【技术实现步骤摘要】
本专利技术涉及tig仰焊，具体而言，涉及一种用于tig仰焊的熔透判别方法、存储介质及焊接设备。
技术介绍
1、仰焊是焊接位置处于水平下方的焊接。仰焊是四种基本焊接位置中最困难的一种焊接。由于熔池位置在焊件下面，焊条熔滴金属的重力会阻碍熔滴过度，熔池金属也受自身重力作用下坠，熔池体积越大温度越高，则熔池表面涨力越小，故仰焊时焊缝背面容易产生凹陷，正面焊道出现焊瘤，焊道形成困难。
2、为此，使用tig焊接，即非熔化极惰性气体保护电弧焊，利用tig焊接的氩气保护、电弧稳定、高质量、高效率以及高灵活性，从而保证仰焊的焊接质量，尤其是利用其高效率和高灵活性，针对性的解决了仰焊的上述焊接难点，保证了仰焊的顺利完成。
3、尽管tig焊具有诸多优点，但它也有其局限性，需要焊接工人较高的操作技能和设备条件、较高的成本投入和维护费用，以及需要严格的安全防护和环境保护措施，造成了tig仰焊操作繁琐，成本巨大。
4、随着工业机器人的快速发展尤其是视觉识别技术与智能工业机器人相结合之后，越来越多的工业生产场景开始采用机器视觉来监测，并执行生产任务，这极大的改善了tig仰焊的工作效率并降低了焊接成本。
5、但是，现有的智能焊机机器人在进行tig仰焊过程中无法对仰焊熔池的实时熔透状态进行有效识别，更无法预测接下来的熔透状态，从而影响智能焊机机器人对tig仰焊的焊接质量。
技术实现思路
1、本专利技术要解决的技术问题是，如何使智能焊接机器人能够对熔透状态进行有效的实
2、为解决上述问题，本专利技术提供了一种用于tig仰焊的熔透判别方法，包括：
3、进行tig仰焊实验，使实验件达到不同熔透状态，以获得对应的多个不同焊接参数，并采集对应的多个不同双面熔池图像；
4、基于所述多个不同焊接参数和所述多个不同双面熔池图像，分别使用多种不同网络模型进行深度学习训练，以筛选出熔池预测模型；
5、对工件进行tig仰焊，并实时采集所述工件的双面熔池图像；
6、基于所述熔池预测模型及实时采集的所述工件的双面熔池图像，实时预测并显示出所述工件的双面熔池图像。
7、可选地，基于所述多个不同焊接参数和所述多个不同双面熔池图像，分别使用多种不同网络模型进行深度学习训练，以筛选出熔池预测模型包括：
8、对所述多个不同双面熔池图像进行预处理；
9、对预处理后的所述多个不同双面熔池图像进行分类，并制作标签数据，作为数据集；
10、基于所述数据集，分别使用cnn网络模型、3dcnn网络模型和crnn熔透识别网络模型进行深度学习训练；
11、从所述cnn网络模型、所述3dcnn网络模型和所述crnn熔透识别网络模型中筛选出准确率最高和损失函数最低的网络模型，作为熔池预测模型。
12、可选地，使用公式1-1：
13、li＝mp(ru(bn(conv3d(input；θi)))) (1-1)
14、计算所述3dcnn网络模型的卷积层结构，其中，con3d表示第一卷积层，bn表示批量化归一层，ru表示relu激活层，mp表示第一池化层，θi表示初始权重；i为大于等于2的整数；
15、使用公式1-2：
16、output＝fc2(ru(bn(fc1(li)))) (1-2)
17、计算所述3dcnn网络模型的全连接层结构，其中，fc表示所述3dcnn网络模型的全连接层。
18、可选地，所述crnn熔透识别网络模型包括：卷积神经网络与长短时记忆递归神经网络，所述卷积神经网络为残差神经网络。
19、可选地，使用adam算法更新卷积神经网络与长短时记忆递归神经网络的网络权重参数。
20、可选地，基于制作标签数据后的所述多个不同双面熔池图像，分别使用cnn网络模型、3dcnn网络模型和crnn熔透识别网络模型进行深度学习训练包括：
21、使用所述crnn熔透识别网络模型进行深度学习训练之前包括：
22、删除所述残差神经网络的最后一层全连接层，重新建立所述残差神经网络的全连接层与relu激活层；
23、使用所述crnn熔透识别网络模型进行深度学习训练包括：
24、将所述数据集输入所述残差神经网络；
25、将所述残差神经网络的输出结果输入所述长短时记忆递归神经网络中，
26、经过所述crnn熔透识别网络模型的softmax层得到输出结果。
27、可选地，所述cnn熔透识别网络模型的第二卷积层为多层卷积，且包含relu激活函数、bn批量归一化层和第二池化层，
28、基于所述数据集，使用cnn网络模型进行深度学习训练包括：
29、对所述数据使用所述第二卷积层集卷积，获得特征并展平至一维；
30、将展平至一维的特征连接到所述cnn熔透识别网络模型的全连接层，以对所述数据集中的熔透状态进行分类。
31、可选地，所述损失函数为：
32、
33、其中，p表示数据集中的真实值，q表示模型预测值。
34、另外，本专利技术还提供了一种存储介质，所述存储介质上存储有移动存储介质的访问控制方法程序，所述移动存储介质的访问控制方法程序被处理器执行时实现所述的熔透判别方法的各个步骤。
35、另外，本专利技术还提供了一种焊接设备，所述焊接设备用于执行所述的熔透判别方法。
36、本专利技术的技术效果至少包括：
37、本专利技术中熔透判别方法可以用于智能焊接机器人，首先通过tig仰焊实验，使采集对应的多个不同双面熔池图像，然后筛选出熔池预测模型，然后利用熔池预测模型对tig仰焊的工件的未来焊接状态进行实时预测并显示出所述工件的双面熔池图像，实现了仰焊熔池的实时熔透状态识别。这样，通过对智能焊接机器人的设置，使智能焊接机器人根据实时识别出的熔透状态，预测出所述工件的双面熔池图像，来自主进行焊接参数调节，提高智能焊接机器人针对tig仰焊的焊接自适应性，从而保证焊接质量。另外，也可以由操作人员通过显示出的预测图像，对智能焊接机器人的焊接参数进行调整。从而采用多种调节方式，实现对熔池焊接情况的调节，以保证tig仰焊的焊接质量。
本文档来自技高网...【技术保护点】
1.一种用于TIG仰焊的熔透判别方法，其特征在于，包括：
2.根据权利要求1所述的熔透判别方法，其特征在于，基于所述多个不同焊接参数和所述多个不同双面熔池图像，分别使用多种不同网络模型进行深度学习训练，以筛选出熔池预测模型包括：
3.根据权利要求2所述的熔透判别方法，其特征在于，
4.根据权利要求2所述的熔透判别方法，其特征在于，所述CRNN熔透识别网络模型包括：卷积神经网络与长短时记忆递归神经网络，所述卷积神经网络为残差神经网络。
5.根据权利要求4所述的熔透判别方法，其特征在于，使用Adam算法更新卷积神经网络与长短时记忆递归神经网络的网络权重参数。
6.根据权利要求4所述的熔透判别方法，其特征在于，基于制作标签数据后的所述多个不同双面熔池图像，分别使用CNN网络模型、3DCNN网络模型和CRNN熔透识别网络模型进行深度学习训练包括：
7.根据权利要求2所述的熔透判别方法，其特征在于，
8.根据权利要求2至7中任意一项所述的熔透判别方法，其特征在于，所述损失函数为：
9.一种存储介
10.一种焊接设备，其特征在于，所述焊接设备用于执行权利要求1至8中任意一项所述的熔透判别方法。
...【技术特征摘要】
1.一种用于tig仰焊的熔透判别方法，其特征在于，包括：
2.根据权利要求1所述的熔透判别方法，其特征在于，基于所述多个不同焊接参数和所述多个不同双面熔池图像，分别使用多种不同网络模型进行深度学习训练，以筛选出熔池预测模型包括：
3.根据权利要求2所述的熔透判别方法，其特征在于，
4.根据权利要求2所述的熔透判别方法，其特征在于，所述crnn熔透识别网络模型包括：卷积神经网络与长短时记忆递归神经网络，所述卷积神经网络为残差神经网络。
5.根据权利要求4所述的熔透判别方法，其特征在于，使用adam算法更新卷积神经网络与长短时记忆递归神经网络的网络权重参数。
6.根据权利要求4...
【专利技术属性】
技术研发人员：王宗义，刘伟，接东旭，尹春光，陈永亮，
申请(专利权)人：芜湖行健智能机器人有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。