CN114357850A - 焊接工艺参数的生成方法、生成装置、以及焊接方法 - Google Patents
焊接工艺参数的生成方法、生成装置、以及焊接方法 Download PDFInfo
- Publication number
- CN114357850A CN114357850A CN202011096622.0A CN202011096622A CN114357850A CN 114357850 A CN114357850 A CN 114357850A CN 202011096622 A CN202011096622 A CN 202011096622A CN 114357850 A CN114357850 A CN 114357850A
- Authority
- CN
- China
- Prior art keywords
- welding
- welding process
- parameters
- process parameters
- learning model
- 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.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 239000011324 bead Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005204 segregation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000010953 base metal Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种焊接工艺参数的生成方法、生成装置、以及焊接方法。本发明的焊接工艺参数的生成方法通过机器学习而获得数据学习模型,并根据所选择的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,所述数据学习模型通过以下步骤获得:步骤1,针对选定的焊接对象,选择不同的焊接工艺参数进行焊接,获得不同的焊接工艺参数下的焊缝形貌参数;以及步骤2,使用将所述焊接工艺参数和与其相对应的所述焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。根据本发明,能够根据输入的焊缝形貌自动地生成焊接工艺参数,由此能够在焊接后获得所需的焊缝形貌。
Description
技术领域
本发明涉及一种焊接工艺参数的生成方法、焊接工艺参数的生成装置、以及焊接方法。
背景技术
焊接机器人的优点是焊接质量稳定,改善了工人的工作条件,提高了劳动生产率。但是,在应用中仍然存在许多需要进一步研究和改进的问题。例如,目前焊接自动化研究更多地集中在焊缝识别、引导和跟踪技术上,而对焊接工艺参数自动生成的研究却很少。焊接工艺参数仍需要工人根据自己的经验来设置。并且,在现有的技术中,例如专利文献CN101908083A,关注的多是焊接工艺参数与焊接性能的关系,对于焊接后的焊缝形貌的研究也非常少。而焊缝的形貌对于焊接后的产品的美观等有着决定性的影响。目前想要获得理想的焊缝形貌,需要依靠操作者的经验选择合适的焊接工艺参数,这需要操作者有着大量的焊接经验,还需要经过大量的焊接试验进行探索,消耗大量的人力、物力、以及时间。
发明内容
发明要解决的问题
对此,本发明的目的在于提供一种能够根据焊缝形貌参数自动地生成焊接工艺参数的焊接工艺参数的生成方法、焊接工艺参数的生成装置、的焊接方法、以及焊接装置。
解决问题的技术手段
为了实现上述目的,本发明的一个实施方式为一种焊接工艺参数的生成方法,通过机器学习而获得数据学习模型,并根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,所述数据学习模型通过以下步骤获得:步骤1,针对选定的焊接对象,选择不同的焊接工艺参数进行焊接,获得不同的焊接工艺参数下的焊缝形貌参数;以及步骤2,使用将所述焊接工艺参数和与其相对应的所述焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
另外,本发明的另一个实施方式为一种焊接工艺参数的生成装置,其具备:存储部,其储存有通过机器学习获得的数据学习模型;以及,焊接工艺参数生成部,其根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,所述数据学习模型通过以下步骤获得:步骤1,针对选定的焊接对象,选择不同焊接工艺参数进行焊接,获得不同焊接工艺参数下的焊缝形貌参数;以及步骤2,使用将焊接工艺参数和与其相对应的焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
另外,本发明的另一个实施方式为一种焊接方法,其特征在于,通过机器学习而获得数据学习模型,并根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,使用所生成的所述焊接工艺参数进行焊接,所述数据学习模型通过以下步骤获得:步骤1,针对选定的焊接对象,选择不同焊接工艺参数进行焊接,获得不同焊接工艺参数下的焊缝形貌参数;以及步骤2,使用将焊接工艺参数和与其相对应的焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
发明的效果
根据本发明,能够根据输入的焊缝形貌自动地生成焊接工艺参数,从而能够在焊接后获得所需的焊缝形貌。由此,能够减少对焊接过程经验的依赖,减少焊接实验,并提高焊接过程的效率,使焊接更加自动化智能化。
附图说明
图1为本发明的焊接工艺参数的生成装置的构成的框图。
图2为本发明获取训练样本数据的一例的流程图。
图3为本发明获取数据学习模型的一例的流程图。
图4为本发明的焊接工艺参数的生成方法的一例的流程图。
图5为用于说明本发明中的焊缝形貌参数的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍,但这并不代表本发明的特征仅限于该实施方式。恰恰相反,结合实施方式作本发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解,以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外,为了避免混乱或模糊本发明的重点,有些具体细节将在描述中被省略。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
图1为本发明的焊接工艺参数的生成装置的构成的框图。
如图1所示,本发明的焊接工艺参数的生成装置1包括输入部11、存储部12、以及焊接工艺参数生成部13。输入部11用于输入期望的焊缝形貌的焊缝形貌参数。存储部12储存有通过机器学习获得的数据学习模型。焊接工艺参数生成部13根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数。
焊接工艺参数的生成装置1可以是具有键盘、鼠标或者触摸屏的输入部、硬盘等的存储部、CPU等的处理部的计算机等构成。
接着,参照图2-图3,对本发明获得数据学习模型的流程进行说明。
图2为本发明获取训练样本数据的一例的流程图。
如图2所示,在步骤S11中,选定焊接对象,例如选择SUS304不锈钢材料作为焊接对象(母材)。
在步骤S12中,根据选定的焊接对象,选择焊接工艺参数,例如选择焊接速度、焊接电流、焊接电压、焊枪摆动频率、焊枪摆动振幅等焊接工艺参数,随后基于所选择的焊接工艺参数对焊接对象进行焊接。
在步骤S13中,获取焊接后的焊缝形貌参数,关于焊缝形貌参数,将在后文进行详细说明。
另外,在步骤S12和步骤S13中,选择不同的焊接工艺参数,以获得不同的焊接工艺参数下的焊缝形貌参数。
在步骤S14中,将焊接工艺参数和与其相对应的焊缝形貌参数相关联起来,由此获得训练样本数据。
图3为本发明获取数据学习模型的一例的流程图。
如图3所示,在步骤S21中,输入在步骤S14中获得的训练样本数据。
在步骤S22中,进行机器学习,获得数据学习模型。在本发明中,作为一例,可以通过对训练样本数据进行机器学习,建立焊缝形貌参数与焊接工艺参数之间的映射关系作为数据学习模型。另外,机器学习所采用的方法可以是本领域的常规方法,例如分类训练或者线性回归等。
在步骤S23中,输入验证数据样本,所述验证数据样本例如为事先通过实验获得的焊接工艺参数以及与之相对应的焊缝形貌参数。
在步骤S24中,获得模型精度,具体来说,通过数据学习模型来生成某焊缝形貌参数的焊接工艺参数,并将生成的焊接工艺参数与验证数据样本中的与该焊缝形貌参数的相对应的焊接工艺参数进行比较,将两者的差别作为模型精度。
在步骤S25中,判断模型精度是否满足要求,即判断上述差别是否为预先规定的阈值以下,在模型精度未达到要求时,返回步骤S21,增加新的训练样本数据,再次进行步骤S22-S25的流程,在模型精度达到要求时,前进至步骤S26。
在步骤S26中,输出符合要求的数据学习模型。
随后,参照图4对本发明的焊接工艺参数的生成方法进行说明。
图4为本发明的焊接工艺参数的生成方法的一例的流程图。
如图4所示,在步骤S31中,输入期望焊缝形貌的焊缝形貌参数。
随后,在步骤S32中,经由在步骤S26中获得的数据学习模型,生成焊接工艺参数。
综上,在本发明的焊接工艺参数的生成方法中,通过机器学习而获得数据学习模型,并根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,所述数据学习模型通过以下步骤获得:步骤1,针对选定的焊接对象,选择不同的焊接工艺参数进行焊接,获得不同的焊接工艺参数下的焊缝形貌参数;以及步骤2,使用将所述焊接工艺参数和与其相对应的所述焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
根据本发明的方法,能够根据输入的焊缝形貌自动地生成焊接工艺参数,从而能够在焊接后获得所需的焊缝形貌。
进而,在本发明中,还提供了一种焊接方法,即,通过机器学习而获得数据学习模型,并根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,使用所生成的所述焊接工艺参数进行焊接,所述数据学习模型通过以下步骤获得:步骤1,针对选定的焊接对象,选择不同焊接工艺参数进行焊接,获得不同焊接工艺参数下的焊缝形貌参数;以及步骤2,使用将焊接工艺参数和与其相对应的焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
此外,在焊接对象,即母材中存在着偏析等情况下,虽然采用相同的焊接工艺参数进行焊接,但是由于母材的偏析等,熔池宽度等熔池特征参数会产生变化,进而影响焊缝的形貌。因此,在本发明中,在获得数据学习模型时,在焊接过程中拍摄熔池图像,根据所述熔池图像获取熔池特征参数,并将所述熔池特征参数与焊接工艺参数以及焊缝形貌参数相关联地增加到所述训练样本数据中。由此,能够使获得的数据学习模型更加准确。
另外,在本发明的焊接方法中,还可以在实际焊接的过程中拍摄熔池图像,根据所述熔池图像获取熔池特征参数,并根据所述熔池特征参数经由所述数据学习模型调整所述焊接工艺参数。由此,能够在实际焊接的过程中,排除母材偏析等的影响。
接着,参照图5对本发明中的焊缝形貌参数进行说明。
图5为用于说明本发明中的焊缝形貌参数的示意图。
如图5所示,在焊接之后,在母材的上表面形成有焊缝。焊缝形貌参数以母材的上表面为基线进行定义,主要包括基线上方高度、基线处宽度、基线上方区域大小、右缺区域大小、左缺区域大小。其中,基线上方高度为焊缝的最高点到基线的距离,基线处宽度为焊缝在基线处的宽度,基线上方区域大小为焊缝在基线上方的区域的表面积的大小,右缺区域为焊缝在基线右侧的下方存在缺失的区域,右缺区域大小为右缺区域在基线处的表面积的大小,左缺区域为焊缝在基线左侧的下方存在缺失的区域,左缺区域大小为左缺区域在基线处的表面积的大小。另外,在图5所示的焊缝中,没有左缺区域,因而左缺区域大小为零。
以上对本发明的实施方式进行了说明,但实施方式仅作为举例说明,并不具有限定本发明范围的意图。这些实施方式能够通过其他各种形态实施,在不超出本发明主旨的范围内进行各种各样的省略、置换、变更、组合。这些实施方式和其变形包含在本发明范围和主旨中的同时,也包含在权利要求书中记载的发明以及与其均等的范围内。
Claims (10)
1.一种焊接工艺参数的生成方法,其特征在于,
通过机器学习而获得数据学习模型,并根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,
所述数据学习模型通过以下步骤获得:
步骤1,针对选定的焊接对象,选择不同的焊接工艺参数进行焊接,获得不同的焊接工艺参数下的焊缝形貌参数;以及
步骤2,使用将所述焊接工艺参数和与其相对应的所述焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
2.如权利要求1所述的焊接工艺参数的生成方法,其特征在于,
所述焊接工艺参数包括焊接速度、焊接电流、焊接电压、焊枪摆动频率、焊枪摆动振幅。
3.如权利要求1所述的焊接工艺参数的生成方法,其特征在于,
所述焊缝形貌参数包括基线上方高度、基线处宽度、基线上方区域大小、右缺区域大小、左缺区域大小。
4.如权利要求1所述的焊接工艺参数的生成方法,其特征在于,
在获得数据学习模型时,在焊接过程中拍摄熔池图像,根据所述熔池图像获取熔池特征参数,并将所述熔池特征参数与焊接工艺参数以及焊缝形貌参数相关联地增加到所述训练样本数据中。
5.如权利要求4所述的焊接工艺参数的生成方法,其特征在于,
所述熔池特征参数包括熔池宽度。
6.如权利要求1所述的焊接工艺参数的生成方法,其特征在于,
所述数据学习模型为焊缝形貌参数与焊接工艺参数之间的映射关系。
7.一种焊接工艺参数的生成装置,其特征在于,具备:
存储部,其储存有通过机器学习获得的数据学习模型;以及,
焊接工艺参数生成部,其根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,
所述数据学习模型通过以下步骤获得:
步骤1,针对选定的焊接对象,选择不同焊接工艺参数进行焊接,获得不同焊接工艺参数下的焊缝形貌参数;以及
步骤2,使用将焊接工艺参数和与其相对应的焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
8.一种焊接方法,其特征在于,
通过机器学习而获得数据学习模型,并根据输入的焊缝形貌参数,经由所述数据学习模型生成焊接工艺参数,使用所生成的所述焊接工艺参数进行焊接,
所述数据学习模型通过以下步骤获得:
步骤1,针对选定的焊接对象,选择不同焊接工艺参数进行焊接,获得不同焊接工艺参数下的焊缝形貌参数;以及
步骤2,使用将焊接工艺参数和与其相对应的焊缝形貌参数相关联起来的训练样本数据,通过机器学习,获得所述数据学习模型。
9.如权利要求8所述的焊接工艺参数的生成方法,其特征在于,
在获得数据学习模型时,在焊接过程中拍摄熔池图像,根据所述熔池图像获取熔池特征参数,并将所述熔池特征参数与焊接工艺参数以及焊缝形貌参数相关联地增加到所述训练样本数据中。
10.如权利要求9所述的焊接方法,其特征在于,
在焊接的过程中拍摄熔池图像,根据所述熔池图像获取熔池特征参数,并根据所述熔池特征参数经由所述数据学习模型调整所述焊接工艺参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096622.0A CN114357850A (zh) | 2020-10-14 | 2020-10-14 | 焊接工艺参数的生成方法、生成装置、以及焊接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096622.0A CN114357850A (zh) | 2020-10-14 | 2020-10-14 | 焊接工艺参数的生成方法、生成装置、以及焊接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357850A true CN114357850A (zh) | 2022-04-15 |
Family
ID=81089942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011096622.0A Pending CN114357850A (zh) | 2020-10-14 | 2020-10-14 | 焊接工艺参数的生成方法、生成装置、以及焊接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117506109A (zh) * | 2023-12-22 | 2024-02-06 | 广东工程职业技术学院 | 一种提高数字式超声波焊接电源焊接功率及稳定性的方法 |
-
2020
- 2020-10-14 CN CN202011096622.0A patent/CN114357850A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117506109A (zh) * | 2023-12-22 | 2024-02-06 | 广东工程职业技术学院 | 一种提高数字式超声波焊接电源焊接功率及稳定性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111014879B (zh) | 一种基于激光焊缝跟踪的机器人波纹板自动焊接方法 | |
CN105171289B (zh) | 变坡口宽度的中厚板多层多道焊接轨迹规划方法 | |
US20180361511A1 (en) | Method for quality control on laser peening correction of aero-engine support | |
JP7068950B2 (ja) | 溶接設計支援方法、及びプログラム | |
CN106994545B (zh) | 设定辅助装置以及设定辅助方法 | |
US11373262B2 (en) | Systems and methods for providing part quality confidence | |
CN111872589B (zh) | 焊接试验管控方法、系统、计算机存储介质和设备 | |
CN109029453A (zh) | 熔覆头姿态路径规划方法、装置、终端、存储介质及系统 | |
CN111797592A (zh) | 一种焊接工艺标注自动生成方法 | |
CN114633021A (zh) | 一种实时视觉采集的激光焊接方法及其装置 | |
CN114357850A (zh) | 焊接工艺参数的生成方法、生成装置、以及焊接方法 | |
CN117161582B (zh) | 一种基于计算机视觉的激光切割方法 | |
CN113894390A (zh) | 一种脉冲钨极氩弧焊熔透状态检测方系统、终端、介质 | |
CN113909636A (zh) | 焊接设备的控制方法、控制装置、处理器与焊接系统 | |
Tukahirwa et al. | Influence of Process Parameters in Gas-Metal Arc Welding (GMAW) of Carbon Steels | |
KR20170105103A (ko) | 설정 지원 장치, 설정 지원 방법 및 프로그램 | |
CN118342127A (zh) | 一种用于激光加工系统的参数自动导引方法及装置 | |
JP7238362B2 (ja) | 溶接ロボット | |
JP2014030841A (ja) | アーク倣い溶接方法および溶接装置 | |
JP2020028909A (ja) | 加工条件調整装置及び機械学習装置 | |
US10744583B2 (en) | Welding condition generating method in flat position welding | |
CN114683283B (zh) | 一种焊接机器人免示教焊接方法及装置 | |
CN117773953B (zh) | 汽车油箱焊接机械手的控制方法及系统 | |
CN118513722B (zh) | 一种焊接任务自动生成方法和系统 | |
Amiruddin et al. | Parameters optimization using factorial analysis method for Gas Metal Arc Welding (GMAW) process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220415 |