[发明专利]基于深度学习的电弧增材制造层宽自抗扰控制方法

权利要求书

1.基于深度学习的电弧增材制造层宽自抗扰控制方法，其特征在于：包括以下步骤：

步骤一：采集熔池图像：采集熔池图像，对熔池图像进行ROI选择；

步骤二：分割熔池图像：采用ErfNet的Encoder-Decoder分割网络结构进行熔池图像分割，且其使用语义分割常用的交叉熵损失函数，融合全局特征信息，并在主干网络中加入金字塔池化模块，其中，交叉熵损失函数在二分类情况下，其预测结果只有两种，使得预测得到的概率为p和1-p，此时预测结果如公式（1）所示，

（1）

式中，表示样本i的标签，正类为1，负类为0，表示样本i预测为正类的概率，N为类别数量；

步骤三：提取焊缝宽度：熔池图像分割后，以熔池图像中熔池前方的第一个像素作为参考，从第一个像素向下第50-70个像素区域的平均宽度作为焊缝宽度，提取焊缝宽度；

步骤四：调节焊接电流并控制焊缝宽度：根据提取的焊缝宽度调节并控制焊接电流，选择焊接电流作为系统输入，焊接宽度作为系统输出，通过阶跃响应实验，进行系统辨识，获取焊接过程的动态模型，采用二阶传递函数来近似焊接电流与宽度的关系，如公式（2）所示，

（2）

式中，表示焊接电流增益，且，和分别表示时间常数，s为拉普拉斯变换微分算子。

2.根据权利要求1所述的基于深度学习的电弧增材制造层宽自抗扰控制方法，其特征在于：所述步骤一中ROI区域为包含熔池轮廓的固定区域，所述ROI区域大小为512像素×512像素。

3.根据权利要求1所述的基于深度学习的电弧增材制造层宽自抗扰控制方法，其特征在于：所述步骤二中金字塔池化模块设置有4层不同尺寸的全局池化层，每层的尺寸依次是1×1、2×2、3×3、6×6，且全局平均池化，并采用1×1卷积将通道减少为初始通道的1/4，通过将ErfNet与下采样结合得到特征图，特征图采用双线性插值上采样获得未池化前的尺寸。

4.根据权利要求1所述的基于深度学习的电弧增材制造层宽自抗扰控制方法，其特征在于：所述步骤二中熔池图像进行分割时，为确保图像分割精度，采用平均交并比法衡量图像分割精度，即MIoU值衡量图像分割精度，如公式（3）所示，

（3）

式中，TP为像素级的真正样本个数，FP为像素级的假正样本个数，FN为像素级的假负样本个数，i为类别，k+1为类别数量。

5.根据权利要求1所述的基于深度学习的电弧增材制造层宽自抗扰控制方法，其特征在于：所述步骤二中分割网络进行网络训练，网络训练过程中采用退化学习率的方式来进行学习率的设置，初训练采用大的学习率加速网络模型训练，然后逐渐减小学习率寻求最优解，提高分类精度，如公式（4）所示，

（4）

式中，为原始设定的学习率，为衰减速率，n为循环次数，m为衰减间隔次数。