[发明专利]优化焊接控制器的焊接参数的方法，提供训练好的机器学习算法的方法和焊接控制器

权利要求书

1.一种用于优化用于焊接控制器（1）的焊接参数（SP1、SP2）的计算机实现的方法，其具有步骤：

接收（S1）包括用于所述焊接控制器（1）的多个第一焊接参数（SP1）的第一数据集（DS1）；

在使用训练好的机器学习算法（A1）的情况下，近似（S2）用于所述焊接控制器（1）的多个第一焊接参数（SP1）的目标函数（F）的至少一个数值（W），所述训练好的机器学习算法被应用到多个第一焊接参数（SP1）上，其中所述目标函数（F）在对通过多个第一焊接参数（SP1）产生的焊接的响应中代表焊接的至少一个质量标准；

给出（S3）包括所述目标函数（F）的至少一个数值（W）的第二数据集（DS2）；并且

通过优化算法（A2）来优化（S4）用于所述焊接控制器（1）的多个第一焊接参数（SP1），在使用包括用于所述焊接控制器（1）的多个第一焊接参数（SP1）的第一数据集（DS1）和所述目标函数（F）的近似的数值（W）的情况下，所述优化算法计算用于所述焊接控制器（1）的优化的多个第二焊接参数（SP2）。

2.按照权利要求1所述的计算机实现的方法，其特征在于，所述优化算法（A2）使用梯度法，在所述梯度法的情况下，在超平面上确定所述目标函数（F）的数值（W）的极值、尤其最大值，所述超平面通过与所述目标函数（F）的数值范围（WB）成函数的多个第一焊接参数（SP1）的定义范围来形成。

3.按照权利要求1或2所述的计算机实现的方法，其特征在于，在焊接之前，将通过所述优化算法（A2）所计算的多个第二焊接参数（SP2）编程到所述焊接控制器（1）中。

4.按照权利要求3所述的计算机实现的方法，其特征在于，包括用于所述焊接控制器（1）的多个第一焊接参数（SP1）的第一数据集（DS1）包括来自至少一个先前的焊接的实际数据和来自下一个焊接的目标数据。

5.按照权利要求1或2所述的计算机实现的方法，其特征在于，用于所述焊接控制器（1）的第一和第二焊接参数（SP1、SP2）包括过程引导参数、尤其焊接电流、焊接电压、电极力、焊接电阻、焊接电流的脉冲宽度和/或伺服夹具的扭矩、和材料相关的焊接参数、尤其有待焊接的工件的材料和/或板材厚度。

6.一种用于提供训练好的机器学习算法（A1）的计算机实现的方法，所述训练好的机器学习算法用于近似工件的焊接的至少一个质量标准，其具有步骤：

接收（S1'）输入训练数据的第一数据集（DS1），所述输入训练数据包括用于焊接控制器（1）的多个第一焊接参数（SP1）；

接收（S2'）输出训练数据的第二数据集（DS2），所述输出训练数据包括目标函数（F）的数值（W），其中所述输出训练数据与所述输入训练数据相关；

训练（S3'）机器学习算法（A1），所述机器学习算法用于近似用于所述焊接控制器（1）的多个第一焊接参数（SP1）的目标函数（F）的数值（W），其中基于所述输入训练数据和所述输出训练数据利用训练计算单元（20），所述目标函数（F）在对通过多个第一焊接参数（SP1）产生的焊接的响应中代表焊接的至少一个质量标准；并且

提供（S4'）训练好的机器学习算法（A1），所述训练好的机器学习算法用于近似工件的焊接的至少一个质量标准。

7.按照权利要求6所述的计算机实现的方法，其特征在于，所述第一数据集（DS1）的用于所述焊接控制器（1）的多个第一焊接参数（SP1）来源于来自至少一个焊接控制器（1）的先前的焊接过程的输入训练数据。

8.按照权利要求6或7所述的计算机实现的方法，其特征在于，通过使用梯度法（S3a'）对输入训练数据的第一数据集（DS1）设置权重、尤其通过识别所述目标函数（F）的数值（W）的最大值，在超平面上训练所述机器学习算法（A1），所述超平面通过与所述目标函数（F）的数值范围（WB）成函数的多个第一焊接参数（SP1）的定义范围来形成。