基于人工智能的激光切割方法、装置和系统与流程
本发明涉及激光切割,具体是涉及一种基于人工智能的激光切割方法、装置和系统。
背景技术:
1、激光切割作为一种非接触式高精度加工手段,已被广泛应用于汽车制造、航空航天、电子器件和机械加工等工业领域。激光切割系统通常由激光器、光学传输系统、数控运动平台和控制系统构成,其核心在于通过控制激光功率、切割速度、焦点位置、辅助气体流量等参数,实现对待加工材料的精确切割。
2、在现有的使用激光切割设备进行汽车零部件的切割的时候,由于不同型号激光切割设备的编程规则存在显著差异,操作脚本的编写门槛高。市场上的激光切割设备来自不同厂商,各设备的控制系统具有各自特定的编程语法、指令集和参数规范。操作人员需要针对每台设备单独学习其编程语言和操作逻辑,当同一条产线配置有多台不同品牌或型号的激光设备时,操作人员需在不同编程规范之间频繁切换,容易出现指令编写错误,导致设备误动作或切割质量异常。而且,现有的激光切割设备在编程的时候,人机交互效果不佳。
3、综上所述,如何提升激光切割质量,降低激光切割设备的操作门槛,是行业内亟需研究的技术问题。
技术实现思路
1、本发明提供一种基于人工智能的激光切割方法、装置和系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
2、本发明提供了一种基于人工智能的激光切割方法,包括:在人机交互界面中呈现激光切割智能体的对话窗口,并接收用户与所述激光切割智能体之间的多轮对话输入;
3、从所述多轮对话输入中提取切割约束信息,所述切割约束信息包括:目标零部件的材料信息、目标零部件的模型信息、切割质量要求和目标激光切割设备的型号信息;
4、根据所述目标激光切割设备的型号信息,从设备数据库中确定目标激光切割设备,并获取所述目标激光切割设备的激光切割编程规则文件;
5、通过深度神经网络模型处理所述切割约束信息和所述激光切割编程规则文件,生成适配所述目标激光切割设备的激光切割编程操作脚本;其中,所述激光切割编程操作脚本包含所述目标激光切割设备可执行的切割参数和切割路径指令;
6、将所述激光切割编程操作脚本传递给所述目标激光切割设备,使得所述目标激光切割设备按照所述激光切割编程操作脚本对目标零部件进行激光切割。
7、进一步,通过深度神经网络模型处理所述切割约束信息和所述激光切割编程规则文件,生成适配所述目标激光切割设备的激光切割编程操作脚本,具体包括:根据所述目标零部件的模型信息,和所述目标零部件被切割后的目标组件的模型信息,确定所述目标零部件中被切割部分的模型;
8、将所述被切割部分的模型分割为多个子模型,并确定所述多个子模型的空间信息;根据所述多轮对话输入中用户逐步提供的多个约束条件,动态调整所述多个子模型各自对应的空间坐标点密度;其中,所述空间坐标点密度与所述约束条件中对应区域的精度要求正相关;通过所述深度神经网络模型处理调整后的所述多个子模型的空间信息,生成切割光路;
9、其中,所述切割光路被配置为:若所述目标激光切割设备按照所述切割光路进行激光切割,则能够得到所述目标组件;
10、根据所述目标激光切割设备的型号信息,获取所述目标激光切割设备对应的多个切割参数的敏感度特征,并根据所述多个切割参数的敏感度特征,确定所述多个切割参数的确定顺序;其中,所述确定顺序按照敏感度从高到低的顺序排列;
11、根据所述确定顺序,依次确定所述多个切割参数的参数值;其中,所述切割光路包含多个空间坐标点及各空间坐标点对应的轨迹几何特征,在确定任一所述切割参数的参数值时,所述智能设备根据所述切割光路中各空间坐标点的轨迹几何特征,确定所述切割参数在各空间坐标点处的参数值,所述轨迹几何特征至少包括曲率半径和/或轨迹方向变化率;
12、所述智能设备将所述切割光路中各空间坐标点与各空间坐标点处的所述多个切割参数的参数值逐点绑定,生成所述激光切割编程操作脚本。
13、进一步,根据所述多个切割参数的敏感度特征,确定所述多个切割参数的确定顺序,具体包括:获取样本零件的物理参数样本值和切割所述样本零件的多个切割参数的参数值样本;
14、根据所述物理参数样本值和所述多个切割参数的参数值样本,确定所述多个切割参数中每两个切割参数之间的相关系数;
15、根据所述目标激光切割设备的型号信息确定相关系数阈值,并根据所述相关系数和所述相关系数阈值,对所述多个切割参数进行聚类,得到多个参数组;根据各参数组的敏感度特征,确定所述多个切割参数的确定顺序。
16、进一步,所述基于人工智能的激光切割方法还包括:在所述目标激光切割设备按照所述激光切割编程操作脚本对所述目标零部件进行激光切割之后,获取视觉采集设备采集的切割结果图像;根据所述切割结果图像和所述目标零部件的目标模型,确定实际切割结果与预期切割结果之间的差异信息;
17、在所述差异信息满足预设的对话触发条件时,通过所述激光切割智能体向所述用户发起后续对话轮次,所述后续对话轮次用于向所述用户询问是否调整切割参数或重新切割;响应于所述用户在所述后续对话轮次中的输入,更新所述激光切割编程操作脚本。
18、进一步,根据所述切割结果图像和所述目标零部件的目标模型,确定实际切割结果与预期切割结果之间的差异信息,具体包括:对所述切割结果图像中的切割边缘信息进行特征提取,得到实际切割边缘轮廓;
19、将所述实际切割边缘轮廓与所述目标模型对应的预期切割边缘轮廓进行比对,确定未满足预设要求的差异区域;
20、根据所述差异区域的几何特征和所述目标激光切割设备的型号信息,确定导致所述差异区域的改进参数维度;根据所述改进参数维度生成所述差异信息。
21、进一步,所述基于人工智能的激光切割方法还包括:获取历史用户的多个历史对话记录及各历史对话记录对应的历史切割结果;
22、根据所述历史对话记录和所述历史切割结果,构建用户偏好模型,所述用户偏好模型用于表征用户输入的表述方式与切割参数偏好之间的映射关系;
23、根据所述用户偏好模型对当前用户的所述多轮对话输入进行意图补全和参数推荐。
24、另一方面,提供了一种基于人工智能的激光切割装置,包括:处理器和存储器;所述存储器用于存储计算机可读程序;当所述计算机可读程序被所述处理器执行时,使得所述处理器实现如上述技术方案中任一项所述的基于人工智能的激光切割方法。
25、另一方面,提供了一种基于人工智能的激光切割系统,包括:接收模块、提取模块、获取模块、生成模块和传递模块;
26、所述接收模块用于:在人机交互界面中呈现激光切割智能体的对话窗口,并接收用户与所述激光切割智能体之间的多轮对话输入;
27、所述提取模块用于:从所述多轮对话输入中提取切割约束信息,所述切割约束信息包括:目标零部件的材料信息、目标零部件的模型信息、切割质量要求和目标激光切割设备的型号信息;
28、所述获取模块用于:根据所述目标激光切割设备的型号信息,从设备数据库中确定目标激光切割设备,并获取所述目标激光切割设备的激光切割编程规则文件;
29、所述生成模块用于:通过深度神经网络模型处理所述切割约束信息和所述激光切割编程规则文件,生成适配所述目标激光切割设备的激光切割编程操作脚本;其中,所述激光切割编程操作脚本包含所述目标激光切割设备可执行的切割参数和切割路径指令;
30、所述传递模块用于:将所述激光切割编程操作脚本传递给所述目标激光切割设备,使得所述目标激光切割设备按照所述激光切割编程操作脚本对目标零部件进行激光切割。
31、进一步,在生成模块中,通过深度神经网络模型处理所述切割约束信息和所述激光切割编程规则文件,生成适配所述目标激光切割设备的激光切割编程操作脚本,具体包括:根据所述目标零部件的模型信息,和所述目标零部件被切割后的目标组件的模型信息,确定所述目标零部件中被切割部分的模型;
32、将所述被切割部分的模型分割为多个子模型,并确定所述多个子模型的空间信息;
33、根据所述多轮对话输入中用户逐步提供的多个约束条件,动态调整所述多个子模型各自对应的空间坐标点密度;其中,所述空间坐标点密度与所述约束条件中对应区域的精度要求正相关;通过所述深度神经网络模型处理调整后的所述多个子模型的空间信息,生成切割光路;
34、其中,所述切割光路被配置为:若所述目标激光切割设备按照所述切割光路进行激光切割,则能够得到所述目标组件;
35、根据所述目标激光切割设备的型号信息,获取所述目标激光切割设备对应的多个切割参数的敏感度特征,并根据所述多个切割参数的敏感度特征,确定所述多个切割参数的确定顺序;其中,所述确定顺序按照敏感度从高到低的顺序排列;
36、根据所述确定顺序,依次确定所述多个切割参数的参数值;其中,所述切割光路包含多个空间坐标点及各空间坐标点对应的轨迹几何特征,在确定任一所述切割参数的参数值时,所述智能设备根据所述切割光路中各空间坐标点的轨迹几何特征,确定所述切割参数在各空间坐标点处的参数值,所述轨迹几何特征至少包括曲率半径和/或轨迹方向变化率;
37、所述智能设备将所述切割光路中各空间坐标点与各空间坐标点处的所述多个切割参数的参数值逐点绑定,生成所述激光切割编程操作脚本。
38、进一步,根据所述多个切割参数的敏感度特征,确定所述多个切割参数的确定顺序,具体包括:获取样本零件的物理参数样本值和切割所述样本零件的多个切割参数的参数值样本;
39、根据所述物理参数样本值和所述多个切割参数的参数值样本,确定所述多个切割参数中每两个切割参数之间的相关系数;
40、根据所述目标激光切割设备的型号信息确定相关系数阈值,并根据所述相关系数和所述相关系数阈值,对所述多个切割参数进行聚类,得到多个参数组;根据各参数组的敏感度特征,确定所述多个切割参数的确定顺序。
41、本发明至少具有以下有益效果:本发明的方法通过在人机交互界面中呈现激光切割智能体的对话窗口并接收多轮对话输入,使得用户无需具备专业的激光切割编程知识和各设备厂商的编程语法知识,仅通过自然语言描述切割任务即可完成激光切割程序的编制。这显著降低了激光切割设备的操作门槛,使非专业人员也能够快速完成激光切割任务的配置。同时,通过从多轮对话输入中提取切割约束信息并自动匹配目标设备的编程规则文件,避免了人工查阅不同设备型号编程手册的繁琐过程,减少了因编程规则不熟悉导致的指令编写错误。进一步地,通过深度神经网络模型处理切割约束信息和编程规则文件自动生成可执行脚本,实现了切割方案从需求描述到设备指令的全自动化转换,大幅缩短了激光切割生产的准备时间,提高了激光切割产线的柔性换型效率。另一方面,本发明还提供对应的装置和系统,所述装置和系统的有益效果与方法类似,这里就不重复描述了。本发明主要用于激光切割技术领域。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com