[发明专利]基于机器学习的关键焊接工艺参数预测方法

说明书

基于机器学习的关键焊接工艺参数预测方法，属于焊接工艺的参数预测领域。本发明解决了现有影响地下工程装备焊接质量的工艺参数复杂，导致不易对参数进行调试，进而导致地下工程装备关键部件的焊接件质量差的问题。本发明方法包括：获取焊接电流、焊接电压和送丝速度；建立送丝速度—焊接电流拟合模型，根据焊接电流预测送丝速度；建立焊接电压—焊接电流的点预测拟合模型，根据焊接电流预测焊接电压点预测值；根据焊接电压点预测值确定焊接电压的取值范围；根据获取的焊接电流和焊接速度，得到送丝速度和焊接电压的取值；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，实现焊接工艺的自动化。本发明用于焊接工艺的参数预测。

技术领域

本发明涉及基于机器学习的关键焊接工艺参数预测方法。属于焊接工艺的参数预测领域。

背景技术

地下工程装备是国家基础设施建设重要的高端装备，在铁路、隧道、桥梁等建筑行业应用广泛。为适应复杂多变的工况，保障施工质量和人员安全，其超大型关键部件的加工质量要求高、工艺流程和方法复杂。在各类工艺方法中，焊接工艺是关键部件加工的核心步骤，决定了部件的制造质量。

地下工程装备焊接工艺有如下特点。第一，影响焊接质量的焊接工艺参数复杂多样。具体地说，包括焊接条件参数、焊接过程参数和环境因素3类。焊接条件参数包括焊接形式、坡口类型、组对间隙、干伸长度等。这类参数反映了焊接要求和初始条件，对焊接质量有一定影响。焊接过程参数包括焊接电压、焊接电流、焊接速度、送丝速度等，这类参数反映了焊接过程焊头的状态，通过控制焊缝的好坏对焊接质量有决定性影响。环境因素指焊接工作环境的状态，包括温度、湿度等。第二，焊接工艺的自动化和智能化水平很高。以本发明的数据来源，中国铁建重工使用的CLOOS焊接机器人为例，通过离线编程，基本实现了上料-固定-焊接-下料流程；同时可以实时监控和调整焊接电流、电压等过程参数，操控机器人进行多层多道焊接。

焊接工艺的上述特征决定了加工过程存在如下缺陷。首先，复杂多样的焊接工艺参数导致焊接质量难以保证，任何工艺参数的波动变化都可能导致焊接质量缺陷。面对如此众多的参数，焊接人员常出现顾此失彼或误操作。其次，复杂多样的焊接工艺参数的综合协调问题也面临挑战。各类焊接工艺参数并非相互独立的，由于理化性质、机械构造等内在条件制约，一些参数可能具有一定的相关性。在焊接过程中，忽视上述内在条件，孤立地调试各类焊接工艺参数不仅工作量巨大，而且可能因设置不符合参数内在关系的数据影响焊接质量，甚至损坏焊接设备。最后，复杂多样的焊接工艺参数也给焊接机器人离线编程带来了困难。编程人员要设置众多参数值，容易出现错误，进而导致成批焊接件质量不合格。

发明内容

本发明是为了解决现有影响地下工程装备焊接质量的工艺参数复杂，导致不易对参数进行调试，进而导致地下工程装备关键部件的焊接件质量差的问题。现提供基于机器学习的关键焊接工艺参数预测方法。

基于机器学习的关键焊接工艺参数预测方法，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；