[发明专利]基于机器学习的关键焊接工艺参数预测方法

权利要求书

1.基于机器学习的关键焊接工艺参数预测方法，其特征在于，包括：

步骤一、获取焊接电流、焊接电压和送丝速度，作为关键焊接工艺参数；

步骤二、利用Pearson相关系数计算关键焊接工艺参数中每两个参数的相关性，得到每两个参数的相关系数，当相关系数|P|≥0.6时，则认为两参数间强相关，剔除相关系数|P|≥0.6的参数对中的其一，剩余的参数作为基础焊接工艺参数；

步骤三、建立送丝速度—焊接电流拟合模型，将基础焊接工艺参数中的焊接电流作为输入,送丝速度作为输出，对送丝速度—焊接电流拟合模型进行拟合，得到最优送丝速度—焊接电流拟合模型，用于根据焊接电流预测送丝速度；

步骤四、建立焊接电压—焊接电流点预测拟合模型，将基础焊接工艺参数中的焊接电流作为输入，焊接电压作为输出，对焊接电压—焊接电流点预测拟合模型进行拟合，得到最优焊接电压—焊接电流的点预测拟合模型，用于根据焊接电流预测焊接电压点预测值；

步骤五、根据焊接电压点预测值计算得到焊接电压的区间上下界，建立焊接电流—焊接电压区间预测模型，以焊接电流作为输入，焊接电压的区间上下界作为输出，基于机器学习法对焊接电流—焊接电压区间预测模型进行训练，得到最优焊接电流—焊接电压区间预测模型，用于根据焊接电流预测焊接电压的区间上下界，确定焊接电压的取值范围，具体过程包括：

步骤五一、计算残差，并对残差进行排序，所述残差为焊接电压的真实值与焊接电压的点预测值的差值；

步骤五二、对排序后的残差进行聚类，获取聚类后残差的上下预测区间；

步骤五三、根据每个聚类的上下预测区间计算得到焊接电压的区间上下界；

步骤五四、利用深度学习网络建立焊接电流与焊接电压区间上下界的映射关系，形成映射模型，对映射模型进行拟合，得到最优映射模型作为最终的焊接电流—焊接电压区间预测模型。

步骤六、获取地下工程装备的焊接电流和焊接速度，根据送丝速度—焊接电流拟合模型计算出送丝速度，根据焊接电流—焊接电压区间预测模型计算出焊接电压的取值范围，根据实际工况获取焊接电压的取值，若实际工况允许，则取焊接电压点预测值作为最终焊接电压，若实际工况不允许，则在焊接电压的取值范围内选取最接近点预测值的值，作为最终焊接电压；

将焊接电流、最终焊接电压、送丝速度和焊接速度输入至CLOOS焊接机器人系统中，实现焊接工艺的自动化。

2.根据权利要求1所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤三建立送丝速度—焊接电流拟合模型，具体过程包括：

获取焊接件的送丝速度和焊接电流数据，并绘制送丝速度与焊接电流数据散点图，判断散点图是否呈分段恒定的特征，所述分段恒定的特征为：焊接电流在固定范围内变化，且送丝速度保持不变，则根据稳定点建立分段拟合模型，作为送丝速度—焊接电流拟合模型，所述稳定点即送丝速度保持不变，焊接电流和焊接电压在一定范围内变化；若散点图不符合分段恒定的特征，则利用非分段函数建立送丝速度—焊接电流拟合模型。

3.根据权利要求1所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤四将基础焊接工艺参数中的焊接电流作为输入，焊接电压作为输出，对焊接电压—焊接电流点预测拟合模型进行拟合，得到最优焊接电压—焊接电流的点预测拟合模型，具体过程包括：

获取焊接件的焊接电压和焊接电流数据，并绘制焊接电压与焊接电流数据散点图，若散点图呈带状分布的特征，即在一定的焊接电流下，焊接电压在一定范围内变化，则对数据进行曲线拟合，得到拟合中心线，即焊接电压—焊接电流点预测拟合模型。

4.根据权利要求1所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤五一中计算残差，并对残差进行排序的具体过程包括：

用残差表征焊接电压预测区间的上下界：

ε_i＝u_i-U_i,i＝1,2,...,N

其中，ε_i表示样本i的残差；u_i表示样本i的焊接电压真实值；U_i表示样本i的焊接电压点预测值；N表示样本总数；

将计算出的残差按升序进行排列。