一种温度引导的焊接参数自适应调整方法、系统、设备及介质

摘要: 本发明涉及到焊接工艺智能控制,具体涉及一种温度引导的焊接参数自适应调整方法、系统、设备及介质,适用于非标准化金属产品的电弧焊、气体保护焊等焊接工艺,尤其适用于焊...
一种温度引导的焊接参数自适应调整方法、系统、设备及介质

本发明涉及到焊接工艺智能控制,具体涉及一种温度引导的焊接参数自适应调整方法、系统、设备及介质,适用于非标准化金属产品的电弧焊、气体保护焊等焊接工艺,尤其适用于焊接过程中温度分布动态变化、对焊接参数实时性与精准性要求高的复杂焊接场景。

背景技术:

1、焊接参数的精准调控是保证焊接质量的核心,尤其是在非标准化产品焊接过程中,因焊接工件形状、材质、焊缝轨迹无固定标准,焊接过程中的温度分布呈现强非线性、时变特性,对焊接参数的实时调整能力提出了极高要求。

2、现有焊接参数调整方法多为固定阈值式调整或单一模型的简单自适应调整,难以适配非标准化产品焊接的复杂工况,存在诸多技术缺陷:

3、1.无法构建焊接参数与温度分布的精准映射关系:现有方法多采用线性拟合或简单神经网络构建参数与温度的关联,难以捕捉焊接过程中多传感器信号的复杂非线性特征,易产生信号冗余,无法准确提取影响温度控制的关键焊接参数,且缺乏对参数调整的不确定性估计,导致温度预测偏差大;

4、2.参数自适应优化能力弱:多数调整方法依赖人工预设的参数调整规则,在复杂的焊接状态空间中无法自主学习最优调整策略,面对焊接温度的突发变化时,参数调整的响应速度慢、决策精度低,易造成焊接缺陷;

5、3.缺乏前瞻性的参数调控能力:现有方法多为事后调整,即当检测到温度偏离阈值后再进行参数修正,无法基于温度变化趋势实现提前调控,导致焊接过程中温度波动大,尤其在焊接起弧、收弧、焊缝拐角等关键阶段,温度稳定性差,影响焊接接头质量;

6、4.工况适配性差:未针对焊接过程的不同阶段设计差异化的控制策略,单一控制模型无法适配焊接升温、恒温、降温各阶段的动态特性,在非标准化产品焊接的复杂工况下,参数调整的鲁棒性不足。

7、可见,上述问题导致现有焊接参数调整方法无法满足非标准化产品焊接的高精度、高稳定性要求,焊接质量受人工经验影响大,工艺效率低下。因此,研发一种能精准捕捉焊接温度动态变化、实现焊接参数自适应优化与前瞻性调控的温度引导式调整方法,成为焊接智能控制领域亟待解决的技术问题。

技术实现思路

1、针对现有技术的不足,本发明的目的是提供一种温度引导的焊接参数自适应调整方法、系统、设备及介质,通过融合高斯过程回归、深度q学习与模型预测控制三种算法的优势,构建焊接参数智能调整体系,实现焊接参数与温度分布的精准非线性映射、焊接参数的自适应优化决策及基于温度趋势的前瞻性调控,能够解决现有方法映射精度低、自适应能力弱、缺乏前瞻性调整的问题,提升非标准化产品焊接的质量稳定性与工艺效率。

2、为达到上述目的,本发明采用的技术方案如下:

3、第一方面,本发明提出一种温度引导的焊接参数自适应调整方法,其关键在于,包括如下步骤:

4、步骤1、基于高斯过程回归构建焊接参数与温度分布的非线性映射关系,提取影响温度控制的关键焊接参数并完成参数调整的不确定性估计;

5、步骤2、基于深度q学习,在关键焊接参数与不确定性约束下,通过虚拟焊接仿真环境交互学习不同焊接温度状态下的最优参数调整策略;

6、步骤3、基于模型预测控制,针对焊接不同阶段构建线性/非线性差异化控制器,预测温度变化趋势并实现焊接参数的优化;

7、步骤4、将实际焊接的温度反馈数据回传至各算法模型,实现模型在线更新与参数调整策略的动态优化。

8、进一步的,步骤1中所述基于高斯过程回归构建焊接参数与温度分布的非线性映射关系,提取影响温度控制的关键焊接参数并完成参数调整的不确定性估计的步骤包括:

9、步骤1.1、采集焊接参数集、温度分布数据集、环境干扰参数以及材料特性参数,预处理后得到包括输入特征集和输出特征集的标准化数据集;

10、步骤1.2、构建以径向基核函数为核函数的高斯过程回归模型,采用最大似然估计法优化模型超参数,建立非线性映射关系;

11、步骤1.3、通过核函数梯度分析筛选关键焊接参数,利用高斯过程回归的概率模型特性输出各参数的不确定性估计值。

12、进一步的,步骤1.3中通过核函数梯度分析筛选关键焊接参数,利用高斯过程回归的概率模型特性输出各参数的不确定性估计值的步骤包括:

13、基于训练完成的高斯过程回归模型,计算输入特征集中各参数对温度输出特征集的贡献度;

14、通过核函数的梯度分析筛选出影响温度分布的关键焊接参数;

15、利用高斯过程回归的概率模型特性,输出每个关键焊接参数对应的不确定性估计值。

16、进一步的,步骤2中所述基于深度q学习,在关键焊接参数与不确定性约束下,通过虚拟焊接仿真环境交互学习不同焊接温度状态下的最优参数调整策略的步骤包括:

17、步骤2.1、定义深度q学习的状态空间s、动作空间a与奖励函数r,其中奖励函数r的表达式为:

18、

19、其中,为焊接目标温度,为温度波动标准差,δp为参数调整量,、、为权重系数;

20、步骤2.2、构建主q网络与目标q网络组成的深度q学习网络,搭建基于高斯过程回归的虚拟焊接仿真环境;

21、步骤2.3、采用经验回放、目标网络分离机制与ε-贪心策略训练构建的深度q学习网络,直至收敛得到最优焊接参数调整策略。

22、进一步的,所述深度q学习网络包括卷积神经网络层和全连接网络层,其中,卷积神经网络层用于提取状态空间的高维特征,全连接网络层用于拟合状态与动作价值函数q,输出每个动作对应的q值;

23、在训练时,将智能体在虚拟环境中的交互经验存储至经验回放池,随机采样批次经验进行网络参数更新;每隔固定迭代步数,将主q网络的参数复制至目标q网络;训练初期以较大的ε值进行探索,尝试不同的参数调整动作;训练后期以较小的ε值进行利用,优先选择q值最大的最优动作。

24、进一步的,步骤3中所述基于模型预测控制,针对焊接不同阶段构建线性/非线性差异化控制器,预测温度变化趋势并实现焊接参数的优化的步骤包括:

25、步骤3.1、将焊接过程划分为起弧升温、恒温、收弧降温阶段,对应构建非线性、线性、非线性模型预测控制器;

26、步骤3.2、在每个控制周期,基于预测模型得到未来有限时域的温度变化趋势,构建以温度偏差最小、参数调整量最平滑为目标的优化问题,并引入焊接工艺约束;

27、步骤3.3、求解优化问题得到未来时域的最优调整量,采用滚动优化策略仅执行当前时刻的调整量,实现焊接参数的前瞻性调控。

28、进一步的,步骤3.2中以温度偏差最小、参数调整量最平滑为目标的优化问题的目标函数表达式为:

29、

30、s.t.

31、其中,为未来有限时域[t,t+]内的温度变化趋势,,为预测时域,λ为平滑系数,为控制时域,为焊接目标温度,为未来有限时域[t,t+]内的参数调整量,、为焊接参数的上下限约束。

32、第二方面,本发明提出一种如第一方面所述的温度引导的焊接参数自适应调整系统,包括:

33、数据采集模块,用于采集焊接参数集、温度分布数据集、环境干扰参数以及材料特性参数,预处理后得到包括输入特征集和输出特征集的标准化数据集;

34、数据处理模块,用于基于高斯过程回归构建焊接参数与温度分布的非线性映射关系,提取影响温度控制的关键焊接参数并完成参数调整的不确定性估计;还用于基于深度q学习,在关键焊接参数与不确定性约束下,通过虚拟焊接仿真环境交互学习不同焊接温度状态下的最优参数调整策略;以及用于基于模型预测控制,针对焊接不同阶段构建线性/非线性差异化控制器,预测温度变化趋势并实现焊接参数的优化,输出参数调整指令;

35、参数执行模块,用于接收调整指令并精准执行焊接参数调整;

36、反馈监控模块,用于将实际焊接的温度反馈数据回传至各算法模型,实现模型在线更新与参数调整策略的动态优化。

37、第三方面,本发明提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述文件系统的优化方法。

38、第四方面,本发明提出一种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如第一方面所述文件系统的优化方法。

39、本发明的显著效果是:

40、1.实现了焊接参数与温度分布的精准非线性映射:本发明采用了高斯过程回归算法,通过径向基核函数捕捉焊接过程的复杂非线性特征,有效剔除了传感器信号冗余,精准提取了影响温度控制的关键焊接参数,同时输出参数调整的不确定性估计,为后续参数优化提供了可靠的数据基础,温度预测精度较传统线性模型大幅提升;

41、2.提升了焊接参数的自适应优化决策能力:本发明融合了深度q学习与虚拟焊接仿真环境,通过大量交互学习不同温度状态下的最优参数调整策略,摆脱了对人工预设规则的依赖,在复杂焊接状态空间中能快速响应温度变化,实现了焊接参数的自适应决策,能有效应对非标准化产品焊接的工况变化;

42、3.实现了焊接参数的前瞻性精准调控:本发明基于模型预测控制算法,针对焊接不同阶段设计线性/非线性差异化控制器,能准确预测未来温度变化趋势并实现提前参数调整,有效降低了焊接过程中的温度波动,尤其在起弧、收弧等关键阶段,温度稳定性大幅提升;

43、4.构建了全链路闭环控制体系,鲁棒性强:本发明实现了数据采集、算法运算、参数执行、反馈优化的全链路闭环控制流程,将实际焊接的反馈数据实时回传至各算法模型,实现模型的在线更新与策略的动态优化,能有效抑制环境干扰、工件材质差异等因素的影响,在非标准化产品焊接的复杂工况下,仍保持较高的参数调整精度与焊接质量稳定性;

44、5.提升了焊接质量与工艺效率:本发明通过精准的温度引导式参数调整,有效减少了焊接气孔、裂纹、未熔合等缺陷,有效提升了焊接接头的合格率;同时,参数的自适应与前瞻性调整减少了人工干预,大幅提升了焊接工艺效率。