[发明专利]一种增材制造熔覆层偏移定量的预测方法

说明书

本发明涉及一种增材制造熔覆层偏移定量的预测方法，属于精密焊接技术领域。做完增材前四层的打底工作后，用熔池视觉传感器来采集增材第五层熔覆层偏移的熔池图像，对熔池图像进行ROI区域选择；根据勾股定理计算每一张采集的熔池图像所对应的偏移量，并做成数据集，根据数据集确定增材第五层的起弧点和熄弧点；对不同熔覆层进行偏移量下的分类实验并采用深度残差网络进行分类；对线性变化的熔覆层偏移量进行预测实验，将焊缝不同偏移量的分类任务转为回归任务；对网络的泛化能力进行验证。本发明利用熔池视觉信息对增材过程中的熔覆层偏移量进行定量预测，在增材制造过程中调整焊枪实际位置，从而得到好的熔池形态，提高焊接质量。

技术领域

本发明涉及一种增材制造熔覆层偏移定量的预测方法，属于精密焊接技术领域。

背景技术

增材制造技术是一种基于分层离散、逐层堆积的原理通过“自下而上”实现材料成形的新型制造技术。该技术能快速精确地制造复杂形状的物体，具有材料利用率高，成形效果好，技术成本低，生产效率高等优点。解决了复杂结构零件快速制造的工艺瓶颈。它已广泛应用于汽车、航天、医疗等各种工业领域。该技术极大地提高了焊接的生产能力，并可有效保证被焊件的焊接质量。

在实际的焊接生产中，由于加工和装配误差、焊接过程中工件受热变形、外力的干扰影响，焊缝的示教路径和实际路径之间往往会存在一定的偏差。所以焊接过程中让焊接机器人自主感知焊接环境并实时调整焊枪位置进行焊缝跟踪是焊接机器人的发展方向，但是电流、电压变化和电弧长度之间的精确模型却难以建立。

根据视觉传感器成像时利用的光源不同，视觉传感器能够分为以采用激光等辅助照明的主动视觉传感器和以电弧光及自然光为光源的被动视觉传感器。对于被动视觉技术，由于是直接监测电弧部位的焊缝中心线与焊枪，不会产生类似主动视觉因为错过视场而产生的超前检测误差问题，有学者在被动式焊缝跟踪上做了部分工作，但是对于增材过程时的焊缝跟踪鲜有报道。

随着计算机技术的发展和大数据的兴起，深度学习已经被广泛应用于各个工业领域，其中也包括焊接领域，但利用深度学习对增材制造过程中被动式焊缝偏移的监测鲜有报告。

发明内容

本发明的目的在于，克服现有技术中存在的问题，提供一种增材制造熔覆层偏移定量的预测方法，利用熔池视觉信息对增材过程中的熔覆层偏移量进行定量预测，在增材制造过程中调整焊枪实际位置，从而得到好的熔池形态，提高焊接质量。

为了解决上述问题，本发明的增材制造熔覆层偏移定量的预测方法，包括如下步骤：

步骤一：做完增材前四层的打底工作后，用熔池视觉传感器来采集增材第五层熔覆层偏移的熔池图像，对熔池图像进行ROI区域选择；

步骤二：根据勾股定理计算每一张采集的熔池图像所对应的偏移量，并做成数据集，根据数据集确定增材第五层的起弧点和熄弧点；

步骤三：对不同熔覆层进行偏移量下的分类实验，并采用深度残差网络进行分类；

步骤四：对线性变化的熔覆层偏移量进行预测实验，并在优等的深度残差网络的基础上，改动最后两个全连接层，将焊缝不同偏移量的分类任务转为焊缝连续偏移量的回归任务；

步骤五：对网络的泛化能力进行验证：对相同偏移起始方向和偏移量的多道熔池图像和不同偏移起始方向和偏移量的多道熔池图像分别进行合并训练与测试。

进一步的，步骤一中所述的ROI区域为包含熔池轮廓的固定区域，所述ROI区域大小为640像素×220像素。

进一步的，步骤三中所述的偏移量依次为：左偏移量：3mm、2mm、1mm，0偏移，右偏移量：1mm、2mm、3mm；令分类实验的一种情况下的真实概率分布为p(x)，则该分类实验的另一种真实概率分布为1-p(x)，p(x)和1-p(x)之间的交叉熵越小则分布距离越近，

深度残差网络的分类函数公式如下：