[發明專利]一種基于數字孿生的板件焊接質量實時監控方法

有效

• 申請號: 202111600115.0
• 申請日: 2021-12-24
• 公開（公告）號: CN114789307B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 李浩;王曉叢;楊文超;劉根;翟中尚;王昊琪;文笑雨;張玉彥;謝貴重
• 申請（專利權）人: 鄭州輕工業大學
• 主分類號: B23K31/12
• 分類號: B23K31/12
• 代理公司: 北京哌智科創知識產權代理事務所(普通合伙) 11745
• 代理人: 張元媛

1.一種基于數字孿生的板件焊接質量實時監控方法，其特征在于，所述方法包括如下步驟：

S1、建立焊接機器人仿真模型庫：所述焊接機器人仿真模型庫由焊接機器 人焊接參數和仿真模型信息組成,通過Modbus通訊協議實時讀取焊接機器人端的數據和地址；通過三維造型軟件SolidWorks完成焊接機器人所有零件造型和整體組裝，并在3DMax軟件中完成渲染；

S2、將待檢測的缺陷板件通過焊裝夾具送至自動化檢測平臺，對板件缺陷信息進行信號采集，基于Matlab軟件對超聲信號做預處理，基于遷移學習訓練方式和改進的ResNet網絡實現對焊縫圖像的識別分類，從而分揀出不合格板件；

S3、建立焊接缺陷信息庫：根據工業焊接質量標準羅列所有焊縫可能會出現的缺陷信息，將步驟S2中的板件焊縫缺陷信息導入焊接缺陷信息庫中，所述焊接缺陷信息庫包含板件編號信息、焊縫缺陷標準信息和檢測后板件焊縫缺陷信息；

S4、將步驟S1中的焊接機器人模型庫導入數字孿生系統數據庫中的模型庫中，將步驟S3中的焊接缺陷信息庫導入數字孿生系統數據庫中的缺陷信息庫中；

S5、根據步驟S3中的焊縫缺陷信息和步驟S1中的機器人焊接參數信息，基于數據匹配方法得出不同焊縫缺陷的焊接參數匹配方案；

S6、對步驟S3中的板件編號信息、焊縫缺陷標準信息和檢測后板件焊縫缺陷信息基于數據庫模式匹配方法進行整理、編碼形成三級模型樹，并給定相應的ID序號，通過步驟S5中的數據與步驟S6中的數據之間的映射關系快速找到缺陷焊縫的具體位置、查看到焊縫的缺陷信息和類別以及對應的參數調整方案；

S7、建立焊接缺陷與參數調整的方案匹配庫：將步驟S5和比步驟S6中的數據導入焊接機器人數字孿生系統中的方案匹配庫中；

S8、在Unity 3D軟件中通過VisualStudio編輯器編寫步驟S4中的模型庫、缺陷信息庫和步驟S7中的方案匹配庫接口，再編寫腳本實現焊接參數自動更改腳本，實現機器人數字孿生系統虛擬現實平臺中的仿真機器人焊接參數自動調整；

S9、在VisualStudio編輯器中編寫腳本，判斷仿真機器人焊接參數的自動調整是否正確，在沒有發出警報或焊接仿真過程中沒有出現異常則根據平臺語音或視頻提示對實際產線機器人焊接參數做調整優化，對不合格板件做停止焊接操作或抽出不合格板件處理；

S10、借助焊接機器人數字孿生系統的虛擬現實平臺，工人實時監控虛擬產線的板件焊接質量和實際產線的板件焊接質量，根據系統的實時反饋做出調整優化；

所述焊接機器人包括基座(1)，基座1內安裝有第一電機(7)，第一電機(7)的一側安裝有第二電機(2)，所述第二電機(2)的輸出軸與大臂(3)的一端連接，大臂(3)的另一端固定安裝有第三電機(4)，第三電機(4)的輸出軸與小臂(5)的一端連接，小臂(5)的另一端固定安裝有手腕(6)；

步驟S2中所述對超聲信號做預處理具體步驟為：

將超聲波設備獲取的RF信號存放在采集程序生成的.dat文件中，這些信號是超聲生成圖像的原始數據；接著在Matlab軟件中導入.dat文件中的原始數據，其中.dat文件中的數據格式是每個點占用位寬×點數×線數；然后是對數據格式的轉換，在Matlab軟件中打開.dat文件，調用changeB2T函數將讀入的一維向量數據格式轉換為矩陣形式，即可準確得到一幀數據；然后解調RF信號，由于得到的數據可能混有噪聲，需要對每一線的數據進行濾波和抽取處理；處理前先對信號進行頻移處理，因為需要保留的數據是中心頻率周圍的信息，其他頻率的數據需要濾除；根據循環頻移性質，將數據在頻域內進行移動；

步驟S2中基于遷移學習訓練方式和改進的ResNet網絡實現對焊縫圖像的識別分類具體步驟為：

該網絡將主體分為4部分，conv2_x，conv3_x，conv4_x，conv5_x；其中conv2_x層有3個Bottleneck，第一個Bottleneck比較特殊，下采樣操作后只改變深度不改變圖像大小，步長均設置為1，而conv3_x，conv4_x，conv5_x的第一個Bottleneck下采樣操作既改變圖像的大小也將特征層深度縮小到一半；在conv2_x中第二個和第三個Bottleneck，此部分的輸入通道數是256，輸出通道數也是256，不需要下采樣操作；在conv3_x中有4個Bottleneck，第一個Bottleneck輸入通道數是256，而輸出通道數是512，需要升維；而且，在這個模塊中將圖像縮小了兩倍，步長設置為2，且需要下采樣操作即添加1*1卷積核，并且步長設置為2，讓輸入和輸出具有相同結構，從而相加；在conv3_x的剩下3個Bottleneck，此部分的輸入通道數是512，輸出通道數也是512，則不需要下采樣操作，也沒有出現步長為2的情況；conv4_x，conv5_x的這兩部分采用上述步；

再采用遷移學習的訓練方式，凍結部分ResNet網絡結構和參數，使用ImageNet數據集訓練出一個預訓練模型，添加針對焊縫圖像的網絡層進行二次訓練，最終得到了一個適用于焊縫缺陷的分類模型。