CN116652323A - 一种自决策熔丝增材熔池控形方法 - Google Patents
一种自决策熔丝增材熔池控形方法 Download PDFInfo
- Publication number
- CN116652323A CN116652323A CN202310713177.5A CN202310713177A CN116652323A CN 116652323 A CN116652323 A CN 116652323A CN 202310713177 A CN202310713177 A CN 202310713177A CN 116652323 A CN116652323 A CN 116652323A
- Authority
- CN
- China
- Prior art keywords
- molten pool
- image
- shape
- decision
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000008021 deposition Effects 0.000 claims abstract description 8
- 230000002787 reinforcement Effects 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 24
- 230000001276 controlling effect Effects 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000007664 blowing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims 2
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000003647 oxidation Effects 0.000 claims 1
- 238000007254 oxidation reaction Methods 0.000 claims 1
- 238000003466 welding Methods 0.000 abstract description 25
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000011217 control strategy Methods 0.000 abstract description 7
- 230000003993 interaction Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013486 operation strategy Methods 0.000 abstract 1
- 238000003908 quality control method Methods 0.000 abstract 1
- 238000005253 cladding Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 11
- 239000000654 additive Substances 0.000 description 9
- 230000000996 additive effect Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000001052 transient effect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010017472 Fumbling Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001308 synthesis method 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
- B23K3/0646—Solder baths
-
- 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
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种自决策熔丝增材熔池控形方法,包括前端熔池采集模块、熔池图像处理模块、熔池形态分析模块、决策学习模块和气阀控制模块。本发明涉及熔池图像高动态范围图像所需同步获取的硬件图像采集设备,基于均值梯度重构图像,利用熔池深度特征所代表的熔池形态及气阀输出参数,以熔池形态为信号反馈,进行SARSA强化学习,以最大化目标图像匹配度为目标,能够最大程度实现熔池形态接近目标形态,可以通过多次计算积累数据包,达到快速决策,进行焊接操作策略与熔池形态环境交互的最优熔敷策略学习,适用于不同参数环境下的熔敷质量控制的在线监测,能够执行最优熔敷质量的熔池控形策略,以达到最优增材控形目标。
Description
技术领域
本发明涉及增材制造在线控制技术领域,具体涉及一种智能自决策熔池监测控形方法。
背景技术
焊接在现代工业制造生产中担当着不可或缺的角色,是一道重要的业务流程,焊接质量的评判对于整个焊接过程的控制也至关重要。一种有效的能够反映焊接质量的重要手段是通过焊接时熔池状态的判断,现有的表现熔池状态的信息多种多样,其中以无接触方式进行熔池状态感知的视觉信息能够直观、有效地反映焊接过程熔池状态,因此,基于视觉信息,采用视觉监控熔焊过程将会是未来的发展方向之一。
现如今机器视觉与焊接的结合使用在工业生产中也初步通入使用,由于焊接的外界影响因素多,将这些因素都考虑进焊接控制的深度学习中,会大大增加计算量从而不能达到良好的闭环自动化焊接和自动示教功能。根据增材的要求我们可以选择以熔池的形态来判断熔敷层的质量并通过对熔池的调控从而控制熔敷层质量。
在焊接过程中,焊工通常可以根据熔池的形态等信息依据经验预估焊接的焊缝形态以及焊接质量,从而调整参数实现实时焊接控制,保证焊接质量。即焊工通过长期的焊接作业形成一套控制经验,而在增材熔敷技术层面,对熔敷道形态与质量要求越来越高,随着现今技术的发展,我们可以通过视觉检测和深度学习的方法来形成一套机器的熔池控制经验,从而通过不断地积累自动化智能化数据,提高机器控制经验,实现正真智能化熔敷,实现高效的、稳定的增材制造熔敷作业。也因此增材熔敷领域急需一种智能的熔池监测控制系统,以实现对增材熔敷层的形貌质量的智能化控制,对增材熔敷机器人自动熔敷设备的的增材熔敷提高熔敷过程中熔池的监测与控制,并根据其状态评估熔敷层质量,调控熔池形态从而达到对增材熔敷层的形态和质量的控制。
发明内容
本发明所要解决问题的是提供一种自决策熔池监测控形系统,为增材熔敷过程中获得更接近目标形状的熔敷层提供一种解决方案。
为达到上述目的,本发明的技术方案为:
一种自决策熔丝增材熔池控形系统,其特征在于,包括前端熔池采集模块、熔池图像处理模块、熔池形态分析模块、决策学习模块和气阀控制模块;
前端熔池采集模块用于采集熔池各个区域面积信息并对其进行预处理;
熔池图像处理模块用于将采集的图像数据合成熔池实时动态范围图像,显示熔池的动态区域细节特征;
熔池形态分析模块用于对得到的熔池图像的特征数据进行提取,获取熔池形态数据并与目标数据分析对比得出输入参数,同时依据目标熔池形态给气阀控制器激励;
决策学习模块用于依据熔池形态及气阀控制器激励参数得出控形决策,接收熔池形态反馈实时形态,通过与目标形态的对比,分析此次输出控制决策对熔池控形的优劣,存入或更新深度学习数据集并同时执行更优策略;
气阀控制模块用于接收决策学习模块所输入的控形决策,依据决策控制相应的气阀执行相应动作。
优先的,前端熔池采集模块是用于熔池图像处理模块的硬件相机设备,该设备包括有电源系统、时钟系统、图像传感器、温度传感器和HDR图像信号处理器;
电源系统用于输出各级电压为硬件提供电源,通过开关电源或者低压差线性稳压电源输出各级电压,适配各个芯片的标准电平,并且满足上电和下电时序,保证各个硬件部分正常工作。
时钟系统为硬件提供内部时钟信号作为协调工作的控制信号;
图像传感器用于采集图像信息并将信息传输至HDR图像信号处理器;
温度传感器用于采集熔池区域的温度场信息,并将场耦合到图像中;
HDR图像信号处理器用于合成熔池HDR图像以及进行高级降噪。
优先的,图像传感器通过两个快门指针控制,两个快门指针控制单帧数据中奇数与偶数行对的集成,在不同时间利用快门指针捕获单帧数据的奇数和偶数行对,然后进行整合并输出帧。
优先的,HDR图像信号处理器和熔池形态分析模块、决策学习模块和气阀控制模块之间通过两线制同步串行总线通讯。
优先的,熔池图像处理模块采用基于均值梯度重构图像方法合成熔池的高动态范围图像,能够体现熔池图像的亮度细节,同时耦合温度场梯度数据,避免因熔池温度较高,导致局部区域过亮或过暗而丧失特征,从而更加精确地分析处理熔池状态。
优先的,基于均值梯度重构图像方法合成熔池的高动态范围图像的步骤为:载入高曝光图片和低曝光图片,分区计算各图片的梯度向量场,继而取每张图片各自梯度向量场对应方向偏导图片的最大梯度点并耦合温度场梯度点合成新的梯度,使用均值梯度得到熔池边缘形态细节图像,同温度场耦合成熔池动态边缘和得到扩充的HDR图像。
优先的,熔池形态分析模块中获取的熔池形态特征数据集包括有熔池形态和温度场信息及对应气阀控制参数。
优先的,决策学习模块采用深度强化学习,通过焊接机器自身与所监测熔池形态的交互中学习策略。依据熔池图像的特征进行不断试错动作反馈,以及奖惩机制对焊接质量进行决策控制,形成一套焊接过程中每一个状态下的最优执行策略。
优先的,气阀控制器出气口对熔池提供焊接保护气体和施加控制熔池吹力的气体为高温度的惰性保护气体。
熔池图像处理模块实现基于均值梯度与温度耦合的梯度重构图像方法,合成熔池的瞬时形态图像,体现出熔池的瞬时亮度梯度与温度场梯度形态细节,避免因熔池亮度较高,导致局部区域过亮或者过暗而丧失特征,从而可以更加精确地分析处理熔池状态,依托于前端高速相机可以实时采集到熔池图像并处理得到有显著特征的熔池图像,从而通过分析模块实时对熔池的瞬态特征进行深度CNN图像算法处理,提取熔池图像的区域特征,并依据焊枪的姿态和导气喷嘴的对线中心位置对熔池区域进行划分,如图2中所示,分别为a1、b2、a3和b4四个区域,以此进行熔池形态分析模块的深度CNN图像算法处理,并依据所提取熔池图像特征和计算轮廓面积函数计算各区域面积,并依据面积大小分析出熔池的偏移量,对控制模块发出相应控制指令;决策学习模块采用深度强化学习,通过控制模块输出与实时监测瞬态熔池形态的交互从经验学习策略,通过分析并控制不同导气喷嘴对熔池输出吹力,影响熔池形态并通过实时监测瞬态熔池形态得到反馈信息,并通过奖励与惩罚的刺激,使得控制模块逐步学习对于刺激的反应,从而产生可以依据当前瞬态熔池形态做出最大利益的输出反馈。同时也也将每一次的反馈作为学习样例,以高速相机采集的瞬态熔池形态为样例输入,更新控制模块的输出,得到新的熔池形态,依据熔池形态对应的吹力输出得到的反馈,进一步更新分析模块对应熔池形态输出的控制指令,并更新学习模块中的更优数据,不断迭代直至从不断改变分析模块给出的指令与熔池形态变化和熔敷层与目标形状的反馈的经验中学习一套最优熔池控形策略。对于采集预处理的熔池高速瞬态图像的深度特征进行训练,实现特征提取并依据特征信息和输出的控制策略的反馈,以及奖惩机制实现熔敷熔池形状控制从而得到跟接近目标形状的熔覆层控形,形成一套熔敷过程中熔池每一个状态下的最优控形执行策略;控制模块是动作执行机构,依据分析模块和学习模块的提供的策略控制熔池形态从而达到熔敷层控形效果。
与现有技术相比,本发明中的有益效果是:
(1)本发明实现了熔池高速相机瞬态图像与温度场的拟合形态重构分析,提取的熔池形态特征更接近于真实细节特征,避免了强光而损失的熔池图像的细节特征。
(2)本发明实现了实时监测和控形,相较于先熔敷采集图像后再检测分析相应熔敷参数的熔敷质量好坏,并不能减少当次熔敷误差,实时监测熔池形态并及时决策,从而进行控形操作,可以依据实时反馈信息控制气阀输出进行调控熔池形态,进而控制熔敷达到更好的目标形状。
(3)本发明通过深度强化学习能够实现各种形态下的快速决策,通过多次采集与决策的反馈中不断积累试验试错经验,训练学习气阀控制执行策略,不需要手动增加标注样本,通过机器自我演绎,以气阀输出后的熔池图像所显形态为反馈,实现最优决策。其可以依据当前熔池形态决策执行气阀输出控制,可以用于任意参数下的熔敷情况,根据熔池形态自动调节气阀输出控制,达到最接近目标形貌与质量的熔敷层。
(4)本发明适用于多种不同材质的气保焊熔敷,同时可以根据不同的温度环境,对应的熔池形态多变情况,数据集中含有足量的在不同场景下获取的数据时,通过分析模块和学习模块积累学习经验形成对应工况下执行策略从而达到最佳控制执行策略。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明中前端检测与控形硬件结构图;
图2为整体系统框架示意图。
实施方案
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例中公开了一种智能自决策熔丝增材熔池监测控形系统,系统框架如图2,用于控制熔敷过程中对熔池的形态控制,通过实时检测和决策,输出对应控制策略从而达到控制熔池形态,有包括前端熔池图像采集模块、熔池图像处理模块、熔池形态分析模块、决策学习模块和气阀控制模块。
其中,前端熔池采集模块用于采集熔池中不同环境下图像信息及温度场信息进行预处理,熔池图像处理模块用于将采集处理的图像数据合成熔池形态图像,以显示熔池亮度细节特征。熔池状态分析模块用于对得到的熔池图像进行特征提取,获取熔池状态数据集形成输入参数,熔池形态数据集具体的为熔池形态信息及对应气阀输出参数,同时依据目标熔池形态给出相应奖励刺激,决策学习模块用于依据熔池状态及气阀参数输出执行策略,并接收熔池形态反馈奖励信号,自主评判对于输出控制策略引起的熔池形态变化的优劣,执行在当前状态下能够产生最大价值的策略,并将反馈的熔池形态及调控参数作为训练集。控制模块用于接收决策学习模块的控制策略,依据策略控制气阀控制器执行相应输出控制。
具体的,前端采集模块采用适用于熔池图像处理模块的硬件相机设备,该硬件相机设备包括有电源系统、时钟系统、图像传感器、温度传感器和HDR图像信号处理器。
电源系统用于输出各级电压为硬件提供电源,通过开关电源或者低压差线性稳压电源输出各级电压,适配各个芯片的标准电平,并且满足上电和下电时序,保证各个硬件部分正常工作。
时钟系统为硬件提供内部时钟信号作为协调工作的控制信号,为图形采集和场域采集提供时间参考系标准,确保不同硬件的工作保持一致性。
图像传感器用于采集图像信息并将信息传输至HDR图像信号处理器,通过两个快门指针控制,两个快门指针控制单帧数据中奇数与偶数行对的集成,在不同时间利用快门指针捕获单帧数据的奇数和偶数行对,然后进行整合并输出帧。
基于均值梯度方法重构图像合成熔池的高动态范围图像的步骤为:载入高曝光图片和低曝光图片,分别计算各图片的梯度向量场,继而取每张图片各自梯度向量场对应方向偏导图片的最大梯度点并耦合温度场梯度点合成新的梯度,并提取细化边缘信息,温度传感器用于采集熔池区域的温度场信息,并将场耦合到图像中,通过温度场域信息和熔池形态信息的双重耦合,避免弧光信号的污染,使用均值梯度得到熔池边缘形态细节图像,同温度场耦合成熔池动态边缘和得到扩充的HDR图像。
作为优先的,熔池形态分析模块中获取的熔池形态特征数据集包括有熔池形态和温度场信息及对应焊接参数。
为了获取图像的低阶细节特征信息,使用一阶导数形成图像一阶导数向量场,即梯度场,从梯度图像重构原图像能够融合特征,得到高质量的图像。算法采用分区均值计算图像梯度,将5×5检测窗口按照水平方向和垂直方向分为4个区域,按照区域非噪声点的均值差计算窗口中心点的梯度,求得梯度图像,然后采用改进的非极大值抑制方法对梯度图像进行细化,从而能够快速,有效地实现梯度图像重构,实现高动态范围熔池图像合成。
消除噪声计算方法,
δ为调解因子,以5×5窗口的中心为(x,y)为中心坐标点,其水平方向梯度和垂直方向梯度的计算如式(2)和式(3)所示:
β为衰减因子,由于边缘区域灰度变化平缓,均值差分可以较准确的表示边缘梯度。最后将两个方向梯度值的最大值作为输出,即得到梯度图像G,
G(x,y)=max(Δ|fx(x,y)|,Δfy(x,y)) ⑷
再对梯度图像细化可以得到熔池边缘细节图像,G′为处理后的梯度图像,可以显示出熔池边缘细节轮廓,
γ为细化度调解因子,γ值在(0.98,1.02)之间调整。
HDR图像信号处理器用于合成熔池HDR图像以及进行高级降噪。与传统图像将亮度信息压缩至8位或16位颜色空间不同,其直接记录了亮度信息。一般情况下利用计算机进行图像表示时,通常采用8位(256级)来区分图像亮度,亮度级别范围太小,以至于不能真实反映环境亮度情况,普通的图像表示是很不精确的,过度曝光得到的是一片白色,无法彰显细节,调暗只会把白色像素值降低,对于细节并没有改善。而若使用HDR图像记录,细节特征将会得以呈现。本发明的高动态范围熔池图像合成,通过将高速相机拍摄的熔池图像初步处理后与温度场耦合,基于均值梯度更加便于得到熔池形态细节图像,并提取轮廓细节特征,如图1所示,对液态熔池形态轮廓进行分区,计算各区域的面积大小,并与标准形进行比较。通过HDR图像显示更多熔池图像细节,有利于特征提取及准确的熔池状态判断,为实现精确的状态反馈,实现类似于人的不断摸索及奖励机制反馈的控形策略学习提供可靠依据。
进一步的,本实施例中的决策学习模块采用深度强化学习,通过气阀控制模块自身与所监测熔池状态的交互中学习策略。采用强化学习SARSA让模型自动探索如何为熔池形态最佳调整气阀控制参数,借此最大程度保证任意状态下熔池形态从而保证熔敷层形貌。气阀控制模块通过监测的熔池的状态,经过智能决策,执行一些动作,行动进而引起了熔池的形态变化,分析模块从这些变化的状态中获得关于之前行动的反馈,并分析熔池依据图1的分区进行熔池区域范围比较(当Sa1=Sb2=Sa3=Sb4时,气阀不做多余动作;当Sa≥Sb时,气阀1、3号导气喷嘴增大压强;当Sa1+Sb2≥Sa3+Sb4,气阀1、2、5号导气喷嘴增大压强;若是当a1、b2、a3和b4某一个或两个、最多三个区面积大于另外的区时,则相应的面积大的区增大导气喷嘴出口的压强),进而指导后续的行动决策。使用熔池在熔敷形貌最佳范围的特定状态为目标图像,基于图像的方法,获取处理合成的熔池形态图像即作为反馈状态,又作为奖励函数的目标图像,奖励函数的定义为当前熔池形态图像与目标图像经过深度特征提取后特征图的匹配度。通过SARSA强化学习模型,每次分析都进行执行相应的策略,并根据相应的反馈信号再次调整决策。
决策学习模块依据熔池图像的特征进行不断试错动作反馈,以及奖惩机制对熔池控形进行决策控制,形成一套熔敷过程中每一个状态下的最优执行策略。具体的,机器通过执行气阀控制导气喷嘴压强,影响环境熔池形态并得到反馈信息,通过奖励与惩罚的刺激,使得机器逐步学习对于刺激的反应,从而产生能够根据熔池形态作出熔敷形貌最优的控形动作。采用边获得样例边学习的方式,以高动态范围合成熔池形态图像为样例输入,更新模型及执行控形操作,得到新的熔池形态,依据熔池形态对应的气阀控制参数得到反馈,进一步更新模型,不断迭代直至从不断熔敷形貌与熔池形态变化及熔敷形貌优劣的反馈的经验中学习形成一套最优控形执行策略。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种自决策熔丝增材熔池控形方法,其特征在于,包括前端熔池采集模块、熔池图像处理模块、熔池形态分析模块、决策学习模块和气阀控制模块;
前端熔池采集模块用于采集熔池各个区域面积信息并对其进行预处理;
熔池图像处理模块用于将采集的图像数据合成熔池实时动态范围图像,显示熔池的动态区域细节特征;
熔池形态分析模块用于对得到的熔池图像的特征数据进行提取,获取熔池形态数据并与目标数据分析对比得出输入参数,同时依据目标熔池形态给气阀控制器激励;
决策学习模块用于依据熔池形态及气阀控制器激励参数得出控形决策,接收熔池形态反馈实时形态,通过与目标形态的对比,分析此次输出控制决策对熔池控形的优劣,更新深度学习数据集并同时执行更优策略;
气阀控制模块用于接收决策学习模块所输入的控形决策,依据决策控制相应的气阀执行相应动作。
2.根据权利要求1所述的一种自决策熔池控形系统,其特征在于,前端熔池采集模块是用于熔池图像处理模块的硬件相机设备,该设备包括有电源系统、时钟系统、图像传感器、温度传感器和HDR图像信号处理器;
电源系统用于输出各级电压为硬件提供电源;
时钟系统为硬件提供内部时钟信号作为协调工作的控制信号;
图像传感器用于采集图像信息并将信息传输至HDR图像信号处理器;
温度传感器用于采集熔池区域的温度场信息,主要硬件是一个红外摄像头,并将场耦合到光源相机图像中;
HDR图像信号处理器用于合成熔池HDR图像以及进行高级降噪。
3.根据权利要求1所述的一种自决策熔池控形系统,其特征在于,前端熔池采集得到的图像传输给熔池图像处理模块,显示出相应长、宽、形态和面积等特征信息,并将所述特征信息传输给熔池形态分析模块,将所述熔池采集的图像特征信息与目标熔池形态特征信息比对分析,并将熔池划分几个不同区域,根据图像分割计算出各区域面积大小并对各区的面积大小比较,分析出熔池流向偏向于哪侧,并给气阀控制器输入控制指令,控制气阀调整各个出气口压强输出相应气压,依据气体吹力和压强差调整熔池形态达到对熔池控形从而控制熔敷成形。
4.根据权利要求1所述的一种自决策熔池控形系统,其特征在于,所述图像处理及对应分析数据会传输给决策学习模块深度强化学习,通过监测的熔池状态与图形处理和分析的交互学习,积累数据集形成成熟的决策方案,建立灵活快捷的熔池控形方案。
5.根据权利要求1所述的一种自决策熔池控形系统,其特征在于,所述气阀输出的气体可以起到对熔池的调整形态作用,同时还能使熔敷层达到气冷条件,加快熔敷层冷却提高熔敷效率。
6.根据权利要求3所述的一种自决策熔池控形系统,其特征在于,所述气阀出气口从开始熔敷前保持稳定的压强,达到气保冷却作用,避免熔敷层氧化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713177.5A CN116652323A (zh) | 2023-06-15 | 2023-06-15 | 一种自决策熔丝增材熔池控形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713177.5A CN116652323A (zh) | 2023-06-15 | 2023-06-15 | 一种自决策熔丝增材熔池控形方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116652323A true CN116652323A (zh) | 2023-08-29 |
Family
ID=87727717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310713177.5A Pending CN116652323A (zh) | 2023-06-15 | 2023-06-15 | 一种自决策熔丝增材熔池控形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116652323A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118060669A (zh) * | 2024-04-22 | 2024-05-24 | 广东工业大学 | 一种基于焊接熔池特征识别的自动焊接控制方法 |
-
2023
- 2023-06-15 CN CN202310713177.5A patent/CN116652323A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118060669A (zh) * | 2024-04-22 | 2024-05-24 | 广东工业大学 | 一种基于焊接熔池特征识别的自动焊接控制方法 |
CN118060669B (zh) * | 2024-04-22 | 2024-06-25 | 广东工业大学 | 一种基于焊接熔池特征识别的自动焊接控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116652323A (zh) | 一种自决策熔丝增材熔池控形方法 | |
CN105144689A (zh) | 摄像装置及图像显示方法 | |
CN109325417A (zh) | 一种基于深度神经网络的工业过程故障工况诊断方法 | |
DE112010006012B4 (de) | Anzeigesystem | |
CN110184599A (zh) | 一种激光送粉熔覆系统及激光送粉熔覆控制方法 | |
CN103841726A (zh) | 极片表面缺陷检测中光源亮度实时调整装置及其调整方法 | |
CN101321270B (zh) | 一种实时优化图像的监控系统及方法 | |
CN104398231B (zh) | 立体内窥镜光源亮度调节系统及方法 | |
DE112011105721T5 (de) | Zuwachswert einer Bilderfassungskomponente | |
CN110355465B (zh) | 一种基于工业相机的高动态视觉系统和合成方法 | |
CN107396111A (zh) | 介导现实中自动视频插帧补偿方法及系统 | |
CN106979952A (zh) | 一种基于机器视觉技术的藻类检测与密度统计装置及其方法 | |
CN105489193A (zh) | 影像调整方法及显示设备 | |
CN116423005A (zh) | 一种提高焊接精度的锡焊工艺优化方法及系统 | |
CN113379740A (zh) | 基于穿孔熔池图像和深度学习的vppaw熔透原位实时监测系统 | |
CN110202576A (zh) | 一种工件二维视觉引导抓取检测系统和方法 | |
CN110223262A (zh) | 一种基于像素级的快速图像融合方法 | |
CN105025619B (zh) | 基于机器人运动过程中应对黑暗环境的光源亮度调节方法 | |
US20060159340A1 (en) | Digital image photographing apparatus and method | |
CN114612635A (zh) | 一种能够在增强现实和虚拟现实模式切换的方法及装置 | |
CN105959569A (zh) | 一种智能终端拍照方法 | |
CN107426501B (zh) | 监控摄像机自动控制器及吊具用自动追焦监控摄像机系统 | |
CN109128439A (zh) | Cad图纸技术引导机器人自动焊接方法 | |
CN117576153A (zh) | 一种目标跟踪方法及系统 | |
CN113579545A (zh) | 一种智能自决策熔池监测系统 |
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 |