CN116441662A - 一种多自由度智能焊接切割控制方法及系统 - Google Patents
一种多自由度智能焊接切割控制方法及系统 Download PDFInfo
- Publication number
- CN116441662A CN116441662A CN202310696391.4A CN202310696391A CN116441662A CN 116441662 A CN116441662 A CN 116441662A CN 202310696391 A CN202310696391 A CN 202310696391A CN 116441662 A CN116441662 A CN 116441662A
- Authority
- CN
- China
- Prior art keywords
- welding
- wire
- wire feeding
- characteristic
- information
- 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
Links
- 238000003466 welding Methods 0.000 title claims abstract description 473
- 238000005520 cutting process Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000000463 material Substances 0.000 claims abstract description 40
- 239000002184 metal Substances 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims description 67
- 238000002844 melting Methods 0.000 claims description 41
- 230000008018 melting Effects 0.000 claims description 41
- 230000000875 corresponding effect Effects 0.000 claims description 38
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000010008 shearing Methods 0.000 claims description 16
- 239000010953 base metal Substances 0.000 claims description 13
- 230000001276 controlling effect Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 15
- 239000013598 vector Substances 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 9
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- B23K3/00—Tools, devices, or special appurtenances for soldering, e.g. brazing, or unsoldering, not specially adapted for particular methods
- B23K3/06—Solder feeding devices; Solder melting pans
- B23K3/0607—Solder feeding devices
- B23K3/063—Solder feeding devices for wire feeding
-
- 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
- B23K3/00—Tools, devices, or special appurtenances for soldering, e.g. brazing, or unsoldering, not specially adapted for particular methods
- B23K3/08—Auxiliary devices therefor
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多自由度智能焊接切割控制方法及系统,涉及焊接控制领域,其中,所述方法包括:获取送丝控制参数,送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数;生成送丝区域特征;根据被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;根据送丝区域特征和熔敷金属密度参数对焊丝直径参数、焊丝长度参数和送丝角度参数进行优化,生成送丝控制优化结果;根据送丝控制优化结果控制送丝机器人进行送丝切割控制。解决了现有技术中缺乏结合焊接场景进行自适应调整的切割控制方案等技术问题。达到了制定结合焊接场景进行自适应调整的切割控制方案,提升焊接切割控制质量等技术效果。
Description
技术领域
本发明涉及焊接控制领域,具体地,涉及一种多自由度智能焊接切割控制方法及系统。
背景技术
焊丝切割、剪脚切割是自动化焊接切割的重要控制环节。现有技术中,存在缺乏结合焊接场景进行自适应调整的切割控制方案,以及焊接切割控制的精确度低、灵活性差、自由度不高的技术问题。研究设计一种对焊接切割控制进行优化的方法,具有十分重要的现实意义。
发明内容
本申请提供了一种多自由度智能焊接切割控制方法及系统。解决了现有技术中缺乏结合焊接场景进行自适应调整的切割控制方案,以及焊接切割控制的精确度低、灵活性差、自由度不高的技术问题。达到了制定结合焊接场景进行自适应调整的切割控制方案,提高焊接切割控制的精确度、灵活性、自由度,提升焊接切割控制质量的技术效果。
鉴于上述问题,本申请提供了一种多自由度智能焊接切割控制方法及系统。
第一方面,本申请提供了一种多自由度智能焊接切割控制方法,其中,所述方法应用于一种多自由度智能焊接切割控制系统,所述系统包括送丝机器人、剪脚机器人,所述方法包括:接收焊接需求信息,其中,所述焊接需求信息包括被焊件焊接面图像信息和被焊件型号信息;获取送丝控制参数,其中,所述送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数;对所述被焊件焊接面图像信息进行图像处理,生成送丝区域特征;根据所述被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;根据所述送丝区域特征和所述熔敷金属密度参数对所述焊丝直径参数、所述焊丝长度参数和所述送丝角度参数进行优化,生成送丝控制优化结果;根据所述送丝控制优化结果控制所述送丝机器人进行送丝切割控制。
第二方面,本申请还提供了一种多自由度智能焊接切割控制系统,其中,所述系统包括送丝机器人、剪脚机器人,所述系统还包括:焊接需求接收模块,所述焊接需求接收模块用于接收焊接需求信息,其中,所述焊接需求信息包括被焊件焊接面图像信息和被焊件型号信息;送丝控制参数获取模块,所述送丝控制参数获取模块用于获取送丝控制参数,其中,所述送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数;图像处理模块,所述图像处理模块用于对所述被焊件焊接面图像信息进行图像处理,生成送丝区域特征;材料分析模块,所述材料分析模块用于根据所述被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;参数优化模块,所述参数优化模块用于根据所述送丝区域特征和所述熔敷金属密度参数对所述焊丝直径参数、所述焊丝长度参数和所述送丝角度参数进行优化,生成送丝控制优化结果;送丝切割控制模块,所述送丝切割控制模块用于根据所述送丝控制优化结果控制所述送丝机器人进行送丝切割控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过对被焊件焊接面图像信息进行图像处理,生成送丝区域特征;通过对被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;通过送丝区域特征和熔敷金属密度参数对焊丝直径参数、焊丝长度参数和送丝角度参数进行优化,生成送丝控制优化结果,并按照送丝控制优化结果控制送丝机器人进行送丝切割控制。达到了制定结合焊接场景进行自适应调整的切割控制方案,提高焊接切割控制的精确度、灵活性、自由度,提升焊接切割控制质量的技术效果。
上述说明仅是本申请技术方案的概述,并且为了让本申请的技术方案和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单的介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种多自由度智能焊接切割控制方法的流程示意图;
图2为本申请一种多自由度智能焊接切割控制方法中生成送丝区域特征的流程示意图;
图3为本申请一种多自由度智能焊接切割控制方法中对超出剪脚触发边界的管脚进行切割的流程示意图;
图4为本申请一种多自由度智能焊接切割控制系统的结构示意图。
附图标记说明:焊接需求接收模块11,送丝控制参数获取模块12,图像处理模块13,材料分析模块14,参数优化模块15,送丝切割控制模块16。
具体实施方式
本申请通过提供一种多自由度智能焊接切割控制方法及系统。解决了现有技术中缺乏结合焊接场景进行自适应调整的切割控制方案,以及焊接切割控制的精确度低、灵活性差、自由度不高的技术问题。达到了制定结合焊接场景进行自适应调整的切割控制方案,提高焊接切割控制的精确度、灵活性、自由度,提升焊接切割控制质量的技术效果。
实施例一
请参阅附图1,本申请提供一种多自由度智能焊接切割控制方法,其中,所述方法应用于一种多自由度智能焊接切割控制系统,所述系统包括送丝机器人、剪脚机器人,所述方法具体包括如下步骤:
步骤S100:接收焊接需求信息,其中,所述焊接需求信息包括被焊件焊接面图像信息和被焊件型号信息;
步骤S200:获取送丝控制参数,其中,所述送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数;
具体而言,连接所述一种多自由度智能焊接切割控制系统,通过所述一种多自由度智能焊接切割控制系统进行焊接需求参数接收、送丝控制参数采集,获得焊接需求信息、送丝控制参数。其中,所述焊接需求信息包括被焊件焊接面图像信息和被焊件型号信息。被焊件焊接面图像信息包括被焊件的焊接面图像数据。所述送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数。达到了确定焊接需求信息、送丝控制参数,为后续进行送丝控制优化奠定基础的技术效果。
步骤S300:对所述被焊件焊接面图像信息进行图像处理,生成送丝区域特征;
进一步的,如附图2所示,本申请步骤S300还包括:
步骤S310:根据所述被焊件型号信息,调取被焊件焊接生产工艺图,其中,所述被焊件焊接生产工艺图包括多个标记焊接区域和多个焊接区域几何特征;
具体而言,基于被焊件型号信息对所述一种多自由度智能焊接切割控制系统进行被焊件焊接生产工艺图调取。其中,被焊件焊接生产工艺图包括多个标记焊接区域和多个焊接区域几何特征。每个标记焊接区域包括与被焊件型号信息相同的历史被焊件对应的历史焊接面图像数据。每个焊接区域几何特征包括每个标记焊接区域对应的历史焊接面的尺寸、形状、面积等几何参数信息。达到了确定被焊件焊接生产工艺图,为后续对被焊件焊接面图像信息进行相似度评估提供数据支持的技术效果。
步骤S320:遍历所述多个标记焊接区域对所述被焊件焊接面图像信息进行相似度评估,获取区域相似度大于或等于相似度阈值的多个焊接区域匹配结果;
进一步地,本申请步骤S320还包括:
步骤S321:对所述被焊件焊接生产工艺图进行ORB特征提取,获取第一ORB特征;
步骤S322:对所述被焊件焊接面图像信息进行ORB特征提取,获取第二ORB特征;
步骤S323:根据所述第一ORB特征和所述第二ORB特征,对所述被焊件焊接生产工艺图和所述被焊件焊接面图像信息进行特征区域关联,生成多组特征区域关联结果,其中,所述多组特征区域关联结果的任意一组包括ORB特征相似度最高的标记焊接区域和焊接区域匹配结果;
具体而言,通过ORB算法,遍历被焊件焊接生产工艺图进行ORB特征提取,获取第一ORB特征。其中,ORB算法可以用来对图像中的关键点构建特征向量,这些特征向量可以用来识别图像中的对象。ORB算法包括特征检测算法和向量创建算法。示例性地,在通过ORB算法遍历被焊件焊接生产工艺图进行ORB特征提取时,通过特征检测算法快速查找被焊件焊接生产工艺图中的每个标记焊接区域的多个角点,再通过向量创建算法对这多个角点构建多个特征向量。多个角点为每个标记焊接区域中的多个关键点,多个关键点包括每个标记焊接区域中突出的多个小区域,这多个小区域具有像素值急剧从浅色变为深色等特征。第一ORB特征包括被焊件焊接生产工艺图中的多个标记焊接区域对应的多个区域ORB特征集合。每个区域ORB特征集合包括每个标记焊接区域内的多个角点对应的多个特征向量。
进一步,通过ORB算法对被焊件焊接面图像信息进行ORB特征提取,获取第二ORB特征。所述第二ORB特征包括多个ORB特征向量。每个ORB特征向量包括被焊件焊接面图像信息中的每个角点对应的特征向量。继而,基于第一ORB特征和第二ORB特征,将被焊件焊接生产工艺图和被焊件焊接面图像信息进行特征区域关联,获得多组特征区域关联结果。其中,每组特征区域关联结果包括ORB特征相似度最高的标记焊接区域和焊接区域匹配结果。
示例性地,在获得多组特征区域关联结果时,分别将第二ORB特征中的每个ORB特征向量设置为第一目标ORB特征向量。将第一目标ORB特征向量与第一ORB特征中的每个特征向量进行相似度分析,获得多个ORB特征相似度。每个ORB特征相似度包括第一目标ORB特征向量与第一ORB特征中的每个特征向量之间的相似度参数。基于多个ORB特征相似度进行筛选,确定最大ORB特征相似度,并基于最大ORB特征相似度对被焊件焊接生产工艺图、被焊件焊接面图像信息进行标识,获得第一组特征区域关联结果,并将第一组特征区域关联结果添加至多组特征区域关联结果中。第一组特征区域关联结果包括ORB特征相似度最高的标记焊接区域和焊接区域匹配结果。ORB特征相似度最高的标记焊接区域包括最大ORB特征相似度对应的被焊件焊接生产工艺图中的标记焊接区域。焊接区域匹配结果包括最大ORB特征相似度对应的标记焊接区域中的图像信息,以及最大ORB特征相似度对应的被焊件焊接面图像信息中的图像信息。
达到了通过ORB算法对被焊件焊接生产工艺图和被焊件焊接面图像信息进行特征区域关联,生成可靠的多组特征区域关联结果,从而提高对被焊件焊接面图像信息进行送丝区域特征分析的准确性的技术效果。
步骤S324:遍历所述多组特征区域关联结果进行图像相似度分析,获取多个区域相似度;
进一步地,本申请步骤S324还包括:
步骤S3241:获取焊件焊接面图像集进行特征标识,获取焊接面特征标识信息;
步骤S3242:基于卷积神经网络,调取所述焊件焊接面图像集和所述焊接面特征标识信息进行有监督训练,获取第一特征提取模块,其中,所述第一特征提取模块训练时所述焊件焊接面图像集和所述焊接面特征标识信息的任意一组的权重相同;
步骤S3243:根据所述第一特征提取模块,获取输出准确率低于准确率阈值的所述焊件焊接面图像集和所述焊接面特征标识信息,设为第一损失数据集;
步骤S3244:提升所述第一损失数据集在原始数据集中的权重,基于卷积神经网络进行有监督训练,获取第二特征提取模块;
步骤S3245:重复训练,直到第N特征提取模块的输出准确率低于准确率阈值的所述焊件焊接面图像集和所述焊接面特征标识信息的数据量小于收敛数量阈值,将所述第一特征提取模块、所述第二特征提取模块直到所述第N特征提取模块合并,生成特征提取模型;
步骤S3246:根据所述特征提取模型对所述多组特征区域关联结果的任意一组进行图像相似度分析,获取所述多个区域相似度。
步骤S325:获取所述多个区域相似度的任意一个大于或等于所述相似度阈值的所述多个焊接区域匹配结果。
步骤S330:将所述多个焊接区域匹配结果和所述多个焊接区域几何特征关联存储,添加进所述送丝区域特征。
具体而言,基于大数据进行被焊件焊接面图像采集,获得焊件焊接面图像集,并对焊件焊接面图像集进行特征标识,获取焊接面特征标识信息。其中,所述焊件焊接面图像集包括多个历史被焊件焊接面图像数据。所述焊接面特征标识信息包括多个图像特征标识数据。每个图像特征标识数据包括每个历史被焊件焊接面图像数据对应的尺寸、形状、灰度等特征信息。
进一步,基于焊件焊接面图像集和焊接面特征标识信息,获得多组样本数据。每组样本数据包括历史被焊件焊接面图像数据、历史图像特征标识数据。基于卷积神经网络,对多组样本数据进行有监督训练,获取第一特征提取模块和第一损失数据集。其中,卷积神经网络是一类包含卷积计算,且具有深度结构的前馈神经网络。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。有监督训练是机器学习中的一种监督学习方法。有监督训练的主要目标是利用一组带标签的数据,学习从输入到输出的映射,然后将这种映射关系应用到未知数据上,达到分类或者回归的目的。且,第一特征提取模块训练时,焊件焊接面图像集和焊接面特征标识信息的任意一组的权重相同,即,第一特征提取模块训练时,每组样本数据的权重相同,每组样本数据的权重均为1与样本数量的比值。样本数量包括每组样本数据内的样本数量之和。第一损失数据集包括输出准确率低于准确率阈值的焊件焊接面图像集和焊接面特征标识信息。即,第一损失数据集包括输出准确率低于准确率阈值的多组样本数据。所述准确率阈值包括预先设置确定的第一特征提取模块的输出准确率阈值信息。
进一步,提升第一损失数据集在原始数据集中的权重,即,原始数据集包括多组样本数据。基于第一损失数据集进行损失样本准确率查询,获得多个损失样本准确率。多个损失样本准确率包括第一损失数据集中的多组样本数据对应的多个输出准确率。将多个损失样本准确率进行加和,获得损失样本总准确率。分别将多个损失样本准确率与损失样本总准确率进行比值计算,获得多个损失样本准确率占比。将1与多个损失样本准确率占比进行减法计算,获得多个样本提升权重。继而,基于多个样本提升权重,通过卷积神经网络对多组样本数据进行有监督训练,获取第二特征提取模块。
进一步,基于卷积神经网络对多组样本数据进行重复训练,直到第N特征提取模块的输出准确率低于准确率阈值,且,第N特征提取模块对应的损失数据集的数据量小于收敛数量阈值时,将第一特征提取模块、第二特征提取模块……第N特征提取模块进行合并,获得特征提取模型。其中,对多组样本数据进行重复训练的方式与第一特征提取模块、第二特征提取模块的训练方式相同,为了说明书的简洁,在此不再赘述。所述收敛数量阈值包括预先设置确定的损失数据集的数据量阈值。所述特征提取模型包括N个特征提取模块。N个特征提取模块为第一特征提取模块、第二特征提取模块……第N特征提取模块。且,N个特征提取模块的模型结构相同,即,每个特征提取模块具有多个神经元节点。N个特征提取模块的神经元节点数相同。分别对N个特征提取模块对应的N个损失数据集进行数据量统计,获得N个损失数据量。将N个损失数据量进行加和,获得总损失数据量。分别将N个损失数据量与总损失数据量进行比值计算,获得N个损失数据占比。分别将1与N个损失数据占比进行减法计算,获得N个节点合并权重。对每个特征提取模块进行神经元节点随机选择,获得第一神经元节点,并确定第一神经元节点对应的N个特征提取模块的N个已知训练权重。将第一神经元节点对应的节点合并权重与N个已知训练权重进行乘法计算,获得N个特征权重。将N个特征权重的平均值作为第一神经元节点的组合权重。重复处理N个特征提取模块的所有神经元节点,获得所有神经元节点对应的所有组合权重,并按照所有组合权重进行N个特征提取模块进行合并,得到最终的特征提取模型。
进一步,将多组特征区域关联结果输入特征提取模型,获得多个特征标识信息。每个特征标识信息包括每组特征区域关联结果中的标记焊接区域对应的尺寸、形状、灰度等特征信息,以及每组特征区域关联结果中的被焊件焊接面图像信息对应的尺寸、形状、灰度等特征信息。基于多个特征标识信息进行图像相似度分析,获取多个区域相似度。特征标识信息中,标记焊接区域对应的尺寸、形状、灰度等特征信息与被焊件焊接面图像信息对应的尺寸、形状、灰度等特征信息之间的差异度越小,对应的该特征标识信息的区域相似度越高。继而,将大于或等于相似度阈值的多个区域相似度对应的多个焊接区域匹配结果与多个焊接区域几何特征进行关联存储,获得送丝区域特征。其中,所述相似度阈值包括预先设置确定的区域相似度阈值信息。所述送丝区域特征包括大于或等于相似度阈值的多个区域相似度对应的多个焊接区域匹配结果,以及这多个焊接区域匹配结果对应的多个焊接区域几何特征。
达到了通过特征提取模型对多组特征区域关联结果的任意一组进行图像相似度分析,获取多个区域相似度,并根据多个区域相似度将焊接区域匹配结果和焊接区域几何特征进行关联存储,确定可靠的送丝区域特征,从而提高焊接切割控制的精确性的技术效果。
步骤S400:根据所述被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;
进一步地,本申请步骤S400还包括:
步骤S410:根据所述被焊件型号信息,获取被焊件密度参数,根据所述焊丝材料信息,获取焊丝密度参数;
步骤S420:根据所述送丝区域特征,匹配历史焊接记录数据,其中,所述历史焊接记录数据包括母材熔化量均值和焊丝熔化量均值;
步骤S430:加和所述母材熔化量均值和所述焊丝熔化量均值,获取熔化量总和;
步骤S440:计算所述母材熔化量均值在所述熔化量总和的占比,设为第一权重,计算所述焊丝熔化量均值在所述熔化量总和的占比,设为第二权重;
步骤S450:根据所述第一权重对所述被焊件密度参数进行赋权,根据所述第二权重对所述焊丝密度参数进行赋权进行均值计算,获取所述熔敷金属密度参数。
具体而言,被焊件型号信息包括被焊件密度参数。焊丝材料信息包括焊丝密度参数。基于送丝区域特征进行历史焊接记录数据的匹配。其中,所述历史焊接记录数据包括与送丝区域特征相同的多个历史送丝区域特征对应的多个历史焊接数据信息。每个历史焊接数据信息包括母材熔化量均值和焊丝熔化量均值。
进一步,分别对历史焊接记录数据中的多个历史焊接数据信息进行加和计算,获得熔化量总和、母材熔化量总和、焊丝熔化量总和。母材熔化量总和包括历史焊接记录数据中的多个母材熔化量均值之和。焊丝熔化量总和包括历史焊接记录数据中的多个焊丝熔化量均值之和。将母材熔化量总和、焊丝熔化量总和进行加和计算,获得熔化量总和。继而,将母材熔化量总和与熔化量总和之间的比值输出为第一权重,将焊丝熔化量总和与熔化量总和之间的比值输出为第二权重。继而,将第一权重与被焊件密度参数进行乘法计算,获得赋权被焊件密度参数。将第二权重与焊丝密度参数进行乘法计算,获得赋权焊丝密度参数。将赋权被焊件密度参数、赋权焊丝密度参数的平均值输出为熔敷金属密度参数。达到了通过对被焊件型号信息和焊丝材料信息进行材料分析,获取准确的熔敷金属密度参数,从而提高送丝控制优化的适应度、可靠性的技术效果。
步骤S500:根据所述送丝区域特征和所述熔敷金属密度参数对所述焊丝直径参数、所述焊丝长度参数和所述送丝角度参数进行优化,生成送丝控制优化结果;
进一步地,本申请步骤S500还包括:
步骤S510:以所述被焊件型号信息,所述焊丝材料信息,所述送丝区域特征和所述熔敷金属密度参数为场景特征,筛选多个焊接厂家相同焊接场景下的焊接加工记录数据和焊点图像记录数据,其中,所述焊接加工记录数据包括焊丝直径特征值、焊丝长度特征值和送丝角度特征值;
步骤S520:获取标准焊点图像信息,其中,所述标准焊点图像信息为预设的合格的焊接样品的焊点图像;
步骤S530:遍历所述焊点图像记录数据与所述标准焊点图像信息进行图像相似度评估,获取焊点相似度最大值对应的所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值,设为所述送丝控制优化结果;
步骤S540:当所述焊点相似度最大值对应的所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值为多组时,将多组所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值发送至焊接控制客户端进行选择,获取所述送丝控制优化结果。
步骤S600:根据所述送丝控制优化结果控制所述送丝机器人进行送丝切割控制。
具体而言,将被焊件型号信息、焊丝材料信息、送丝区域特征和熔敷金属密度参数设置为场景特征,基于场景特征筛选多个焊接厂家在相同焊接场景下的焊接记录,确定焊接加工记录数据和焊点图像记录数据。所述焊接加工记录数据包括多个焊接场景加工记录数据。每个焊接场景加工记录数据包括焊丝直径特征值、焊丝长度特征值和送丝角度特征值。焊丝直径特征值、焊丝长度特征值、送丝角度特征值包括场景特征对应的历史焊接场景的历史焊丝直径、历史焊丝长度、历史送丝角度。所述焊点图像记录数据包括多个场景焊点图像数据。每个场景焊点图像数据包括每个焊接场景加工记录数据对应的历史焊点图像信息。
进一步,基于大数据查询,确定标准焊点图像信息。将焊点图像记录数据中的每个场景焊点图像数据与标准焊点图像信息进行图像相似度评估,获得多个焊点相似度。标准焊点图像信息为预设的合格的焊接样品的焊点图像。焊点相似度是用于表征场景焊点图像数据与标准焊点图像信息之间的焊点相似度的数据信息。场景焊点图像数据与标准焊点图像信息之间的焊点相似度越高,对应的焊点相似度越大。继而,对多个焊点相似度进行筛选,确定焊点相似度最大值,将焊点相似度最大值对应的焊丝直径特征值、焊丝长度特征值和送丝角度特征值设置为送丝控制优化结果。当焊点相似度最大值对应的焊丝直径特征值、焊丝长度特征值和送丝角度特征值为多组时,将多组焊丝直径特征值、多组焊丝长度特征值和多组送丝角度特征值发送至焊接控制客户端进行选择,获取送丝控制优化结果。焊接控制客户端与所述一种多自由度智能焊接切割控制系统通信连接。当多组焊丝直径特征值、多组焊丝长度特征值和多组送丝角度特征值发送至焊接控制客户端时,用户在焊接控制客户端对多组焊丝直径特征值、多组焊丝长度特征值和多组送丝角度特征值进行自适应选择,确定送丝控制优化结果。继而,将送丝控制优化结果发送至送丝机器人,按照送丝控制优化结果控制送丝机器人进行送丝切割控制。达到了制定结合焊接场景进行自适应调整的切割控制方案,提高焊接切割控制质量的技术效果。
进一步的,如附图2所示,本申请步骤S600之后,还包括:
步骤S710:采集焊件焊接图像特征信息,其中,所述焊件焊接图像特征信息包括焊点定位信息;
步骤S720:以所述焊点定位信息为起点,基于管脚尺寸阈值标记剪脚触发边界;
步骤S730:当管脚超出所述剪脚触发边界时,控制所述剪脚机器人对超出所述剪脚触发边界的管脚进行切割。
具体而言,采集完成焊接的被焊件的图像信息,获得焊件焊接图像特征信息。所述焊件焊接图像特征信息包括完成焊接的被焊件的图像信息、焊点定位信息。焊点定位信息包括完成焊接的被焊件的图像信息中的多个焊点定位参数。继而,将焊点定位信息作为起点,根据管脚尺寸阈值标记剪脚触发边界。当管脚超出剪脚触发边界时,控制剪脚机器人对超出剪脚触发边界的管脚进行切割。其中,管脚又称引脚,管脚为被焊件的内部电路与外围电路的接线。所述管脚尺寸阈值包括预先设置确定的被焊件的管脚长度阈值。所述剪脚触发边界包括焊点定位信息、剪脚触发边界对应的被焊件的区域信息。达到了通过剪脚机器人对超出剪脚触发边界的管脚进行适应性切割,提高焊接切割控制的全面性、灵活性的技术效果。
综上所述,本申请所提供的一种多自由度智能焊接切割控制方法具有如下技术效果:
1.通过对被焊件焊接面图像信息进行图像处理,生成送丝区域特征;通过对被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;通过送丝区域特征和熔敷金属密度参数对焊丝直径参数、焊丝长度参数和送丝角度参数进行优化,生成送丝控制优化结果,并按照送丝控制优化结果控制送丝机器人进行送丝切割控制。达到了制定结合焊接场景进行自适应调整的切割控制方案,提高焊接切割控制的精确度、灵活性、自由度,提升焊接切割控制质量的技术效果。
2.通过ORB算法对被焊件焊接生产工艺图和被焊件焊接面图像信息进行特征区域关联,生成可靠的多组特征区域关联结果,从而提高对被焊件焊接面图像信息进行送丝区域特征分析的准确性。
3.通过对被焊件型号信息和焊丝材料信息进行材料分析,获取准确的熔敷金属密度参数,从而提高送丝控制优化的适应度、可靠性。
实施例二
基于与前述实施例中一种多自由度智能焊接切割控制方法,同样发明构思,本发明还提供了一种多自由度智能焊接切割控制系统,所述系统包括送丝机器人、剪脚机器人,请参阅附图4,所述系统还包括:
焊接需求接收模块11,所述焊接需求接收模块11用于接收焊接需求信息,其中,所述焊接需求信息包括被焊件焊接面图像信息和被焊件型号信息;
送丝控制参数获取模块12,所述送丝控制参数获取模块12用于获取送丝控制参数,其中,所述送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数;
图像处理模块13,所述图像处理模块13用于对所述被焊件焊接面图像信息进行图像处理,生成送丝区域特征;
材料分析模块14,所述材料分析模块14用于根据所述被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;
参数优化模块15,所述参数优化模块15用于根据所述送丝区域特征和所述熔敷金属密度参数对所述焊丝直径参数、所述焊丝长度参数和所述送丝角度参数进行优化,生成送丝控制优化结果;
送丝切割控制模块16,所述送丝切割控制模块16用于根据所述送丝控制优化结果控制所述送丝机器人进行送丝切割控制。
进一步地,所述系统还包括:
工艺图调取模块,所述工艺图调取模块用于根据所述被焊件型号信息,调取被焊件焊接生产工艺图,其中,所述被焊件焊接生产工艺图包括多个标记焊接区域和多个焊接区域几何特征;
相似度评估模块,所述相似度评估模块用于遍历所述多个标记焊接区域对所述被焊件焊接面图像信息进行相似度评估,获取区域相似度大于或等于相似度阈值的多个焊接区域匹配结果;
关联存储模块,所述关联存储模块用于将所述多个焊接区域匹配结果和所述多个焊接区域几何特征关联存储,添加进所述送丝区域特征。
进一步地,所述系统还包括:
第一ORB特征获取模块,所述第一ORB特征获取模块用于对所述被焊件焊接生产工艺图进行ORB特征提取,获取第一ORB特征;
第二ORB特征获取模块,所述第二ORB特征获取模块用于对所述被焊件焊接面图像信息进行ORB特征提取,获取第二ORB特征;
特征区域关联模块,所述特征区域关联模块用于根据所述第一ORB特征和所述第二ORB特征,对所述被焊件焊接生产工艺图和所述被焊件焊接面图像信息进行特征区域关联,生成多组特征区域关联结果,其中,所述多组特征区域关联结果的任意一组包括ORB特征相似度最高的标记焊接区域和焊接区域匹配结果;
第一执行模块,所述第一执行模块用于遍历所述多组特征区域关联结果进行图像相似度分析,获取多个区域相似度;
第二执行模块,所述第二执行模块用于获取所述多个区域相似度的任意一个大于或等于所述相似度阈值的所述多个焊接区域匹配结果。
进一步地,所述系统还包括:
第三执行模块,所述第三执行模块用于获取焊件焊接面图像集进行特征标识,获取焊接面特征标识信息;
第四执行模块,所述第四执行模块用于基于卷积神经网络,调取所述焊件焊接面图像集和所述焊接面特征标识信息进行有监督训练,获取第一特征提取模块,其中,所述第一特征提取模块训练时所述焊件焊接面图像集和所述焊接面特征标识信息的任意一组的权重相同;
第一损失数据集获取模块,所述第一损失数据集获取模块用于根据所述第一特征提取模块,获取输出准确率低于准确率阈值的所述焊件焊接面图像集和所述焊接面特征标识信息,设为第一损失数据集;
有监督训练模块,所述有监督训练模块用于提升所述第一损失数据集在原始数据集中的权重,基于卷积神经网络进行有监督训练,获取第二特征提取模块;
合并模块,所述合并模块用于重复训练,直到第N特征提取模块的输出准确率低于准确率阈值的所述焊件焊接面图像集和所述焊接面特征标识信息的数据量小于收敛数量阈值,将所述第一特征提取模块、所述第二特征提取模块直到所述第N特征提取模块合并,生成特征提取模型;
第五执行模块,所述第五执行模块用于根据所述特征提取模型对所述多组特征区域关联结果的任意一组进行图像相似度分析,获取所述多个区域相似度。
进一步地,所述系统还包括:
第六执行模块,所述第六执行模块用于根据所述被焊件型号信息,获取被焊件密度参数,根据所述焊丝材料信息,获取焊丝密度参数;
历史焊接记录数据获取模块,所述历史焊接记录数据获取模块用于根据所述送丝区域特征,匹配历史焊接记录数据,其中,所述历史焊接记录数据包括母材熔化量均值和焊丝熔化量均值;
熔化量总和获取模块,所述熔化量总和获取模块用于加和所述母材熔化量均值和所述焊丝熔化量均值,获取熔化量总和;
权重设置模块,所述权重设置模块用于计算所述母材熔化量均值在所述熔化量总和的占比,设为第一权重,计算所述焊丝熔化量均值在所述熔化量总和的占比,设为第二权重;
熔敷金属密度参数获取模块,所述熔敷金属密度参数获取模块用于根据所述第一权重对所述被焊件密度参数进行赋权,根据所述第二权重对所述焊丝密度参数进行赋权进行均值计算,获取所述熔敷金属密度参数。
进一步地,所述系统还包括:
焊接记录数据筛选模块,所述焊接记录数据筛选模块用于以所述被焊件型号信息,所述焊丝材料信息,所述送丝区域特征和所述熔敷金属密度参数为场景特征,筛选多个焊接厂家相同焊接场景下的焊接加工记录数据和焊点图像记录数据,其中,所述焊接加工记录数据包括焊丝直径特征值、焊丝长度特征值和送丝角度特征值;
标准焊点图像信息获取模块,所述标准焊点图像信息获取模块用于获取标准焊点图像信息,其中,所述标准焊点图像信息为预设的合格的焊接样品的焊点图像;
第七执行模块,所述第七执行模块用于遍历所述焊点图像记录数据与所述标准焊点图像信息进行图像相似度评估,获取焊点相似度最大值对应的所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值,设为所述送丝控制优化结果;
第八执行模块,所述第八执行模块用于当所述焊点相似度最大值对应的所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值为多组时,将多组所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值发送至焊接控制客户端进行选择,获取所述送丝控制优化结果。
进一步地,所述系统还包括:
图像特征采集模块,所述图像特征采集模块用于采集焊件焊接图像特征信息,其中,所述焊件焊接图像特征信息包括焊点定位信息;
边界标记模块,所述边界标记模块用于以所述焊点定位信息为起点,基于管脚尺寸阈值标记剪脚触发边界;
切割模块,所述切割模块用于当管脚超出所述剪脚触发边界时,控制所述剪脚机器人对超出所述剪脚触发边界的管脚进行切割。
本发明实施例所提供的一种多自由度智能焊接切割控制系统可执行本发明任意实施例所提供的一种多自由度智能焊接切割控制方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种多自由度智能焊接切割控制方法,其中,所述方法应用于一种多自由度智能焊接切割控制系统,所述方法包括:通过对被焊件焊接面图像信息进行图像处理,生成送丝区域特征;通过对被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;通过送丝区域特征和熔敷金属密度参数对焊丝直径参数、焊丝长度参数和送丝角度参数进行优化,生成送丝控制优化结果,并按照送丝控制优化结果控制送丝机器人进行送丝切割控制。解决了现有技术中缺乏结合焊接场景进行自适应调整的切割控制方案,以及焊接切割控制的精确度低、灵活性差、自由度不高的技术问题。达到了制定结合焊接场景进行自适应调整的切割控制方案,提高焊接切割控制的精确度、灵活性、自由度,提升焊接切割控制质量的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种多自由度智能焊接切割控制方法,其特征在于,应用于送丝机器人,包括:
接收焊接需求信息,其中,所述焊接需求信息包括被焊件焊接面图像信息和被焊件型号信息;
获取送丝控制参数,其中,所述送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数;
对所述被焊件焊接面图像信息进行图像处理,生成送丝区域特征;
根据所述被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;
根据所述送丝区域特征和所述熔敷金属密度参数对所述焊丝直径参数、所述焊丝长度参数和所述送丝角度参数进行优化,生成送丝控制优化结果;
根据所述送丝控制优化结果控制所述送丝机器人进行送丝切割控制。
2.如权利要求1所述的方法,其特征在于,对所述被焊件焊接面图像信息进行图像处理,生成送丝区域特征,包括:
根据所述被焊件型号信息,调取被焊件焊接生产工艺图,其中,所述被焊件焊接生产工艺图包括多个标记焊接区域和多个焊接区域几何特征;
遍历所述多个标记焊接区域对所述被焊件焊接面图像信息进行相似度评估,获取区域相似度大于或等于相似度阈值的多个焊接区域匹配结果;
将所述多个焊接区域匹配结果和所述多个焊接区域几何特征关联存储,添加进所述送丝区域特征。
3.如权利要求2所述的方法,其特征在于,遍历所述多个标记焊接区域对所述被焊件焊接面图像信息进行相似度评估,获取区域相似度大于或等于相似度阈值的多个焊接区域匹配结果,包括:
对所述被焊件焊接生产工艺图进行ORB特征提取,获取第一ORB特征;
对所述被焊件焊接面图像信息进行ORB特征提取,获取第二ORB特征;
根据所述第一ORB特征和所述第二ORB特征,对所述被焊件焊接生产工艺图和所述被焊件焊接面图像信息进行特征区域关联,生成多组特征区域关联结果,其中,所述多组特征区域关联结果的任意一组包括ORB特征相似度最高的标记焊接区域和焊接区域匹配结果;
遍历所述多组特征区域关联结果进行图像相似度分析,获取多个区域相似度;
获取所述多个区域相似度的任意一个大于或等于所述相似度阈值的所述多个焊接区域匹配结果。
4.如权利要求3所述的方法,其特征在于,遍历所述多组特征区域关联结果进行图像相似度分析,获取多个区域相似度,之前包括:
获取焊件焊接面图像集进行特征标识,获取焊接面特征标识信息;
基于卷积神经网络,调取所述焊件焊接面图像集和所述焊接面特征标识信息进行有监督训练,获取第一特征提取模块,其中,所述第一特征提取模块训练时所述焊件焊接面图像集和所述焊接面特征标识信息的任意一组的权重相同;
根据所述第一特征提取模块,获取输出准确率低于准确率阈值的所述焊件焊接面图像集和所述焊接面特征标识信息,设为第一损失数据集;
提升所述第一损失数据集在原始数据集中的权重,基于卷积神经网络进行有监督训练,获取第二特征提取模块;
重复训练,直到第N特征提取模块的输出准确率低于准确率阈值的所述焊件焊接面图像集和所述焊接面特征标识信息的数据量小于收敛数量阈值,将所述第一特征提取模块、所述第二特征提取模块直到所述第N特征提取模块合并,生成特征提取模型;
根据所述特征提取模型对所述多组特征区域关联结果的任意一组进行图像相似度分析,获取所述多个区域相似度。
5.如权利要求1所述的方法,其特征在于,根据所述被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数,包括:
根据所述被焊件型号信息,获取被焊件密度参数,根据所述焊丝材料信息,获取焊丝密度参数;
根据所述送丝区域特征,匹配历史焊接记录数据,其中,所述历史焊接记录数据包括母材熔化量均值和焊丝熔化量均值;
加和所述母材熔化量均值和所述焊丝熔化量均值,获取熔化量总和;
计算所述母材熔化量均值在所述熔化量总和的占比,设为第一权重,计算所述焊丝熔化量均值在所述熔化量总和的占比,设为第二权重;
根据所述第一权重对所述被焊件密度参数进行赋权,根据所述第二权重对所述焊丝密度参数进行赋权进行均值计算,获取所述熔敷金属密度参数。
6.如权利要求1所述的方法,其特征在于,根据所述送丝区域特征和所述熔敷金属密度参数对所述焊丝直径参数、所述焊丝长度参数和所述送丝角度参数进行优化,生成送丝控制优化结果,包括:
以所述被焊件型号信息,所述焊丝材料信息,所述送丝区域特征和所述熔敷金属密度参数为场景特征,筛选多个焊接厂家相同焊接场景下的焊接加工记录数据和焊点图像记录数据,其中,所述焊接加工记录数据包括焊丝直径特征值、焊丝长度特征值和送丝角度特征值;
获取标准焊点图像信息,其中,所述标准焊点图像信息为预设的合格的焊接样品的焊点图像;
遍历所述焊点图像记录数据与所述标准焊点图像信息进行图像相似度评估,获取焊点相似度最大值对应的所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值,设为所述送丝控制优化结果;
当所述焊点相似度最大值对应的所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值为多组时,将多组所述焊丝直径特征值、所述焊丝长度特征值和所述送丝角度特征值发送至焊接控制客户端进行选择,获取所述送丝控制优化结果。
7.如权利要求1所述的方法,其特征在于,应用于剪脚机器人,还包括:
采集焊件焊接图像特征信息,其中,所述焊件焊接图像特征信息包括焊点定位信息;
以所述焊点定位信息为起点,基于管脚尺寸阈值标记剪脚触发边界;
当管脚超出所述剪脚触发边界时,控制所述剪脚机器人对超出所述剪脚触发边界的管脚进行切割。
8.一种多自由度智能焊接切割控制系统,其特征在于,所述系统用于执行权利要求1至7中任一项所述的方法,所述系统包括送丝机器人、剪脚机器人,所述系统还包括:
焊接需求接收模块,所述焊接需求接收模块用于接收焊接需求信息,其中,所述焊接需求信息包括被焊件焊接面图像信息和被焊件型号信息;
送丝控制参数获取模块,所述送丝控制参数获取模块用于获取送丝控制参数,其中,所述送丝控制参数包括焊丝直径参数、焊丝长度参数和送丝角度参数;
图像处理模块,所述图像处理模块用于对所述被焊件焊接面图像信息进行图像处理,生成送丝区域特征;
材料分析模块,所述材料分析模块用于根据所述被焊件型号信息和焊丝材料信息进行材料分析,获取熔敷金属密度参数;
参数优化模块,所述参数优化模块用于根据所述送丝区域特征和所述熔敷金属密度参数对所述焊丝直径参数、所述焊丝长度参数和所述送丝角度参数进行优化,生成送丝控制优化结果;
送丝切割控制模块,所述送丝切割控制模块用于根据所述送丝控制优化结果控制所述送丝机器人进行送丝切割控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696391.4A CN116441662B (zh) | 2023-06-13 | 2023-06-13 | 一种多自由度智能焊接切割控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696391.4A CN116441662B (zh) | 2023-06-13 | 2023-06-13 | 一种多自由度智能焊接切割控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116441662A true CN116441662A (zh) | 2023-07-18 |
CN116441662B CN116441662B (zh) | 2023-10-31 |
Family
ID=87132360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310696391.4A Active CN116441662B (zh) | 2023-06-13 | 2023-06-13 | 一种多自由度智能焊接切割控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116441662B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102770228A (zh) * | 2010-02-23 | 2012-11-07 | 伊利诺斯工具制品有限公司 | 具有使用校正数据的力矩电机焊丝驱动的焊接系统 |
CN109376411A (zh) * | 2018-09-30 | 2019-02-22 | 武昌船舶重工集团有限公司 | 一种焊接物量统计方法及系统 |
CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
CN112388111A (zh) * | 2020-12-02 | 2021-02-23 | 唐山松下产业机器有限公司 | Tig焊丝控制方法、tig焊丝控制系统、设备和介质 |
CN112589243A (zh) * | 2019-10-02 | 2021-04-02 | 伊利诺斯工具制品有限公司 | 用于对焊接参数输出范围进行自动控制的系统和方法 |
WO2021109050A1 (zh) * | 2019-12-05 | 2021-06-10 | 惠州光弘科技股份有限公司 | 基于粒子群优化的smt焊点质量控制方法及系统 |
CN114881378A (zh) * | 2022-07-12 | 2022-08-09 | 苏芯物联技术(南京)有限公司 | 一种焊接用丝和用电成本智能优化方法 |
CN115255555A (zh) * | 2022-08-09 | 2022-11-01 | 惠州丰采贵金属制造有限公司 | 一种焊接工艺 |
-
2023
- 2023-06-13 CN CN202310696391.4A patent/CN116441662B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102770228A (zh) * | 2010-02-23 | 2012-11-07 | 伊利诺斯工具制品有限公司 | 具有使用校正数据的力矩电机焊丝驱动的焊接系统 |
CN109376411A (zh) * | 2018-09-30 | 2019-02-22 | 武昌船舶重工集团有限公司 | 一种焊接物量统计方法及系统 |
CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
CN112589243A (zh) * | 2019-10-02 | 2021-04-02 | 伊利诺斯工具制品有限公司 | 用于对焊接参数输出范围进行自动控制的系统和方法 |
WO2021109050A1 (zh) * | 2019-12-05 | 2021-06-10 | 惠州光弘科技股份有限公司 | 基于粒子群优化的smt焊点质量控制方法及系统 |
CN112388111A (zh) * | 2020-12-02 | 2021-02-23 | 唐山松下产业机器有限公司 | Tig焊丝控制方法、tig焊丝控制系统、设备和介质 |
CN114881378A (zh) * | 2022-07-12 | 2022-08-09 | 苏芯物联技术(南京)有限公司 | 一种焊接用丝和用电成本智能优化方法 |
CN115255555A (zh) * | 2022-08-09 | 2022-11-01 | 惠州丰采贵金属制造有限公司 | 一种焊接工艺 |
Also Published As
Publication number | Publication date |
---|---|
CN116441662B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335270B (zh) | 基于层级区域特征融合学习的输电线路缺陷检测方法 | |
CN108304882A (zh) | 一种图像分类方法、装置及服务器、用户终端、存储介质 | |
CN109582793A (zh) | 模型训练方法、客服系统及数据标注系统、可读存储介质 | |
CN110458077B (zh) | 一种车辆颜色识别方法及系统 | |
Chandraprabha et al. | Machine learning based pedantic analysis of predictive algorithms in crop yield management | |
CN113408087B (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
CN116423003B (zh) | 一种基于数据挖掘的锡焊智能评估方法及系统 | |
CN115796678A (zh) | 一种连接线的智能生产监测方法及系统 | |
CN116441662B (zh) | 一种多自由度智能焊接切割控制方法及系统 | |
CN114724021A (zh) | 一种数据的识别方法、装置、存储介质及电子装置 | |
CN106993296A (zh) | 终端的性能评估方法及装置 | |
CN113051944B (zh) | 一种无线分布式快速寻物的方法及系统 | |
CN116091748B (zh) | 一种基于aigc的图像识别系统及装置 | |
CN109784225B (zh) | 一种基于可达空间的地理空间模式识别方法 | |
CN115328870B (zh) | 一种面向云制造的数据共享方法及系统 | |
CN111680740A (zh) | 神经网络的训练方法、装置及用电负荷的判别方法、装置 | |
US8510243B2 (en) | Methods for updating and training for a self-organising card | |
CN116206208A (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN115294009A (zh) | 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 | |
CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
CN117874500B (zh) | 一种多视角融合海上风电场机群功率预测方法 | |
CN113378514B (zh) | 多标记数据特征选择处理方法及装置 | |
CN114826949B (zh) | 一种通信网络状况预测方法 | |
CN117077004B (zh) | 物种鉴定方法、系统、设备及存储介质 |
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 |