一种基于CBR和RBR的机器人焊接工艺参数优化方法
专利汇可以提供一种基于CBR和RBR的机器人焊接工艺参数优化方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于CBR和RBR的 机器人 焊接 工艺参数优化方法，属于机器人焊接技术领域，包括焊接工艺输入模 块 、焊接工艺 专家系统 、焊接工艺输出模块；焊接工艺输入模块将接受焊接任务和焊接资源提交至焊接工艺专家系统，焊接工艺专家系统中的查询引擎实现对历史焊接案例的重用，若没有相似的焊接工艺案例则进入推理引擎，进行基于规则进行案例推理。推理出的焊接工艺中存在范围值，利用焊接工艺参数优化模块中的粒子群 算法 对焊 接工艺参数的多目标优化，确定最优的焊接工艺参数组合，获取精确值以供焊接机器人执行，实现机器人焊接智能化，可提高生产效率、效果显著。，下面是一种基于CBR和RBR的机器人焊接工艺参数优化方法专利的具体信息内容。
1.一种基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，包括焊接工艺输入模块、焊接工艺专家系统、焊接工艺输出模块；
所述焊接工艺输入模块用于将焊接资源文件与焊接任务文件转换为合理格式后将焊接信息提交至焊接工艺专家系统中；
所述焊接工艺专家系统用于判断焊接信息并调取对应的焊接工艺；所述焊接工艺专家系统包括查询引擎、推理引擎、知识库、焊接工艺参数优化模块，所述知识库包括焊接工艺案例库和焊接工艺规则库，所述查询引擎用于判断焊接信息是否属于焊接工艺案例库的相似案例并将相似案例导入焊接工艺输出模块；所述推理引擎用于在焊接工艺规则库中提取规则并进入焊接工艺参数优化模块，所述焊接工艺参数优化模块用于基于焊接信息制定对应的焊接工艺并将焊接工艺导入焊接工艺输出模块；
所述焊接工艺输出模块将焊接工艺输出至焊接机器人控制器；
步骤包括：
(1)焊接工艺输入模块将焊接资源文件与焊接任务文件基于一定映射规则转换为合理格式提交至焊接工艺专家系统中；
(2)查询引擎在焊接工艺案例库中进行相似案例查询，如果有匹配到相似案例则将该相似案例提交到焊接工艺输出模块中，如没有相似案例则进入推理引擎；
(3)推理引擎在焊接工艺规则库中提取相关规则后生成合适的焊接工艺；所述推理引擎推理得到的焊接工艺中焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量为范围值，进入焊接工艺参数优化模块；推理引擎得到的其他焊接工艺参数：焊材直径、保护气体成分、焊丝伸出长度、焊枪倾角为确定值；送丝速度、起弧电流/收弧电流、起弧电压/收弧电压则由经过焊接工艺参数优化模块优化后的焊接电流、焊接电压得到；
(4)焊接工艺参数优化模块包括神经网络和粒子群算法；所述神经网络包括输入层和输出层，输入层包括五个输入变量：焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量，输出层包括四个输出变量：焊缝宽度、焊缝熔深、焊缝高度、热影响区域，输入层和输出层之间为非线性映射关系，神经网络算法在粒子群算法中作为适应度函数，求解粒子群中每个粒子在所经历位置对应的适应度函数值，适应度函数值通过加权计算求得最终的结果最小时即为输入层五个焊接工艺参数值的最优组合结果；
(5)将粒子群算法得到最优的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量组合结果连同推理引擎得到的其他焊接工艺参数提交至焊接工艺输出模块，并基于一定映射规则将焊接工艺转换为合适格式提交至焊接机器人控制器，控制系统执行焊接任务；同时将该焊接工艺案例保存至焊接工艺案例库中；
所述其他焊接工艺参数包括焊材直径、保护气体成分、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压。
2.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，所述焊接资源文件包括焊接资源信息，焊接资源信息包括焊机型号、焊接电流/电压可调范围、适用焊丝直径范围、保护气体可调范围；所述焊接任务文件包括焊接条件信息，焊接条件信息包括焊接位置、母材材料、母材厚度、接头厚度、接头形式。
3.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，所述焊接工艺案例库用于保存历史焊接工艺案例，一条焊接工艺案例包括案例条件与案例结果，案例条件包括母材材料、母材厚度、接头厚度、接头形式、焊接位置；案例结果包括焊接电流、焊接速度、焊接电压、焊材直径、保护气体成分、保护气体流量、焊丝伸出长度、送丝速度、焊枪倾角、起弧电流/收弧电流、起弧电压/收弧电压，所需要的焊接工艺与焊接工艺案例内容一致。
4.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，所述焊接工艺规则库包括焊接方法规则库、焊接材料规则库、焊丝直径与伸出长度规则库、送丝速度规则库、焊枪倾角规则库、焊接工艺参数规则库。
5.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤(2)中，所述查询引擎由基于案例的推理机制实现，通过分析提取焊接任务文件中焊接条件信息，在焊接工艺案例库中搜索相似案例，根据相似程度选出最为匹配的焊接工艺案例；具体的为，当一个新的焊接任务出现时，首先对焊接条件信息进行数据预处理并由问题特征向量X表示：
X＝(x1,x2,x3,x4,x5) (1)
其中x1,x2,x3,x4,x5分别为焊接位置、母材材料、母材厚度、接头厚度、接头形式；
所述数据预处理为对焊接条件信息中数据类型为数值型的母材厚度、接头厚度进行归一化处理，数据类型为类别型的焊接位置、接头形式、母材材料进行one-hot编码；
然后结合焊接工艺案例库中历史案例通过K-最近邻匹配算法或GHSOM算法或决策树搜索算法进行检索，检索得到最相似案例与源案例还是有一定差异，需要进行进一步的案例修正，案例修正采用支持向量回归模型或将案例结果和检索结果交由给领域专家修改，修正后的案例保存至焊接工艺案例库，同时提交至输出模块。
6.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤(3)中，所述推理引擎由基于规则的推理机制实现，合适的焊接工艺由知识的产生式规则表示：
if x1 is X1 and x2 is X2 and…xn is Xn than Y(CF(H,E)) (2)其中，X为规则的条件前提，x1为条件1，X1为前提1，x2为条件2，X2为前提2，依此类推；Y表示规则的结论，X、Y为单一或者组合；CF(H,E)为可信度因子，表示知识的产生式规则的可信度，在[0，1]上取值；CF(H,E)值越大，说明对于结论Y在X成立的情况下的确定与信任程度越大；具体的推理流程为：
1)推理引擎根据焊接任务文件中提取的母材厚度、母材材料、焊接位置信息，在焊接方法库中匹配焊接方法，基于前述公式(2)所述的规则，将选定的焊接方法保存至动态焊接工艺库；
2)推理引擎根据焊接任务文件中提取的母材厚度、焊接位置信息在焊枪倾角规则库中匹配焊枪角度，基于前述公式(2)所述的规则，将选定的焊枪倾角保存至动态焊接工艺库；
3)推理引擎根据焊接任务文件中提取的母材材料信息在焊接材料规则库中提取匹配的焊丝牌号、焊丝类型、保护气体并保存至动态焊接工艺库；
4)推理引擎根据焊接任务文件中提取的母材厚度信息在焊丝直径与伸出长度规则库中匹配相应焊丝直径与焊丝伸出长度并保存至动态焊接工艺库；焊丝伸出长度为焊丝直径的10-15倍；
5)推理引擎根据上述步骤1)、2)、3)、4)推理得到的动态焊接工艺库中信息在焊接工艺参数规则库中进行推理确定焊接工艺参数，并保存至动态焊接工艺库中；
6)将推理所得动态焊接工艺库中焊接工艺参数中的焊接速度、焊接电流、焊接电压、保护气体流量连同接头厚度提交至焊接工艺参数优化模块；
7)送丝速度由焊接电流确定，送丝速度v＝δ*Ii，其中δ送丝速度系数，Ii为由焊接工艺参数优化模块优化后的焊接电流，确定送丝速度后提交至动态焊接工艺库；
8)起弧电流/收弧电流、起弧电压/收弧电压分别由焊接电流与焊接电压确定：
u1＝ξ1*U1 (5)
u2＝ξ2*U1 (6)
其中i1为起弧电流、i2为收弧电流、 为起弧电流系数、 为收弧电流系数、Ii为由焊接工艺参数优化模块优化后的焊接电流、u1为起弧电压、u2为收弧电压、ξ1为起弧电压系数、ξ2为收弧电压系数、U1为由焊接工艺参数优化模块优化后的焊接电压；将确定的起弧电流/收弧电流、起弧电压/收弧电压提交至动态焊接工艺库，完成推理引擎程序。
7.根据权利要求6所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤7)中，所述δ送丝速度系数由领域专家人工确定。
8.根据权利要求6所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤8)中，所述 起弧电流系数、 收弧电流系数、ξ1起弧电压系数、ξ2收弧电压系数由领域专家人工确定。
9.根据权利要求1所述的基于CBR和RBR的机器人焊接工艺参数优化方法，其特征在于，步骤(4)中，所述焊接工艺参数优化模块由嵌入神经网络的粒子群算法实现，神经网络作为输入变量与输出变量之间的非线性映射求解模块；所述粒子群算法中，优化目标为神经网络的输出变量，目标是通过粒子群找到使优化目标最优的神经网络输入变量，即满足最优优化目标的焊接工艺，所述粒子群算法中粒子约束条件为推理引擎提交至焊接工艺参数优化模块中焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量的各自的范围值；通过神经网络求解出输入变量对应的输出变量；
每个粒子为五维的位置向量xid和速度向量vid，粒子在搜索空间中运动时记录了其所经历的最优位置，根据粒子群最优经历位置来改变自身速度以调整自身位置，粒子群中粒子按照公式(7)、(8)进行变化：
xid＝xid+vid (7)
vid＝wvid+c1r1(pid-xid)+c2r2(pgd-xid) (8)
其中xid为单个粒子位置向量，vid为单个粒子速度向量，w为权重因子，c1,c2为加速因子为正常数，r1,r2为[0,1]中均匀分布的随机数，d为维度5，公式(7)等号左右的xid分别为粒子更新前位置与更新后位置，公式(8)中等号左右的vid分别为粒子更新前速度与更新后速度；
所述嵌入有神经网络的多目标粒子群优化的算法流程为：
a)根据初始数据集训练人工神经网络求解模型；
b)初始化粒子群，种群大小为N，将种群分为支配子集n1和非支配子集n2，其中n1、n2和为N；精英解集用来存储每次迭代产生的非支配子集n2，每次迭代更新仅对支配子集n1进行，随机初始化每个粒子的位置向量xid和速度向量vid，设置初始权重因子w；
c)通过神经网络计算粒子当前位置所对应的多目标值，多目标值为输出变量：焊缝宽度、焊缝熔深、焊缝高度、热影响区，用加入惩罚函数的目标函数计算粒子适应度值；
d)计算支配子集粒子当前的个体最优和整个粒子群的全局最优；
e)按照公式(7)、(8)分别更新支配子集n1各个粒子的位置向量xid和速度向量vid；
f)将更新后的支配子集n1与非支配子集n2比较，选出支配子集n1中的非劣解加入n2，并剔除n2中的劣解，更新外部的精英解集；
g)如果满足迭代终止条件，则停止迭代，输出精英解集即为最优解集，否则返回步骤
2)；所述迭代终止条件为设定的迭代次数；
h)将动态焊接工艺库中焊接工艺参数中的焊接速度、接头厚度、焊接电流、焊接电压、保护气体流量更新为外部的精英解集中的最优解。
一种基于CBR和RBR的机器人焊接工艺参数优化方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于机器学习的棒束子通道热工水力特性预测方法 | 2020-05-08 | 252 |
| 一种快速建模的方法 | 2020-05-08 | 741 |
| 片上网络处理系统和片上网络数据处理方法 | 2020-05-11 | 579 |
| 一种基于神经网络的往复式压缩机故障诊断方法 | 2020-05-12 | 551 |
| 一种供冷/热管网水力失调的控制方法及系统 | 2020-05-13 | 194 |
| 一种稻米加工在线工艺检测方法 | 2020-05-14 | 793 |
| 一种非线性动态质量系统预测方法 | 2020-05-12 | 508 |
| 数据流重构方法及可重构数据流处理器 | 2020-05-08 | 793 |
| 考虑风电不确定性的配电网概率潮流获取方法、装置 | 2020-05-08 | 889 |
| 一种基于大数据技术的市场评估分析方法 | 2020-05-12 | 634 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
