CN114131201A - 一种变厚度殷瓦钢板材的焊接方法、系统及装置 - Google Patents

Abstract

本发明属于焊接技术领域，并具体公开了一种变厚度殷瓦钢板材的焊接方法、系统及装置，其包括：获取焊接板材的板厚变化曲线，基于板厚变化曲线从焊接数据库中调取标准工艺参数曲线；基于当前焊接点的温度曲线确定当前焊接点的实际熔深；基于板厚变化曲线确定当前焊接点的板材厚度，以确定当前焊接点的最优熔深，并获取当前焊接点对应的最优熔深与实际熔深之间的熔深差异；基于标准工艺参数曲线和下一焊接点的板材厚度获取下一焊接点的第一工艺参数；基于熔深差异对下一焊接点的第一工艺参数进行修正，得到下一焊接点的第二工艺参数，并基于第二工艺参数对下一焊接点进行焊接。本发明可实现对变厚度殷瓦钢板材的稳定焊接，提高焊接质量。

Description

一种变厚度殷瓦钢板材的焊接方法、系统及装置

技术领域

本发明属于焊接技术领域，更具体地，涉及一种变厚度殷瓦钢板材的焊接方法、系统及装置。

背景技术

殷瓦合金(invar，也称为殷钢)，是一种镍铁合金，它的热膨胀系数极低，具有“因瓦效应”，能在很宽的温度范围内保持固定长度，广泛应用于储运、无线电工业、精密仪器、仪表及其他工业等领域。然而，随着结构轻量化的产品设计越来越多，厚度变化的殷瓦钢零件也随之增加，这样的产品设计方式虽然减轻了制件的重量，但变厚度的结构设计对殷瓦钢的连接方式提出了更高的技术要求。

一直以来，变厚度殷瓦钢板材的焊接通常是以手工电弧焊的方式为主，存在热输入大、微观组织粗大、裂纹/气孔缺陷多发、热变形大、生产效率低等问题，难以满足高质高效的制造需求。但采用自动化方式进行焊接时，存在两大问题：一方面由于殷瓦钢本身固-液凝固区间很小，可焊接的参数带很窄，工艺参数很难调节；另一方面由于殷瓦钢板材的厚度不一，工艺参数需要随着厚度变化而变化。

因此，亟需一种变厚度殷瓦钢板材的焊接方法，以实现对变厚度殷瓦钢板材的稳定焊接。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种变厚度殷瓦钢板材的焊接方法、系统及装置，其目的在于，实现对变厚度殷瓦钢板材的稳定焊接，提高焊接质量。

为实现上述目的，按照本发明的第一方面，提出了一种变厚度殷瓦钢板材的焊接方法，包括如下步骤：

S1、获取焊接板材的板厚变化曲线，所述板厚变化曲线反映所述焊接板材在焊缝方向的板厚；

S2、基于所述板厚变化曲线从焊接数据库中调取标准工艺参数曲线，所述标准工艺参数曲线与所述板厚变化曲线对应，反映焊缝方向上板厚不同时工艺参数的取值变化；

S3、获取当前焊接点的温度曲线，基于所述当前焊接点的温度曲线确定当前焊接点的实际熔深；

S4、基于所述板厚变化曲线确定当前焊接点的板材厚度，以确定当前焊接点的最优熔深，进而得到当前焊接点对应的最优熔深与实际熔深之间的熔深差异；

S5、基于所述标准工艺参数曲线和下一焊接点的板材厚度确定下一焊接点的第一工艺参数；

S6、基于所述熔深差异对所述下一焊接点的第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，并基于所述第二工艺参数对下一焊接点进行焊接。

作为进一步优选的，基于所述熔深差异对所述第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，包括：

获取训练好的工艺参数修正模型，所述工艺参数修正模型为机器学习模型；

所述工艺参数修正模型基于所述第一工艺参数以及所述熔深差异作为输入，输出修正后的第二工艺参数。

作为进一步优选的，所述训练好的工艺参数修正模型为第一神经网络的子模型，所述第一神经网络还包括第一熔深预测模型；所述第一神经网络基于以下步骤进行训练：

(1)获取第一训练样本集，所述第一训练样本集包括多个样本，其中的每个样本包括第一工艺参数以及实际熔深标定值；

(2)对第一训练样本集中的每一个，将所述第一工艺参数和熔深校正初始值输入所述工艺参数修正模型中，输出校正后的第二工艺参数；

(3)将所述第二工艺参数输入所述第一熔深预测模型中，输出对应的熔深预测值；

(4)将所述熔深预测值与所述实际熔深标定值进行对比，以此构建损失函数不断更新所述第一神经网络直至所述熔深预测值与所述实际熔深标定值之间的差值小于阈值为止，采用多个所述第一训练样本多次更新所述第一神经网络，得到训练好的第一神经网络。

作为进一步优选的，所述焊接板材包括两块，当焊接的两块板材的厚度不完全一致时，所述获取焊接板材的板厚变化曲线，包括：

分别获取两块板材的第一厚度变化曲线和第二厚度变化曲线。

作为进一步优选的，所述基于板厚变化曲线从焊接数据库中调取标准工艺参数曲线，包括：

(1)将焊缝离散为若干个焊接点，并基于所述第一厚度变化曲线和第二厚度变化曲线获取每个焊接点对应的两块板材的第一厚度和第二厚度；

(2)基于所述第一厚度和第二厚度调取标准工艺参数；

(3)基于每个焊接点的标准工艺参数拟合得到标准工艺参数曲线。

作为进一步优选的，基于所述当前焊接点的温度曲线确定当前焊接点的实际熔深，包括：

获取训练好的第二熔深预测模型；

将所述当前焊接点的温度曲线输入所述训练好的第二熔深预测模型中，得到实际熔深。

作为进一步优选的，所述训练好的第二熔深预测模型包括：图像输入层、特征提取层和分析层，所述训练好的第二熔深预测模型基于如下步骤进行训练：

(1)获取第二训练样本集，所述第二训练样本集包括多个样本，其中的每个样本包括温度样本曲线以及熔深标签值，所述熔深标签值部分来自于训练好的第一熔深预测模型的自动标注值；

(2)将所述温度样本曲线作为图片矩阵输入所述图像输入层中，经所述特征提取层提取其中的特征值，而后所述分析层基于所述特征值进行前向传播，得到熔深预测值，将所述熔深预测值经反向传播逐层更新所述第二熔深预测模型，如此反复训练得到训练好的第二熔深预测模型。

按照本发明的第二方面，提供了一种变厚度殷瓦钢板材的焊接系统，包括板厚变化曲线获取模块、标准工艺参数曲线获取模块、温度曲线获取模块、实际熔深确定模块、熔深差异确定模块、第一工艺参数获取模块、第二工艺参数获取模块，其中：

所述板厚变化曲线获取模块，用于获取焊接板材的板厚变化曲线，所述板厚变化曲线反映焊接板材在焊缝方向的板厚；

所述标准工艺参数曲线获取模块，用于基于所述板厚变化曲线从焊接数据库中调取标准工艺参数曲线，所述标准工艺参数曲线与所述板厚变化曲线对应，反映在焊缝方向上板厚不同时工艺参数的取值变化；

所述温度曲线获取模块，用于获取当前焊接点的温度曲线；

所述实际熔深确定模块，用于基于所述当前焊接点的温度曲线确定当前焊接点的实际熔深；

所述熔深差异确定模块，用于基于所述板厚变化曲线确定当前焊接点的板材厚度，以确定当前焊接点的最优熔深，进而得到当前焊接点对应的最优熔深与实际熔深之间的熔深差异；

所述第一工艺参数获取模块，用于基于所述标准工艺参数曲线和下一焊接点的板材厚度获取下一焊接点的第一工艺参数；

所述第二工艺参数获取模块，用于基于所述熔深差异对所述第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，并基于所述第二工艺参数对下一焊接点进行焊接。

按照本发明的第三方面，提供了一种变厚度殷瓦钢板材的焊接装置，其特征在于，包括至少一个存储介质和至少一个处理器，所述存储介质用于存储计算机指令；所述处理器用于执行所述计算机指令，以实现上述变厚度殷瓦钢板材的焊接方法。

按照本发明的第四方面，提供了计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述变厚度殷瓦钢板材的焊接方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.本发明基于温度曲线获取实际熔深，基于板厚确定最优熔深，进而根据当前焊接点实际熔深与最优熔深的差异，对下一焊接点的殷瓦钢标准工艺参数进行修正，以修正后的第二工艺参数进行下一点的焊接，实现对变厚度殷瓦钢板材焊接工艺参数的实时控制，从而实现对变厚度殷瓦钢板材的稳定焊接，提高焊接质量。

2.本发明以工艺参数修正模型为第一神经网络的子模型，采用迁移学习的方式得到工艺参数修正模型，使得模型训练精度更高。

附图说明

图1是根据本说明书一些实施例所示的一个示例性的变厚度殷瓦钢板材焊接系统的应用场景示意图；

图2是根据本说明书一些实施例所示的一个示例性的变厚度殷瓦钢板材焊接系统的系统框图；

图3是根据本说明书一些实施例所示的变厚度殷瓦钢板材焊接方法的示意性流程图；

图4是根据本说明书一些实施例所示的第一神经网络训练过程的示意性流程图；

图5是根据本说明书一些实施例所示的基于温度曲线获取当前焊接点的实际熔深的示意性流程图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：110-1-板材，110-2-板材，120-板厚检测机构，130-焊缝，132-熔池，140-激光器，150-送丝机构，160-弧焊枪，170-熔池温度检测机构，180-处理设备，180-2-存储设备，210-板厚变化曲线获取模块，220-标准工艺参数曲线获取模块，230-温度曲线获取模块，240-实际熔深确定模块，250-熔深差异确定模块，260-第一工艺参数获取模块，270-第二工艺参数获取模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1是根据本说明书一些实施例所示的一个示例性的变厚度殷瓦钢板材焊接系统的应用场景示意图。

需要说明的是，如图1所示的实施场景是以殷瓦钢激光-电弧复合焊接为例进行的示例性说明。本申请描述的焊接方法包括但不限于电弧焊、激光焊、电阻点焊、埋弧焊、乌极氩弧焊等其他焊接方法。

如图1所示，变厚度殷瓦钢板材焊接场景中可以包括变厚度殷瓦钢板材(图中110-1和110-2所示)，板厚检测机构120(由图中120-1和120-2构成)，激光器140、送丝机构150、弧焊枪160、熔池温度检测机构170、处理设备180以及第一运动机构(图中未示出)、第二运动机构(图中未示出)。其中，激光器140用于发生激光，弧焊枪160用于发生电弧，送丝机构150用于送给焊丝，这三个单元构成了基本焊接单元，可将板材110-1和板材110-2焊接在一起，并形成焊缝(如图中130所示)。可以理解，基本焊接单元也可以是其他的焊接形式对应的设备，本说明书在此不做限制。

第一运动机构可以用于与激光器140相连，以控制激光照射位置。在一些实施例中，第一运动机构(图中未示出)可以是任意的运动结构。示例性地，第一运动机构可以是一个6轴机器人。

第二运动机构可以用于与弧焊枪160相连，以控制焊接时电弧的移动。在一些实施例中，第二运动机构(图中未示出)可以是任意的运动结构。示例性地，第二运动机构也可以是一个6轴机器人。

送丝机构150可以与第一运动机构和第二运动机构耦合连接在一起，也可以由单独的运动机构进行连接，本说明书在此不做限制。

在一些实施例中，第一运动机构和第二运动机构控制激光器140、送丝机构150、弧焊枪160三者协同形成熔池132，进而控制熔池132向着如图1所示的焊接方向移动以形成焊缝130。

需要说明的是，本说明书一个及多个实施例所提及的运动机构(如第一运动机构和第二运动机构)可以是本领域技术人员所熟知的任意的可执行运动/转动的机构。例如，第一运动机构和第二运动机构可以是3轴、4轴、5轴、6轴、7轴机器臂。又例如，第一运动机构和第二运动机构可以是如龙门结构、桁架结构等可运动的机构。再例如，第一运动机构和第二运动机构可以是一体的，也可以是独立设置的。在一些实施例中，第一运动机构和第二运动机构可以是相同的结构，也可以是不同的结构。诸如此类的变化，仍然在本说明书的保护范围之内。

板厚检测机构120可以是任意形式的板厚检测机构(图中120-1和120-2所示分别设置在板材110-1的上下两侧)。板厚检测机构120可以包括但不限于电容式测厚仪、激光测厚仪、超声波测厚仪、涂层测厚仪、射线测厚仪、白光干涉测厚仪、电解式测厚仪、涡流式测厚仪等测厚装置中的一种或几种。在一些实施例中，板厚检测机构120可以在焊接开始之前先行进行检测，以在焊接前获取到整个板材对应的板厚变化曲线。在一些实施例中，当焊缝较长时，获取板厚变化曲线比较耽误时间，此时，板厚检测机构也可以在距离焊接点一定距离处的位置同时获取板厚，并实施更新板厚变化曲线，以节约检测的时间。

在一些实施例中，板材110-1和板材110-2的厚度可以是完全相同地设置，此时，可以仅进行任意一块板材的厚度测量。在一些实施例中，板材110-1和板材110-2的厚度也可以是不完全相同的。此时，板材110-1以及板材110-2上都需要设置相应的板厚检测机构以分别获取两个板材的第一厚度变化曲线和第二厚度变化曲线。具体地，如图1所示的板材110-2上下侧也应对应设置有板厚检测机构120。

熔池温度检测机构170可以是任意形式的可以获取焊接点的当前温度曲线的仪器或设备。例如，熔池温度检测机构170可以是如红外线测温仪、红外摄像头等非接触性温度检测装置。又例如，熔池温度检测机构170可以是如热电偶测温仪、电阻丝测温仪等接触性温度检测装置。在一些实施例中，熔池温度检测机构170可以将获取到的当前焊接点的当前温度曲线发送给处理设备进行后续处理(图中未示出)。

在一些实施例中，场景100中还包括处理设备180，处理设备180可以与场景100中的其他组件(如板厚检测机构120，激光器140、送丝机构150、弧焊枪160、熔池温度检测机构170、第一运动机构以及第二运动机构)进行连接以获取并处理数据和/或信息。例如，处理设备180可以获取熔池温度检测机构170采集的当前温度曲线。又例如，处理设备180可以获取焊接板材的板厚变化曲线，并基于板厚变化曲线从焊接数据库中调取标准工艺参数曲线。再例如，处理设备180可以基于板厚变化曲线确定当前焊接点的板材厚度，以确定当前焊接点的最优熔深，并获取当前焊接点对应的最优熔深与实际熔深之间的熔深差异。还例如，处理设备180可以基于标准工艺参数曲线和下一焊接点的板材厚度获取下一焊接点的第一工艺参数。还例如，处理设备180可以基于熔深差异对下一焊接点的第一工艺参数进行修正，以得到下一焊接点的第二工艺参数。

在一些实施例中，处理设备180可以控制激光器140、送丝机构150、弧焊枪160中的至少一个执行第二工艺参数以对下一焊接点进行焊接。其中，工艺参数可以示例性地包括电弧工艺参数调控和激光工艺参数调控。电弧工艺参数控包括但不限于焊接电流、焊接电压、焊接速度以及送丝速度中的一种及多种；激光工艺参数包括但不限于光斑直径、离焦量、激光功率中的一种及多种。

在一些实施例中，处理设备180可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如：处理设备可以是分布系统)。在一些实施例中，处理设备180可以是本地的或者远程的。在一些实施例中，处理设备180可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。

在一些实施例中，处理设备180上还可以包括存储设备180-2，存储设备180-2可以存储数据和/或指令。在一些实施例中，存储设备180-2可以存储操作指示信息。在一些实施例中，存储设备180-2还可以存储温度检测装置170采集的历史数据(如历史时刻焊接点对应的温度曲线)。在一些实施例中，存储设备180-2可以存储处理设备180用于执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备180-2可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。

在一些实施例中，场景100中还可以包括网络(图中未示出)。网络可以促进信息和/或数据的交换。在一些实施例中，网络可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、移动通信(1G、2G、3G、4G、5G)网络、Wi-Fi、Li-Fi、窄带物联网(NB-IoT)等或其任意组合。

图2是根据本说明书一些实施例所示的一个示例性的变厚度殷瓦钢板材焊接系统的系统框图。

如图2所示，变厚度殷瓦钢板材焊接系统可以包括：板厚变化曲线获取模块210、标准工艺参数曲线获取模块220、温度曲线获取模块230、实际熔深确定模块240、熔深差异确定模块250、第一工艺参数获取模块260以及第二工艺参数获取模块270。在一些实施例中，系统200可以设置在处理设备180上。

板厚变化曲线获取模块210：用于获取焊接板材的板厚变化曲线，板厚变化曲线反映母材板厚在焊缝方向的变化；

标准工艺参数曲线获取模块220：用于基于板厚变化曲线从焊接数据库中调取标准工艺参数曲线，标准工艺参数曲线与板厚变化曲线对应，反映在焊缝方向上母材板厚不同时工艺参数的取值变化；

温度曲线获取模块230：用于获取当前焊接点的温度曲线；

实际熔深确定模块240：用于基于当前焊接点的温度曲线确定当前焊接点的实际熔深；

熔深差异确定模块250：用于基于板厚变化曲线确定当前焊接点的板材厚度，以确定当前焊接点的最优熔深，并获取当前焊接点对应的最优熔深与实际熔深之间的熔深差异；

第一工艺参数获取模块260：用于基于标准工艺参数曲线和下一焊接点的板材厚度获取下一焊接点的第一工艺参数；

第二工艺参数获取模块270：用于基于熔深差异对下一焊接点的第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，并基于第二工艺参数对下一焊接点进行焊接。

在一些实施例中，当焊接的两块板材的厚度不完全一致时，板厚变化曲线获取模块210分别获取两块板材的第一厚度变化曲线和第二厚度变化曲线。

在一些实施例中，标准工艺参数曲线获取模块220还用于：将焊缝离散为若干个焊接点，并获取每个焊接点对应的两块板材的第一厚度和第二厚度；基于第一厚度和第二厚度调取标准工艺参数；基于每个焊接点的标准工艺参数拟合得到标准工艺参数曲线。

在一些实施例中，第二工艺参数获取模块270还用于：获取训练好的工艺参数修正模型，工艺参数修正模型为机器学习模型；工艺参数修正模型基于第一工艺参数以及熔深差异作为输入，输出修正后的第二工艺参数。

在一些实施例中，训练好的工艺参数修正模型为第一神经网络的子模型，第一神经网络还包括第一熔深预测模型；训练好的第一神经网络基于以下步骤进行训练：获取第一训练样本集，第一训练样本集包括多个样本，其中的每个样本包括第一工艺参数以及实际熔深标定值；对第一训练样本集中的每一个，将第一工艺参数和熔深校正初始值输入工艺参数修正模型中，输出校正后的第二工艺参数；将第二工艺参数输入第一熔深预测模型中，输出对应的熔深预测值；将熔深预测值与实际熔深标定值进行对比，以此构建损失函数不断更新第一神经网络直至熔深预测值与实际熔深标定值之间的差值小于阈值为止，采用多个第一训练样本多次更新第一神经网络，得到训练好的第一神经网络。

在一些实施例中，实际熔深确定模块240还用于：获取训练好的第二熔深预测模型；将当前焊接点的温度曲线输入训练好的第二熔深预测模型中，得到实际熔深。

在一些实施例中，训练好的第二熔深预测模型包括：图像输入层、特征提取层和分析层，训练好的第二熔深预测模型基于如下步骤进行训练：获取第二训练样本集，第二训练样本集包括多个样本，其中的每个样本包括温度样本曲线以及熔深标签值；将温度样本曲线作为图片矩阵输入图像输入层中，经特征提取层提取其中的特征值，分析层基于特征值进行前向传播，得到熔深预测值，将熔深预测值经反向传播逐层更新第二熔深预测模型，如此反复训练得到训练好的第二熔深预测模型。

应当理解，本说明书一个或多个实施中的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上对于处理设备及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。

图3是根据本说明书一些实施例所示的变厚度殷瓦钢板材焊接方法的示意性流程图。在一些实施例中，方法300可以由处理设备180执行。在一些实施例中，方法300可以进一步由系统200执行。

步骤310，获取焊接板材的板厚变化曲线。

在一些实施例中，步骤310可以由板厚变化曲线获取模块210执行。在一些实施例中，板厚变化曲线获取模块210可以从如图1所示的板厚检测机构120处获取焊接板材的板厚变化曲线。在一些实施例中，板厚变化曲线获取模块210也可以从如图1所示的存储设备180-2处获取已经存储好的板厚变化曲线。在一些实施例中，如场景100中所示的两块焊接板材的厚度可以是一致的，此时，可以仅获取一块板材的板厚变化曲线。在一些实施例中，如场景100中所示的两块板材是不完全一致时，需要分别获取两块板材的第一板厚变化曲线和第二板厚变化曲线，以进行后续步骤。

步骤320，基于板厚变化曲线从焊接数据库中调取标准工艺参数曲线。在一些实施例中，步骤320可以由标准工艺参数曲线获取模块220执行。

标准工艺参数曲线获取模块220可以将板厚变化曲线进行离散，分解成若干个焊接点，进而基于每个焊接点对应的板材厚度从预设好的焊接数据库中调取相应的标准工艺参数。焊接数据库可以通过多次实验测试获得，包括不同厚度、坡口类型匹配的理想环境下的标准工艺参数，以供标准工艺参数曲线获取模块220进行调取。进一步地，将每个焊接点的对应的参数进一步拟合成线，得到对应的标准工艺参数曲线。

需要说明的是，标准工艺参数实际上包含多个工艺参数，示例性地，如针对激光-电弧复合焊接的方式，工艺参数可以包括电弧工艺参数和激光工艺参数。其中，电弧工艺参数包括但不限于电流或电压或焊接速度参数或送丝速度；激光工艺参数但不限于包括光斑直径或离焦量或激光功率等。因此，标准工艺参数曲线实际上包括多个参数对应的曲线。

可以理解，标准工艺参数曲线实际上与板厚变化曲线对应，反映焊缝方向上焊接材料板厚不同时工艺参数的取值变化。

在一些实施例中，当焊接的两块板材的厚度不完全一致时，可以基于离散后的焊接点在第一板厚曲线和第二板厚曲线对应的第一厚度和第二厚度调取标准工艺参数，基于每个焊接点的标准工艺参数拟合得到标准工艺参数曲线。

步骤330，获取当前焊接点的温度曲线。在一些实施例中，步骤330可以由温度曲线获取模块220执行。

在一些实施例中，温度曲线获取模块230可以从如图1所示的熔池温度检测装置170处获取当前焊接点的温度曲线。在一些实施例中，温度曲线获取模块230也可以从如图1所示的存储设备180-2处获取当前焊接点的当前温度曲线。

步骤340，基于当前焊接点的温度曲线确定当前焊接点的实际熔深。在一些实施例中，步骤340可以由实际熔深确定模块240执行。

在一些实施例中，实际熔深确定模块240可以将当前焊接点的温度曲线与标准温度曲线进行相似度对比(标准温度曲线是具有熔深标值的曲线)，进而基于相似度对比的结果获取当前焊接点的实际熔深。例如，可以将温度曲线样本与当前焊接点对应的温度曲线统一在同一坐标系后，计算两条曲线间两两相对应的点之间的距离，从而确定两条曲线的偏差，进而将相似度最为接近的标准温度曲线的熔深标值作为当前焊接点的实际熔深。

在一些实施例中，实际熔深确定模块240还可以将温度曲线样本与当前焊接点对应温度曲线离散为若干点，采用网格划分的方式统计落入相同网格内相同点的数量。落入相同网格内的相同点的数量越多，则说明两曲线越接近。采用这种方式可以显著减少计算量，但牺牲了对比结果的计算精度。

在一些实施例中，实际熔深确定模块240还可以基于训练好的第一熔深预测模型以及当前焊接点的温度曲线获取当前焊接点的实际熔深，其具体包括以下步骤：获取训练好的第二熔深预测模型；将当前焊接点的温度曲线输入所述训练好的第二熔深预测模型中，得到实际熔深。有关获取当前焊接点的实际熔深的更多说明可参见图5的相应描述，在此不在赘述。

步骤350，确定当前焊接点的最优熔深，并获取当前焊接点对应的最优熔深与实际熔深之间的差异。在一些实施例中，步骤350可以由熔深差异确定模块250执行。

在一些实施例中，熔深差异确定模块250可以基于板厚变化曲线确定当前焊接点的板材厚度，进而基于当前焊接点的材料厚度确定当前焊接点的最优熔深。在一些实施例中，最优熔深可以从如步骤320描述的焊接数据库中获得。示例性地，如双面坡口的20mm的殷瓦钢板的最优熔深可以是5mm。可以理解，由于不同厚度、坡口类型的殷瓦钢可以具有不同的最优熔深的取值。

进一步地，熔深差异确定模块250将最优熔深与步骤340所获得的实际熔深进行对比，即得到了当前焊接点的最优熔深与实际熔深之间的差异。

步骤360，基于标准工艺参数曲线和下一焊接点的板材厚度获取下一焊接点的第一工艺参数。在一些实施例中，步骤360可以由第一工艺参数获取模块260执行。

第一工艺参数获取模块260可以基于板厚变化曲线确定下一焊接点的板材厚度，进而基于标准工艺参数曲线以及下一焊接点的板材厚度获取下一焊接点的第一工艺参数。不难理解，第一工艺参数即为焊接数据库中下一焊接点的板材厚度对应的理论状态下的工艺参数。

步骤370，基于熔深差异对下一焊接点的第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，并基于第二工艺参数对下一焊接点进行焊接。在一些实施例中，步骤370可以由第二工艺参数获取模块270执行。

第一工艺参数是在理想环境下殷瓦钢最优熔深对应的焊接参数。可以理解，在长时间焊接时，焊接热量的堆积会显著影响焊缝的熔深。而由于第一工艺参数没有考虑实际焊接时殷瓦钢焊接的热堆积问题，在实际焊接时如采用第一工艺参数进行殷瓦钢焊接无法得到板厚对应的最优熔深。因此，第二工艺参数获取模块270需要基于当前焊接点的熔深差异对下一焊接点的第一工艺参数进行修正，以得到修正后的第二工艺参数，进而进行下一焊接点的焊接。

在一些实施例中，第二工艺参数获取模块270可以基于训练好的工艺参数修正模型对下一焊接点的第一工艺参数进行修正。工艺参数修正模型可以作为第一神经网络的一个子模型参与训练，下面结合图4对第一神经网络的训练过程进行示例性说明。

首先，需要获取第一训练样本集。第一训练样本集包括多个样本，其中的每个样本包括第一工艺参数以及实际熔深标定值(即如图4所示的箭头输入的两个部分)。进一步地，对第一训练样本集中的样本进行多轮迭代，以得到训练好的第一神经网络，其具体包括：

步骤1:将第一工艺参数和熔深校正值(第一轮训练有一个熔深校正初始值，后续轮次训练由上一轮熔深预测值与实际熔深标定值之间的差值确定)输入工艺参数修正模型中，工艺参数修正模型中可以将所述熔深校正值进行one-hot编码映射为与所述第一工艺参数同维度的矩阵，进而基于矩阵点乘、内积等方式进行映射，输出校正后的第二工艺参数；在一些实施例中，工艺参数修正模型可以是一个编码器模型，以基于熔深校正值的one-hot编码进行矩阵的编码运算；

步骤2:将第二工艺参数输入第一熔深预测模型中，输出对应的熔深预测值，第一熔深预测模型可以是一个分类器模型；

步骤3:将熔深预测值与实际熔深标定值进行对比，以此构建损失函数不断更新第一神经网络直至熔深预测值与实际熔深标定值之间的差值小于阈值为止或者更新迭代的次数大于某一阈值(如1万次)为止；如此采用多个第一训练样本多次更新第一神经网络，得到训练好的第一神经网络。

在一些实施例中，为了深度应用第一训练样本中的样本，可以对一个样本多次执行步骤1、2、3并进行更新模型。在一些替代性实施例中，也可以在每轮迭代中均采用不同的样本。

图5是根据本说明书一些实施例所示的基于温度曲线获取当前焊接点的实际熔深的示意性流程图。

在一些实施例中，方法500可以由处理设备180执行。在一些实施例中，方法500可以进一步由系统200执行。在一些实施例中，方法500可以更进一步地由实际熔深确定模块240执行。

步骤510，获取训练好的第二熔深预测模型。

训练好的第二熔深预测模型包括：图像输入层、特征提取层和分析层。

图像输入层，可以用于输入当前焊接点的温度曲线对应的图片矩阵。例如，图片矩阵的行可以对应温度曲线的纵坐标长度，图片矩阵的列可以对应温度曲线的横坐标长度，图片矩阵的元素可以对应温度曲线行经的像素(或坐标值)。

特征提取层，可以用于提取当前焊接点的温度曲线对应的特征点，如曲线起点、顶点、拐点、横坐标间隔设置的提取点。

分析层，用于基于特征点前向传播得到熔深预测值。

第二熔深预测模型基于如下步骤进行训练：1)获取第二训练样本集，第二训练样本集包括多个样本，其中的每个样本包括温度样本曲线以及熔深标签值；2)将温度样本曲线作为图片矩阵输入图像输入层中，经特征提取层提取其中的特征值，分析层基于特征值进行前向传播，得到熔深预测值，将熔深预测值经反向传播逐层更新第二熔深预测模型，如此反复训练得到训练好的第二熔深预测模型。

在一些实施例中，第二样本训练集中的熔深标签值可以基于工艺实验实际测得的结果进行标定。

由于通过工艺实验进行实际检测的方式进行标定的成本很高。在一些实施例中，第二样本训练集中的熔深标签值也可以通过如图4中所示的第一熔深预测模型进行自动标定。可以理解，由于第一熔深预测模型对熔深标定值时未准确考虑温度场对焊缝熔深的影响，但其自动标准的标签可以反映不同厚度板材的参数变化规律。在一些实施例中，第二样本训练集中的熔深标签值可以部分基于工艺实验检测得到，另一部分通过第一熔深预测模型自动标定得到，这样的方法既降低了整体模型训练的成本，也同时兼顾了模型训练的精度。

步骤520，将当前焊接点的温度曲线输入训练好的第二熔深预测模型中，得到实际熔深。

本说明书实施例还提供一种计算机可读存储介质。存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机实现前述基于特征化数据确定目标设备运行状态的方法。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种变厚度殷瓦钢板材的焊接方法，其特征在于，包括如下步骤：

S1、获取焊接板材的板厚变化曲线，所述板厚变化曲线反映所述焊接板材在焊缝方向的板厚；

S2、基于所述板厚变化曲线从焊接数据库中调取标准工艺参数曲线，所述标准工艺参数曲线与所述板厚变化曲线对应，反映焊缝方向上板厚不同时工艺参数的取值变化；

S3、获取当前焊接点的温度曲线，基于所述当前焊接点的温度曲线确定当前焊接点的实际熔深；

S4、基于所述板厚变化曲线确定当前焊接点的板材厚度，以确定当前焊接点的最优熔深，进而得到当前焊接点对应的最优熔深与实际熔深之间的熔深差异；

S5、基于所述标准工艺参数曲线和下一焊接点的板材厚度确定下一焊接点的第一工艺参数；

S6、基于所述熔深差异对所述下一焊接点的第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，并基于所述第二工艺参数对下一焊接点进行焊接。

2.如权利要求1所述的变厚度殷瓦钢板材的焊接方法，其特征在于，基于所述熔深差异对所述第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，包括：

获取训练好的工艺参数修正模型，所述工艺参数修正模型为机器学习模型；

所述工艺参数修正模型基于所述第一工艺参数以及所述熔深差异作为输入，输出修正后的第二工艺参数。

3.如权利要求2所述的变厚度殷瓦钢板材的焊接方法，其特征在于，所述训练好的工艺参数修正模型为第一神经网络的子模型，所述第一神经网络还包括第一熔深预测模型；所述第一神经网络基于以下步骤进行训练：

(1)获取第一训练样本集，所述第一训练样本集包括多个样本，其中的每个样本包括第一工艺参数以及实际熔深标定值；

(2)对第一训练样本集中的每一个，将所述第一工艺参数和熔深校正初始值输入所述工艺参数修正模型中，输出校正后的第二工艺参数；

(3)将所述第二工艺参数输入所述第一熔深预测模型中，输出对应的熔深预测值；

(4)将所述熔深预测值与所述实际熔深标定值进行对比，以此构建损失函数不断更新所述第一神经网络直至所述熔深预测值与所述实际熔深标定值之间的差值小于阈值为止，采用多个所述第一训练样本多次更新所述第一神经网络，得到训练好的第一神经网络。

4.如权利要求1所述的变厚度殷瓦钢板材的焊接方法，其特征在于，所述焊接板材包括两块，当焊接的两块板材的厚度不完全一致时，所述获取焊接板材的板厚变化曲线，包括：

分别获取两块板材的第一厚度变化曲线和第二厚度变化曲线。

5.如权利要求4所述的变厚度殷瓦钢板材的焊接方法，其特征在于，所述基于板厚变化曲线从焊接数据库中调取标准工艺参数曲线，包括：

(1)将焊缝离散为若干个焊接点，并基于所述第一厚度变化曲线和第二厚度变化曲线获取每个焊接点对应的两块板材的第一厚度和第二厚度；

(2)基于所述第一厚度和第二厚度调取标准工艺参数；

(3)基于每个焊接点的标准工艺参数拟合得到标准工艺参数曲线。

6.如权利要求1所述的变厚度殷瓦钢板材的焊接方法，其特征在于，基于所述当前焊接点的温度曲线确定当前焊接点的实际熔深，包括：

获取训练好的第二熔深预测模型；

将所述当前焊接点的温度曲线输入所述训练好的第二熔深预测模型中，得到实际熔深。

7.如权利要求6所述的变厚度殷瓦钢板材的焊接方法，其特征在于，所述训练好的第二熔深预测模型包括：图像输入层、特征提取层和分析层，所述训练好的第二熔深预测模型基于如下步骤进行训练：

(1)获取第二训练样本集，所述第二训练样本集包括多个样本，其中的每个样本包括温度样本曲线以及熔深标签值，所述熔深标签值部分来自于训练好的第一熔深预测模型的自动标注值；

(2)将所述温度样本曲线作为图片矩阵输入所述图像输入层中，经所述特征提取层提取其中的特征值，而后所述分析层基于所述特征值进行前向传播，得到熔深预测值，将所述熔深预测值经反向传播逐层更新所述第二熔深预测模型，如此反复训练得到训练好的第二熔深预测模型。

8.一种变厚度殷瓦钢板材的焊接系统，其特征在于，包括板厚变化曲线获取模块、标准工艺参数曲线获取模块、温度曲线获取模块、实际熔深确定模块、熔深差异确定模块、第一工艺参数获取模块、第二工艺参数获取模块，其中：

所述板厚变化曲线获取模块，用于获取焊接板材的板厚变化曲线，所述板厚变化曲线反映焊接板材在焊缝方向的板厚；

所述标准工艺参数曲线获取模块，用于基于所述板厚变化曲线从焊接数据库中调取标准工艺参数曲线，所述标准工艺参数曲线与所述板厚变化曲线对应，反映在焊缝方向上板厚不同时工艺参数的取值变化；

所述温度曲线获取模块，用于获取当前焊接点的温度曲线；

所述实际熔深确定模块，用于基于所述当前焊接点的温度曲线确定当前焊接点的实际熔深；

所述熔深差异确定模块，用于基于所述板厚变化曲线确定当前焊接点的板材厚度，以确定当前焊接点的最优熔深，进而得到当前焊接点对应的最优熔深与实际熔深之间的熔深差异；

所述第一工艺参数获取模块，用于基于所述标准工艺参数曲线和下一焊接点的板材厚度获取下一焊接点的第一工艺参数；

所述第二工艺参数获取模块，用于基于所述熔深差异对所述第一工艺参数进行修正，以得到下一焊接点的第二工艺参数，并基于所述第二工艺参数对下一焊接点进行焊接。

9.一种变厚度殷瓦钢板材的焊接装置，其特征在于，包括至少一个存储介质和至少一个处理器，所述存储介质用于存储计算机指令；所述处理器用于执行所述计算机指令，以实现如权利要求1～7任一项所述的变厚度殷瓦钢板材的焊接方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～7中任一项所述的变厚度殷瓦钢板材的焊接方法。

Images