对焊机数据和主推数据的原始数据做异常甄别和处理，以得到归一化形态数据，包括如下步骤：将焊机数据和主推数据的原始数据做异常时序数据的过滤，然后找出所有有问题的时间点集合，把该集合下所有数据全部做剔除处理，以得到归一化形态数据。例如，焊机数据（如电流电压）是有一定合理取值范围，但是在经过控制器传送过来的时候，由于各种原因，会出现异常情况，超出合理预期，出现明显的错误数据，因此异常检测算法会通过几种手段保证合理的数据予以保留，不合理的数据予以删除：1. 预先设定取值范围如[100，250]，超过就删除。2.两个相邻时间点的取值发生剧烈抖动，大跨度跳动，超过合理范围也会删除。3.连续时间段取值接近合理上下限阈值，需要增加逻辑判断，条件性检测删除。

归一化形态数据是指不同焊机主体来的数据种类不一致，上下限取值范围不同，这里需要统一拉平到0~1区间，比如电压/电流/主推速度等。

在一优选实施方式中，时间一致性校验算法是在上面所有时间点上0~1区间的数据进行判断，比如0：01时刻图像算法出来的结果显示正在焊接中，但是主推机器的速度归一化值接近0，有可能是某个焊机组件返回的时间信息不对，产生了时间错位问题。因此需要重新进行时间修正，并且做一个反馈处理。时间一致性校验算法的输出是按照焊机机器人不同主体的维度来分别管理。如焊机有一组0~1数据，主推有一组0~1数据，滑块有一组0~1数据，全部有时间顺序，堆处理是按照时间维度排序定期压缩处理（如每分钟），形成bag文件。

本发明通过过硬的软硬件先进技术，保证了端测千万台焊接机器人的多态数据有效管理与反馈，最终可形成焊接机器人真实产品的产品画像，用于指导机器人的研发迭代与精准优化。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种高可靠抗弧光干扰的焊接多形态数据智能处理方法，其特征在于：所述焊接多形态数据智能处理方法包括如下步骤：

构建主控制器、物理抗干扰隔离层、应用层、物理实体存储层以及通讯控制器；

所述主控制器从爬行焊接机器人的多个传感设备实时采集数据；

所述主控制器通过多个数据接口将所采集的数据传输给应用层智能主节点的具有多个智能算法的复合智能体模块，其中，多个所述数据接口包括时序图像数据接口、主推时序数据接口、焊接时序数据接口和滑块时序数据接口，分别用于传输时序图像、主推数据、焊机数据和滑块数据；

当所述复合智能体模块所接收到的时序图像、主推数据、焊机数据和滑块数据时，所述时序图像、主推数据、焊机数据和滑块数据进入处理队列；

图像特征表征智能算法体通过图像特征表征算法将焊缝的图像数据进行转化处理，输出未焊接的焊缝参数，并输出已经焊接完成的焊接质量数据；

异常检测智能算法体通过异常检测智能算法对转化处理后的数据进行异常甄别，并且对焊机数据和主推数据的原始数据做异常甄别和处理，并得到归一化形态数据；

时间一致性校验算法体通过时间一致性校验算法将所述归一化形态数据进行逻辑校验，并得到时序单一形态数据；

在状态开关处于开的状态下，把时序单一形态数据进行堆处理，形成可提取的时间轴回放数据，所述时间轴回放数据在切片堆栈队列中进行堆栈处理，并存储在物理实体存储层中；

云端状态监听设备通过所述通讯控制器定时同步获取存储在所述物理实体存储层中的数据；

其中，当应用层智能主节点发生故障时，所述应用层智能主节点和应用层智能备用节点进行状态倒换；并且当物理层存储实体主节点发生故障时，所述物理层存储实体主节点和物理层存储实体备用节点通过状态倒换来使所述物理实体存储层正常工作；

其中，所述物理抗干扰隔离层设置于主控制器与通讯控制器之间，物理抗干扰隔离层为碳纳米管纤维材料，用于吸收弧光的电磁辐射。

2.根据权利要求1所述的焊接多形态数据智能处理方法，其特征在于：还包括如下步骤：

在进入云端同步的过程中，状态开关改为关闭状态，如果此时爬行焊接机器人处于运行态状态，时间一致性校验算法把逻辑校验后的归一化形态数据输送到切片堆栈备用队列；

当云端同步结束之后，切片堆栈备用队列归并到切片堆栈队列，状态开关改为开启状态。

3.根据权利要求1所述的焊接多形态数据智能处理方法，其特征在于：通过图像特征表征算法将焊缝的图像数据进行转化处理包括如下步骤：先对RGB图像做二值化灰度处理，然后通过多个神经核去扫描，卷积计算出低维数据，通过多次低维度处理，最终输出若干1*N维数据，然后分别截取不同段表示各个数据，从而能够按照时间维度将焊缝图像提取出有效特征，并表征为结构化多维数据。

4.根据权利要求1所述的焊接多形态数据智能处理方法，其特征在于：对焊机数据和主推数据的原始数据做异常甄别和处理包括如下步骤：将焊机数据和主推数据的原始数据做异常时序数据的过滤，然后找出所有有问题的时间点集合，把该集合下所有数据全部做剔除处理，以得到归一化形态数据。

5.根据权利要求4所述的焊接多形态数据智能处理方法，其特征在于：所述主控制器所采集的数据包括图像数据、焊机数据和机器本体运动数据。

Images