CN112633235B - 基于机器人的车体焊缝打磨余量分类方法及设备 - Google Patents

基于机器人的车体焊缝打磨余量分类方法及设备 Download PDF

Info

Publication number
CN112633235B
CN112633235B CN202011631097.8A CN202011631097A CN112633235B CN 112633235 B CN112633235 B CN 112633235B CN 202011631097 A CN202011631097 A CN 202011631097A CN 112633235 B CN112633235 B CN 112633235B
Authority
CN
China
Prior art keywords
robot
weld
grinding
classification
contact force
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
Application number
CN202011631097.8A
Other languages
English (en)
Other versions
CN112633235A (zh
Inventor
严思杰
沈妍
杨泽源
陈巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011631097.8A priority Critical patent/CN112633235B/zh
Publication of CN112633235A publication Critical patent/CN112633235A/zh
Application granted granted Critical
Publication of CN112633235B publication Critical patent/CN112633235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明实施例提供了一种基于机器人的车体焊缝打磨余量分类方法及设备。所述方法包括：获取焊缝初始图像及焊缝位置；实时采集机器人末端的实际接触力，离散所述实际接触力，得到特征波形；根据所述特征波形，对焊缝磨削状态进行打磨余量分类。本发明实施例提供的基于机器人的车体焊缝打磨余量分类方法及设备，通过获取焊缝初始信息及机器人末端的实际接触力信息，并进一步得到特征波形，最后对焊缝磨削状态进行打磨余量分类，可以在具有噪声污染的图像中快速稳定地检测焊缝并精确定位，进而实现机器人对焊缝的自动打磨，打磨质量较高，打磨效率较为稳定，避免了人工打磨过程中对人体的危害。

Description

基于机器人的车体焊缝打磨余量分类方法及设备
技术领域
本发明实施例涉及机器人加工技术领域，尤其涉及一种基于机器人的车体焊缝打磨余量分类方法及设备。
背景技术
车体是高铁制造中难度较大的大型复杂结构件，被誉为“列车之骨”。焊缝打磨是高铁车体制造过程中一道必不可少的工序，能消除焊接材料的内部应力以及生成较为光滑的焊接表面。现有的焊缝打磨均以手工打磨为主，焊缝磨抛质量多凭经验与肉眼判断，抛磨效果参差不齐，加工质量、效率难以保障，且打磨过程中产生的噪音、花火与粉尘严重影响操作人员身心健康。因此，开发一种基于机器人的车体焊缝打磨余量分类方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题，本发明实施例提供了一种基于机器人的车体焊缝打磨余量分类方法及设备。
第一方面，本发明的实施例提供了一种基于机器人的车体焊缝打磨余量分类方法，包括：获取焊缝初始图像及焊缝位置；实时采集机器人末端的实际接触力，离散所述实际接触力，得到特征波形；根据所述特征波形，对焊缝磨削状态进行打磨余量分类。
在上述方法实施例内容的基础上，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述实时采集机器人末端的实际接触力，包括：
Fs(t)＝FE+FG+F1
其中，Fs(t)为机器人末端的实际接触力；FE为外界对打磨工具施加的力；FG为打磨工具的重力；F1为惯性力。
在上述方法实施例内容的基础上，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述离散所述实际接触力，包括：
Fs[n]＝∫Fs(t)ψα,τ(t)dt
Figure BDA0002874786200000011
其中，Fs[n]为机器人末端的实际接触力的离散量；α为尺度因子；τ为平移因子；ψ为小波母函数；ψα,τ为小波基函数。
在上述方法实施例内容的基础上，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述得到特征波形，包括：
y[n]＝Fs[Qn]
Figure BDA0002874786200000021
Figure BDA0002874786200000022
其中，y[n]为特征波形；Q为采样滤波器；k为第一时刻变量；K为截取的信号段长度；n为第二时刻变量；g[k]为低通滤波器；h[k]为高通滤波器；H为高通滤波标记；L为低通滤波标记。
在上述方法实施例内容的基础上，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述根据所述特征波形，对焊缝磨削状态进行打磨余量分类，包括：采用P-T算法对进行峰值定位，根据峰值定位获取信号段，将信号段分为训练集和测试集，采用训练集训练得到整个打磨周期的LSTM模型；对所述LSTM模型进行设置并遍历整个输入序列，得到信号段的局部信息，根据所述局部信息，挖掘深层特征；将所述深层特征输入所述LSTM模型得到输出特征，采用分类器对输出特征进行概率映射，得到分类结果。
在上述方法实施例内容的基础上，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述根据峰值定位获取信号段，包括：以峰值为基准分别向前、后截取水平轴上的点，以两点之间的长度为单位，对输入波形信号进行分割，得到信号段。
在上述方法实施例内容的基础上，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述对所述LSTM模型进行设置并遍历整个输入序列，包括：确定卷积运算的层数、卷积核的数量以及卷积核函数，确定池化运算层的层数以及池化的步长，采用卷积运算层及池化运算层遍历整个输入序列。
第二方面，本发明的实施例提供了一种基于机器人的车体焊缝打磨余量分类装置，包括：
初始信息模块，用于获取焊缝初始图像及焊缝位置；特征波形模块，用于实时采集机器人末端的实际接触力，离散所述实际接触力，得到特征波形；分类模块，用于根据所述特征波形，对焊缝磨削状态进行打磨余量分类。
第三方面，本发明的实施例提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于机器人的车体焊缝打磨余量分类方法。
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于机器人的车体焊缝打磨余量分类方法。
本发明实施例提供的基于机器人的车体焊缝打磨余量分类方法及设备，通过获取焊缝初始信息及机器人末端的实际接触力信息，并进一步得到特征波形，最后对焊缝磨削状态进行打磨余量分类，可以在具有噪声污染的图像中快速稳定地检测焊缝并精确定位，进而实现机器人对焊缝的自动打磨，打磨质量较高，打磨效率较为稳定，避免了人工打磨过程中对人体的危害。
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做一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明实施例提供的基于机器人的车体焊缝打磨余量分类方法流程图；
图2为本发明实施例提供的基于机器人的车体焊缝打磨余量分类装置结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明实施例提供了一种基于机器人的车体焊缝打磨余量分类方法，参见图1，该方法包括：获取焊缝初始图像及焊缝位置；实时采集机器人末端的实际接触力，离散所述实际接触力，得到特征波形；根据所述特征波形，对焊缝磨削状态进行打磨余量分类。其中，所述实时采集机器人末端的实际接触力是指在机器人对焊缝进行磨削加工时，实时采集机器人末端的实际接触力。
具体地，通过力、加速度互补，使用离散小波变换的方法将获取的传感器信息分解为多个分量，形成不同带宽的完整频谱，并基于改进的LSTM(long-short term memory)这一特殊递归神经网络的方法，实现对焊缝余量去除率、表面粗糙度的精准预测；集成多传感器信息，实现自适应轨迹规划、工艺参数决策、工艺调整、加工质量评估与评价，并建立工艺参数与打磨质量、效率之间的概率统计式模型，进一步提高焊缝打磨加工效率与加工质量。通过集成多传感器信息，对打磨加工条件、焊缝几何演化以及传感器的特性进行分析，规划打磨路径与磨削力，并建立工艺参数与打磨质量、效率之间的概率统计式模型。对焊缝打磨状态能实现自主准确预测，使系统能基于深度学习的语义分类神经网络，通过将离散小波变换(DWT)后得到的离散信号波形输入经试验验证可靠的经改进的LSTM神经网络，该网络依连接方式、权重值和激励函数的的选择得以优化，逼近焊缝分类功能算法，最终输出该波形对应的分类结果，以实时反馈焊缝加工状态并结合多传感器信息进行加工质量评测与优化。通过六维力传感器与加速度传感器，对机器人磨抛过程中的力信息及振动信号进行实时采集，再通过基于小波分解的方法进行特征提取，采用“Daubechies-4”小波函数从传感信息中将振动信号、力信号的瞬态信息提取出波形长度、熵、峰值和峰度等信息的完整波形，为打磨机器人进行路径规划与工艺参数调整提供输入，能够显著提高磨削精度。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述实时采集机器人末端的实际接触力，包括：
Fs(t)＝FE+FG+F1 (1)
其中，Fs(t)为机器人末端的实际接触力；FE为外界对打磨工具施加的力；FG为打磨工具的重力；F1为惯性力。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述离散所述实际接触力，包括：
Fs[n]＝∫Fs(t)ψα,τ(t)dt (2)
Figure BDA0002874786200000051
其中，Fs[n]为机器人末端的实际接触力的离散量；α为尺度因子；τ为平移因子；ψ为小波母函数；ψα,τ为小波基函数。
具体地，离散小波变换基本原理应用于磨削机器人多模态信息感知与特征提取研究。针对高铁车体焊缝分布随机性强、焊渣形状规则不一等特点，基于双目视觉测量设备，提出一种基于视差原理的在线测量与检测方法，获取同一场景中不同角度图像的对应约束关系，通过像素间的位置偏差来获取焊缝的三维信息，进一步获取到场景在射影空间的几何结构，完成对复杂形状焊缝分布位置与外形轮廓信息提取，进而实现机器人的视觉感知；通过六维力传感器与加速度传感器，对机器人磨抛过程中的力信息及振动信号进行实时采集，采用离散小波变换(DWT)方法，将获取的传感信息分离成能够表征焊缝打磨前-打磨一半-打磨平整的三种状态的特征信息的波形信息，通过改进的LSTM神经网络对波形信息进行分类，可以提前预测出焊缝是否打磨平整，进而控制打磨进程的，实现无人监督的机器人自主焊缝打磨，提高机器人打磨的智能化程度与打磨效率、精度。
离散后的输入信号Fs[n]长度为N。采用小波分解的方法将实际接触力信号分解为近似分量和细节分量；根据设定的标准选择分解层数，并根据分解层数对近似分量进行连续分解就可以得到(5)式和(6)式。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述得到特征波形，包括：
y[n]＝Fs[Qn] (4)
Figure BDA0002874786200000052
Figure BDA0002874786200000053
其中，y[n]为特征波形；Q为采样滤波器；k为第一时刻变量；K为截取的信号段长度；n为第二时刻变量；g[k]为低通滤波器；h[k]为高通滤波器；H为高通滤波标记；L为低通滤波标记。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述根据所述特征波形，对焊缝磨削状态进行打磨余量分类，包括：采用P-T算法对进行峰值定位，根据峰值定位获取信号段，将信号段分为训练集和测试集，采用训练集训练得到整个打磨周期的LSTM模型；对所述LSTM模型进行设置并遍历整个输入序列，得到信号段的局部信息，根据所述局部信息，挖掘深层特征；将所述深层特征输入所述LSTM模型得到输出特征，采用分类器(在另一实施例中，可以为Softmax多分类器)对输出特征进行概率映射，得到分类结果；在此之后，保留并加载得到了分类结果后的LSTM模型，应用该模型对信号段进行实时分类。其中，整个打磨周期包括打磨前期、打磨中期和打磨后期。具体地，得到精度较高的焊缝的NURBS曲线后，再利用曲线插值对机器人路径进行规划，使用等弦高误差法计算步长原理图。运动学模块和位置伺服模块构成传统的位置控制器，输入关节的位置和速度指令，经过控制器运算输出力矩，驱动机器人关节完成相应的运动。打磨焊缝时，以焊缝的去除高度和宽度为参数，通过六维力传感器ATI得到测量力并输入给力控，力控得到当前关节角度及角速度后补偿误差，并输入给伺服模块，实现闭环控制。进一步地，将拾取的焊缝位置信息使用NURBS曲线进行拟合，NURBS曲线的数学表达式为：
Figure BDA0002874786200000061
其中，di为曲线的控制顶点；wi为对应控制顶点的权值，Ni,k(u)为节点矢量U上的第i个k次B样条基函数。得到精度较高的NURBS曲线后，再利用曲线插值对机器人路径进行规划，使用等弦高误差法计算步长。
LSTM通过遗忘门实现神经元中信息的选择性丢弃原理如下：
ft＝σ(Wf[ht-1,xt]+bf) (8)
其中，ft为丢弃的神经元信息；Wf为遗忘门的权重矩阵；ht-1为网络的前一个输出；xt为当前输入；σ为第一sigmoid函数；bf为第一偏置项。输入门的当前输出为：
it＝σ(Wi[ht-1,xt]+bi) (9)
其中，it为输入门的当前输出；Wi为当前输出的遗忘门的权重矩阵；bi为当前输出的偏置项。输入门的当前状态为：
Figure BDA0002874786200000062
其中，
Figure BDA0002874786200000063
为当前状态；WC为当前状态的遗忘门的权重矩阵；bC为当前状态的偏置项。输出门的输出状态为：
Figure BDA0002874786200000064
其中，Ct为输出门的输出状态；Ct-1为上一时刻的输出门的输出状态。最终输出为：
ht＝ot tanh(Ct) (12)
其中，ht为最终输出；ot为第二sigmoid函数。输出类别为：
St＝σ(Vht+b) (13)
其中，St为输出类别；V为输出类别的权重矩阵；b为输出类别的偏置项。误差反向传播为：
Figure BDA0002874786200000071
Figure BDA0002874786200000072
其中，L为损失函数。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述根据峰值定位获取信号段，包括：以峰值为基准分别向前、后截取水平轴上的点，以两点之间的长度为单位，对输入波形信号进行分割，得到信号段。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类方法，所述对所述LSTM模型进行设置并遍历整个输入序列，包括：确定卷积运算的层数、卷积核的数量以及卷积核函数，确定池化运算层的层数以及池化的步长，采用卷积运算层及池化运算层遍历整个输入序列。
本发明实施例提供的基于机器人的车体焊缝打磨余量分类方法，通过获取焊缝初始信息及机器人末端的实际接触力信息，并进一步得到特征波形，最后对焊缝磨削状态进行打磨余量分类，可以在具有噪声污染的图像中快速稳定地检测焊缝并精确定位，进而实现机器人对焊缝的自动打磨，打磨质量较高，打磨效率较为稳定，避免了人工打磨过程中对人体的危害。
本发明各个实施例提供的基于机器人的车体焊缝打磨余量分类方法，针对机器人焊缝打磨在高铁车体焊缝打磨中长期存在的焊缝检测精度低、机器人打磨自主性低以及打磨环境干扰因素多导致打磨精度低等问题，实现焊缝形貌、位置信息的快速准确的获取；搭建以触觉、视觉、振动信息为代表的多传感信息集成系统，基于离散小波变换(DWT)实现信号的跨时域、频域分析并提取有效特征信息；基于LSTM神经网络的方法，对焊缝磨削程度进行“高-中-低”分类，准确预测焊缝余量去除状态实现加工质量的在线高精度预测。能够满足大型复杂结构件的焊缝打磨加工要求。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种基于机器人的车体焊缝打磨余量分类装置，该装置用于执行上述方法实施例中的基于机器人的车体焊缝打磨余量分类方法。参见图2，该装置包括：初始信息模块，用于获取焊缝初始图像及焊缝位置；特征波形模块，用于实时采集机器人末端的实际接触力，离散所述实际接触力，得到特征波形；分类模块，用于根据所述特征波形，对焊缝磨削状态进行打磨余量分类。
本发明实施例提供的基于机器人的车体焊缝打磨余量分类装置，采用图2中的各种模块，通过获取焊缝初始信息及机器人末端的实际接触力信息，并进一步得到特征波形，最后对焊缝磨削状态进行打磨余量分类，可以在具有噪声污染的图像中快速稳定地检测焊缝并精确定位，进而实现机器人对焊缝的自动打磨，打磨质量较高，打磨效率较为稳定，避免了人工打磨过程中对人体的危害。
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类装置，还包括：第五模块，用于采用P-T算法对进行峰值定位，根据峰值定位获取信号段，将信号段分为训练集和测试集，采用训练集训练得到整个打磨周期的LSTM模型；对所述LSTM模型进行设置并遍历整个输入序列，得到信号段的局部信息，根据所述局部信息，挖掘深层特征；将所述深层特征输入所述LSTM模型得到输出特征，采用分类器对输出特征进行概率映射，得到分类结果。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类装置，还包括：第六模块，用于以峰值为基准分别向前、后截取水平轴上的点，以两点之间的长度为单位，对输入波形信号进行分割，得到信号段。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于机器人的车体焊缝打磨余量分类装置，还包括：第七模块，用于确定卷积运算的层数、卷积核的数量以及卷积核函数，确定池化运算层的层数以及池化的步长，采用卷积运算层及池化运算层遍历整个输入序列。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)301、通信接口(Communications Interface)304、至少一个存储器(memory)302和通信总线303，其中，至少一个处理器301，通信接口304，至少一个存储器302通过通信总线303完成相互间的通信。至少一个处理器301可以调用至少一个存储器302中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本专利中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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各实施例技术方案的精神和范围。

Claims (6)

1.一种基于机器人的车体焊缝打磨余量分类方法，其特征在于，包括：获取焊缝初始图像及焊缝位置；实时采集机器人末端的实际接触力，离散所述实际接触力，得到特征波形；根据所述特征波形，对焊缝磨削状态进行打磨余量分类；
所述实时采集机器人末端的实际接触力，包括：
Fs(t)＝FE+FG+F1
其中，Fs(t)为机器人末端的实际接触力；FE为外界对打磨工具施加的力；FG为打磨工具的重力；F1为惯性力；
所述离散所述实际接触力，包括：
Fs[n]＝∫Fs(t)ψα,τ(t)dt
Figure FDA0003647675610000011
其中，Fs[n]为机器人末端的实际接触力的离散量；α为尺度因子；τ为平移因子；ψ为小波母函数；ψα,τ为小波基函数；
所述得到特征波形，包括：
y[n]＝Fs[Qn]
Figure FDA0003647675610000012
Figure FDA0003647675610000013
其中，y[n]为特征波形；Q为采样滤波器；k为第一时刻变量；K为截取的信号段长度；n为第二时刻变量；g[k]为低通滤波器；h[k]为高通滤波器；H为高通滤波标记；L为低通滤波标记；
所述根据所述特征波形，对焊缝磨削状态进行打磨余量分类，包括：采用P-T算法对y[n]进行峰值定位，根据峰值定位获取信号段，将信号段分为训练集和测试集，采用训练集训练得到整个打磨周期的LSTM模型；对所述LSTM模型进行设置并遍历整个输入序列，得到信号段的局部信息，根据所述局部信息，挖掘深层特征；将所述深层特征输入所述LSTM模型得到输出特征，采用分类器对输出特征进行概率映射，得到分类结果。
2.根据权利要求1所述的基于机器人的车体焊缝打磨余量分类方法，其特征在于，所述根据峰值定位获取信号段，包括：以峰值为基准分别向前、后截取水平轴上的点，以两点之间的长度为单位，对输入波形信号进行分割，得到信号段。
3.根据权利要求1所述的基于机器人的车体焊缝打磨余量分类方法，其特征在于，所述对所述LSTM模型进行设置并遍历整个输入序列，包括：确定卷积运算的层数、卷积核的数量以及卷积核函数，确定池化运算层的层数以及池化的步长，采用卷积运算层及池化运算层遍历整个输入序列。
4.一种基于机器人的车体焊缝打磨余量分类装置，其特征在于，用于实现权利要求1-3任一项所述的方法，包括：初始信息模块，用于获取焊缝初始图像及焊缝位置；特征波形模块，用于实时采集机器人末端的实际接触力，离散所述实际接触力，得到特征波形；分类模块，用于根据所述特征波形，对焊缝磨削状态进行打磨余量分类。
5.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至3任一项权利要求所述的方法。
6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至3中任一项权利要求所述的方法。
CN202011631097.8A 2020-12-31 2020-12-31 基于机器人的车体焊缝打磨余量分类方法及设备 Active CN112633235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011631097.8A CN112633235B (zh) 2020-12-31 2020-12-31 基于机器人的车体焊缝打磨余量分类方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011631097.8A CN112633235B (zh) 2020-12-31 2020-12-31 基于机器人的车体焊缝打磨余量分类方法及设备

Publications (2)

Publication Number Publication Date
CN112633235A CN112633235A (zh) 2021-04-09
CN112633235B true CN112633235B (zh) 2022-08-16

Family

ID=75289781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011631097.8A Active CN112633235B (zh) 2020-12-31 2020-12-31 基于机器人的车体焊缝打磨余量分类方法及设备

Country Status (1)

Country Link
CN (1) CN112633235B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122585A (zh) * 2007-09-12 2008-02-13 天津大学 超声相控阵检测油气管道环焊缝缺陷类型自动识别方法
DE102016217758B3 (de) * 2016-09-16 2018-01-25 Technische Universität Dresden Verfahren und Vorrichtung zur Prozessüberwachung bei einer mittels Kollisionsschweißen gebildeten Schweißnaht
CN109900706A (zh) * 2019-03-20 2019-06-18 易思维（杭州）科技有限公司 一种基于深度学习的焊缝及焊缝缺陷检测方法
CN110210497A (zh) * 2019-05-27 2019-09-06 华南理工大学 一种鲁棒实时焊缝特征检测方法
CN110253373A (zh) * 2019-07-15 2019-09-20 北京石油化工学院 一种基于视觉引导机器人打磨构件焊缝的系统和方法
CN111496679A (zh) * 2020-04-20 2020-08-07 重庆长征重工有限责任公司 一种自动检测打磨余量的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122585A (zh) * 2007-09-12 2008-02-13 天津大学 超声相控阵检测油气管道环焊缝缺陷类型自动识别方法
DE102016217758B3 (de) * 2016-09-16 2018-01-25 Technische Universität Dresden Verfahren und Vorrichtung zur Prozessüberwachung bei einer mittels Kollisionsschweißen gebildeten Schweißnaht
CN109900706A (zh) * 2019-03-20 2019-06-18 易思维（杭州）科技有限公司 一种基于深度学习的焊缝及焊缝缺陷检测方法
CN110210497A (zh) * 2019-05-27 2019-09-06 华南理工大学 一种鲁棒实时焊缝特征检测方法
CN110253373A (zh) * 2019-07-15 2019-09-20 北京石油化工学院 一种基于视觉引导机器人打磨构件焊缝的系统和方法
CN111496679A (zh) * 2020-04-20 2020-08-07 重庆长征重工有限责任公司 一种自动检测打磨余量的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于漏磁内检测的管道环焊缝缺陷识别与判定;王富祥等;《油气储运》;20170225(第02期);第48-57页 *
轨道车辆转向架横梁非常规焊缝自动打磨系统及工艺研究;田仁勇等;《组合机床与自动化加工技术》;20200120(第01期);第153-156页 *

Also Published As

Publication number Publication date
CN112633235A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Howard et al. A rule-based fuzzy traversability index for mobile robot navigation
CN107123111A (zh) 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN102831378B (zh) 人的检测和跟踪方法与系统
Sanders et al. A robotic welding system using image processing techniques and a CAD model to provide information to a multi‐intelligent decision module
CN111860493A (zh) 一种基于点云数据的目标检测方法及装置
CN111906782B (zh) 一种基于三维视觉的智能机器人抓取方法
CN112308855A (zh) 钢轨伤损识别模型生成装置、伤损检测装置及系统
CN115482195A (zh) 一种基于三维点云的列车部件变形检测方法
CN113642114B (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN110414388B (zh) 基于深度预测网络的驼峰和熔透在线预警方法
CN112633235B (zh) 基于机器人的车体焊缝打磨余量分类方法及设备
Tang et al. Visual navigation control for agricultural robot using serial BP neural network
Patel et al. Using machine learning to analyze image data from advanced manufacturing processes
CN112465027A (zh) 钢轨伤损检测方法
CN109902542A (zh) 三维感测器的动态地面侦测方法
CN106033537A (zh) 一种机器人定位用的视觉识别装置及其识别方法
CN115169477A (zh) 辅助驾驶系统的安全感评估方法、装置、设备及存储介质
CN113870199A (zh) 一种飞机蒙皮缺陷检测的识别方法
De Silva et al. Flexible automation of fish processing
Ma et al. A novel robot surface measurement system enhanced with 3D surface reconstruction
CN113319854B (zh) 一种洗浴机器人的视觉示教方法及系统
Varkonyi-Koczy et al. Soft-computing-based car body deformation and EES determination for car crash analysis systems
Gomes et al. Volumetric Occupancy Detection: A Comparative Analysis of Mapping Algorithms
DE102022213557B3 (de) Betreiben eines Roboters mit Greifer
CN113139949B (zh) 一种机器人图像模糊度检测方法

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