CN114260547B - 一种基于深度学习算法的窄间隙旋转电弧gtaw钨极位置纠偏方法 - Google Patents
一种基于深度学习算法的窄间隙旋转电弧gtaw钨极位置纠偏方法 Download PDFInfo
- Publication number
- CN114260547B CN114260547B CN202111590027.7A CN202111590027A CN114260547B CN 114260547 B CN114260547 B CN 114260547B CN 202111590027 A CN202111590027 A CN 202111590027A CN 114260547 B CN114260547 B CN 114260547B
- Authority
- CN
- China
- Prior art keywords
- arc
- gtaw
- image
- welding
- tungsten electrode
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,极大提高了窄间隙非轴对称钨极旋转电弧焊接过程电弧的稳定性,该方法属于钨极氩弧焊技术领域,包括NAR‑GTAW焊接系统、视觉图像检测系统、图像处理系统、通信系统与控制系统,搭建实验平台后选择不同的参数进行焊接并采集相应图像,建立深度学习模型,利用电弧数据进行深度学习模型训练,将训练好的模型部署到计算机中,通过实时采集的图像作为输入,模型推理后得到该时刻下电弧的类别和面积大小;钨极旋转一~二周后,便可以得到left类和right类的平均电弧面积,将二类平均电弧面积的差作为反馈量,PLC控制器通过反馈量对NAR‑GTAW焊枪进行调节,使得钨极在横向方向上始终位于坡口的中心处。
Description
技术领域
本发明涉及一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,极大提高了窄间隙非轴对称钨极旋转电弧焊接过程中电弧的稳定性,该方法属于钨极氩弧焊技术领域。
背景技术
随着现代工业和重工装备的日趋大型化、高产量化及精密化,厚板、超厚板焊接金属结构的应用也愈来愈广泛,窄间隙焊接作为一种新型的、高焊接效率、高性能、更低的生产成本的焊接技术,正日益受到焊接领域的重视和企业的青睐。
窄间隙钨极氩弧焊(NG-GTAW)具有不产生飞溅和熔渣,电弧具有稳定性,无明显焊接缺陷,可全位置焊接等优势。在氩气的保护之下,GTAW可用于焊接易氧化的非铁金属及其合金、不锈钢、高温合金、钛及钛合金以及难熔的活性金属,其焊接接头具有良好的韧性,由于钨极的载流能力低,因而熔覆效率低,一般用于打底焊以及重要的结构件当中。但是常规的钨极氩弧焊(GTAW)在窄间隙焊接过程中极易产生侧壁未熔合等焊接缺陷。窄间隙非轴对称旋转钨极氩弧焊(NAR-GTAW)是通过旋转的偏心钨极产生周期运动的偏转电弧,能够有效解决窄间隙焊接中容易出现的侧壁未熔合、侧壁熔深不足等问题。但是采用非轴对称钨极氩弧焊进行焊接时,若钨极中心位置不在焊缝横向的中心处,会发生电弧在两侧壁加热不均匀现象,会导致焊接过程中热应力分布不均的现象,同时会产生单侧壁未熔合或熔合不足等现象。
发明内容
针对现有技术的不足,本发明提供一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,该方法能够有效解决非轴对称旋转钨极氩弧焊在窄间隙焊接过程当中侧壁未熔合或熔合不足的问题。
本发明的技术方案如下:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,包括NAR-GTAW焊接系统、视觉图像检测系统、图像处理系统、通信系统与控制系统;
所述的NAR-GTAW焊接系统包括NAR-GTAW焊接电源、PAW焊接电源、NAR-GTAW焊枪、箱式冷水机、送丝装置、送气装置、采集与控制系统;所述的采集与控制系统包含USB3.1Gen1扩展板卡与PLC控制器;PLC控制器控制NAR-GTAW焊枪以便进行位置纠偏;
所述的视觉图像检测系统包括镜头、CCD相机;
所述的图像处理系统包括图像处理硬件和图像处理软件;所述的图像处理硬件为计算机(上位机);所述的图像处理软件为C++、OpenVINO、OpenCV和QT5;在本方法中,OpenVINO用于深度学习模型的部署与推理,OpenCV用于对推理后的图像进行后处理,QT5用于制作人机交互界面;具体工作流程如下:相机采集到图像后,分别使用OpenVINO推理出图像的类别,使用OpenCV中的图像降噪、图像对比度增强、OSTU对图像进行二值化处理并获取最小包围矩形算法获取电弧的尺寸,最后将处理过的图像显示在使用了QT5编写的软件界面上。
所述的通信系统为CCD相机使用USB3.1Gen1接口将采集到的图像传输到计算机(上位机),计算机通过RS-232接口将控制量下发到PLC控制器;
具体步骤如下:
1、搭建实验平台:实验平台包括待焊工件,待焊工件一侧设有NAR-GTAW焊枪和CCD相机,CCD相机用于采集正面电弧的信息,相机帧速率设置为50-100FPS,分辨率为640×640像素,灰度图像;
2、选择不同的参数进行焊接并采集相应图像:选择奥氏体不锈钢进行多类型多参数的焊接试验;调整CCD相机与水平方向的夹角,用不同的相机角度进行拍摄,并用不同焊接参数进行焊接实验;对不同板厚分别进行焊接实验;选择不同形状的钨极尖端进行焊接实验;多类型多参数的焊接工艺增加了非轴对称旋转钨极氩弧焊图像的数据量,从而提高了数据的可靠性;通过CCD相机获取正面电弧与坡口的图像序列数据;
3、建立深度学习模型:根据NAR-GTAW的电弧特征,即电弧随着非轴对称钨极的旋转而做周期性的运动,通过侧壁对电弧的压缩效应及最小电压原理,当电弧旋转到侧壁时,电弧面积会变小,通过对电弧位置及压缩面积的评定,可以将电弧的位置信息划分为front、back、left、right 4个类别并对电弧的面积进行计算统计,建立NAR-GTAW电弧数据集;
4、进行深度学习模型训练:将NAR-GTAW电弧数据集输入到YOLOv5s网络中,设置优化器,设置初始学习率,经过训练后,学习率降低到初始学习率的1%。训练结束后,保留在mAP50尺度上表现最好的轮次。
5、将训练好的模型部署到计算机中,通过CCD相机实时采集的图像作为输入,通过模型推理后得到该时刻下电弧的类别和面积大小;钨极旋转一~二周后,便可以得到left类和right类的平均电弧面积,将left类与right类平均电弧面积的差作为反馈量;
6、将步骤5得到的反馈量下发至PLC控制器,PLC控制器通过反馈量对NAR-GTAW焊枪进行调节,使得钨极在横向方向上始终位于坡口的中心处。
优选的,所述的视觉图像检测系统还包括滤光片、监视器,监视器用于为操作人员提供实时屏幕监视,滤光片置于镜头前。在CCD相机的镜头前加装滤光片,以减少弧光对拍摄过程的干扰,从而使得电弧的拍摄更加清晰。
根据本发明优选的,步骤1中,采用高速摄像机采集正面电弧的信息,相机帧速率设置为100FPS,分辨率为640×640。
优选的,步骤2中,采用高速摄像机,将摄像机置于焊枪的正前方,并随着焊枪的移动而移动,避免了在移动过程当中因焊枪的移动而导致焦距发生变化引起的图像不清晰的问题,并与焊接平台的水平方向呈10°~30°角,有利于获得清晰的焊接电弧图像。
进一步优选的,步骤2中,采用高速摄像机,在摄像机镜头前方加装红外滤光片,滤光片为窄带滤光片,中心波长为1080nm,以获得清晰的电弧图像。
优选的,步骤2中,选择304不锈钢、316不锈钢进行实验;板厚选择范围为:10mm、20mm、30mm、60mm、150mm;钨极尖端选择范围为斜圆锥状与带平台状,斜圆锥状为带有纵向切面的部分圆锥体,带平台状为斜圆锥状端部为平台、钝化尖端。
优选的,步骤3中,具体实现方式如下:
(1)采用labeling对CCD相机采集到的图像进行类别标定,获得匹配图像数据的标签数据,为NAR-GTAW电弧数据集,将标定好的图像随机的分为两类,分别作为训练集与验证集;
(2)选择YOLOv5s模型作为深度学习模型。
进一步优选的,步骤4中,将步骤3中建立的训练集导入到YOLOv5s模型当中,设置优化器为SGD或Adam,设置初始学习率为0.01或0.1,经过300轮的训练后,学习率降低到初始学习率的1%;将验证集导入模型进行验证,验证集用来调模型参数,选择使验证集精度最高的一代训练,训练结束后,保留在mAP50尺度上表现最好的结果。
优选的,步骤5中,通过高速摄像机实时采集的图像作为输入,通过部署到计算机中的深度学习模型推理后,得到该时刻下电弧位置类别信息与面积大小信息;将得到的电弧位置类别信息与面积大小信息进行计算分类,即每隔一个钨极旋转周期(钨极旋转二周,约0.4秒)计算一次left类和right类的平均电弧面积,并将二者的差值作为第一反馈量;将高速摄像机拍摄的照片通过计算机的图像处理算法进行边界提取,获得坡口两侧的几何形态,并进一步得到坡口的几何中心线;将得到的电弧位置信息与面积信息进行计算分类,通过图像处理算法,依次通过OpenCV开源图像处理库中的图像降噪、图像对比度增强、OSTU图像二值化和获取最小包围矩形算法,将front类与back类的电弧面积最大的图像提取出来,将最小包围矩形的几何中心线作为电弧的中心位置,此时的电弧几何中心线与焊枪的中轴线重合;通过计算坡口的几何中心线与电弧几何中心线的距离差作为第二反馈量;将两个反馈值进行比较,选取最小值作为最终反馈值。
进一步优选的,步骤5中,通过高速摄像机实时采集的图像作为输入,通过计算机的图像处理系统,得到电弧位置信息与面积信息;将得到的电弧位置信息与面积信息进行计算分类,即每隔一个钨极旋转周期计算一次平均的left类和right类的电弧面积,(计算电弧面积是为了得到电弧上端的位置信息),并通过计算机图像处理算法进行边界提取将坡口底边的边界提取出来,从而得到钨极距离坡口底端的距离;将得到的数值与预定数值做差得到纵向反馈值,将纵向反馈值传输到PLC控制器中,通过PLC控制器控制电机使焊枪在纵向与预定位置保持一致。
本方法解决的不仅能通过深度学习模型预测焊接质量,更是提供了一套针对旋转电弧GTAW钨极控制的方法,可以在焊接过程当中实时的对钨极位置进行调整,以确保焊接过程中旋转电弧产生的能量能够将两侧壁均熔化,最终解决窄间隙过程当中侧壁未熔合的问题。
本发明的有益效果在于:
本发明从正面获取窄间隙非轴对称旋转电弧图像,并使用YOLOv5s模型提取电弧图像特征信息,将电弧所处的空间位置进行了分类,对不同类别的电弧面积进行了统计,并将left类与right类电弧面积平均值的差值作为反馈值传输至PLC控制系统中,使非轴对称旋转钨极焊枪中心线在焊接过程中始终保持在坡口的中心线附近,以保证焊接过程的稳定性,解决了在焊接过程当中出现的单侧壁未熔合的问题。
本发明可适用于多类型多参数多钨极形状的焊接工艺实验,为焊接电弧图像采集提供了大量的各种类别的素材,建立了NAR-GTAW电弧数据集,提高了电弧的位置与面积检测的精确度,提高了焊接过程与焊接质量的稳定性。
本发明采用两个反馈量进行调节,增加了控制系统的鲁棒性,提高了焊接过程的稳定性,可以有效保证焊接质量。
附图说明
图1本发明实验平台正面示意图;
图2本发明实验平台左侧示意图;
图3本发明实验步骤流程图;
图4本发明焊接控制流程图;
图5a-图5d为本发明电弧分类示意图;图5a为front类电弧示意图,图5b为back类电弧示意图,图5c为left类电弧示意图,图5d为right类电弧示意图;
其中:1、移动滑架,2、送丝装置,3、NAR-GTAW焊枪,4、相机固定架,5、后保护气罩,6、CCD相机,7、待焊工件。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明,但不限于此。
实施例1:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,包括NAR-GTAW焊接系统、视觉图像检测系统、图像处理系统、通信系统与控制系统;
所述的NAR-GTAW焊接系统包括NAR-GTAW焊接电源、PAW焊接电源、NAR-GTAW焊枪3、箱式冷水机、送丝装置2、送气装置、后保护气罩5、采集与控制系统;所述的采集与控制系统包含USB3.1 Gen1扩展板卡与PLC控制器;PLC控制器控制NAR-GTAW焊枪以便进行位置纠偏;
所述的视觉图像检测系统包括镜头、CCD相机6、滤光片、监视器;
所述的图像处理系统包括图像处理硬件和图像处理软件;所述的图像处理硬件为计算机(上位机);所述的图像处理软件为C++、OpenVINO、OpenCV和QT5;在本方案中,OpenVINO用于深度学习模型的部署与推理,OpenCV用于对推理后的图像进行后处理,QT5用于制作人机交互界面。具体工作流程如下:相机采集到图像后,分别使用OpenVINO推理出图像的类别,使用OpenCV中的图像降噪、图像对比度增强、OSTU对图像进行二值化处理并获取最小包围矩形算法获取电弧的尺寸,最后将处理过的图像显示在使用了QT5编写的软件界面上。
所述的通信系统为CCD工业相机使用USB3.1Gen1接口将采集到的图像传输到计算机(上位机),上位机通过RS-232接口将控制量下发到PLC控制器上。
所述的纠偏方法包括步骤如下:
1、搭建实验平台:实验平台包括待焊工件7,待焊工件为中厚板304不锈钢开U型坡口,对待焊工件进行预处理,清除待施焊位置内部和表面的油污、铁锈及灰尘。将待焊工件进行反变形处理后点焊加固,并用工装夹具将待焊工件固定在工作台上;待焊工件一侧设有NAR-GTAW焊枪和CCD相机,CCD相机用于采集正面电弧的信息,相机帧速率设置为50FPS,分辨率为640*640像素,焊接前对相机进行调焦;
2、选择不同的参数进行焊接并采集相应图像:选择奥氏体不锈钢进行多类型多参数的焊接试验。调整CCD相机与水平方向的夹角,用不同的相机角度进行拍摄,并用不同焊接参数进行焊接实验;对不同板厚分别进行焊接实验;选择不同形状的钨极尖端进行焊接;在CCD相机的镜头前加装滤光片,减小电弧对拍摄的影响,从而获得更为清晰的电弧图像;多类型多参数的焊接工艺增加了非轴对称旋转钨极氩弧焊图像的数据量,从而提高了模型的稳定性。通过CCD相机获取正面电弧与坡口的图像序列数据。
本实施例中,分别选择板厚10mm、20mm、30mm、60mm、150mm的304不锈钢与316不锈钢管材进行焊接。钨极尖端选择范围为斜圆锥状与带平台状,斜圆锥状为带有纵向切面的部分圆锥体,带平台状为斜圆锥状端部为平台、钝化尖端。
3、建立深度学习模型:根据NAR-GTAW的电弧特征,即电弧随着非轴对称钨极的旋转而做周期性的运动,通过侧壁对电弧的压缩效应及最小电压原理,当电弧旋转到侧壁时,电弧面积会变小,通过对电弧位置及压缩面积的评定,可以将电弧的位置信息划分为front、back、left、right 4个类别并对电弧的面积进行计算统计,建立NAR-GTAW电弧数据集;具体实现方式如下:
(1)采用labeling对CCD相机采集到的图像进行类别标定,获得匹配图像数据的标签数据,将匹配好的数据随机分成两类,分别作为训练集和验证集;
(2)选择适配于旋转电弧分类较好的YOLOv5s模型作为此深度学习模型的空间特征信息;
4、进行深度学习模型训练:将NAR-GTAW电弧数据集输入到YOLOv5s网络中,设置Adam为优化器,设置初始学习率为0.1,经过300轮的训练后,学习率降低到初始学习率的1%。训练结束后,保留在mAP50尺度上表现最好的轮次。
5、将训练验证好的模型部署到计算机中,通过CCD相机实时采集的图像作为输入,通过模型推理后得到该时刻下电弧的类别和面积大小。钨极旋转2周(约0.4秒)后,便可以得到left类和right类的平均电弧大小,将left类与right类平均电弧面积的差作为反馈量。
6、将步骤5得到的反馈量传输至PLC控制器,PLC控制器通过反馈量的数值对NAR-GTAW焊枪电机进行调节,使得钨极中心在横向方向上始终位于坡口的中心处。
实施例2:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其步骤如实施例1所述,所不同的是,步骤2中,采用高速摄像机,将摄像机置于焊枪的正前方,通过相机固定架4固定,并随着焊枪沿移动滑架1的移动而移动,避免了在移动过程当中因焊枪的移动而导致焦距发生变化引起的图像不清晰的问题,并与焊接平台的水平方向呈10°~30°角,有利于获得清晰的焊接电弧图像。
实施例3:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其步骤如实施例1所述,所不同的是,步骤1中,采用高速摄像机采集正面电弧的信息,相机帧速率设置为100FPS,分辨率为640×640。
实施例4:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其步骤如实施例1所述,所不同的是,步骤2中,采用高速摄像机,在摄像机镜头前方加装红外滤光片,滤光片为窄带滤光片,中心波长为1080nm,以获得清晰的电弧图像。
实施例5:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其步骤如实施例1所述,所不同的是,步骤4中,将步骤3中建立的训练集导入到YOLOv5s模型当中,设置SGD为优化器,设置初始学习率为0.01,经过300轮的训练后,学习率降低到初始学习率的1%。将验证集导入模型进行验证,验证集用来调模型参数,选择使验证集精度最高的一代训练,训练结束后,保留在mAP50尺度上表现最好的结果。相较于Adam优化器,SGD优化器的初始学习率更低,更易于模型训练。
实施例6:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其步骤如实施例1所述,所不同的是,步骤5中,将步骤4验证好的模型部署到计算机中,通过高速摄像机相机实时采集的图像作为输入,通过模型推理后得到该时刻下电弧的类别和面积大小;钨极每旋转1周(约0.2秒)便计算一次平均的left类和right类电弧面积,将left与right类的平均电弧面积作差作为反馈量。
实施例7:
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其步骤如实施例6所述,所不同的是,步骤5中,通过高速摄像机实时采集的图像作为输入,通过计算机的图像处理算法,得到电弧位置信息与面积;将得到的电弧位置信息与面积进行计算分类,钨极每旋转1周(约0.2秒)便计算一次平均的left类和right类电弧面积,将left与right类的平均电弧面积作差作为第一反馈量;将高速摄像机拍摄的照片通过计算机图像算法进行边界提取将坡口的两侧边界提取出来,并计算出坡口的几何中心线;将得到的电弧位置信息与面积信息进行计算分类,依次通过OpenCV开源图像处理库中的图像降噪、图像对比度增强、OSTU图像二值化和获取最小包围矩形算法,将front类与back类的电弧面积最大的图像提取出来,将最小包围矩形的几何中心线作为电弧的中心位置,此时的电弧中心线与焊枪的中轴线相重合;通过计算坡口几何中心与电弧几何中心线的距离差值作为第二反馈值;两反馈值进行比较,选取最小值作为最终反馈值。
实施例8
一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其步骤如实施例7所述,所不同的是,步骤5中,还包括,通过高速摄像机实时采集的图像作为输入,通过计算机的图像处理算法,得到电弧位置信息与面积信息;将得到的电弧位置信息与面积信息进行计算分类,钨极每旋转1周(约0.2秒)便计算一次平均的left类和right类电弧面积,并通过计算机图像处理算法进行边界提取将坡口底边的边界提取出来,从而得到钨极距离坡口底端的距离,将得到的数值与预定数值做差得到纵向反馈值,将纵向反馈值传输到PLC控制器中,通过PLC控制器控制电机使焊枪在横向、纵向均与预定位置保持一致。
Claims (10)
1.一种基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,包括NAR-GTAW焊接系统、视觉图像检测系统、图像处理系统、通信系统与控制系统;
所述的NAR-GTAW焊接系统包括NAR-GTAW焊接电源、PAW焊接电源、NAR-GTAW焊枪、箱式冷水机、送丝装置、送气装置、采集与控制系统;所述的采集与控制系统包含USB3.1Gen1扩展板卡与PLC控制器;PLC控制器控制NAR-GTAW焊枪以便进行位置纠偏;
所述的视觉图像检测系统包括镜头、CCD相机;
所述的图像处理系统包括图像处理硬件和图像处理软件;所述的图像处理硬件为计算机;所述的图像处理软件为C++、OpenVINO、OpenCV和QT5;OpenVINO用于深度学习模型的部署与推理,OpenCV用于对推理后的图像进行后处理,QT5用于制作人机交互界面;
所述的通信系统为CCD相机使用USB3.1Gen1接口将采集到的图像传输到计算机,计算机通过RS-232接口将控制量下发到PLC控制器;
具体步骤如下:
( 1) 、搭建实验平台:实验平台包括待焊工件,待焊工件一侧设有NAR-GTAW焊枪和CCD相机,CCD相机用于采集正面电弧的信息,相机帧速率设置为50-100FPS,分辨率为640×640像素,灰度图像;
( 2) 、选择不同的参数进行焊接并采集相应图像:选择奥氏体不锈钢进行多类型多参数的焊接试验;调整CCD相机与水平方向的夹角,用不同的相机角度进行拍摄,并用不同焊接参数进行焊接实验;对不同板厚分别进行焊接实验;选择不同形状的钨极尖端进行焊接实验;多类型多参数的焊接工艺增加了非轴对称旋转钨极氩弧焊图像的数据量,从而提高了数据的可靠性;通过CCD相机获取正面电弧与坡口的图像序列数据;
( 3) 、建立深度学习模型:根据NAR-GTAW的电弧特征,即电弧随着非轴对称钨极的旋转而做周期性的运动,通过侧壁对电弧的压缩效应及最小电压原理,当电弧旋转到侧壁时,电弧面积会变小,通过对电弧位置及压缩面积的评定,可以将电弧的位置信息划分为front、back、left、right 4个类别并对电弧的面积进行计算统计,建立NAR-GTAW电弧数据集;
( 4) 、进行深度学习模型训练:将NAR-GTAW电弧数据集输入到YOLOv5s网络中,设置优化器,设置初始学习率,经过训练后,学习率降低到初始学习率的1%;训练结束后,保留在mAP50尺度上表现最好的轮次;
( 5) 、将训练好的模型部署到计算机中,通过CCD相机实时采集的图像作为输入,通过模型推理后得到该时刻下电弧的类别和面积大小;钨极旋转一~二周后,便可以得到left类和right类的平均电弧面积,将left类与right类平均电弧面积的差作为反馈量;
( 6) 、将步骤5得到的反馈量下发至PLC控制器,PLC控制器通过反馈量对NAR-GTAW焊枪进行调节,使得钨极在横向方向上始终位于坡口的中心处。
2.根据权利要求1所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,所述的视觉图像检测系统还包括滤光片、监视器,监视器用于为操作人员提供实时屏幕监视,滤光片置于镜头前。
3.根据权利要求1所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤1中,采用高速摄像机采集正面电弧的信息,相机帧速率设置为100FPS,分辨率为640×640。
4.根据权利要求1所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤2中,采用高速摄像机,将摄像机置于焊枪的正前方,并随着焊枪的移动而移动,避免了在移动过程当中因焊枪的移动而导致焦距发生变化引起的图像不清晰的问题,并与焊接平台的水平方向呈10°~30°角,有利于获得清晰的焊接电弧图像。
5.根据权利要求4所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤2中,采用高速摄像机,在摄像机镜头前方加装红外滤光片,滤光片为窄带滤光片,中心波长为1080nm,以获得清晰的电弧图像。
6.根据权利要求1所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤2中,选择304不锈钢、316不锈钢进行实验;板厚选择范围为:10mm、20mm、30mm、60mm、150mm;钨极尖端选择范围为斜圆锥状与带平台状,斜圆锥状为带有纵向切面的部分圆锥体,带平台状为斜圆锥状端部为平台、钝化尖端。
7.根据权利要求1所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤3中,具体实现方式如下:
(1)采用labeling对CCD相机采集到的图像进行类别标定,获得匹配图像数据的标签数据,为NAR-GTAW电弧数据集,将标定好的图像随机的分为两类,分别作为训练集与验证集;
(2)选择YOLOv5s模型作为深度学习模型。
8.根据权利要求7所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤4中,将步骤3中建立的训练集导入到YOLOv5s模型当中,设置优化器为SGD或Adam,设置初始学习率为0.01或0.1,经过300轮的训练后,学习率降低到初始学习率的1%;将验证集导入模型进行验证,验证集用来调模型参数,选择使验证集精度最高的一代训练,训练结束后,保留在mAP50尺度上表现最好的结果。
9.根据权利要求8所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤5中,通过高速摄像机实时采集的图像作为输入,通过部署到计算机中的深度学习模型推理后,得到该时刻下电弧位置类别信息与面积大小信息;将得到的电弧位置类别信息与面积大小信息进行计算分类,即每隔一个钨极旋转周期计算一次left类和right类的平均电弧面积,并将二者的差值作为第一反馈量;将高速摄像机拍摄的照片通过计算机的图像处理算法进行边界提取,获得坡口两侧的几何形态,并进一步得到坡口的几何中心线;将得到的电弧位置信息与面积信息进行计算分类,通过图像处理算法,依次通过OpenCV开源图像处理库中的图像降噪、图像对比度增强、OSTU图像二值化和获取最小包围矩形算法,将front类与back类的电弧面积最大的图像提取出来,将最小包围矩形的几何中心线作为电弧的中心位置,此时的电弧几何中心线与焊枪的中轴线重合;通过计算坡口的几何中心线与电弧几何中心线的距离差作为第二反馈量;将两个反馈值进行比较,选取最小值作为最终反馈值。
10.根据权利要求9所述的基于深度学习算法的窄间隙旋转电弧GTAW钨极位置纠偏方法,其特征在于,步骤5中,通过高速摄像机实时采集的图像作为输入,通过计算机的图像处理系统,得到电弧位置信息与面积信息;将得到的电弧位置信息与面积信息进行计算分类,即每隔一个钨极旋转周期计算一次平均的left类和right类的电弧面积,并通过计算机图像处理算法进行边界提取将坡口底边的边界提取出来,从而得到钨极距离坡口底端的距离;将得到的数值与预定数值做差得到纵向反馈值,将纵向反馈值传输到PLC控制器中,通过PLC控制器控制电机使焊枪在纵向与预定位置保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590027.7A CN114260547B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习算法的窄间隙旋转电弧gtaw钨极位置纠偏方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590027.7A CN114260547B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习算法的窄间隙旋转电弧gtaw钨极位置纠偏方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114260547A CN114260547A (zh) | 2022-04-01 |
CN114260547B true CN114260547B (zh) | 2022-07-01 |
Family
ID=80829275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111590027.7A Active CN114260547B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度学习算法的窄间隙旋转电弧gtaw钨极位置纠偏方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114260547B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115302151B (zh) * | 2022-10-11 | 2023-01-17 | 江苏新恒基特种装备股份有限公司 | 一种焊接反变形监测控制系统及方法 |
CN116117273B (zh) * | 2023-03-01 | 2024-04-19 | 广东工业大学 | 一种自适应的前馈焊接纠偏装置及方法 |
CN116921817B (zh) * | 2023-09-15 | 2023-12-15 | 中建安装集团有限公司 | 自动tig焊电弧聚集度在线监测及智能预警方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2824145B2 (ja) * | 1990-11-19 | 1998-11-11 | 松下電工株式会社 | 溶接方法 |
KR100352130B1 (ko) * | 1997-12-27 | 2002-11-18 | 재단법인 포항산업과학연구원 | 실시간 아크면적 검출방법 및 장치 |
CN104439620B (zh) * | 2014-12-09 | 2016-04-13 | 江苏科技大学 | 窄间隙焊接电弧摇动的适应控制方法及装置 |
CN110052712B (zh) * | 2019-05-31 | 2020-03-20 | 山东大学 | 一种非轴对称旋转钨极gtaw与脉冲激光复合焊接方法 |
CN112894101B (zh) * | 2019-12-03 | 2022-04-01 | 山东大学 | 一种基于深度学习算法的穿孔等离子弧焊接熔池状态预测方法 |
CN112589232B (zh) * | 2020-12-15 | 2022-05-20 | 广东工业大学 | 一种基于独立纠偏型深度学习的焊缝跟踪方法及装置 |
-
2021
- 2021-12-23 CN CN202111590027.7A patent/CN114260547B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114260547A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114260547B (zh) | 一种基于深度学习算法的窄间隙旋转电弧gtaw钨极位置纠偏方法 | |
Shen et al. | Real-time seam tracking technology of welding robot with visual sensing | |
CN104551347B (zh) | 窄间隙焊缝偏差的红外视觉传感检测方法及装置 | |
CN105033419B (zh) | 基于熔池图像焊缝跟踪的移动式焊接机器人装置 | |
CN104439620A (zh) | 窄间隙焊接电弧摇动的适应控制方法及装置 | |
CN108637435A (zh) | 一种基于视觉与弧压传感的三维焊缝跟踪系统及方法 | |
CN111037062B (zh) | 一种gtaw焊缝成形的自适应控制与自动视觉检测方法 | |
CN113042862A (zh) | 基于主被动视觉结合的焊接偏差检测系统及检测方法 | |
Guo et al. | Weld deviation detection based on wide dynamic range vision sensor in MAG welding process | |
CN112518082A (zh) | 一种基于多传感信息的机器人热丝tig增材质量监控系统 | |
CN103480991A (zh) | 一种薄钢板窄焊缝在线视觉检测与控制装置 | |
CN104820976B (zh) | 一种实时控制激光焊接功率的方法 | |
CN111451604B (zh) | 一种gtaw电弧熔丝增材制造熄弧处补焊监测反馈方法及系统 | |
CN206567687U (zh) | 一种脉冲激光激振tig熔池检测振荡频率的熔透控制装置 | |
CN106141374A (zh) | 非熔化极气体保护焊3d增材修补装置及修补方法 | |
CN107127432A (zh) | 基于焊工调节的铝合金mig焊熔透控制系统与方法 | |
Xiong et al. | Active vision sensing and feedback control of back penetration for thin sheet aluminum alloy in pulsed MIG suspension welding | |
WO2020039948A1 (ja) | 溶接制御装置、表示制御装置、溶接システム、溶接制御方法及びプログラム | |
Wu et al. | Research on robust laser vision feature extraction method for fillet welds with different reflective materials under uncertain interference | |
CN108152291B (zh) | 基于熔池动态特征的端缝焊接未熔合缺欠实时检测方法 | |
Shen et al. | Research on weld pool control of welding robot with computer vision | |
ZHANG et al. | Visual sensing of weld pool in variable polarity TIG welding of aluminium alloy | |
Xia et al. | Real-time seam tracking during narrow gap GMAW process based on the wide dynamic vision sensing method | |
Wang et al. | Weld pool surface fluctuations sensing in pulsed GMAW | |
Wu et al. | Sensing weld pool geometrical appearance in gas—metal arc welding |
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 |