[发明专利]一种基于改进自适应模糊神经网络的焊缝外形预测方法

说明书

本发明实施例提供了一种基于改进自适应模糊神经网络的焊缝外形预测方法，初始化焊缝外形预测模糊神经网络，确定焊接模糊规则；确定模糊神经网络的输入的焊接参数变量和模糊神经网络输出量；计算各焊接参数变量的焊接参数隶属度；利用基于直觉模糊C均值聚类（IFCM）和自适应惯性权重粒子群算法（APSO）融合算法寻优计算焊接参数隶属度函数中的未知参数，获得各焊接参数变量的焊接参数隶属度；根据各输入变量的焊接参数隶属度进行模糊计算；预测焊缝宽度和焊缝高度的输出值。本发明所提出的预测方法，减少了人力成本，有效地提高了焊接结果预测的准确性，解决了传统模糊神经网络训练过程中容易陷入局部极小点的问题。

技术领域

本发明涉及机器人焊接领域，具体涉及一种基于改进自适应模糊神经网络的焊缝外形预测方法，涉及一种机器人焊接焊缝外形预测方法。

背景技术

焊接质量的好坏直接影响焊接件的加工精度和使用寿命。在焊接过程中，焊接质量影响因素众多，钛合金的焊接质量检测主要包括焊接接头的致密性、物理性能、力学性能、焊接缺陷和外表尺寸等。焊接参数的异常波动、机械臂的震动、焊接工人对焊接参数的选择和焊接设备的操作规范，都会影响最终的焊接质量。现有的加工工厂中，通常由焊接工人设置焊接参数后利用试验件打样从而判断参数设置是否合理，若试验件质量不满足要求，则继续调整参数和打样，上述过程一方面会浪费大量的材料，另一方面需要耗费较长的时间和人力。

现有的神经网络算法由于其强大的非线性能力，可映射任意复杂的非线性函数，在机器人焊接系统中得到了初步的应用。但是，在实际焊接过程中，焊接参数与焊缝外形特征之间的相关关系难以定量描述，影响机器人焊接质量的因素较多，而模糊算法能够表达模糊知识，实现模糊推理，可有效弥补神经网络泛化能力差的不足。

1984年，J.C.Bezdek提出了模糊C均值聚类算法(FCM)，引入样本到聚类中心的隶属度，通过优化目标函数得到每个样本点对类中心的隶属度，决定样本点的类属以达到自动对样本数据进行分类的目的。1995年，Kennedy和Eberhart提出一种粒子群优化（partical swarm optimization, POS）算法，该算法具有群体智能、迭代格式简单、可快速收敛得到最优解所在区域等优点，迄今为止FCM算法和PSO算法都得到了较好的应用。但是在利用PSO算法确定焊接参数隶属度函数宽度的过程中，较小的权重因子则有利于对当前的搜索区域进行精确的局部搜索，而选用较小的权重因子容易在模糊神经网络训练过程中陷入局部极小点的问题，选用较大的权重因子有利于跳出局部最小点，便于全局搜索，但预测的精度不足，隶属度函数确定困难，难以兼顾预测的精度和预测结果的全局最优性。

发明内容

本发明为解决焊接参数与焊缝外表尺寸之间的拟合问题，提供了一种基于改进自适应模糊神经网络的机器人焊接焊缝外形预测方法。本发明采用自适应模糊神经网络对焊缝外形进行预测，根据预测数据调整焊接参数，该方法相比于传统试焊法，可根据输入的焊接参数对焊后外形进行预测，减少了人力成本，避免了由于人工试焊造成的材料浪费。

一种基于改进自适应模糊神经网络的焊缝外形预测方法，包括：

步骤1：初始化焊缝外形预测模糊神经网络，确定焊接模糊规则；

步骤2：确定模糊神经网络的输入的焊接参数变量和模糊神经网络输出量；

步骤3：根据步骤1确定的焊接模糊规则计算各焊接参数变量的焊接参数隶属度；

步骤4：利用基于直觉模糊C均值聚类（IFCM）和自适应惯性权重粒子群算法（APSO）融合算法寻优计算焊接参数隶属度中的未知参数，获得各焊接参数变量的焊接参数隶属度；

步骤5：根据各焊接参数变量的焊接参数隶属度进行模糊计算；

步骤6：根据步骤5获得的模糊计算结果获得机器人焊接焊缝的焊缝宽度和焊缝高度的预测输出值；

所述步骤3包括：