CN113732557A - 一种基于数字孪生的焊接监控方法 - Google Patents

一种基于数字孪生的焊接监控方法 Download PDF

Info

Publication number
CN113732557A
CN113732557A CN202110873029.0A CN202110873029A CN113732557A CN 113732557 A CN113732557 A CN 113732557A CN 202110873029 A CN202110873029 A CN 202110873029A CN 113732557 A CN113732557 A CN 113732557A
Authority
CN
China
Prior art keywords
welding
product
data
quality
monitoring 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
Application number
CN202110873029.0A
Other languages
English (en)
Other versions
CN113732557B (zh
Inventor
徐劲力
林进权
卢杰
丁刚强
袁智军
黄丰云
潘昊
莫军昌
詹强民
李丁
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.)
Wuhan University of Technology WUT
Guangxi Automobile Group Co Ltd
Original Assignee
Wuhan University of Technology WUT
Guangxi Automobile Group Co Ltd
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 Wuhan University of Technology WUT, Guangxi Automobile Group Co Ltd filed Critical Wuhan University of Technology WUT
Priority to CN202110873029.0A priority Critical patent/CN113732557B/zh
Publication of CN113732557A publication Critical patent/CN113732557A/zh
Application granted granted Critical
Publication of CN113732557B publication Critical patent/CN113732557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明提供一种基于数字孪生的焊接监控方法，包括：收集焊接过程中的产品生产过程数据，所述产品生产过程数据至少包括产品焊接数据；建立飞溅分析程序，根据产品焊接数据，分析焊接过程中产品的飞溅点；将产品焊接数据输入焊接问题判断预测模型，获取所述焊接问题判断预测模型输出的产品的焊接质量状态信息及焊接质量类型；基于产品的焊接质量类型，配置对应的工艺调整方案并设置触发所述工艺调整方案的条件，以处理产品焊接质量问题。本发明通过对车间产品的焊接过程实时监控及自适应工艺调整，能够显著提高焊接车间监控的实时性和可视化效果，提高焊接质量。

Description

一种基于数字孪生的焊接监控方法
技术领域
本发明涉及车间焊接领域，更具体地，涉及一种基于数字孪生的焊接监控方法。
背景技术
随着信息技术的发展和时代趋势影响，制造业自动化、信息化水平不断提高，越来越多的制造企业采用自动化生产线的方式从事生产制造活动。自动化生产线大量的投入使用能够极大提高生产效率，显著提高了企业的经济效益。但是，现企业面临的一个难题是由于生产线信息化管理水平不高，企业缺乏快速有效的手段管理、监控车间的运行状态，而且管理系统之间、管理系统与控制系统之间缺乏有效的信息交互手段，生产过程的透明化很难实现。传统的生产线上多采用以人工记录、二维报表、组态监控等方式对车间进行监控，实时性和可视化效果较差。
尽管工业机器人在焊接领域已经有了大范围应用，但是在实际焊接过程中的热变形、工件的加工误差、装配误差等因素造成焊缝位置和尺寸发生变化，而且焊接机器人都是根据既定的程序对工件进行焊接，缺少对焊接质量的实时监控与自适应调整，导致工件焊接生产过程中易出现质量问题。
发明内容
针对现有技术中存在的焊接车间实时性和可视化效果较差及工艺调整反应迟钝的问题，为了实现产品质量提升和降低维护成本的目的，本发明提供了一种基于数字孪生的焊接监控方法，包括：收集焊接过程中的产品生产过程数据，所述产品生产过程数据至少包括产品焊接数据；建立飞溅分析程序，根据产品焊接数据，分析焊接过程中产品的飞溅点；将产品焊接数据输入焊接问题判断预测模型，获取所述焊接问题判断预测模型输出的产品的焊接质量状态信息及焊接质量类型；基于产品的焊接质量类型，配置对应的工艺调整方案并设置触发所述工艺调整方案的条件，以处理产品焊接质量问题。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述产品生产过程数据包括：工作状态信息，所述工作状态信息包括压力、温度、振动、转速、力矩；工况信息，所述工况信息包括长度、工作半径、额定负载；控制指令，所述控制命令包括主控制器对变频器、伺服驱动器、执行器输出的控制指令；故障诊断信息，所述故障诊断信息包括主控制器的故障信息、各执行设备的故障代码；工作时长信息，所述工作时长信息包括焊接累计工作时间、总产量；环境信息，所述环境信息包括工作环境湿度、温度；产品质量问题数据，所述产品质量问题包括焊接飞溅、变形、咬穿、驼峰；所述收集焊接过程中产品的焊接数据，之后还包括：利用OPC UA框架对产品生产过程数据进行开发集合，并对产品不同的生成过程数据统一表达。
可选的，所述建立飞溅分析程序，根据产品焊接数据，分析焊接过程中产品的飞溅点，包括：对于每一个产品的任一个焊点，根据所述任一个焊点在设定时间段内的焊接电流和焊接电压求出焊接电阻，扫描电阻斜率曲线；找到所述电阻斜率曲线上的所有电阻斜率峰值点，计算所有电阻斜率峰值点的标准差，基于所述标准差判断所述电阻斜率曲线上是否存在有突出的电阻斜率变化值，其中，所述突出的电阻斜率变化值所在的时间点为飞溅点。
可选的，通过如下方式对所述焊接问题判断预测模型进行训练：收集产品每一个焊点的多个焊接参数，以多个焊接参数作为输入参数，分别构建基于单个参数的深度学习模型和基于多个组合参数的深度学习模型，并分别进行训练，获取训练后的各个深度学习模型；基于DS证据论对各个深度学习模型进行融合，通过对比融合前的深度学习模型和融合后的深度学习模型的准确率，确定融合后的深度学习模型的最优输入组合参数；通过Hyperband优化算法筛选出优秀的超参数；获取基于最优输入组合参数的融合后的深度学习模型，为焊接问题判断预测模型。
可选的，所述多个焊接参数包括焊接速度、焊接电流、焊接压力和焊接时间。
可选的，所述产品的焊接质量状态信息包括有焊接质量问题和无焊接质量问题，所述焊接质量类型包括板材间隙过大和电极杆不对。
可选的，所述基于产品的焊接质量类型，配置对应的工艺调整方案并设置触发所述工艺调整方案的条件，以处理产品焊接质量问题，包括：在对产品进行焊接加工的过程中，如果发生焊接飞溅或者焊接电阻超出所设标准曲线范围时，对焊接电流、焊接电压或者焊接时间进行调整；当在焊接加工后，判断出短时间出现多个相同质量问题时，根据对应原因在预设的对应方案中选择适合方案并应用。
可选的，所述方法还包括：在焊接工作过程中，利用Unity对生产车间的设备及场地进行三维建模，并对于每个运动设备创建相应的运动控制脚本；以及，利用Open CV将产品焊接数据转换为图形并在Unity上进行贴图渲染。
可选的，所述在焊接工作过程中，利用Unity对生产车间的设备及场地进行三维建模，并对于每个运动设备创建相应的运动控制脚本，包括：利用三维建模软件UG进行设备的三维建模，然后将UG里的模型以STL格式导入到3D Max中；利用3D Max对模型进行调整后，以FBX文件格式导出到Unity3D引擎中；在Visual Studio中进行模型驱动脚本的开发；将机器人各关节的实时运动数据经过采集处理后，传输到Unity并根据相应脚本驱动，其中，通过控制机器人的运动对产品进行自动焊接操作。
可选的，所述利用Open CV将产品焊接数据转换为图形并在Unity上进行贴图渲染，包括：根据产品焊接数据分析焊缝宽度、焊接温度和焊接质量类型；基于Open CV将焊缝宽度、焊接温度和焊接质量类型转化为图片进行渲染。
本发明提供的一种基于数字孪生的焊接监控方法，通过对焊接车间的产品焊接过程进行监控，能及时的发现产品焊接的缺陷，在焊接过程中能够判断焊接质量，分析焊接工艺问题，通过适当调整焊接参数，减少焊接飞溅，提高焊接质量，大大提高了车间可视化管理，提高产品焊接质量，减少生产成本，提高经济效益。
附图说明
图1为本发明提供的一种基于数字孪生的焊接监控方法流程图；
图2为焊接问题判断预测模型的训练过程流程图；
图3为对生产车间的设备及场地进行三维建模的流程图；
图4为在Unity上进行贴图渲染的流程图。
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。
图1为本发明提供的一种基于数字孪生的焊接监控方法，方法包括：S1、收集焊接过程中的产品生产过程数据，产品生产过程数据至少包括产品焊接数据。
可以理解的是，在车间对产品焊接加工的过程中，存在大量的多源异构数据，比如焊接机器人的状态数据传感器数据，传送设备数据等，需要对这些多源异构数据均采集，其中，在对产品的焊接加工过程中，产品生成过程数据中包括各个产品的焊接数据。产品生成过程数据主要包括以下几类数据：
①工作状态信息：如压力、温度、振动、转速、力矩等；②工况信息：如长度、工作半径、额定负载等；③控制命令：如主控制器对变频器、伺服驱动器、执行器等器件输出的控制指令；④故障诊断信息：如主控制器的故障信息、各执行设备的故障代码等；⑤工作时长信息：如焊接累计工作时间、总产量等；⑥环境信息：如工作环境湿度、温度；⑦产品质量信息：焊接飞溅、变形、咬穿、驼峰等。
由于车间现场设备、传感器以及通信规范的多样性，如果单独为各种规范指定解析规则不仅工作量大而且通用性差。而OPC UA有平台开放、通讯安全、可扩展性好等优势。因此，使用OPC UA来开发数据采集。
在采集数据时，将数据进行分类及统一表达。将数据分为结构化数据及非结构化数据。将数据表达为Data＝{类型,访问地址，元数据}统一形式进行封装，形成Json集成数据，使得数据的传输、访问、拓展等方面的性能满足虚拟监控系统的需求。
S2、建立飞溅分析程序，根据产品焊接数据，分析焊接过程中产品的飞溅点。
可以理解的是，步骤S1对产品焊接过程中的产品焊接数据进行了采集后，本步骤S2建立焊接过程中的飞溅分析程序，对采集的产品焊接数据进行分析，分析出焊接过程中的飞溅点，其中飞溅点属于焊接质量有问题的地方。
其中，建立飞溅分析程序，根据产品焊接数据，分析焊接过程中产品的飞溅点，包括：对于每一个产品的任一个焊点，根据任一个焊点在设定时间段内的焊接电流和焊接电压求出焊接电阻，扫描电阻斜率曲线；找到电阻斜率曲线上的所有电阻斜率峰值点，计算所有电阻斜率峰值点的标准差，基于标准差判断所述电阻斜率曲线上是否存在有突出的电阻斜率变化值，其中，突出的电阻斜率变化值所在的时间点为飞溅点。
可以理解的是，对每一个产品的每一个焊点进行焊接是需要一定的时间的，在焊接过程中，不同时间点的焊接电阻是呈一定的变化规律，通过查找焊接电阻突变异常点，可以判断焊接的缺陷问题，此处主要是识别焊接过程中的飞溅点。
具体的，根据每一个不同时间点，依据焊接电流和焊接电压求出焊接电阻，扫描电阻斜率曲线，找出电阻斜率曲线中所有的电阻斜率峰值，计算所有峰值点的标准差来判断是否有突出的斜率变化值。当峰值样本点的标准差大于预设值时，有异常点，相反，当标准差小于预设值时，电阻斜率曲线没有异常突出点，即没有飞溅点。如有飞溅点其具体位置判断公式如式(1)，如果第i个峰值点满足上式，那么就认为该点是飞溅点。
Figure BDA0003189771540000071
其中，N为电阻斜率曲线上电阻斜率峰值点的个数，y i为第i个点的电阻斜率值，0.65为经验数据，D为距离。
D(距离)定义如式(2)：
Figure BDA0003189771540000072
这个距离D表示在找出的认为是峰值点的样本中，用其中的最大值减去样本的平均值。
根据上述的公式(1)、(2)和判断方法判断出产品焊接过程中的飞溅点，为后续调整焊接工艺方案提供数据的支持。
S3、将产品焊接数据输入焊接问题判断预测模型，获取焊接问题判断预测模型输出的产品的焊接质量状态信息及焊接质量类型。
其中，参见图2，通过如下方式对焊接问题判断预测模型进行训练：收集产品每一个焊点的多个焊接参数，以多个焊接参数作为输入参数，分别构建基于单个参数的深度学习模型和基于多个组合参数的深度学习模型，并分别进行训练，获取训练后的各个深度学习模型；基于DS证据论对各个深度学习模型进行融合，通过对比融合前的深度学习模型和融合后的深度学习模型的准确率，确定融合后的深度学习模型的最优输入组合参数；通过Hyperband优化算法筛选出优秀的超参数，获取基于最优输入组合参数的融合后的深度学习模型，为焊接问题判断预测模型。
可以理解的是，在对产品焊接的过程中，可收集多种焊接参数，比如，飞溅点数、焊接速度、焊接电流、焊接压力和焊接时间等焊接参数。基于这些焊接参数建立基于深度学习的焊接问题判断预测模型，具体的，以飞溅点数、焊接速度、焊接电流、焊接压力和焊接时间等因素作为输入参数，为每个参数或多个联合参数做简单的全链接神经网络模型，其层数为256x128x64x10，激活函数为relu，损失函数为交叉熵函数。通过训练得到内置参数调整好的各个深度学习模型，之后通过验证集可以获得每个深度学习模型的准确率。将每个深度学习模型的输出变为不同分类的概率，并将不同模型根据DS证据论进行融合，并对不同融合模型进行验证，判断融合模型的准确率对于未融合前的模型准确率是否提升，最终选择准确率最高的参数组合。其中，DS证据论公式为：
Figure BDA0003189771540000081
Figure BDA0003189771540000082
其中，m()为模型的基本概率分配函数。A、B、C为模型的各种分类。
之后设置不同的超参数并筛选，神经层数是32-256为范围、8为步距，激活函数为relu、sigmoid等，学习率范围为0.01-0.0001，步距为0.0005，在这些超参数中通过Hyperband算法筛选出优秀的超参数，最后以最优参数组合为输入，将模型超参数设置为得到优秀的超参数，并以板材间隙过大、电极杆不对中等焊接质量问题为输出对模型进行训练，得到一个训练好的深度学习模型。
简单来说，就是可以根据其中的单个焊接参数或者多个组合焊接参数分别训练深度学习模型，并使用验证集分别计算各个深度学习模型的准确率。对多个深度学习模型进行融合，得到融合后的深度学习模型，同样的，使用验证集计算融合后深度学习模型的准确率，当融合后的深度学习模型具有最高准确率时，那么此时的参数组合即为最优参数组合，该融合后的深度学习模型也为最优深度学习模型，也就是最终得到的焊接问题判断预测模型。
当获得了最优的焊接问题判断预测模型后，将采集的焊接数据输入该焊接问题判断预测模型，输出产品的焊接质量状态信息和焊接质量类型。其中，产品的焊接质量状态信息包括有焊接质量和无焊接质量，所述焊接质量类别包括焊接合格、板材间隙过大和电极杆不对等不同类型的焊接质量问题。
S4、基于产品的焊接质量类型，配置对应的工艺调整方案并设置触发所述工艺调整方案的条件，以处理产品焊接质量问题。
具体的，在对产品进行焊接加工的过程中，如果发生焊接飞溅或者焊接电阻超出所设标准曲线范围时，对焊接电流、焊接电压或者焊接时间进行调整。当在焊接加工后，判断出短时间出现多个相同质量问题时，根据对应原因在预设的对应方案中选择适合方案并应用。
可以理解的是，通过上述各实施例对焊接过程中的飞溅点和焊接质量进行了分析判断后，本步骤需要采取相应的措施来处理焊接过程中的质量问题。具体的，对于不同的焊接问题，设计对应的工艺调整方案并设置触发工艺调整条件，以便快速处理焊接问题。
在实现过程中，判断焊接加工过程发生焊接飞溅或者在焊接电阻超出所设标准曲线带范围时，对焊接电流、焊接电压或者焊接时间进行调整。如在200ms时发生飞溅，通过减小焊接小电流延长焊时间，使焊核能够缓慢增长，得到光滑的电阻曲线，防止焊接进一步出现问题。
在焊接加工后判断出短时间出现多个相同质量问题时，根据对应原因在预设的对应方案中选择适合方案并应用。如发现板材间匹配间隙问题，可以合理调整焊接参数，适当加大压力同时控制焊接操作，尽可能保证焊钳静电极臂贴合；合理调整焊接顺序，减少板件匹配间隙；告知管理人员让其优化零件尺寸及工装夹具，保证匹配间隙。
在一种可能的实施例方式中，方法还包括：S5，在焊接工作过程中，利用Unity对生产车间的设备及场地进行三维建模，并对于每个运动设备创建相应的运动控制脚本；以及，S6，利用Open CV将产品焊接数据转换为图形并在Unity上进行贴图渲染。
可以理解的是，本发明实施例中，对于产品的焊接，摒弃了传统的人工焊接流程，而是采用机器人自动对产品进行焊接，实现车间的全自动化焊接流程。具体的，通过控制机器人的机械臂等的运动实现对产品的各个焊点的焊接过程，因此，机器人的运动情况对产品的焊接质量起着很关键的作用。
故此，在对产品进行焊接的过程中，需要对机器人的运动过程进行监控仿真，本发明实施例中，步骤S5通过利用Unity对生产车间的设备(比如，机器人)及场地进行三维建模，对车间的每一个运动设备的运动模型进行仿真。并且对于焊接过程中，产品的焊接数据进行全程监控，步骤S6利用Open CV将产品焊接数据转换为图形并在Unity上进行贴图渲染。
需要说明的是，其中，步骤S5和步骤S6并不是按照S5和S6的顺序进行，步骤S5和步骤S6可并列进行。另外，步骤S5、S6与其它的步骤S1到S4的顺序也是可以并列进行的。
在一种可能的实施例方式中，在焊接工作过程中，参见图3，S5中利用Unity对生产车间的设备及场地进行三维建模，并对于每个运动设备创建相应的运动控制脚本，包括：S51，利用三维建模软件UG进行设备的三维建模，然后将UG里的模型以STL格式导入到3DMax中；S52，利用3D Max对模型进行调整后，以FBX文件格式导出到Unity3D引擎中；S53，在Visual Studio中进行模型驱动脚本的开发；S54，将机器人各关节的实时运动数据经过采集处理后，传输到Unity并根据相应脚本驱动，其中，通过控制机器人的运动对产品进行自动焊接操作。
具体的，在UG中建立焊接机器人模型、焊枪模型、传送设备模型和产品模型等生产设备模型，并导出为STL格式。对建立的各种设备模型进行调整，防止点面的丢失，并根据模型的现实设备对模型添加相应的材质和渲染，并以FBX格式导出。
对于设备模型的运动仿真，区分设备模型是否为运动模型，对会运动的模型，根据现实运动模式，通过调用transform.Translate()等方法，设置模型的驱动行为模式。设置数据调用函数，使得脚本可以从数据库获得驱动数据使得模型运动。
需要说明的是，本发明实施例对车间焊接过程进行全面监控，为各种统计类数据设计统计图表程序并封装。具体的，在UGUI上开发折线图、饼状图等图表界面程序。将这些程序封装并模块化，而后根据车间的监控需求对调用图表模块并对统计图表的相关属性(如数据接口、图表标题、轴)进行配置。
在一种可能的实施例方式中，参见图4，步骤S6中的利用Open CV将产品焊接数据转换为图形并在Unity上进行贴图渲染，包括：S61，根据产品焊接数据分析焊缝宽度、焊接温度和焊接质量类型；S62，基于Open CV将焊缝宽度、焊接温度和焊接质量类型转化为图片进行渲染。
可以理解的是，对于焊接过程中产品的焊接数据，可仿真进行图形化展示，具体的，根据焊接数据分析出焊缝的宽度、焊接温度和焊接过程中产生的不同类型的质量缺陷。
其中，根据焊接数据分析出焊缝的宽度的具体实现方式为，在相同的电流条件下，随着焊接速度的提高，焊缝宽度呈下降趋势。因此在相同材料下，通过对焊接速度和电流的数据分析，可以建立双因素耦合曲线函数来对焊缝宽度进行仿真，如式(5)所示。
w＝af(x)+bθ(y)； (5)
w为焊缝宽度，f(x)为焊接电流与焊接宽度的关系函数，θ(x)为焊接速度与焊接宽度的关系函数，a和b分别为焊接电流和焊接速度对焊接宽度的耦合影响因子。
同样的，根据焊接数据分析出焊接温度的具体实现方式为，通过温度传感器的数据或者焊接电流及焊接速度来判断出焊接处的温度场。
同样的，在根据焊接数据分析出焊接的缺陷的具体实现方式为，通过S3的飞溅分析程序对电阻数据进行分析加上时间和速度数据判断焊接的缺陷及所在位置。
分析出焊接过程中的焊接数据，利用Open CV将这些焊接数据转化为图片信息，在Unity上进行动态贴图渲染，渲染后的动图可以呈现焊接过程中的不同焊接质量，能够对焊接的整个过程进行全程监控。
本发明实施例提供的一种基于数字孪生的焊接监控方法，通过对焊接车间的数字仿真可以直观的观察个设备的运行状况，并且能及时的发现产品的缺陷。在焊接过程中能适当调整焊接焊接参数使得焊接飞溅减少以提高焊接质量，且在一定数量工件加工后能够分析发现工艺的问题，对工艺进行自适应调整，大大提高了车间可视化管理，提高产品焊接质量，减少生产成本，提高经济效益。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种基于数字孪生的焊接监控方法，其特征在于，包括：
收集焊接过程中的产品生产过程数据，所述产品生产过程数据至少包括产品焊接数据；
建立飞溅分析程序，根据产品焊接数据，分析焊接过程中产品的飞溅点；
将产品焊接数据输入焊接问题判断预测模型，获取所述焊接问题判断预测模型输出的产品的焊接质量状态信息及焊接质量类型；
基于产品的焊接质量类型，配置对应的工艺调整方案并设置触发所述工艺调整方案的条件，以处理产品焊接质量问题。
2.根据权利要求1所述的焊接监控方法，其特征在于，所述产品生产过程数据包括：
工作状态信息，所述工作状态信息包括压力、温度、振动、转速、力矩；
工况信息，所述工况信息包括长度、工作半径、额定负载；
控制指令，所述控制命令包括主控制器对变频器、伺服驱动器、执行器输出的控制指令；
故障诊断信息，所述故障诊断信息包括主控制器的故障信息、各执行设备的故障代码；
工作时长信息，所述工作时长信息包括焊接累计工作时间、总产量；
环境信息，所述环境信息包括工作环境湿度、温度；
产品质量问题数据，所述产品质量问题包括焊接飞溅、变形、咬穿、驼峰；
所述收集焊接过程中产品的焊接数据，之后还包括：
利用OPC UA框架对产品生产过程数据进行开发集合，并对产品不同的生成过程数据统一表达。
3.根据权利要求1所述的焊接监控方法，其特征在于，所述建立飞溅分析程序，根据产品焊接数据，分析焊接过程中产品的飞溅点，包括：
对于每一个产品的任一个焊点，根据所述任一个焊点在设定时间段内的焊接电流和焊接电压求出焊接电阻，扫描电阻斜率曲线；
找到所述电阻斜率曲线上的所有电阻斜率峰值点，计算所有电阻斜率峰值点的标准差，基于所述标准差判断所述电阻斜率曲线上是否存在有突出的电阻斜率变化值，其中，所述突出的电阻斜率变化值所在的时间点为飞溅点。
4.根据权利要求1所述的焊接监控方法，其特征在于，通过如下方式对所述焊接问题判断预测模型进行训练：
收集产品每一个焊点的多个焊接参数，以多个焊接参数作为输入参数，分别构建基于单个参数的深度学习模型和基于多个组合参数的深度学习模型，并分别进行训练，获取训练后的各个深度学习模型；
基于DS证据论对各个深度学习模型进行融合，通过对比融合前的深度学习模型和融合后的深度学习模型的准确率，确定融合后的深度学习模型的最优输入组合参数；
通过Hyperband优化算法筛选出优秀的超参数；
获取基于最优输入组合参数的融合后的深度学习模型，为焊接问题判断预测模型。
5.根据权利要求4所述的焊接监控方法，其特征在于，所述多个焊接参数包括焊接速度、焊接电流、焊接压力和焊接时间。
6.根据权利要求1或4或5所述的焊接监控方法，其特征在于，所述产品的焊接质量状态信息包括有焊接质量问题和无焊接质量问题，所述焊接质量乐行包括板材间隙过大和电极杆不对。
7.根据权利要求1所述的焊接监控方法，其特征在于，所述基于产品的焊接质量类型，配置对应的工艺调整方案并设置触发所述工艺调整方案的条件，以处理产品焊接质量问题，包括：
在对产品进行焊接加工的过程中，如果发生焊接飞溅或者焊接电阻超出所设标准曲线范围时，对焊接电流、焊接电压或者焊接时间进行调整；
当在焊接加工后，判断出短时间出现多个相同质量问题时，根据对应原因在预设的对应方案中选择适合方案并应用。
8.根据权利要求1所述的焊接监控方法，其特征在于，所述方法还包括：
在焊接工作过程中，利用Unity对生产车间的设备及场地进行三维建模，并对于每个运动设备创建相应的运动控制脚本；以及，
利用Open CV将产品焊接数据转换为图形并在Unity上进行贴图渲染。
9.根据权利要求8所述的焊接监控方法，其特征在于，所述在焊接工作过程中，利用Unity对生产车间的设备及场地进行三维建模，并对于每个运动设备创建相应的运动控制脚本，包括：
利用三维建模软件UG进行设备的三维建模，然后将UG里的模型以STL格式导入到3DMax中；
利用3D Max对模型进行调整后，以FBX文件格式导出到Unity3D引擎中；
在Visual Studio中进行模型驱动脚本的开发；
将机器人各关节的实时运动数据经过采集处理后，传输到Unity并根据相应脚本驱动，其中，通过控制机器人的运动对产品进行自动焊接操作。
10.根据权利要求8所述的焊接监控方法，其特征在于，所述利用Open CV将产品焊接数据转换为图形并在Unity上进行贴图渲染，包括：
根据产品焊接数据分析焊缝宽度、焊接温度和焊接质量类型；
基于Open CV将焊缝宽度、焊接温度和焊接质量类型转化为图片进行渲染。
CN202110873029.0A 2021-07-30 2021-07-30 一种基于数字孪生的焊接监控方法 Active CN113732557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110873029.0A CN113732557B (zh) 2021-07-30 2021-07-30 一种基于数字孪生的焊接监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110873029.0A CN113732557B (zh) 2021-07-30 2021-07-30 一种基于数字孪生的焊接监控方法

Publications (2)

Publication Number Publication Date
CN113732557A true CN113732557A (zh) 2021-12-03
CN113732557B CN113732557B (zh) 2022-07-08

Family

ID=78729591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110873029.0A Active CN113732557B (zh) 2021-07-30 2021-07-30 一种基于数字孪生的焊接监控方法

Country Status (1)

Country Link
CN (1) CN113732557B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114789307A (zh) * 2021-12-24 2022-07-26 郑州轻工业大学 一种基于数字孪生的板件焊接质量实时监控方法
CN114888496A (zh) * 2022-06-30 2022-08-12 中船黄埔文冲船舶有限公司 一种中组立焊丝物量的预测方法及装置
CN115988866A (zh) * 2023-03-21 2023-04-18 深圳市利和兴股份有限公司 一种基于机器视觉的nfc lami加工控制方法及系统
CN116984771A (zh) * 2023-08-16 2023-11-03 广州盛美电气设备有限公司 一种配电柜自动化焊接控制方法、装置、设备及介质
CN117436769A (zh) * 2023-12-20 2024-01-23 山东方垠智能制造有限公司 一种结构件焊接质量监测方法、系统、存储介质及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204413377U (zh) * 2014-08-28 2015-06-24 上海汽车商用车有限公司 一种焊接质量监控系统
CN105855743A (zh) * 2016-05-04 2016-08-17 华中科技大学 一种焊接熔池动态过程在线监测系统及方法
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
CN111604592A (zh) * 2020-05-20 2020-09-01 南京航空航天大学 一种基于数字孪生平台的航天壁板激光焊接智能制造方法
CN112692418A (zh) * 2020-12-30 2021-04-23 南昌大学 一种基于动态机器视觉的点焊质量监测装置及方法
CN112719646A (zh) * 2020-12-23 2021-04-30 睿驰隆科技(武汉)有限公司 一种对连续激光焊接过程中焊接质量的实时监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204413377U (zh) * 2014-08-28 2015-06-24 上海汽车商用车有限公司 一种焊接质量监控系统
CN105855743A (zh) * 2016-05-04 2016-08-17 华中科技大学 一种焊接熔池动态过程在线监测系统及方法
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
CN111604592A (zh) * 2020-05-20 2020-09-01 南京航空航天大学 一种基于数字孪生平台的航天壁板激光焊接智能制造方法
CN112719646A (zh) * 2020-12-23 2021-04-30 睿驰隆科技(武汉)有限公司 一种对连续激光焊接过程中焊接质量的实时监测方法
CN112692418A (zh) * 2020-12-30 2021-04-23 南昌大学 一种基于动态机器视觉的点焊质量监测装置及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114789307A (zh) * 2021-12-24 2022-07-26 郑州轻工业大学 一种基于数字孪生的板件焊接质量实时监控方法
CN114888496A (zh) * 2022-06-30 2022-08-12 中船黄埔文冲船舶有限公司 一种中组立焊丝物量的预测方法及装置
CN114888496B (zh) * 2022-06-30 2023-08-29 中船黄埔文冲船舶有限公司 一种中组立焊丝物量的预测方法及装置
CN115988866A (zh) * 2023-03-21 2023-04-18 深圳市利和兴股份有限公司 一种基于机器视觉的nfc lami加工控制方法及系统
CN116984771A (zh) * 2023-08-16 2023-11-03 广州盛美电气设备有限公司 一种配电柜自动化焊接控制方法、装置、设备及介质
CN117436769A (zh) * 2023-12-20 2024-01-23 山东方垠智能制造有限公司 一种结构件焊接质量监测方法、系统、存储介质及设备

Also Published As

Publication number Publication date
CN113732557B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN113732557B (zh) 一种基于数字孪生的焊接监控方法
Shao Use case scenarios for digital twin implementation based on ISO 23247
Chen et al. Toward intelligent machine tool
US11222551B2 (en) Snapshot management architecture for process control operator training system lifecycle
US7933679B1 (en) Method for analyzing and optimizing a machining process
CN110865607A (zh) 一种基于数字孪生的五轴数控机床控制方法
WO2019103772A1 (en) Detection and root cause analysis of welding defects
JP6781242B2 (ja) 制御装置、機械学習装置及びシステム
CN112418455B (zh) 一种设备故障预测与健康管理系统
DE102006017945A1 (de) Ein Verfahren zur Optimierung eines Roboterprogramms und eines Robotersystems
CN111604592A (zh) 一种基于数字孪生平台的航天壁板激光焊接智能制造方法
CN116127790B (zh) 工业机器人预测性维护管理方法及系统
Ng et al. Virtual manufacturing for press line monitoring and diagnostics
CN111037549B (zh) 基于3D扫描与TensorFlow算法的焊接轨迹处理方法及系统
CN115879238A (zh) 一种发动机整机及试验孪生体系模型构建方法
CN114169101A (zh) 航空发动机叶片超声滚压强化工艺的数字孪生建模方法
CN114995302A (zh) 一种智能控制方法及系统
CN114239938A (zh) 一种基于状态的能源数字孪生体的构建方法
CN111859543A (zh) 一种船舶工业智能工厂数字化设计信息模型
Walker et al. Digital Twin Technology for CNC Machining: A Review
KR102585246B1 (ko) 가상 가공 활용 공정 이상 가공 진단 방법
CN114055516B (zh) 一种故障诊断和维保的方法、系统、设备及存储介质
TWI826127B (zh) 運用數位孿生法之加工監測系統及其方法
WO2022176375A1 (ja) 予測システム、情報処理装置および情報処理プログラム
Sonar et al. Indian railways on fast track with welding industry 4.0: Application of internet of things and artificial intelligence

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