基于双通道时序预测与蚁群算法的焊接热变形补偿方法

本发明涉及焊接监测，尤其涉及一种基于双通道时序预测与蚁群算法的焊接热变形补偿方法。

背景技术：

1、在大型结构件的自动化焊接中，焊接轨迹的精度直接决定了焊缝成形质量。传统的焊接轨迹生成方法主要分为离线编程和在线视觉跟踪两类，但均存在明显不足：离线编程依赖于工件的模型和理想坡口参数，无法适应实际装配误差和焊接过程中的热变形；在线视觉跟踪通过实时提取焊缝特征点引导机器人运动，但本质上是对当前偏差的被动响应，缺乏对焊接变形趋势的前瞻性补偿能力。焊接过程中的轨迹偏差并非随机噪声，而是由多种物理因素驱动的系统性变形。其中最主要的影响因素是热累积变形：大热输入焊接导致工件产生显著的热膨胀和随后的收缩变形，对于长焊缝，焊接收缩可达数毫米。这些因素耦合作用，使得实际焊接轨迹问题成为一个复杂的物理驱动优化问题。

2、近年来，深度学习在时序预测和图像处理领域取得了显著进展。基于卷积神经网络和循环神经网络的方法已被用于焊缝跟踪和熔池监测。然而，现有研究大多单独使用视觉信息或热信息，未将两者深度融合用于热变形偏移量的直接预测。同时，单纯使用几何轨迹外推或最小二乘拟合的方法，在面对热变形时往往产生较大偏差。在轨迹优化方面，传统的多项式拟合、样条插值或最小二乘类方法因其计算效率高、数值稳定、几何意义明确而被广泛采用，但其本质是局部优化方法，容易陷入局部最优，且难以融入热变形等物理先验信息。

技术实现思路

1、有鉴于此，本发明提出了一种基于双通道时序预测与蚁群算法的焊接热变形补偿方法，通过结构光视觉与热成像分别获取焊缝的几何序列与热序列，构建双通道时序预测模型输出法向修正比例，实现对热变形趋势的前瞻性预测，以克服传统在线视觉跟踪仅能被动响应当前偏差的局限，将预测结果转化为预估偏差点并与实测点加权融合，从而量化预测不确定性并融入融合决策，在此基础上，构建改进蚁群算法，以预估偏差点作为先验信息融入启发函数，引导多项式系数搜索生成连续轨迹，避免了传统局部优化方法容易陷入局部最优的缺陷，同时设置滚动时域机制，每次仅执行前段轨迹，将后段对应实测点与新点合并迭代，实现轨迹的平滑衔接与连续自适应补偿，使得机器人焊枪在焊接过程中可自适应的进行调整，适配实际装配误差和焊接过程中的热变形。

2、本发明的技术方案是这样实现的：

3、第一方面，本发明提供了基于双通道时序预测与蚁群算法的焊接热变形补偿方法，包括以下步骤：

4、通过结构光视觉传感器与热成像仪分别获取焊缝的几何序列与热序列，所述几何序列由结构光视觉传感器采集的实测点集构建形成；

5、构建双通道时序预测模型，将几何序列和热序列输入双通道时序预测模型，由双通道时序预测模型输出实测点集中每个实测点对应的法向修正比例；

6、根据法向修正比例对预设的基准轨迹进行热变形预补偿，生成预估偏差点集，并将预估偏差点集与实测点集进行加权融合，得到待拟合点集；

7、构建改进蚁群算法，以待拟合点集为优化目标，将预估偏差点集作为先验信息融入改进蚁群算法的启发函数，搜索最优多项式系数，生成一条参数化的连续轨迹；

8、采用滚动时域机制，每次生成连续轨迹后，按预设比例截取连续轨迹的前段部分作为当前焊接执行的轨迹，将连续轨迹的后段部分所对应的实测点与新获取的实测点合并，用于下一次迭代的待拟合点集构建。

9、在一实施例中，所述通过结构光视觉传感器与热成像仪分别获取焊缝的几何序列与热序列，具体包括：

10、通过三线激光结构光视觉单元实时采集焊缝中心的三维坐标，并以最近预定数量的历史时刻的三维坐标，构建几何序列；

11、通过高速热成像仪实时采集焊缝的热场参数，并以相同历史时刻的热场参数构建所述热序列；

12、所述热场参数包括熔池最高温度、热影响区平均温度、沿焊缝方向的温度梯度、以及热循环特征参数；其中，所述热循环特征参数为焊缝上固定点从熔池到达时刻至冷却至预设温度的时刻的时间差。

13、在一实施例中，所述构建双通道时序预测模型，具体包括：

14、设置几何卷积通道，所述几何卷积通道依次通过一维扩张卷积层、批归一化层、激活函数层和通道注意力模块，提取几何序列的时序特征，并输出几何特征；

15、设置热卷积通道，所述热卷积通道通过与几何卷积通道相同的结构提取热序列的时序特征，输出热特征；

16、将几何特征与热特征沿通道维度拼接，生成融合特征；

17、将融合特征输入transformer编码器进行全局时序建模，生成编码特征；

18、将编码特征通过全连接层和sigmoid激活函数映射为法向修正比例。

19、在一实施例中，所述将预估偏差点集与实测点集进行加权融合，具体包括：

20、计算每个实测点的第一置信度，所述第一置信度根据结构光视觉传感器采集时多个候选点的一致性确定；

21、计算每个预估偏差点的第二置信度，所述第二置信度根据所述双通道时序预测模型对法向修正比例的预测方差确定；

22、根据第一置信度与所述第二置信度，对相对应的实测点与预估偏差点进行加权平均，得到融合点，并以第一置信度与第二置信度的和，作为融合点的融合权重。

23、在一实施例中，所述启发函数包含拟合误差启发项和偏差一致性启发项；所述拟合误差启发项用于衡量候选解在待拟合点集上的拟合偏差，所述拟合偏差以候选解对应的轨迹点与所述待拟合点之间的距离度量；所述偏差一致性启发项用于衡量待拟合点集与预估偏差点集之间的空间接近程度，所述空间接近程度以待拟合点与对应预估偏差点之间的距离度量；所述改进蚁群算法在搜索最优多项式系数的过程中，根据启发函数引导蚂蚁选择候选解。

24、在一实施例中，所述滚动时域机制，具体包括：

25、每次生成连续轨迹后，按预定比例截取连续轨迹的前段部分作为当前焊接执行的轨迹；其中，所述预定比例对应于当前轨迹所覆盖的实测点总数中用于执行的点数比例；

26、将连续轨迹的后段部分所对应的实测点保存，并与下一轮新获取的实测点合并，形成下一次迭代的实测点集；

27、维持每次迭代中待拟合点集的数量不变。

28、在一实施例中，在所述将连续轨迹的后段部分所对应的实测点与新获取的实测点合并之后，还包括：

29、根据每次焊接执行的轨迹段计算综合质量评分，所述综合质量评分至少包括几何精度评分和热变形补偿效果评分；

30、将综合质量评分作为反馈信号，对双通道时序预测模型进行在线微调；其中，所述在线微调仅更新transformer编码器的最后一部分网络层，保持几何卷积通道和所述热卷积通道的参数不变；

31、根据综合质量评分动态调整偏差一致性启发项中的先验带宽参数；当综合质量评分低于预设阈值时增大先验带宽参数，当综合质量评分高于预设阈值且稳定时减小先验带宽参数。

32、第二方面，本发明提供了基于双通道时序预测与蚁群算法的焊接热变形补偿系统，用于实现上述的基于双通道时序预测与蚁群算法的焊接热变形补偿方法，所述系统包括：

33、数据获取模块，用于通过结构光视觉传感器与热成像仪分别获取焊缝的几何序列与热序列；

34、法向修正比例预测模块，用于构建双通道时序预测模型，将几何序列和热序列输入双通道时序预测模型，由双通道时序预测模型输出实测点集中每个实测点对应的法向修正比例；

35、预补偿与融合模块，用于根据法向修正比例对预设的基准轨迹进行热变形预补偿，生成预估偏差点集，并将预估偏差点集与所述实测点集进行加权融合，得到待拟合点集；

36、全局轨迹拟合模块，用于构建改进蚁群算法，以待拟合点集为优化目标，将预估偏差点集作为先验信息融入改进蚁群算法的启发函数，搜索最优多项式系数，生成一条参数化的连续轨迹；

37、滚动执行与迭代模块，用于采用滚动时域机制，每次生成连续轨迹后，按预设比例截取连续轨迹的前段部分作为当前焊接执行的轨迹，将连续轨迹的后段部分所对应的实测点与新获取的实测点合并，用于下一次迭代的待拟合点集构建。

38、第三方面，本发明提供了一种电子设备，包括处理器和存储器；所述存储器有存储计算机程序，其中，所述计算机程序在被所述处理器执行时实现上述的基于双通道时序预测与蚁群算法的焊接热变形补偿方法。

39、第四方面，本发明提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于双通道时序预测与蚁群算法的焊接热变形补偿方法的步骤。

40、本发明的基于双通道时序预测与蚁群算法的焊接热变形补偿方法相对于现有技术具有以下有益效果：

41、1、通过结构光视觉与热成像分别获取焊缝的几何序列与热序列，构建双通道时序预测模型输出法向修正比例，实现对热变形趋势的前瞻性预测，以克服传统在线视觉跟踪仅能被动响应当前偏差的局限，将预测结果转化为预估偏差点并与实测点加权融合，从而量化预测不确定性并融入融合决策，在此基础上，构建改进蚁群算法，以预估偏差点作为先验信息融入启发函数，引导多项式系数搜索生成连续轨迹，避免了传统局部优化方法容易陷入局部最优的缺陷，同时设置滚动时域机制，每次仅执行前段轨迹，将后段对应实测点与新点合并迭代，实现轨迹的平滑衔接与连续自适应补偿；

42、2、通过三线激光结构光视觉单元实时采集焊缝中心三维坐标，并以最近预定数量的历史时刻构建几何序列；通过高速热成像仪采集包含熔池最高温度、热影响区平均温度、沿焊缝方向温度梯度以及热循环特征参数的热序列，使得几何信息与热信息在时序上精确对齐，热循环特征参数利用热成像仪的高帧率特性直接获取而无需额外传感器，为双通道时序预测模型提供丰富且同步的输入特征，从而有效提升法向修正比例的预测准确性；

43、3、在滚动时域执行后，根据每次焊接执行的轨迹段计算综合质量评分，将该评分作为反馈信号对双通道时序预测模型进行在线微调，同时动态调整偏差一致性启发项中的先验带宽参数，使得预测模型能够根据实际执行效果不断适应特定工件的热变形特性，且仅微调transformer编码器的顶层网络而固定卷积通道参数，在保持已有知识的同时实现了快速自适应；先验带宽参数的动态调整则实现了对预测先验信任度的在线优化。