[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

说明书

本发明涉及基于深度学习的电弧增材制造层宽自抗扰控制方法，包括以下步骤：1.采集熔池图像并ROI选择；2.采用分割网络结构进行熔池图像分割；3.提取焊缝宽度；4.调节焊接电流并控制焊缝宽度。本发明设计的分割网络EPNet确定了焊缝宽度并设计自抗扰控制算法，实现了焊接熔池宽度的实时控制；EPNet是基于ERFNet网络，加入金字塔池化模块，融合多尺度的深层图像特征，并在训练时对数据集中的原图和对应的标签在形态学上做了数据增广；结合自抗扰控制算法，可在焊接过程中根据提取的熔池宽度进行实时控制，保证熔池宽度的控制精度，为电弧增材制造焊接过程中焊缝宽度的在线监测和控制提供了必要的策略。

技术领域

本发明涉及基于深度学习的电弧增材制造层宽自抗扰控制方法，属于图像处理及自动控制技术领域。

背景技术

熔焊与增材制造技术早已渗透到航空航天、兵器装备、舰船海工、新能源新材料、核装备/承载设备、汽车轨道车辆等众多军事民生领域。熔焊与增材制造是瞬态过程不断累积的工艺过程，机器人焊接可以提高生产效率和焊接质量。但是目前所做的熔池实时监测都是在焊接的同时进行监测，不能提前预测后续的熔池变化。

焊接和增材过程是一个既变性又变形的复杂物理化学过程，由于强烈的弧光辐射、高温、烟尘、飞溅、坡口状况、加工误差、装夹精度、表面状态和工件热变形会使焊炬偏离焊缝，从而造成焊接质量下降甚至失败。这就要求焊接机器人能够实时监测焊缝焊接的成形质量，及时调整焊接工艺以保证焊接质量的可靠性。在目前的研究中，对于电弧增材制造中层几何的反馈控制策略还不够。

发明内容

为了解决上述技术问题，本发明提供基于深度学习的电弧增材制造层宽自抗扰控制方法，其具体技术方案如下：

基于深度学习的电弧增材制造层宽自抗扰控制方法，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。

进一步的，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。

进一步的，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，通过对ErfNet下采样得到特征图，特征图采用双线性插值上采样获得未池化前的尺寸。

进一步的，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）