[發(fā)明專利]基于深度學(xué)習(xí)的電弧增材制造層寬自抗擾控制方法

有效

• 申請?zhí)枺?/td>: 202110051772.8
• 申請日: 2021-01-15
• 公開（公告）號: CN112381095B
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計）人: 趙壯;王一鳴;陸駿;韓靜;徐興旺;柏連發(fā);張毅
• 申請（專利權(quán)）人: 南京理工大學(xué)
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06N3/04
• 代理公司: 南京蘇創(chuàng)專利代理事務(wù)所(普通合伙) 32273
• 代理人: 張學(xué)彪

本發(fā)明涉及基于深度學(xué)習(xí)的電弧增材制造層寬自抗擾控制方法，包括以下步驟：1.采集熔池圖像并ROI選擇；2.采用分割網(wǎng)絡(luò)結(jié)構(gòu)進行熔池圖像分割；3.提取焊縫寬度；4.調(diào)節(jié)焊接電流并控制焊縫寬度。本發(fā)明設(shè)計的分割網(wǎng)絡(luò)EPNet確定了焊縫寬度并設(shè)計自抗擾控制算法，實現(xiàn)了焊接熔池寬度的實時控制；EPNet是基于ERFNet網(wǎng)絡(luò)，加入金字塔池化模塊，融合多尺度的深層圖像特征，并在訓(xùn)練時對數(shù)據(jù)集中的原圖和對應(yīng)的標(biāo)簽在形態(tài)學(xué)上做了數(shù)據(jù)增廣；結(jié)合自抗擾控制算法，可在焊接過程中根據(jù)提取的熔池寬度進行實時控制，保證熔池寬度的控制精度，為電弧增材制造焊接過程中焊縫寬度的在線監(jiān)測和控制提供了必要的策略。

技術(shù)領(lǐng)域

本發(fā)明涉及基于深度學(xué)習(xí)的電弧增材制造層寬自抗擾控制方法，屬于圖像處理及自動控制技術(shù)領(lǐng)域。

背景技術(shù)

熔焊與增材制造技術(shù)早已滲透到航空航天、兵器裝備、艦船海工、新能源新材料、核裝備/承載設(shè)備、汽車軌道車輛等眾多軍事民生領(lǐng)域。熔焊與增材制造是瞬態(tài)過程不斷累積的工藝過程，機器人焊接可以提高生產(chǎn)效率和焊接質(zhì)量。但是目前所做的熔池實時監(jiān)測都是在焊接的同時進行監(jiān)測，不能提前預(yù)測后續(xù)的熔池變化。

焊接和增材過程是一個既變性又變形的復(fù)雜物理化學(xué)過程，由于強烈的弧光輻射、高溫、煙塵、飛濺、坡口狀況、加工誤差、裝夾精度、表面狀態(tài)和工件熱變形會使焊炬偏離焊縫，從而造成焊接質(zhì)量下降甚至失敗。這就要求焊接機器人能夠?qū)崟r監(jiān)測焊縫焊接的成形質(zhì)量，及時調(diào)整焊接工藝以保證焊接質(zhì)量的可靠性。在目前的研究中，對于電弧增材制造中層幾何的反饋控制策略還不夠。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供基于深度學(xué)習(xí)的電弧增材制造層寬自抗擾控制方法，其具體技術(shù)方案如下：

基于深度學(xué)習(xí)的電弧增材制造層寬自抗擾控制方法，包括以下步驟：

步驟一：采集熔池圖像：采集熔池圖像，對熔池圖像進行ROI選擇；

步驟二：分割熔池圖像：采用ErfNet的Encoder-Decoder分割網(wǎng)絡(luò)結(jié)構(gòu)進行熔池圖像分割，且其使用語義分割常用的交叉熵?fù)p失函數(shù)，融合全局特征信息，并在主干網(wǎng)絡(luò)中加入金字塔池化模塊，其中，交叉熵?fù)p失函數(shù)在二分類情況下，其預(yù)測結(jié)果只有兩種，使得預(yù)測得到的概率為p和1-p，此時預(yù)測結(jié)果如公式（1）所示，

（1）

式中，表示樣本i的標(biāo)簽，正類為1，負(fù)類為0，表示樣本i預(yù)測為正類的概率，N為類別數(shù)量；

步驟三：提取焊縫寬度：熔池圖像分割后，以熔池圖像中熔池前方的第一個像素作為參考，從第一個像素向下第50-70個像素區(qū)域的平均寬度作為焊縫寬度，提取焊縫寬度；

步驟四：調(diào)節(jié)焊接電流并控制焊縫寬度：根據(jù)提取的焊縫寬度調(diào)節(jié)并控制焊接電流，選擇焊接電流作為系統(tǒng)輸入，焊接寬度作為系統(tǒng)輸出，通過階躍響應(yīng)實驗，進行系統(tǒng)辨識，獲取焊接過程的動態(tài)模型，采用二階傳遞函數(shù)來近似焊接電流與寬度的關(guān)系，如公式（2）所示，

（2）

式中，表示焊接電流增益，且，和分別表示時間常數(shù)，s為拉普拉斯變換微分算子。

進一步的，所述步驟一中ROI區(qū)域為包含熔池輪廓的固定區(qū)域，所述ROI區(qū)域大小為512像素×512像素。

進一步的，所述步驟二中金字塔池化模塊設(shè)置有4層不同尺寸的全局池化層，每層的尺寸依次是1×1、2×2、3×3、6×6，且全局平均池化，并采用1×1卷積將通道減少為初始通道的1/4，通過對ErfNet下采樣得到特征圖，特征圖采用雙線性插值上采樣獲得未池化前的尺寸。

進一步的，所述步驟二中熔池圖像進行分割時，為確保圖像分割精度，采用平均交并比法衡量圖像分割精度，即MIoU值衡量圖像分割精度，如公式（3）所示，

（3）