一种具有参数预测功能的焊接机器人

1.本发明涉及工业机器人焊接技术领域，具体涉及一种具有参数预测功能的焊接机器人。


背景技术：

2.随着制造业智能化的转变，制造企业需要能够快速敏捷地响应用户的个性化需求和市场的短周期需求，焊接机器人作为制造业中新兴的一部分，越来越受到人们的关注。但是目前焊接机器人存在着智能化程度低，焊接参数种类多导致的参数难以预测，以及焊接历史参数少导致预测精度不足的问题。这些问题使得焊接机器人的使用需要大量有经验的人员介入，严重制约了焊接机器人技术的应用和发展。因此，能够自动预测焊接参数以及完成多参数预测的焊接机器人成为了企业亟需的技术需求。
3.近年来，在焊接机器人中进行参数预测方面的研究主要有：
4.深圳市微埃智能科技有限公司公开的发明专利《基于迁移学习的焊接工艺参数推荐方法、装置及机器人》(cn201811207656.5)，基于迁移学习的方法，采用神经网络对不同焊接场景的工艺信息进行映射，从而实现了推荐焊接工艺参数的功能。然而该方法仅通过映射的方式进行参数预测，没有构建参数的预测学习模型，因此无法实现较为广泛的焊接参数预测，焊接参数的预测不具备扩展性，仍需要进行频繁实验来获取。


技术实现要素：

5.为了解决焊接机器人智能化能力低严重依赖工艺人员经验进行控制，以及焊接参数的预测不具备扩展性导致参数预测仍需要频繁进行实验的技术问题，本发明提出了一种具有参数预测功能的焊接机器人。
6.本发明的技术方案是：
7.一种具有参数预测功能的焊接机器人，包括熔池相机、焊枪、焊缝结构光视觉传感器、焊接机械臂、焊接机器人控制器、计算机处理器和显示屏；
8.熔池相机、焊缝结构光视觉传感器、焊接机器人控制器和显示屏均与所述计算机处理器相连；
9.焊接机械臂与焊接机器人控制器相连；焊枪与焊接机械臂相连；
10.所述计算机处理器上设置有数据交换模块、数据存储模块、模型训练模块以及数据处理模块；所述数据处理模块包括数据清洗单元和数据搜索单元；
11.其特殊之处在于：
12.所述数据处理模块还包括数据扩充单元；
13.所述数据扩充单元为运行在所述计算机处理器上的第一计算机程序，其被计算机处理器运行时用于实现以下步骤：
14.步骤a1：对从企业信息库中抽取的与当前焊接任务相关的且经数据清洗单元清洗后的历史工艺数据集进行分析汇总，得到源域数据，该源域数据中包括不同焊接工艺种类
对应的焊件特征参数及焊接工艺参数；
15.步骤a2：基于步骤a1得到的源域数据，获取每一种焊接工艺类型的焊件特征参数变化情况、焊接工艺参数调整方式及焊件特征参数每一次变化的起始点，以此构成源域的焊接工艺参数调整规则集，并分别从不同种类的焊接工艺参数调整规则集中提取最小单位步长的焊接工艺参数调整规则，得到不同种类的焊接工艺参数调整最小尺度规则；
16.步骤a3：获取与目标任务同类的焊接工艺参数数据集，得到目标域数据，并采用步骤a2相同的方法获得目标域调整规则集；所述目标域数据包括与目标任务属于同一焊接工艺类型的焊件特征参数及焊接工艺参数；
17.步骤a4：基于步骤a2得到的源域的焊接工艺参数调整规则集和步骤a3得到的目标域调整规则集，构建源域数据到目标域数据空间的映射矩阵；
18.步骤a5：利用步骤a4得到的映射矩阵，将步骤a2得到的焊接工艺参数调整最小尺度规则映射到与所述目标域相同的数据空间中，得到扩充数据集，并发送给所述数据清洗单元进行数据清洗后即可得到可用参数集，该可用参数集作为所述模型训练模块的训练数据集；
19.所述模型训练模块为运行在所述计算机处理器上的第二计算机程序，其被计算机处理器运行时用于实现以下步骤：
20.步骤b1：更改传统单目标xgboost模型中的树结构，将原本的单层cart回归树改进为能够构架多目标输出的多层mutli-cart回归树，得到多目标gboost模型multi_xgb；
21.步骤b2：利用数据扩充单元获取到的训练数据集，以绝对误差mae和平均绝对百分比误差mape作为评价指标，以ga算法调整参数的优化方向，对所述多目标xgboost模型multi_xgb进行调参得到最优模型参数，最终获得训练好的多目标xgboost模型multi_xgb，并存储在所述数据存储模块中以构建模型库。
22.进一步地，所述步骤a2中得到的源域的焊接工艺参数调整规则集为：
[0023][0024]
式中，
[0025]
表示第n种焊接工艺类型的焊件特征参数中任一样本与其他样本相比较获得的变化情况的汇总集合，
[0026]
表示第n种焊接工艺类型的焊件特征参数中第d行的焊件参数与wdn中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊件特征参数wdn中每一个元素均减去中每一个元素均减去表示第n种焊接工艺类型的焊接工艺参数中任一样本与其他样本相比较获得的变化情况的汇总集合，
[0027]
表示第n种焊接工艺类型的焊件特征参数中第d行的焊接工艺参数与wppn中所有样本相比较获得的变化情况；即第n种焊接工
艺类型对应的焊接工艺参数wppn中每一个元素均减去
[0028]
initn表示第n种焊接工艺类型的每一次计算变化情况的起始点；init
nt
表示initn的转置。
[0029]
进一步地，所述步骤a3中得到的目标域调整规则集为：
[0030][0031]
式中，
[0032]
initr,dis
wd,r
,dis
wpp,r
分别表示目标域数据t的焊件特征参数中第r个参数的变化起始点、焊件特征参数中第r个参数的变化情况对应的焊接工艺参数的调整方式；
[0033]
r为目标域调整规则集的样本量。
[0034]
进一步地，所述步骤a4中得到的映射矩阵具体为：
[0035]
λ＝{a1,ar,
…
,ar}
[0036][0037]
式中，
[0038]
tr是第r次循环提取的主成分向量；
[0039]
是主成分向量tr的参数向量；
[0040]er
是残差矩阵。
[0041]
进一步地，所述步骤b1中将单层cart回归树改进为能够构架多目标输出的多层mutli-cart回归树的方法是：将cart回归树的输出层由原本的一层更改为多层，原本的输出重新作为下一层的输入以进一步进行决策划分，以此类推，直到得到最后一个输出值。
[0042]
进一步地，所述数据处理模块还包括单参数预测单元、多参数预测单元；
[0043]
所述显示屏上还显示有分别与所述单参数预测单元和多参数预测单元互通的单参数预测输入页面和多参数预测输入页面；
[0044]
在所述单参数预测输入页面中输入新任务的焊件特征参数，所述单参数预测单元对所述新任务的焊件特征参数进行焊接工艺参数匹配，若能匹配到，则直接调用并输出给所述焊接机器人控制器并在显示屏中显示；若否，则通过显示屏提示点选模型训练模块点选框以选择焊接参数预测模型进行焊接工艺参数预测；
[0045]
在所述多参数预测输入页面中新任务的焊件类型、焊接材料、接头形式、焊件特征参数的最大值、最小值以及焊件特征参数扩展步长，所述多参数预测单元创建等差数组，生成输入参数列表并进行焊接工艺参数匹配，若能匹配到，则直接调用并输出给所述焊接机器人控制器并在显示屏中显示；若否，则通过显示屏提示点选模型训练模块点选框以选择焊接参数预测模型进行焊接工艺参数预测。
[0046]
进一步地，所述数据处理模块还包括质量提升单元；所述显示屏上还显示有与所述质量提升单元互通的质量提升输入页面；通过所述质量提升输入页面能手动向所述质量提升单元中输入焊接工艺参数。
[0047]
与现有技术相比，本发明的优点是：
[0048]
1.本发明焊接机器人能够通过其内置的参数预测模型快速获取焊接工艺参数，降低了焊接机器人对工艺人员经验的依赖性，且能有效减少焊接任务的参数确定阶段的实验次数，进而有效缩减实验阶段的时间，从而提高生产效率。本发明还能够针对焊接工艺参数表格数据，通过对不同领域的焊件参数以及焊接工艺参数进行数据空间迁移，提取焊接工艺参数中的参数调整知识，从而可以有效地扩充小样本目标阈的参数集，进而提高小样本焊接工艺参数预测模型的预测精度。
[0049]
2.本发明焊接机器人内置的数据扩充单元所采用的迁移学习方法不同于传统针对图像处理的迁移学习方法，本发明的数据扩充单元针对焊接工艺参数表格数据，通过对不同领域的焊件参数以及焊接工艺参数进行数据空间迁移，提取焊接工艺参数中的参数调整知识，从而可以有效地扩充小样本目标阈的参数集，利用扩充后的数据集对焊接参数预测模型进行训练，能够提高焊接参数预测模型的预测精度。
[0050]
3.不同焊接类型的焊接参数的特征空间不同，本发明在对参数集分析的过程中发现，当一个焊件特征发生变化时，相应的焊接工艺参数也会进行相应的变化，而这个变化对于所有类型的焊接都具有同样的趋势，这样的现象同样也符合焊接工艺人员对焊接工艺参数的调整经验。因此本发明焊接机器人内置的数据扩充单元以焊件与焊接工艺参数的变化情况作为切入点，在不同的特征空间中(如源域和目标域)，获取源域中焊件特征参数调整的起始点、焊接工艺参数调整规则、焊件特征参数调整规则向目标域迁移的特征空间变换矩阵，从而将调整规则应用在目标域现有的数据中，实现对源域的焊件参数wd和焊接工艺参数wpp调整经验到目标域的转变，实现对小样本焊接参数的扩充，进而提高小样本焊接参数预测模型的预测精度，减少了传统模型训练对实验数据的依赖。
[0051]
4.本发明焊接机器人中内置的多目标multi_xgb参数预测模型能够在焊接过程中存在的参数多的情况下，考虑到全部的参数且实现模型本身的精确性和实时性。在对多目标xgboost模型multi_xgb进行训练时，通过ga算法调整参数的优化方向(包括确定多目标xgboost模型multi_xgb的学习率、深度、正则项大小、最小粒子数、输出参数的预测顺序和迭代次数)，能够更快地使模型收敛，提高模型训练效率，满足了预测的实时性要求。
[0052]
5.焊接机器人工艺环境复杂、参数多。传统的xgb模型训练方法是通过遍历参数集，以确定合适超参数，这样会显著增加模型的训练时间和复杂度。而本发明发现焊接机器人的输出参数具有一定的关联性，比如单边停留时间最大值和最小值呈现正相关，因此可以将其作为同一输出参数同时进行预测，因此，本发明焊接机器人内置的模型训练模块在对其建立的多目标xgboost模型multi_xgb进行训练时，通过ga算法调整参数的优化方向(包括确定多目标xgboost模型multi_xgb的学习率、深度、正则项大小、最小粒子数、输出参数的预测顺序和迭代次数)，能够更快地使模型收敛，提高模型训练效率，满足了参数预测的实时性要求。
[0053]
6.本发明焊接机器人内置有质量提升单元，在利用焊接工艺预测参数加工试件后，若质量不合格，则工艺人员可以通过显示屏上的质量提升输入页面手动调整更改焊接工艺参数，直至试件焊接质量合格为止；并且，对于将工艺人员手动调整且最终符合焊接质量要求的焊接工艺参数，还可以通过质量提升单元发送并存储在工艺参数数据库中进行更新，模型训练模块基于该更新后的工艺参数数据库进行焊接参数预测模型的重新训练，实
现模型的迭代更新，扩展焊接机器人的参数预测范围。
附图说明
[0054]
图1为本发明焊接机器人的结构示意图。
[0055]
图2为图1中计算机处理器的结构示意图。
[0056]
图3为图1中焊缝结构光视觉传感器所采集的点云示意图。
[0057]
图4为本发明优选实施例中建立的multi_xgb模型示意图。
[0058]
图5为图1显示屏的界面示意图。
具体实施方式
[0059]
以下结合附图对本发明作进一步说明。
[0060]
如图1所示，本发明所提出的具有参数预测功能的焊接机器人，包括熔池相机、焊枪、焊缝结构光视觉传感器、焊接机械臂、焊接机器人控制器、计算机处理器和显示屏；熔池相机、焊枪、焊缝结构光视觉传感器、焊接机械臂、焊接机器人控制器及显示屏均为现有单元。
[0061]
熔池相机、焊枪以及焊缝结构光视觉传感器均安装于焊接机械臂的端口位置。熔池相机用于远程高清监视电弧、焊丝(钨极)、熔池、焊缝、母材、以及熔池夹渣和/或气泡的状态，并发送给计算机处理器并且显示在显示屏上，方便焊接工艺人员及时调整焊接参数，以保证焊接质量；焊枪用于施焊，实现焊接任务；焊缝结构光视觉传感器包括激光二极管、光阑和ccd摄像机，激光二极管发射一束可见激光，经光阑变成一束扇形光带照射到工件上，与激光二极管成一定角度设置的ccd摄像机接收来自工件表面的反射光，从而将焊件接头处的几何轮廓成像在ccd摄像机上，并将收集到的包含三维点云数据的焊件信息传输到计算机处理器中，通过计算机处理器中加载的数据处理模块进行处理，获得焊件的参数信息。
[0062]
如图2所示，焊接机械臂与焊接机器人控制器通过通信总线连接，焊接机械臂在焊接机器人控制器的控制下进行摆动。焊接机器人控制器与计算机处理器通过通信总线连接，焊接机器人控制器能够接收来自计算机处理器的操作指令，并基于接收到的操作指令控制焊枪执行焊接任务，以及焊接工艺参数的实时调整。
[0063]
计算机处理器上设置有数据交换模块、数据存储模块、模型训练模块以及数据处理模块。数据交换模块采用profinet通讯协议通过以太网的现场总线连接实现与机器人控制器、焊缝结构光视觉传感器以及熔池相机的数据交换，从而实时接收和输出传感器数据以及机器人的实时状态；数据存储模块采用mysql对所有的焊接工艺信息(包括焊接工件参数以及焊接工艺参数)以及对模型训练模块所构建并训练好的焊接参数预测模型进行存储，建立模型库(存储的焊接参数预测模型有多个，均以.pkl文件格式存储，按照不同的焊接类型对.pkl文件进行命名，实际加工时可以直接根据焊接类型调用相应的预测模型)；数据处理模块用于对焊缝结构光视觉传感器采集的焊件的三维点云数据(例如图3所示)进行数据清洗以及关键点采集，并针对焊接历史数据进行针对性搜索以及抽取，针对小样本的数据进行数据迁移扩充；模型训练模块是针对历史焊接参数预测模型无法匹配当前新任务的情况下，用于构建与当前新任务匹配的焊接参数预测模型并进行训练。
[0064]
计算机处理器上的数据处理模块、焊接参数预测模型、模型训练模块为本发明焊接机器人的核心，以下对其做更详细的说明。
[0065]
数据处理模块包括数据清洗单元、数据扩充单元、数据搜索单元以及与显示屏上的单参数预测输入页面、多参数预测输入页面和质量提升输入页面分别互通的单参数预测单元、多参数预测单元和质量提升单元。
[0066]
数据扩充单元基于空间转化的迁移学习算法实现，通过转移不同但相关的源域中包含的知识来提高目标学习者在目标域上的表现，实现对源域的焊件特征参数和焊接工艺参数调整经验到目标域的转变，以解决训练样本不足的问题。
[0067]
具体的，本发明中数据扩充单元为运行在计算机处理器上的第一计算机程序，其被计算机处理器运行时用于实现以下步骤：
[0068]
步骤1：对从企业信息库中抽取的与当前焊接任务相关的且经数据清洗单元清洗后的历史工艺数据集进行分析汇总，得到源域数据，该源域数据中包括不同焊接工艺种类对应的焊件特征参数及焊接工艺参数；
[0069]
所述源域数据是按照下述方法得到的：
[0070]
步骤1.1通过企业的api接口，从企业信息库中抽取与当前焊接任务相关的历史工艺数据集，并进行数据清洗，通过对数据清洗后得到历史工艺数据集中的焊接类型、焊接材料、焊件类型、接头形式进行分析汇总(如tig焊接、碳钢、管焊、横焊构成了一个焊接工艺种类)，形成焊接工艺参数信息表wpp和焊件特征参数信息集wd：
[0071]
wd＝{wd1,wd2,
…
,wdn}
[0072]
wpp＝{wpp1,wpp2,
…
,wppn}
[0073]
式中，
[0074]
n为第n个焊接工艺种类；
[0075]
wdn为第n种焊接工艺种类对应的焊件特征参数，
[0076][0077]
wppn为第n种焊接工艺种类对应的焊接工艺参数，
[0078][0079]
m为第n个焊接工艺种类的样本量；
[0080]
d为第n个焊接工艺种类对应的焊件特征的参数个数；
[0081]
p为第n个焊接工艺种类对应的焊件工艺参数的参数个数；
[0082]
步骤1.2基于步骤1.1得到的焊接工艺参数信息表wpp和焊件特征参数信息集wd，构成迁移学习的源域数据d：
[0083]
[0084]
步骤2：基于步骤1得到的源域数据，获取每一种焊接工艺类型的焊件特征参数变化情况dis
wd
、焊接工艺参数调整方式dis
wpp
及焊件特征参数每一次变化的起始点init，以此构成源域的焊接工艺参数调整规则集adj，并分别从不同种类的焊接工艺参数调整规则集adj中提取最小单位步长的焊接工艺参数调整规则，得到不同种类的焊接工艺参数调整最小尺度规则rules；
[0085][0086]
式中，
[0087]
表示第n种焊接工艺类型的焊件特征参数中任一样本与其他样本相比较获得的变化情况的汇总集合，
[0088]
表示第n种焊接工艺类型的焊件特征参数中第d行的焊件参数与wdn中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊件特征参数wdn中每一个元素均减去中每一个元素均减去表示第n种焊接工艺类型的焊接工艺参数中任一样本与其他样本相比较获得的变化情况的汇总集合，
[0089]
表示第n种焊接工艺类型的焊件特征参数中第d行的焊接工艺参数与wppn中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊接工艺参数wppn中每一个元素均减去
[0090]
initn表示第n种焊接工艺类型的每一次计算变化情况的起始点；init
nt
表示initn的转置。
[0091]
步骤3：获取与目标任务同类的焊接工艺参数数据集，得到目标域数据t，并采用步骤2相同的方法获得目标域调整规则集tadj；所述目标域数据t包括与目标任务属于同一焊接工艺类型的焊件特征参数及焊接工艺参数；
[0092]
t＝[wd
t wpp
t
]；
[0093][0094]
式中，
[0095]
wd
t
和wpp
t
分别为目标任务的焊件特征参数和焊接工艺参数；
[0096]
initr,dis
wd,r
,dis
wpp,r
分别表示目标域数据t的焊件特征参数中第r个参数的变化起始点、焊件特征参数中第r个参数的变化情况对应的焊接工艺参数的调整方式；
[0097]
r为目标域调整规则集的样本量。
[0098]
步骤4：基于步骤2得到的源域的焊接工艺参数调整规则集adj和步骤3得到的目标
域调整规则集tadj，构建源域数据到目标域数据空间的映射矩阵λ；
[0099]
步骤4.1：以目标域调整规则集tadj中的参数起始点init
t
、焊件特征参数的变化情况dis
wd,t
为参考指标，计算从源域数据d中获取到的焊接工艺参数调整规则集adj与目标域调整规则集tadj的欧拉距离，从步骤2.1中获得的焊接工艺参数调整规则集adj中提取与目标域调整数据欧拉距离最接近的样本并按照目标域的焊件特征参数的起始点init
t
出现的先后顺序进行排序，将排序后得到的调整数据集命名为m，m中包括不同种类的调整数据集{m1,m2,
…
,mn}。
[0100]
步骤4.2：构建偏最小二乘回归模型，从调整数据集m中提取主成分向量ti，使之最大限度地携带原本数据集的数据信息。
[0101]
步骤4.3：求取残差矩阵e1；
[0102]
步骤4.4：循环上述步骤4.1-4.3共r-1次，依次求得残差矩阵e2,e3,
…
,er，直到残差矩阵er的模足够小(小于原数据集m的1％)，终止循环。
[0103]
得到
[0104][0105]
式中，
[0106]
tr是第r次循环提取的主成分向量；
[0107]
是主成分向量tr的参数向量；
[0108]
最终，得到映射矩阵λ，使得
[0109]
tadj＝λ
·
mi(i＝1,2,3,
…
,n)
[0110]
式中，λ＝{a1,ar,
…
,ar}。
[0111]
步骤5：利用步骤4得到的映射矩阵，将步骤2得到的焊接工艺参数调整最小尺度规则rules映射到与所述目标域t相同的数据空间中，得到扩充数据集nve，并发送给数据清洗单元进行数据清洗，将其中重复、异常数据清洗后即可得到可用参数集，该可用参数集能够作为模型训练模块的训练数据集traindata；
[0112]
nve＝λ
·
rules+init
[0113]
式中，init为目标域数据t的焊件特征参数中所有参数的变化起始点。
[0114]
模型训练模块用于构建并训练焊接参数预测模型。具体的，本发明中的模型训练模块为运行在计算机处理器上的第二计算机程序，其被计算机处理器运行时用于实现以下步骤：
[0115]
步骤1：构建多目标xgboost模型multi_xgb：
[0116]
在传统单目标xgboost模型的基础上，更改传统单目标xgboost模型中的树结构，将原本的单层cart回归树改进为能够构架多目标输出的多层mutli-cart回归树，得到多目标gboost模型multi_xgb。
[0117]
将单层cart回归树改进为多层mutli-cart回归树的方法具体是：将cart回归树的输出层由原本的一层更改为多层，原本的输出重新作为下一层的输入以进一步进行决策划分，以此类推，直到得到最后一个输出值。如图4所示，在回归模型中第一个输出参数output1(例如焊接电流)被预测出后，第二个输出参数output2(例如焊接电压)需要在第一
个输出参数output1的基础上充分考虑所有输入参数input1、input2…
、inputi来进行预测，以此类推，最终获得所有的焊接工艺参数。由于后一个预测参数是在前一个参数的基础上进行预测的，考虑了输出参数之间的互相影响，因此预测更准确，也更高效。
[0118]
步骤2：对多目标xgboost模型multi_xgb进行训练：
[0119]
利用数据扩充单元获取到的训练数据集traindata，从其中随机选择80％作为训练数据，其余作为测试数据，以绝对误差mae和平均绝对百分比误差mape作为评价指标，以ga算法调整参数的优化方向(即确定多目标xgboost模型multi_xgb的学习率、深度、正则项大小、最小粒子数、输出参数的预测顺序和迭代次数)以提升多目标xgboost模型multi_xgb的收敛速度，对多目标xgboost模型multi_xgb进行调参得到最优模型参数，最终获得训练好的多目标xgboost模型multi_xgb，并存储在数据存储模块中构建模型库，供实际焊接工作中参数预测时调用。
[0120]
mae＝∑∑|pa
j,m-pre
j,m
|
[0121][0122]
式中，pre
j,m
为多目标xgboost模型multi_xgb输出的与输入的测试数据对应的焊件的预测焊接工艺参数。
[0123]
另外，考虑到焊接机器人的输出参数具有一定的关联性，比如单边停留时间最大值和最小值呈现正相关，因此可以将其作为同一输出参数同时进行预测，因此，本发明在对多目标xgboost模型multi_xgb进行训练期间，还可利用ga算法调整参数的优化方向(即确定多目标xgboost模型multi_xgb的学习率、深度、正则项大小、最小粒子数、输出参数的预测顺序和迭代次数)以提升多目标xgboost模型multi_xgb的收敛速度，满足预测的实时性要求。
[0124]
显示屏与计算机处理器也通过通信总线连接。显示屏用于工艺人员向计算机处理器中输入指令，从而控制计算机处理器进行相应的处理。如图5所示，显示屏上能够显示单参数预测输入页面点选框、多参数预测输入页面点选框、模型训练模块输入页面点选框以及质量提升输入页面点选框。
[0125]
工艺人员可以根据实际工艺需求选择单参数预测输入页面点选框或者多参数预测点选框，从而向计算机处理器发送相应的参数预测模式指令，其中，单参数预测主要用于工艺人员进行焊接任务时，需要单条工艺数据，工艺人员可以采用构建好且内置于焊接机器人中的多目标预测模型，快速实现对焊接工艺参数的预测，从而提高焊接任务的生产效率；多参数预测主要用于工艺人员进行实验阶段，需要分析以及测试一段区间的工艺信息对应的焊接质量，因此需要模型推荐参数，从而降低对工艺经验的依赖，提高实验效率。
[0126]
选择单参数预测输入页面点选框后，可以在出现的界面中进一步输入新任务的焊件特征参数，计算机处理器的单参数预测单元便对该新任务的焊件特征参数进行焊接工艺参数匹配，若计算机处理器上的数据存储模块中已经存在匹配的焊接工艺参数，则直接将其调用并输出给焊接机器人控制器，并在显示屏中显示；若不存在，则通过显示屏提示工艺人员点选模型训练模块点选框以选择焊接参数预测模型进行焊接工艺参数预测。
[0127]
选择多参数预测输入页面点选框后，可以在出现的界面中进一步输入新任务的焊
件类型、焊接材料、接头形式、焊件特征参数的最大值、最小值以及焊件特征参数扩展步长，输入这些参数后，计算机处理器中的多参数预测单元自动创建等差数组，从而生成输入参数列表，并对该输入参数列表进行焊接工艺信息匹配，若计算机处理器上的数据存储模块中已经存在匹配的焊接工艺参数，则直接将其调用并输出给焊接机器人控制器，并在显示屏中显示；若不存在，则通过显示屏提示工艺人员点选模型训练模块点选框以选择焊接参数预测模型进行焊接工艺参数预测。
[0128]
在模型训练模块输入页面点选框中，工艺人员根据焊接任务类型选择与其匹配的焊接参数预测模型，如模型库中不存在能够匹配的焊接参数预测模型，则模型训练模块为该任务类型构建匹配的焊接参数预测模型并进行训练，训练好后存储于模型库中对模型库进行更新；训练时，如果在计算机处理器上的工艺参数存储单元中存在该任务类型的训练数据(包括输入坡口角度、焊道层数、焊接材料，焊接电流、焊接电压和送丝速度)，则直接调用这些训练数据进行训练模型。反之，则需要通过实验构建焊接工艺数据集后导入焊接机器人，进行焊接参数预测模型训练。
[0129]
在质量提升输入页面，工艺人员可以参考熔池相机拍摄的实时熔池图像进行焊接工艺参数的实时调整。
[0130]
实际中，需要基于焊接参数预测模型输出的焊接工艺预测参数试加工样件，检测焊件表面缺陷以及内部缺陷，从而获得焊接结果的评价；对于符合质量要求的焊接工艺预测参数才可用于焊接机器人的实际加工使用；若出现质量不达标的情况，则需焊接工艺人员在质量提升输入页面对焊接工艺参数进行调整，调整时可以参考显示屏上显示的熔池相机拍摄的实时熔池图像；调整好的参数在计算机的质量提升单元进行传输，将工艺参数以操作指令的形式实时同步给焊接机器人控制器，实现对焊件质量的提升，同时将调整好的焊接工艺参数存储到工艺参数数据库中进行更新，并采用更新后的工艺参数数据库对该工艺类型所对应的焊接参数预测模型进行重新训练，实现焊接参数预测模型的迭代更新。

技术特征：
1.一种具有参数预测功能的焊接机器人，包括熔池相机、焊枪、焊缝结构光视觉传感器、焊接机械臂、焊接机器人控制器、计算机处理器和显示屏；熔池相机、焊缝结构光视觉传感器、焊接机器人控制器和显示屏均与所述计算机处理器相连；焊接机械臂与焊接机器人控制器相连；焊枪与焊接机械臂相连；所述计算机处理器上设置有数据交换模块、数据存储模块、模型训练模块以及数据处理模块；所述数据处理模块包括数据清洗单元和数据搜索单元；其特征在于：所述数据处理模块还包括数据扩充单元；所述数据扩充单元为运行在所述计算机处理器上的第一计算机程序，其被计算机处理器运行时用于实现以下步骤：步骤a1：对从企业信息库中抽取的与当前焊接任务相关的且经数据清洗单元清洗后的历史工艺数据集进行分析汇总，得到源域数据，该源域数据中包括不同焊接工艺种类对应的焊件特征参数及焊接工艺参数；步骤a2：基于步骤a1得到的源域数据，获取每一种焊接工艺类型的焊件特征参数变化情况、焊接工艺参数调整方式及焊件特征参数每一次变化的起始点，以此构成源域的焊接工艺参数调整规则集，并分别从不同种类的焊接工艺参数调整规则集中提取最小单位步长的焊接工艺参数调整规则，得到不同种类的焊接工艺参数调整最小尺度规则；步骤a3：获取与目标任务同类的焊接工艺参数数据集，得到目标域数据，并采用步骤a2相同的方法获得目标域调整规则集；所述目标域数据包括与目标任务属于同一焊接工艺类型的焊件特征参数及焊接工艺参数；步骤a4：基于步骤a2得到的源域的焊接工艺参数调整规则集和步骤a3得到的目标域调整规则集，构建源域数据到目标域数据空间的映射矩阵；步骤a5：利用步骤a4得到的映射矩阵，将步骤a2得到的焊接工艺参数调整最小尺度规则映射到与所述目标域相同的数据空间中，得到扩充数据集，并发送给所述数据清洗单元进行数据清洗后即可得到可用参数集，该可用参数集作为所述模型训练模块的训练数据集；所述模型训练模块为运行在所述计算机处理器上的第二计算机程序，其被计算机处理器运行时用于实现以下步骤：步骤b1：更改传统单目标xgboost模型中的树结构，将原本的单层cart回归树改进为能够构架多目标输出的多层mutli-cart回归树，得到多目标gboost模型multi_xgb；步骤b2：利用数据扩充单元获取到的训练数据集，以绝对误差mae和平均绝对百分比误差mape作为评价指标，以ga算法调整参数的优化方向，对所述多目标xgboost模型multi_xgb进行调参得到最优模型参数，最终获得训练好的多目标xgboost模型multi_xgb，并存储在所述数据存储模块中以构建模型库。2.根据权利要求1所述的具有参数预测功能的焊接机器人，其特征在于：所述步骤a2中得到的源域的焊接工艺参数调整规则集为：
式中，表示第n种焊接工艺类型的焊件特征参数中任一样本与其他样本相比较获得的变化情况的汇总集合，的变化情况的汇总集合，表示第n种焊接工艺类型的焊件特征参数中第d行的焊件参数与wd
n
中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊件特征参数wd
n
中每一个元素均减去中每一个元素均减去表示第n种焊接工艺类型的焊接工艺参数中任一样本与其他样本相比较获得的变化情况的汇总集合，的变化情况的汇总集合，表示第n种焊接工艺类型的焊件特征参数中第d行的焊接工艺参数与wpp
n
中所有样本相比较获得的变化情况；即第n种焊接工艺类型对应的焊接工艺参数wpp
n
中每一个元素均减去init
n
表示第n种焊接工艺类型的每一次计算变化情况的起始点；init
nt
表示init
n
的转置。3.根据权利要求2所述的具有参数预测功能的焊接机器人，其特征在于：所述步骤a3中得到的目标域调整规则集为：式中，分别表示目标域数据t的焊件特征参数中第r个参数的变化起始点、焊件特征参数中第r个参数的变化情况对应的焊接工艺参数的调整方式；r为目标域调整规则集的样本量。4.根据权利要求3所述的具有参数预测功能的焊接机器人，其特征在于：所述步骤a4中得到的映射矩阵具体为：λ＝{a1,a
r
,
…
,a
r
}式中，t
r
是第r次循环提取的主成分向量；是主成分向量t
r
的参数向量；
e
r
是残差矩阵。5.根据权利要求4所述的具有参数预测功能的焊接机器人，其特征在于：所述步骤b1中将单层cart回归树改进为能够构架多目标输出的多层mutli-cart回归树的方法是：将cart回归树的输出层由原本的一层更改为多层，原本的输出重新作为下一层的输入以进一步进行决策划分，以此类推，直到得到最后一个输出值。6.根据权利要求1-5任一所述的具有参数预测功能的焊接机器人，其特征在于：所述数据处理模块还包括单参数预测单元、多参数预测单元；所述显示屏上还显示有分别与所述单参数预测单元和多参数预测单元互通的单参数预测输入页面和多参数预测输入页面；在所述单参数预测输入页面中输入新任务的焊件特征参数，所述单参数预测单元对所述新任务的焊件特征参数进行焊接工艺参数匹配，若能匹配到，则直接调用并输出给所述焊接机器人控制器并在显示屏中显示；若否，则通过显示屏提示点选模型训练模块点选框以选择焊接参数预测模型进行焊接工艺参数预测；在所述多参数预测输入页面中新任务的焊件类型、焊接材料、接头形式、焊件特征参数的最大值、最小值以及焊件特征参数扩展步长，所述多参数预测单元创建等差数组，生成输入参数列表并进行焊接工艺参数匹配，若能匹配到，则直接调用并输出给所述焊接机器人控制器并在显示屏中显示；若否，则通过显示屏提示点选模型训练模块点选框以选择焊接参数预测模型进行焊接工艺参数预测。7.根据权利要求6所述的具有参数预测功能的焊接机器人，其特征在于：所述数据处理模块还包括质量提升单元；所述显示屏上还显示有与所述质量提升单元互通的质量提升输入页面；通过所述质量提升输入页面能手动向所述质量提升单元中输入焊接工艺参数。

技术总结
为了解决焊接机器人智能化能力低严重依赖工艺人员经验进行控制，以及焊接参数的预测不具备扩展性导致参数预测仍需要频繁进行实验的技术问题，本发明提出了一种具有参数预测功能的焊接机器人。本发明的焊接机器人内置数据扩充单元和模型训练单元，能够建立并训练预测精度高的焊接工艺参数预测模型并建立模型库，通过调用模型库中的焊接工艺参数预测模型快速获取焊接工艺参数，降低了焊接机器人对工艺人员经验的依赖性，且能有效减少焊接任务的参数确定阶段的实验次数，提高生产效率。提高生产效率。提高生产效率。


技术研发人员：景岩 张映锋 康承飞 张诚 夏浩 陈昱杉 丁孟嘉 李尧 田桢
受保护的技术使用者：西北工业大学
技术研发日：2023.07.19
技术公布日：2023/10/20