CN118700166A - 一种具有参数预测功能的焊接机器人 - Google Patents

Abstract

本发明公开了一种具有参数预测功能的焊接机器人，涉及焊接机器人技术领域，包括机械结构模块、焊接检测模块、模型准备模块、模型建立模块、实时预测模块和焊接控制模块，模型建立模块包括初始化模型子模块、模型训练子模块、模型评估子模块和模型部署子模块；初始化模型子模块包括初始化模型和设置优化器；模型训练子模块包括划分训练集、前向传播、计算损失、反向传播、迭代训练和评估模型；模型评估子模块通过验证集数据重复训练并确定最终模型；模型部署子模块将最终模型集成到焊接控制模块中。本发明通过设置有模型建立模块，可以根据不同焊接材料和焊接条件进行自适应调整，提高焊接机器人焊接参数的预测精度，优化和提升焊接工艺和质量。

Description

一种具有参数预测功能的焊接机器人

技术领域

本发明涉及焊接机器人技术领域，具体为一种具有参数预测功能的焊接机器人。

背景技术

传统的焊接机器人依赖于预设的固定程序和参数进行作业，缺乏对环境变化、材料特性差异以及实时焊接状况调整的灵活性，而本申请的焊接机器人通过使用神经网络模型进行训练，可以根据不同焊接材料和焊接条件进行自适应调整，提高焊接机器人焊接参数的预测精度，从而优化焊接工艺，提升焊接产品的质量。

现有的焊接机器人存在的缺陷是：

1、专利文件KR100687814B1公开了一种焊接机器人步进焊接中避免碰撞的方法，该文件主要考虑如何避免焊接机器人在步进焊接中发生碰撞的问题，并没有考虑到如何根据不同焊接材料和焊接条件进行自适应调整，提高焊接机器人焊接参数的预测精度，从而优化焊接工艺，提升焊接产品的质量的问题；

2、专利文件CN111300417B公开了一种焊接机器人的焊接路径控制方法及装置，该文件主要考虑如何解决位置修正存在迟滞，修正效果不好的问题，并没有考虑到如何提高焊接参数预测模型的泛化能力，并保证参数预测模型能够稳定的应用于焊接机器人的问题；

3、专利文件CN115592324B公开了一种基于人工智能的自动焊接机器人控制系统，该文件主要考虑如何对非平面的复杂形状作业目标进行精准自动焊接的问题，并没有考虑到如何实时监控内部状态和焊接质量并进行反馈和调节，从而降低人为错误和成本，增强焊接机器人智能化水平的问题；

4、专利文件CN114211173B公开了一种确定焊接位置的方法、装置及系统，该文件主要考虑如何提升焊接位置的定位精度的问题，并没有考虑到如何确保焊接参数预测模型的稳定性，避免焊接机器人因参数设置不当导致的焊接缺陷和废品率的问题。

发明内容

本发明的目的在于提供一种具有参数预测功能的焊接机器人，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种具有参数预测功能的焊接机器人，包括机械结构模块、焊接检测模块、模型准备模块、模型建立模块、实时预测模块和焊接控制模块，机械结构模块用于支撑和驱动焊接机器人，焊接检测模块用于检测焊接过程中的内部状态和焊接质量，模型准备模块用于接收焊接检测模块检测的历史数据和进行模型设计，模型建立模块用于建立焊接工艺参数的预测模型，实时预测模块用于接收焊接检测模块检测的实时数据并将其输入建立好的预测模型中，得到焊接工艺参数的预测值，焊接控制模块用于根据得到的预测值来控制机械结构模块进行焊接操作；

模型建立模块包括初始化模型子模块、模型训练子模块、模型评估子模块和模型部署子模块；

初始化模型子模块包括初始化模型和设置优化器，将随机初始化方法应用于神经网络的每一层，为权重和偏置分配初始值，使用Adam优化器根据损失函数的梯度来更新神经网络的权重和偏置；

模型训练子模块包括划分训练集、前向传播、计算损失、反向传播、迭代训练和评估模型；

将完整数据集划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为76%：12%：12%，将训练集中的数据输入到神经网络中，进行前向传播计算得到预测结果，根据预测结果和训练集的真实标签计算损失函数的值，根据损失函数的梯度进行反向传播，计算每个权重和偏置的梯度，使用Adam优化器根据梯度更新权重和偏置的值，重复进行前向传播、计算损失、反向传播的过程，直到损失函数值收敛，得到训练好的模型。

优选的，模型评估子模块用于将验证集数据输入到训练好的模型中，再次进行前向传播计算得到预测结果，根据预测结果和验证集的真实标签计算性能指标，性能指标包括精确率、召回率、F1分数、ROC曲线下的面积和均方误差，根据验证集上的性能指标调整模型的参数，然后重新训练模型，重复多次直到找到在验证集上表现最佳的模型为最终模型；

将测试集输入最终模型中，进行前向传播计算生成预测结果，根据最终模型的预测结果和测试集的真实标签计算性能指标来评估最终模型的性能；

模型部署子模块用于将通过模型评估子模块的最终模型集成到焊接控制模块中。

优选的，机械结构模块包括基座、机械臂和焊枪，基座用于为焊接机器人提供稳定的支撑，机械臂用于将焊枪移动到焊接位置，焊枪用于进行焊接工作。

优选的，焊接检测模块包括内部状态监测子模块和焊接质量监测子模块，内部状态监测子模块包括电流传感器、电压传感器、速度传感器和力学传感器，电流传感器和电压传感器用于测量焊接过程中的电流大小和电压大小，速度传感器用于监测焊枪的移动速度，力学传感器用于监测焊接过程中焊枪与工件之间的接触力度。

优选的，焊接质量监测子模块包括视觉传感器、焊缝跟踪传感器、位移传感器和热释电传感器，视觉传感器用于在焊接过程中通过摄像头进行图像捕捉，焊缝跟踪传感器用于检测焊缝的位置，位移传感器用于测量工件和焊枪的位置，热释电传感器用于测量工件的温度。

优选的，模型准备模块包括数据准备子模块和模型设计子模块；

数据准备子模块用于接收来自内部状态监测模块和焊接质量监测模块的历史数据，历史数据包括电流、电压、移动速度、接触力度、焊缝位置、工件位置、焊枪位置和工件温度，对历史数据进行清洗，去除异常值、缺失值和错误数据，并对历史数据进行标准化处理，得到完整数据集。

优选的，模型设计子模块包括选择网络结构、确定网络层数和节点数以及选择激活函数和损失函数，网络结构为循环神经网络，神经网络包括输入层、隐藏层和输出层，输入层为8个节点，隐藏层为3层，输出层为8个节点，隐藏层的激活函数为ReLU，损失函数为均方误差。

优选的，实时预测模块在实际焊接过程中，接收焊接检测模块检测的实时数据，对接收到的实时数据进行清洗，去除异常值、缺失值和错误数据，并对实时数据进行标准化处理，将处理后的实时数据输入模型建立模块建立的预测模型中，预测模型计算出焊接工艺参数的预测值，随后将预测值输出给焊接控制模块。

优选的，焊接控制模块接收来自实时预测模块的焊接工艺参数的预测值，对接收到的预测值进行分析，确定需要调整的焊接参数及其调整幅度，根据分析结果，生成相应的控制指令。

优选的，控制指令包括调整焊接电流和电压、改变焊接移动速度、调整焊枪位置、调整工件位置、控制接触力度和控制工件温度。

与现有技术相比，本发明的有益效果是：

1、本发明通过设置有模型建立模块，通过使用神经网络模型进行训练，将随机初始化方法应用于神经网络的每一层，为权重和偏置分配初始值，使用Adam优化器根据损失函数的梯度来更新神经网络的权重和偏置，将完整数据集划分为训练集、验证集和测试集，并通过训练集、验证集和测试集进行模型训练和评估得到适合的预测模型，通过预测模型，焊接机器人能够适应不同种类的焊接任务和材料，包括不同厚度和不同材质的金属板，提高焊接机器人的灵活性和适应性，同时，精确的焊接参数预测有助于减少因参数设置不当导致的焊接缺陷，包括焊缝不均匀、气孔和裂纹，不仅可以降低废品率，还能提高产品的整体质量和一致性，并且焊接机器人可以根据预测结果自动调整焊接参数，无需人工干预或频繁调整，提高了焊接机器人的生产效率和稳定性，增强了焊接机器人的自动化和智能化，自动化和智能化的焊接过程减少了人工干预的需求，降低了劳动力成本，因此可以解决如何根据不同焊接材料和焊接条件进行自适应调整，提高焊接机器人焊接参数的预测精度，从而优化焊接工艺，提升焊接产品的质量的问题。

2、本发明通过设置有模型评估子模块和模型部署子模块，模型评估子模块通过验证集数据对训练好的模型进行验证，确保预测模型不仅仅在训练集上表现良好，还能在验证集和测试集上保持较高的预测精度，有助于防止预测模型过拟合，提高预测模型的泛化能力，通过在验证集上计算精确率、召回率、F1分数、ROC曲线下的面积和均方误差，可以全面评估预测模型的性能，根据这些指标调整模型参数并重新训练，可以不断优化模型，找到在验证集上表现最佳的模型作为最终模型，最终模型在测试集上的性能评估提供了对模型性能的无偏估计，由于测试集数据在模型训练和验证过程中均未使用过，因此测试集上的性能指标能够真实反映模型在实际应用中的表现，模型部署子模块将经过严格评估的最终模型集成到焊接控制模块中，实现了从理论研究到实际应用的转化，使得焊接机器人能够根据预测结果自动调整焊接参数，实现智能化焊接，通过使用经过优化和验证的模型进行焊接参数预测，焊接过程可以更加稳定和一致，有助于减少因人为因素或环境因素导致的焊接质量波动，提高产品的整体质量，因此可以解决如何提高焊接参数预测模型的泛化能力，并保证参数预测模型能够稳定的应用于焊接机器人的问题。

3、本发明通过设置有内部状态监测子模块和焊接质量监测子模块，通过电流传感器和电压传感器，焊接机器人能够实时监测焊接过程中的电流和电压大小，确保焊接参数在合理范围内，防止因电流或电压异常导致的焊接质量问题，通过速度传感器监测焊枪的移动速度，有助于控制焊接速度，确保焊接过程稳定且符合工艺要求，通过力学传感器监测焊枪与工件之间的接触力度，防止因力度过大导致工件损坏或焊接质量下降，同时也避免力度不足影响焊接效果，通过视觉传感器通过摄像头捕捉焊接过程中的图像，可用于分析焊缝的外观质量，包括焊缝宽度、余高和咬边缺陷，为焊接质量评估提供直观依据，通过焊缝跟踪传感器能够实时检测焊缝的位置，确保焊枪始终沿着正确的轨迹移动，提高焊接精度和一致性，通过位移传感器测量工件和焊枪的位置，有助于控制焊接过程中的相对位置关系，确保焊接质量的稳定性，通过热释电传感器测量工件的温度，有助于评估焊接过程中的热输入和冷却效果，防止因温度过高导致的工件变形或焊接裂纹问题，通过内部状态监测子模块和焊接质量监测子模块的实时监测和反馈机制，焊接机器人能够及时调整焊接参数和工艺，确保焊接过程始终处于最佳状态，从而提升焊接效率和质量，内部状态监测和焊接质量监测的结合，使得机器人能够更全面地掌握焊接过程的状态，为焊接工艺的优化提供数据支持，因此可以解决如何实时监控内部状态和焊接质量并进行反馈和调节，从而降低人为错误和成本，增强焊接机器人智能化水平的问题。

4、本发明通过设置有数据准备子模块和模型设计子模块，数据准备子模块通过接收来自内部状态监测和焊接质量监测模块的历史数据，确保了数据源的全面性和实时性，为后续的模型训练提供坚实的基础，数据清洗和标准化处理步骤进一步提高数据质量，去除了异常值、缺失值和错误数据，减少了噪声对模型训练的影响，同时，标准化处理使得不同量纲的数据能够在同一尺度上进行比较和运算，提高了预测模型的稳定性和准确性，模型设计子模块通过选择网络结构、确定网络层数和节点数以及选择适当的激活函数和损失函数，构建了一个适用于焊接参数预测的循环神经网络模型，这种模型结构能够捕捉时间序列数据中的依赖关系，对于焊接过程中具有时间特性的参数预测尤为适用，隐藏层的ReLU激活函数有助于增加模型的非线性表达能力，使得模型能够学习更复杂的特征，而均方误差作为损失函数，则能够直接衡量模型预测值与实际值之间的差异，为模型的优化提供了明确的方向，不仅有助于优化焊接工艺，提高焊接质量，还能够减少因参数设置不当导致的焊接缺陷和废品率，因此可以解决如何确保焊接参数预测模型的稳定性，避免焊接机器人因参数设置不当导致的焊接缺陷和废品率的问题。

附图说明

图1为本发明的组成结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，包括机械结构模块、焊接检测模块、模型准备模块、模型建立模块、实时预测模块和焊接控制模块，机械结构模块用于支撑和驱动焊接机器人，焊接检测模块用于检测焊接过程中的内部状态和焊接质量，模型准备模块用于接收焊接检测模块检测的历史数据和进行模型设计，模型建立模块用于建立焊接工艺参数的预测模型，实时预测模块用于接收焊接检测模块检测的实时数据并将其输入建立好的预测模型中，得到焊接工艺参数的预测值，焊接控制模块用于根据得到的预测值来控制机械结构模块进行焊接操作；

模型建立模块包括初始化模型子模块、模型训练子模块、模型评估子模块和模型部署子模块；

初始化模型子模块包括初始化模型和设置优化器，将随机初始化方法应用于神经网络的每一层，为权重和偏置分配初始值，使用Adam优化器根据损失函数的梯度来更新神经网络的权重和偏置；

模型训练子模块包括划分训练集、前向传播、计算损失、反向传播、迭代训练和评估模型；

将完整数据集划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为76%：12%：12%，将训练集中的数据输入到神经网络中，进行前向传播计算得到预测结果，根据预测结果和训练集的真实标签计算损失函数的值，根据损失函数的梯度进行反向传播，计算每个权重和偏置的梯度，使用Adam优化器根据梯度更新权重和偏置的值，重复进行前向传播、计算损失、反向传播的过程，直到损失函数值收敛，得到训练好的模型。

进一步，对于神经网络的每一层，使用随机初始化方法为权重和偏置分配初始值，选择Adam优化器作为权重和偏置更新的工具，Adam优化器结合了Momentum和RMSprop两种优化算法的思想，通过计算梯度的一阶矩估计和二阶矩估计来为不同的参数设计独立的自适应性学习率；

模型训练子模块将完整数据集按照76%：12%：12%的比例划分为训练集、验证集和测试集，训练集用于训练预测模型，验证集用于在训练过程中调整超参数和避免过拟合，测试集用于评估预测模型的最终性能；

将训练集中的数据输入到神经网络中，通过每一层的激活函数进行前向传播计算，最终得到预测结果，根据预测结果和训练集的真实标签，计算损失函数的值，损失函数用于衡量预测模型预测结果与真实标签之间的差异，根据损失函数的梯度进行反向传播，计算每个权重和偏置的梯度，反向传播算法利用链式法则，从输出层开始逐层向前计算梯度，直到输入层，使用Adam优化器根据梯度更新权重和偏置的值；

每次迭代都会根据当前的梯度和学习率来更新权重和偏置，以期望减小损失函数的值。在每次迭代后，使用验证集评估预测模型的性能，重复进行前向传播、计算损失、反向传播和权重更新的过程，直到满足损失函数值收敛、达到预设的迭代次数或验证集性能不再提升，使用测试集对训练好的预测模型进行最终评估，以评估其在实际应用中的性能，最终评估在预测模型训练完成后进行，且只进行一次，以避免测试集信息泄露给预测模型。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，模型评估子模块用于将验证集数据输入到训练好的模型中，再次进行前向传播计算得到预测结果，根据预测结果和验证集的真实标签计算性能指标，性能指标包括精确率、召回率、F1分数、ROC曲线下的面积和均方误差，根据验证集上的性能指标调整模型的参数，然后重新训练模型，重复多次直到找到在验证集上表现最佳的模型为最终模型；

将测试集输入最终模型中，进行前向传播计算生成预测结果，根据最终模型的预测结果和测试集的真实标签计算性能指标来评估最终模型的性能；

模型部署子模块用于将通过模型评估子模块的最终模型集成到焊接控制模块中。

进一步，模型评估子模块的目的是通过验证集数据评估模型的性能，并根据评估结果调整模型参数，以找到最优的模型配置，首先将预先划分好的验证集数据输入到已经训练好的模型中，模型对验证集数据进行前向传播计算，生成预测结果，根据预测结果和验证集的真实标签，计算一系列性能指标，包括但不限于精确率、召回率、F1分数、ROC曲线下的面积和均方误差，这些指标全面评估了模型在分类任务上的性能；

根据验证集上的性能指标，分析模型的强项和弱点，并据此调整模型的参数，包括神经网络的学习率、层数、节点数和正则化强度，参数调整的目的是优化模型在验证集上的表现，使用调整后的参数重新训练模型，并重复上述步骤，包括输入验证集数据、前向传播计算、计算性能指标和参数调整，直到找到在验证集上表现最佳的模型配置，选择验证集上表现最佳的模型作为最终模型，该模型将用于后续的测试和部署；

模型部署子模块的目的是将经过评估和优化的最终模型集成到焊接控制模块中，以实现焊接作业的智能化控制，首先将最终模型的权重、结构和必要的配置文件集成到焊接控制模块中，设计焊接控制模块与模型之间的接口，确保焊接控制模块能够接收焊接数据，在焊接环境中对集成后的焊接机器人进行全面测试，包括功能测试、性能测试和稳定性测试，测试的目的是确保焊接机器人能够稳定运行，并准确地进行焊接作业，将测试通过的焊接机器人部署到实际的生产环境中，开始正式应用。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，机械结构模块包括基座、机械臂和焊枪，基座用于为焊接机器人提供稳定的支撑，机械臂用于将焊枪移动到焊接位置，焊枪用于进行焊接工作。

进一步，基座作为焊接机器人的基础支撑结构，确保机器人在高速运动或承受较大焊接力时仍能保持稳定，基座通常配备有轮子和固定装置，以适应不同的工作环境和地面条件，机械臂由多个关节和连杆组成，具有高度的灵活性和精确性，通过编程控制，机械臂能够精确地将焊枪移动到指定的焊接位置，并执行复杂的焊接轨迹，机械臂的关节可能采用伺服电机驱动，以实现高精度的位置控制和速度调节，焊枪是焊接作业的直接执行工具，焊枪上安装有电流传感器、电压传感器、速度传感器和力学传感器，用于实时监测焊接过程中的电流大小和电压大小、焊枪的移动速度以及焊枪与工件之间的接触力度，为参数预测和焊接质量控制提供数据支持。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，焊接检测模块包括内部状态监测子模块和焊接质量监测子模块，内部状态监测子模块包括电流传感器、电压传感器、速度传感器和力学传感器，电流传感器和电压传感器用于测量焊接过程中的电流大小和电压大小，速度传感器用于监测焊枪的移动速度，力学传感器用于监测焊接过程中焊枪与工件之间的接触力度。

进一步，电流传感器负责精确测量焊接过程中通过焊枪的电流大小，通过实时监测电流变化，可以及时调整焊接参数，避免焊接过热和未熔合，电压传感器用于监测焊接电压，即焊枪与工件之间的电压差，电压的稳定性和准确性可以控制焊接电弧的稳定性以及保证焊缝的均匀性，电压传感器提供的数据有助于优化焊接工艺，提升焊接质量；

速度传感器安装在焊枪上，用于精确测量焊枪的移动速度，焊接速度会影响焊缝形貌、熔深和焊接效率，通过速度传感器，焊接机器人可以根据焊接材料和工艺要求，自动调节焊接速度，确保焊接质量的稳定性和一致性，同时确保焊接符合工艺要求；

力学传感器安装在焊枪与工件接触的部位，用于监测焊接过程中焊枪与工件之间的接触力度，接触力度的控制可以防止焊枪划伤工件表面和保证焊缝成型质量，同时也避免力度不足影响焊接效果，力学传感器提供的数据有助于焊接机器人实现更加精细的力控焊接，提高焊接作业的精度和可靠性。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，焊接质量监测子模块包括视觉传感器、焊缝跟踪传感器、位移传感器和热释电传感器，视觉传感器用于在焊接过程中通过摄像头进行图像捕捉，焊缝跟踪传感器用于检测焊缝的位置，位移传感器用于测量工件和焊枪的位置，热释电传感器用于测量工件的温度。

进一步，视觉传感器通过内置的摄像头在焊接过程中进行图像捕捉，将焊接区域的实时画面传输至实时预测模块，图像经过图像处理算法的分析可以识别焊缝的位置、形状、尺寸以及焊接缺陷，焊接缺陷包括气孔、裂纹和未熔合，焊缝跟踪传感器采用激光技术来实时检测焊缝的位置和轨迹，确保焊枪能够准确地对准焊缝进行焊接；

位移传感器用于测量工件和焊枪在焊接过程中的位置变化，位移传感器可以实时监测焊枪与工件之间的相对位置关系，为焊接机器人提供精确的位置信息，位移传感器有助于焊接机器人实现精确的轨迹控制，确保焊枪能够按照预定的路径进行移动，同时，它还能够为焊接参数的调整提供数据支持，帮助焊接机器人更好地适应不同的焊接工况；

热释电传感器是一种基于热释电效应的温度测量传感器，它能够测量工件在焊接过程中的温度变化，并将这些变化转换为电信号进行输出，热释电传感器为焊接机器人提供了实时的温度监测能力，有助于控制焊接过程中的热输入量，防止过热导致的工件变形或烧穿问题，同时，它还能够为焊接质量的评估提供温度数据支持，帮助焊接机器人实现更加精准的焊接控制。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，模型准备模块包括数据准备子模块和模型设计子模块；

数据准备子模块用于接收来自内部状态监测模块和焊接质量监测模块的历史数据，历史数据包括电流、电压、移动速度、接触力度、焊缝位置、工件位置、焊枪位置和工件温度，对历史数据进行清洗，去除异常值、缺失值和错误数据，并对历史数据进行标准化处理，得到完整数据集。

进一步，数据准备子模块首先接收来自内部状态监测模块的历史数据，历史数据包括电流、电压、移动速度、接触力度、焊缝位置、工件位置、焊枪位置和工件温度，接收到的原始历史数据中包含异常值、缺失值和错误数据，这些数据如果不经过处理，会严重影响后续数据分析的准确性和可靠性，数据准备子模块通过数据清洗，数据清洗包括设置合理的阈值过滤异常值、使用插值法填补缺失值以及通过逻辑检查和数据验证来纠正错误数据，确保历史数据的完整性和准确性；

由于不同传感器采集的数据具有不同的量纲和数量级，直接用于分析会导致结果偏差，数据准备子模块采用标准化处理方法，可以选择Z-score标准化或Min-Max归一化中的一种，将所有数据转换到同一尺度上，以便于后续的数据分析和参数预测模型训练。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，模型设计子模块包括选择网络结构、确定网络层数和节点数以及选择激活函数和损失函数，网络结构为循环神经网络，神经网络包括输入层、隐藏层和输出层，输入层为8个节点，隐藏层为3层，输出层为8个节点，隐藏层的激活函数为ReLU，损失函数为均方误差。

进一步，模型设计子模块采用循环神经网络作为基础网络结构，模型设计子模块将输入层设计为8个节点，这些节点分别对应于接收来自焊接质量监测模块和内部状态监测模块的8种关键数据，包括电流、电压、移动速度、接触力度、焊缝位置、工件位置、焊枪位置和工件温度；

为了增强网络的非线性建模能力和特征提取能力，模型设计子模块设置了3层隐藏层，每一层隐藏层都包含一定数量的神经元，用于学习数据之间的复杂关系，多层隐藏层的设计能够提供更强大的模型表达能力和泛化能力；

输出层设计为8个节点，与输入层相对应，用于预测或回归焊接过程中的8种关键数据，使得模型能够同时考虑多个参数的相互影响和变化趋势，从而提供更全面的预测结果；

在隐藏层中，模型设计子模块选择了ReLU作为激活函数，ReLU函数具有计算简单、收敛速度快和非线性映射能力强的优点，能够有效地解决梯度消失问题，并提升神经网络的训练效率和性能；

为了衡量模型预测值与实际值之间的差异，并指导模型的训练过程，模型设计子模块选择了均方误差作为损失函数，MSE是一种常用的回归损失函数，它能够反映预测值与实际值之间的平均平方差距，通过最小化MSE来优化模型参数，使预测结果更加接近真实情况，焊接机器人的模型设计子模块通过选择网络结构、确定网络层数和节点数以及选择合适的激活函数和损失函数，构建了一个高效准确的参数预测模型，为焊接机器人提供有力的数据支持和决策依据。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，实时预测模块在实际焊接过程中，接收焊接检测模块检测的实时数据，对接收到的实时数据进行清洗，去除异常值、缺失值和错误数据，并对实时数据进行标准化处理，将处理后的实时数据输入模型建立模块建立的预测模型中，预测模型计算出焊接工艺参数的预测值，随后将预测值输出给焊接控制模块。

进一步，实时预测模块首先接收来自焊接检测模块的实时数据，实时数据包括电流、电压、焊枪移动速度、接触力度、焊缝位置、工件位置、焊枪位置以及工件温度，接着，对实时数据进行清洗，以去除可能存在的异常值、缺失值和错误数据，可以确保预测模型的准确性和可靠性，经过清洗后的实时数据会被进行标准化处理，消除不同量纲的影响，加快模型收敛速度，并提升模型的预测性能；

将标准化处理后的实时数据作为输入，送入模型建立模块已经训练好的预测模型中，预测模型根据输入的实时数据，计算出焊接工艺参数的预测值，

计算出的预测值随后被输出给焊接控制模块，焊接控制模块根据这些预测值来调整焊接机器人的工作参数，以实现更精确、更稳定的焊接过程。

请参阅图1，本发明提供的一种实施例：一种具有参数预测功能的焊接机器人，焊接控制模块接收来自实时预测模块的焊接工艺参数的预测值，对接收到的预测值进行分析，确定需要调整的焊接参数及其调整幅度，根据分析结果，生成相应的控制指令。

控制指令包括调整焊接电流和电压、改变焊接移动速度、调整焊枪位置、调整工件位置、控制接触力度和控制工件温度。

进一步，焊接控制模块首先接收来自实时预测模块的焊接工艺参数预测值，预测值包括未来一段时间内电流、电压、速度、焊枪位置、工件位置、接触力度以及工件温度，接着，焊接控制模块对接收到的预测值进行综合分析，评估当前焊接状态与预期目标之间的偏差，并确定需要调整的具体焊接参数及其调整方向和调整幅度；

根据分析结果，焊接控制模块生成相应的控制指令，控制指令涵盖了焊接过程中的多个关键方面，包括但不限于：

调整焊接电流和电压：可以优化焊接热输入，确保焊缝质量；

改变焊接移动速度：可以适应不同材质、厚度和焊接位置的需求，提高焊接效率；

调整焊枪位置：确保焊枪能够准确对准焊缝，减少焊接偏差；

调整工件位置：通过工件夹具和机械臂的微调，使工件处于最佳焊接姿态；

控制接触力度：调整焊枪与工件之间的接触力，以维持稳定的焊接质量；

控制工件温度：在需要时，通过预热或冷却系统来调节工件温度，防止热变形或裂纹问题。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种具有参数预测功能的焊接机器人，其特征在于，包括机械结构模块、焊接检测模块、模型准备模块、模型建立模块、实时预测模块和焊接控制模块，机械结构模块用于支撑和驱动焊接机器人，焊接检测模块用于检测焊接过程中的内部状态和焊接质量，模型准备模块用于接收焊接检测模块检测的历史数据和进行模型设计，模型建立模块用于建立焊接工艺参数的预测模型，实时预测模块用于接收焊接检测模块检测的实时数据并将其输入建立好的预测模型中，得到焊接工艺参数的预测值，焊接控制模块用于根据得到的预测值来控制机械结构模块进行焊接操作；

模型建立模块包括初始化模型子模块、模型训练子模块、模型评估子模块和模型部署子模块；

初始化模型子模块包括初始化模型和设置优化器，将随机初始化方法应用于神经网络的每一层，为权重和偏置分配初始值，使用Adam优化器根据损失函数的梯度来更新神经网络的权重和偏置；

模型训练子模块包括划分训练集、前向传播、计算损失、反向传播、迭代训练和评估模型；

将完整数据集划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为76%：12%：12%，将训练集中的数据输入到神经网络中，进行前向传播计算得到预测结果，根据预测结果和训练集的真实标签计算损失函数的值，根据损失函数的梯度进行反向传播，计算每个权重和偏置的梯度，使用Adam优化器根据梯度更新权重和偏置的值，重复进行前向传播、计算损失、反向传播的过程，直到损失函数值收敛，得到训练好的模型。

2.根据权利要求1所述的一种具有参数预测功能的焊接机器人，其特征在于：模型评估子模块用于将验证集数据输入到训练好的模型中，再次进行前向传播计算得到预测结果，根据预测结果和验证集的真实标签计算性能指标，性能指标包括精确率、召回率、F1分数、ROC曲线下的面积和均方误差，根据验证集上的性能指标调整模型的参数，然后重新训练模型，重复多次直到找到在验证集上表现最佳的模型为最终模型；

将测试集输入最终模型中，进行前向传播计算生成预测结果，根据最终模型的预测结果和测试集的真实标签计算性能指标来评估最终模型的性能；

模型部署子模块用于将通过模型评估子模块的最终模型集成到焊接控制模块中。

3.根据权利要求1所述的一种具有参数预测功能的焊接机器人，其特征在于：机械结构模块包括基座、机械臂和焊枪，基座用于为焊接机器人提供稳定的支撑，机械臂用于将焊枪移动到焊接位置，焊枪用于进行焊接工作。

4.根据权利要求1所述的一种具有参数预测功能的焊接机器人，其特征在于：焊接检测模块包括内部状态监测子模块和焊接质量监测子模块，内部状态监测子模块包括电流传感器、电压传感器、速度传感器和力学传感器，电流传感器和电压传感器用于测量焊接过程中的电流大小和电压大小，速度传感器用于监测焊枪的移动速度，力学传感器用于监测焊接过程中焊枪与工件之间的接触力度。

5.根据权利要求4所述的一种具有参数预测功能的焊接机器人，其特征在于：焊接质量监测子模块包括视觉传感器、焊缝跟踪传感器、位移传感器和热释电传感器，视觉传感器用于在焊接过程中通过摄像头进行图像捕捉，焊缝跟踪传感器用于检测焊缝的位置，位移传感器用于测量工件和焊枪的位置，热释电传感器用于测量工件的温度。

6.根据权利要求1所述的一种具有参数预测功能的焊接机器人，其特征在于：模型准备模块包括数据准备子模块和模型设计子模块；

数据准备子模块用于接收来自内部状态监测模块和焊接质量监测模块的历史数据，历史数据包括电流、电压、移动速度、接触力度、焊缝位置、工件位置、焊枪位置和工件温度，对历史数据进行清洗，去除异常值、缺失值和错误数据，并对历史数据进行标准化处理，得到完整数据集。

7.根据权利要求6所述的一种具有参数预测功能的焊接机器人，其特征在于：模型设计子模块包括选择网络结构、确定网络层数和节点数以及选择激活函数和损失函数，网络结构为循环神经网络，神经网络包括输入层、隐藏层和输出层，输入层为8个节点，隐藏层为3层，输出层为8个节点，隐藏层的激活函数为ReLU，损失函数为均方误差。

8.根据权利要求1所述的一种具有参数预测功能的焊接机器人，其特征在于：实时预测模块在实际焊接过程中，接收焊接检测模块检测的实时数据，对接收到的实时数据进行清洗，去除异常值、缺失值和错误数据，并对实时数据进行标准化处理，将处理后的实时数据输入模型建立模块建立的预测模型中，预测模型计算出焊接工艺参数的预测值，随后将预测值输出给焊接控制模块。

9.根据权利要求1所述的一种具有参数预测功能的焊接机器人，其特征在于：焊接控制模块接收来自实时预测模块的焊接工艺参数的预测值，对接收到的预测值进行分析，确定需要调整的焊接参数及其调整幅度，根据分析结果，生成相应的控制指令。

10.根据权利要求9所述的一种具有参数预测功能的焊接机器人，其特征在于：控制指令包括调整焊接电流和电压、改变焊接移动速度、调整焊枪位置、调整工件位置、控制接触力度和控制工件温度。