CN115285316A - 基于误差累积原理的船舶分段焊接变形动态补偿控制方法 - Google Patents

Abstract

本发明公开了一种基于误差累积原理的船舶分段焊接变形动态补偿控制方法，包括如下步骤：采集船舶分段焊接过程中多道焊接工艺参数以及每个参数对应的焊接变形量；以焊接工序的误差累积为基本原理，基于深度神经网络，构建分段焊件各工序逐层累积变形误差补偿模型；利用补偿模型得到补偿数据，通过模型误差补偿方法，采用累积补偿方式不断动态调整各焊接工序工艺参数，得到最优的焊接工序工艺参数。本发明可有效针对船舶分段焊接全过程进行动态参数调整，实现对焊接误差的补偿，得到最优的焊接工序工艺参数，有效控制焊接件的最终形变。

Description

基于误差累积原理的船舶分段焊接变形动态补偿控制方法

技术领域

本发明属于船舶分段焊接领域，具体涉及一种基于误差累积原理的船舶分段焊接变形动态补偿控制方法。

背景技术

焊缝的成形过程涉及到环境、设备、工艺、材料各方面因素的影响。其中又以工艺参数的影响最为明显，且各参数之间又会相互作用从而影响到焊缝的几何尺寸。对于焊接工艺参数焊接工艺参数的优化，传统的方法是使用DOE(Design ofExperiment)实验设计法，随着神经网络、人工智能、大数据等技术的发展，也逐渐应用到了焊接关系模型的建立中，与计算机技术的结合为研究两者之间的关系提供了新的方法与思路。

由于人神经网络(ANN)具有的非线性特点，能够集中处理大量的复杂信息。近年来已经被广泛应用于焊接接头性能预测、焊接工艺参数优化、焊缝成形预测、焊缝跟踪以及焊接缺陷的检测等方面。Manikya等人通过BP神经网络建立了GMAW焊中焊接工艺参数(送丝速度、脉冲频率、板厚和峰值电流)与焊缝几何成形之间的关系模型，并将该模型用于设计指导工艺参数的组合，从而得到预期的熔宽与熔深的比值。Parikshit等人分别建立了以回归分析法、BP神经网络以及遗传算法为基础的TIG焊的焊缝成形模型，通过对比发现后两种方法所建立的模型在性能以及精度上要比前者更加优秀。

而上述通过神经网络方法来优化焊接工艺参数的方法仅对单一焊接工艺出发，对于焊缝较多且焊接工艺复杂的焊接件会加大优化的难度，难以达到理想的效果。

发明内容

发明目的：为了克服焊接件在焊接工艺过程中不可避免的产生无规律形变等问题，提供一种基于误差累积原理的船舶分段焊接变形动态补偿控制方法，利用深度学习算法学习各个焊接工艺对焊接变形影响，从而得到最终焊接变形为零时的各个优化焊接工艺参数，通过本发明方法可有效针对船舶分段焊接全过程进行动态参数调整，实现对焊接误差的补偿，有效控制焊接件的最终形变。

技术方案：为实现上述目的，本发明提供一种基于误差累积原理的船舶分段焊接变形动态补偿控制方法，包括如下步骤：

S1：采集船舶分段焊接过程中多道焊接工艺参数以及每个参数对应的焊接变形量；

S2：以焊接工序的误差累积为基本原理，基于深度神经网络，构建分段焊件各工序逐层累积变形误差补偿模型；

S3：利用补偿模型得到补偿数据，通过模型误差补偿方法，采用累积补偿方式不断动态调整各焊接工序工艺参数，得到最优的焊接工序工艺参数。

进一步地，所述步骤S1中多道焊接工艺参数的采集方法为：

通过正交实验方法完成采集，焊接工艺参数包括焊接电流、焊接电压、焊接速度、和焊丝干伸长度。

焊接变形量的采集方法为：

分析焊接过程中不同焊接工艺参数对于焊缝成形尺寸、大小、形状的影响，得到实验数据，通过建立的深度神经网络模型对实验数据进行模拟分析得到每个参数对应的焊接变形量。

多道焊接工艺参数采集，通过正交实验方法完成，焊接的过程涉及到的因素有很多，且各因素又包含多种水平，如果使用全面实验法采集样本数据需要进行大量的实验，其耗费的成本以及人力过多。而如果任意选择样本数据，则缺乏合理的依据，容易导致实验结果的误差较大。因此实验的设计需要综合考虑实验的成本以及人力，且样本的选取要具有代表性，能够在一定程度上能够代表整体的分布。

将正交表记为L_n(S^r),其中n代表需要进行的实验次数，即总的样本个数，S表示每个因素的水平数，r表示水平S最多能选取的因素个数。若不考虑因素之间存在相互作用，则通过正交表中分析得到的S值应于在实验中测得的水平因素数相一致，且能够选取的最大因素数量值理论上应大于实际因素数。

进一步地，所述步骤S1中采用方差分析法来对实验数据进行分析，因实际实验获取焊接变形量存在困难，故通过正交实验法生成焊接变形时焊缝的数据，该部分主要是为了验证正交实验法生成的数据的合理性。具体步骤如下：

A1：计算平方和：平方和分为总平方和SS_T,组内平凡和SS_E以及组间平方和SS_A，计算公式如下：

SS_T＝∑X²-(G²/N)

其中，G表示所有数据值的总和，N表示总体的数据个数，X为生成的焊接变形量；

为数据总均值，T_i为每组的数据和，n_i为该组数据个数；

SS_A＝SS_T-SS_E

A2：计算自由度：三种平方和的df_T,df_E,df_A分别为总自由度、误差自由度、各因素自由度，其中k为该因素的水平数，

df_T＝N-1

df_E＝df_T-(∑df_A)

df_A＝k-1

A3：计算均方误差：

MS_E＝SS_E/df_E

MS_A＝SS_A/df_A

A4：计算F值：将计算好的F比与F分布表中对应的临界值的大小进行比较得到的F值，计算公式如下：

F＝MS_E/MS_A。

将计算得出F与临界值F₀进行比较，发现在实验过程中各因素水平对于实验结果影响较为显著，这与已有的经验相符合，证明了实验的合理性。同时也证明采用正交实验法可以在满足实验具体需求的前提下，减少实验的次数，在最大程度上节省了人力以及成本。

焊接变形量为通过正交实验法生成，步骤A1-A4部分是为计算验证生成数据的合理性，以生成的焊接变形数据验证后续变形控制方法的有效性。

进一步地，所述步骤S2中分段焊件各工序逐层累积变形误差补偿模型的构建方法为：

通过基于深度学习网络DNN对切割机参数以及相应焊接变形量进行网络参数训练，构建误差补偿模型，误差补偿模型的网络结构为多个线性的DNN模型，通过更改DNN模型的输入输出参数，以及不同DNN模型间的传递参数，构建完整的误差补偿模型，其中由输入层经中间层的计算公式为：

激活函数为Sigmoid函数：

进一步地，所述步骤S2中深度学习网络的构建包括：对于自适应补偿控制功能，通过DNN算法的反馈计算完成，通过定义输入与输出之间的损失函数来控制输出最小变形量，其中损失函数为：

其中，x为工序1的焊接机参数，包括焊接电流、焊接电压、焊接速度以及焊丝干伸长度，y为工序n的焊缝的成形尺寸，包括熔宽、熔深以及余高，||S||₂为S的L2范数。

进一步地，所述步骤S2中深度学习网络的网络参数以及焊接机参数的更新方法为：

工序间参数由前向激活函数进行关联，而为实现由最终变形反向调控中间工序参数的功能，定义了损失函数，由输出变形与各层参数间的损失值更新补偿网络参数以及焊接机参数；

更新过程如下公式所示：

其中，⊙为Hadamard积，

与

分别为补偿网络权重参数与偏置的偏微分项，由上述公式可计算得出更新后的网络权重及偏置项。

进一步地，所述步骤S2中深度学习网络中多个串联的DNN网络间的补偿网络参数的传递方法为：

传递项为焊接工序间的神经网络权重w及偏置项b，已现有网络为基础，提高下一焊接件补偿网络的训练速度，经多种焊接件的参数训练所获得的补偿网络将具有较高的适用性以及鲁棒性。

进一步地，所述步骤S3具体为：

将任一焊接件的所有焊缝形变作累加与目标形变量的差值作为补偿网络的代价函数，并通过随机梯度更新函数求解使代价函数获得最佳值时的过程变形量值，相关函数及求解过程如下公式所示：

其中，f_s为所有焊缝累加形变，f(x_i)为每个焊缝分别对应的变形；

f(x_i)＝g(θ_i)x_i

g(θ_i)为每条焊缝与上道焊接工序变形间的对应函数，θ_i为焊接参数；

其中，J(θ_i)为补偿算法的代价函数，y^(j)为真实变形量。

进一步地，所述步骤S3中，补偿算法的代价函数J(θ_i)的实现过程中具有以下梯度更新方式：

如上公式所示为通过梯度下降法同时求得满足条件的g(θ_i)值。

有益效果：本发明与现有技术相比，本发明从整体优化出发，对于多道焊接工序以及单道工序下焊缝较多的情况下，通过提出的深度学习网络构建焊接模型补偿网络，在提出的补偿算法下动态调整焊接机连续焊接任务下的焊接参数以及相关变形，以焊接件最终形变误差为目标函数，动态调整该目标下各焊缝的焊接参数，从而获得所有焊缝变形累加焊接件变形最小的目标，最终达到焊接工艺整体优化与焊接结果最佳的效果。

附图说明

图1为本发明动态补偿形变控制方法流程图；

图2为补偿模型的构建以及结构示意图；

图3为工件多道焊缝工艺实物图；

图4为由焊接件总变形动态调整各道焊接工艺参数原理图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供一种基于误差累积原理的船舶分段焊接变形动态补偿控制方法，参照图1，其包括如下步骤：

S1：采集船舶分段焊接过程中多道焊接工艺参数以及每个参数对应的焊接变形量；

S2：以焊接工序的误差累积为基本原理，基于深度神经网络，构建分段焊件各工序逐层累积变形误差补偿模型；

S3：利用补偿模型得到补偿数据，通过模型误差补偿方法，采用累积补偿方式不断动态调整各焊接工序工艺参数，得到最优的焊接工序工艺参数。

关于步骤S1：

多道焊接工艺参数的采集方法为：

通过正交实验方法完成采集，焊接工艺参数包括焊接电流、焊接电压、焊接速度、和焊丝干伸长度。

焊接变形量的采集方法为：

分析焊接过程中不同焊接工艺参数对于焊缝成形尺寸、大小、形状的影响，得到实验数据，通过建立的深度神经网络模型对实验数据进行模拟分析得到每个参数对应的焊接变形量。本实施例中焊接变形量数据是焊缝的成形尺寸：熔宽B、熔深H和余高a。

本实施例中多道焊接工艺参数采集，通过正交实验方法完成，焊接的过程涉及到的因素有很多，且各因素又包含多种水平，如果使用全面实验法采集样本数据需要进行大量的实验，其耗费的成本以及人力过多。而如果任意选择样本数据，则缺乏合理的依据，容易导致实验结果的误差较大。因此实验的设计需要综合考虑实验的成本以及人力，且样本的选取要具有代表性，能够在一定程度上能够代表整体的分布。

将正交表记为L_n(S^r),其中n代表需要进行的实验次数，即总的样本个数，S表示每个因素的水平数，r表示水平S最多能选取的因素个数。若不考虑因素之间存在相互作用，则通过正交表中分析得到的S值应于在实验中测得的水平因素数相一致，且能够选取的最大因素数量值理论上应大于实际因素数。

通过工艺过程分析可知，不同的工艺参数都会对机器人焊缝形成产生影响。查阅相关资料以及以往实验分析，本实施例中选择其中对焊接影响较大的四个因素，分别为焊接电流、焊接电压、焊接速度、以及焊丝干伸长度，分别用I、U、V和L表示，将这四个工艺参数作为实验因素，各因素的水平取值如表1所示。

表1

水平	I(A)	V(cm/min)	U(v)	L(mm)
					1	180	40	18	12
2	190	50	19	18
					3	200	60	20
4	210	70	21

本实施例进行实验的焊接材料选择港机、船舶制造中常用的Q235碳钢，实验采用的钢板尺寸为400mm×250mm×5mm，焊接保护气体为CO2，气体流量20L/min。焊枪焊接角度为90°，采用直流式焊接电源作为电弧源，焊接前使用工装夹具对待焊工件进行定位夹紧。焊接过程中，可以采用控制变量法，改变需要我们验证的几个参数值，即I、U、V以及长L等四个工艺参数，其他的参数默认为定量值，在实验过程中不予改动，在实验结束后需要比较熔宽B、熔深H和余高a来判断工艺参数对于结果影响的强弱。图3所示为焊接实验中成形的焊缝，经上述实验所得焊缝成形尺寸如附表2所示。

表2

本实施例中采用方差分析法来对实验数据进行分析，因实际实验获取焊接变形量存在困难，故通过正交实验法生成焊接变形时焊缝的数据，该部分主要是为了验证正交实验法生成的数据的合理性。具体步骤如下：

A1：计算平方和：平方和分为总平方和SS_T,组内平凡和SS_E以及组间平方和SS_A，计算公式如下：

SS_T＝∑X²-(G²/N)

其中，G表示所有数据值的总和，N表示总体的数据个数，X为生成的焊接变形量；

为数据总均值，T_i为每组的数据和，n_i为该组数据个数；

SS_A＝SS_T-SS_E

A2：计算自由度：三种平方和的df_T,df_E,df_A分别为总自由度、误差自由度、各因素自由度，其中k为该因素的水平数，

df_T＝N-1

df_E＝df_T-(∑df_A)

df_A＝k-1

A3：计算均方误差：

MS_E＝SS_E/df_E

MS_A＝SS_A/df_A

A4：计算F值：将计算好的F比与F分布表中对应的临界值的大小进行比较得到的F值，计算公式如下：

F＝MS_E/MS_A。

将计算得出F与临界值F₀进行比较，发现在实验过程中各因素水平对于实验结果影响较为显著，这与已有的经验相符合，证明了实验的合理性。同时也证明采用正交实验法可以在满足实验具体需求的前提下，减少实验的次数，在最大程度上节省了人力以及成本。

焊接变形量为通过正交实验法生成，步骤A1-A4部分是为计算验证生成数据的合理性，以生成的焊接变形数据验证后续变形控制方法的有效性。

关于步骤S2：

参照图2，分段焊件各工序逐层累积变形误差补偿模型的构建方法为：

通过基于深度学习网络DNN对切割机参数以及相应焊接变形量进行网络参数训练，构建误差补偿模型，误差补偿模型的网络结构为多个线性的DNN模型，通过更改DNN模型的输入输出参数，以及不同DNN模型间的传递参数，构建完整的误差补偿模型，其中由输入层经中间层的计算公式为：

激活函数为Sigmoid函数：

深度学习网络的构建包括：对于自适应补偿控制功能，通过DNN算法的反馈计算完成，通过定义输入与输出之间的损失函数来控制输出最小变形量，其中损失函数为：

其中，x为工序1的焊接机参数，包括焊接电流、焊接电压、焊接速度以及焊丝干伸长度，y为工序n的焊缝的成形尺寸，包括熔宽、熔深以及余高，||S||₂为S的L2范数。

深度学习网络的网络参数以及焊接机参数的更新方法为：

如图2中由n道焊接工序所组成的焊接件x₁的自适应补偿神经网络，其工序间参数由上述前向激活函数进行关联，而为实现由最终变形反向调控中间工序参数的功能，定义了损失函数，由输出变形与各层参数间的损失值更新补偿网络参数以及焊接机参数；

更新过程如下公式所示：

其中，⊙为Hadamard积，

与

分别为补偿网络权重参数与偏置的偏微分项，由上述公式可计算得出更新后的网络权重及偏置项。

深度学习网络中多个串联的DNN网络间的补偿网络参数的传递方法为：

传递项为焊接工序间的神经网络权重w及偏置项b，已现有网络为基础，提高下一焊接件补偿网络的训练速度，经多种焊接件的参数训练所获得的补偿网络将具有较高的适用性以及鲁棒性。

关于步骤S3：

焊接件多道焊缝变形误差累加使焊接件整体变形最小的方法，如图4所示的补偿网络模型所示，将任一焊接件的所有焊缝形变作累加与目标形变量的差值作为补偿网络的代价函数，并通过随机梯度更新函数求解使代价函数获得最佳值时的过程变形量值，相关函数及求解过程如下公式所示：

其中，f_s为所有焊缝累加形变，f(x_i)为每个焊缝分别对应的变形；

f(x_i)＝g(θ_i)x_i

g(θ_i)为每条焊缝与上道焊接工序变形间的对应函数，θ_i为焊接参数；

其中，J(θ_i)为补偿算法的代价函数，y^(j)为真实变形量。

补偿算法的代价函数J(θ_i)的实现过程中具有以下梯度更新方式：

如上公式所示为通过梯度下降法同时求得满足条件的g(θ_i)值。

通过上述实施步骤所获得的分段焊接变形动态补偿网络能动态调整分段焊接过程中各道焊接工艺参数的值，从而达到获得最小焊接变形尺寸的目的。

Claims (10)

1.基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，包括如下步骤：

S1：采集船舶分段焊接过程中多道焊接工艺参数以及每个参数对应的焊接变形量；

S2：以焊接工序的误差累积为基本原理，基于深度神经网络，构建分段焊件各工序逐层累积变形误差补偿模型；

S3：利用补偿模型得到补偿数据，通过模型误差补偿方法，采用累积补偿方式不断动态调整各焊接工序工艺参数，得到最优的焊接工序工艺参数。

2.根据权利要求1所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S1中多道焊接工艺参数的采集方法为：

通过正交实验方法完成采集，焊接工艺参数包括焊接电流、焊接电压、焊接速度、和焊丝干伸长度。

3.根据权利要求2所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S1中焊接变形量的采集方法为：

分析焊接过程中不同焊接工艺参数对于焊缝成形尺寸、大小、形状的影响，得到实验数据，通过建立的深度神经网络模型对实验数据进行模拟分析得到每个参数对应的焊接变形量。

4.根据权利要求3所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S1中采用方差分析法来对实验数据进行分析，具体步骤如下：

A1：计算平方和：平方和分为总平方和SS_T，组内平凡和SS_E以及组间平方和SS_A，计算公式如下：

SS_T＝ΣX²-(G²/N)

其中，G表示所有数据值的总和，N表示总体的数据个数，X为生成的焊接变形量；

为数据总均值，T_i为每组的数据和，n_i为该组数据个数；

SS_A＝SS_T-SS_E

A2：计算自由度：三种平方和的df_T，df_E，df_A分别为总自由度、误差自由度、各因素自由度，其中k为该因素的水平数，

df_T＝N-1

df_E＝df_T-(∑df_A)

df_A＝k-1

A3：计算均方误差：

MS_E＝SS_E/df_E

MS_A＝SS_A/df_A

A4：计算F值：将计算好的F比与F分布表中对应的临界值的大小进行比较得到的F值，计算公式如下：

F＝MS_E/MS_A。

5.根据权利要求1所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S2中分段焊件各工序逐层累积变形误差补偿模型的构建方法为：

通过基于深度学习网络DNN对切割机参数以及相应焊接变形量进行网络参数训练，构建误差补偿模型，误差补偿模型的网络结构为多个线性的DNN模型，通过更改DNN模型的输入输出参数，以及不同DNN模型间的传递参数，构建完整的误差补偿模型，其中由输入层经中间层的计算公式为：

激活函数为Sigmoid函数：

6.根据权利要求5所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S2中深度学习网络的构建包括：对于自适应补偿控制功能，通过DNN算法的反馈计算完成，通过定义输入与输出之间的损失函数来控制输出最小变形量，其中损失函数为：

其中，x为工序1的焊接机参数，包括焊接电流、焊接电压、焊接速度以及焊丝干伸长度，y为工序n的焊缝的成形尺寸，包括熔宽、熔深以及余高，||S||₂为S的L2范数。

7.根据权利要求6所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S2中深度学习网络的网络参数以及焊接机参数的更新方法为：

工序间参数由前向激活函数进行关联，而为实现由最终变形反向调控中间工序参数的功能，定义了损失函数，由输出变形与各层参数间的损失值更新补偿网络参数以及焊接机参数；

更新过程如下公式所示：

其中，⊙为Hadamard积，

与

分别为补偿网络权重参数与偏置的偏微分项，由上述公式可计算得出更新后的网络权重及偏置项。

8.根据权利要求7所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S2中深度学习网络的补偿网络参数的传递方法为：

传递项为焊接工序间的神经网络权重w及偏置项b。

9.根据权利要求1所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S3具体为：

将任一焊接件的所有焊缝形变作累加与目标形变量的差值作为补偿网络的代价函数，并通过随机梯度更新函数求解使代价函数获得最佳值时的过程变形量值，相关函数及求解过程如下公式所示：

其中，f_s为所有焊缝累加形变，f(x_i)为每个焊缝分别对应的变形；

f(x_i)＝g(θ_i)x_i

g(θ_i)为每条焊缝与上道焊接工序变形间的对应函数，θ_i为焊接参数；

其中，J(θ_i)为补偿算法的代价函数，y^(j)为真实变形量。

10.根据权利要求9所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S3中，补偿算法的代价函数J(θ_i)的实现过程中具有以下梯度更新方式：

如上公式所示为通过梯度下降法同时求得满足条件的g(θ_i)值。

Images