本技術(shù)涉及智能焊接的領(lǐng)域，尤其是涉及一種智能焊接機器人。

背景技術(shù)：

1、焊接機器人因其具有焊接效率高、焊接質(zhì)量好以及可在有害環(huán)境下持續(xù)作業(yè)等優(yōu)點，被廣泛應(yīng)用于制造業(yè)等多個領(lǐng)域，隨著科技的發(fā)展，焊接機器人也在朝著高智能、高質(zhì)量的方向發(fā)展。

2、公開號為cn116810230a的中國專利申請公開了一種人工智能自適應(yīng)機器人焊接方法，包括以下步驟：3d結(jié)構(gòu)光相機對產(chǎn)品進行拍照，生成三維點云；深度學習人工智能軟件識別產(chǎn)品焊道并提取焊道位置坐標及管材搭接方式；機器人路徑自主規(guī)劃軟件根據(jù)識別出的焊道位置生成精確定位的拍攝點坐標；生成機器人拍照所需運動規(guī)劃路徑并引導機器人進行精確定位所需的拍照；精定位相機對產(chǎn)品焊道進行精確的二次定位，并將拍攝的焊道參數(shù)反饋給人工智能軟件識別焊道種類；生成焊接程序及機器人運動路徑程序，并調(diào)用焊接工藝包中相應(yīng)預設(shè)的焊接參數(shù)。該申請主要依賴深度學習人工智能軟件進行焊道識別和機器人路徑自主規(guī)劃軟件生成路徑。但是其焊接路徑僵化，只是根據(jù)焊道種類調(diào)用預設(shè)的焊接參數(shù)，缺乏對參數(shù)的實時優(yōu)化和自適應(yīng)調(diào)整能力；僅使用3d結(jié)構(gòu)光相機獲取產(chǎn)品三維點云數(shù)據(jù)進行分析，數(shù)據(jù)來源單一，導致焊接準確性和穩(wěn)定性較差。

3、針對上述中的相關(guān)技術(shù)，發(fā)明人認為現(xiàn)有焊接機器人焊接路線固化，只能按照預設(shè)的焊接參數(shù)進行焊接，缺乏對焊接過程的實時監(jiān)控和調(diào)整，導致焊接準確性和穩(wěn)定性較差。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本技術(shù)提供一種智能焊接機器人。

2、第一方面，本技術(shù)提供一種智能焊接機器人，采用如下的技術(shù)方案：

3、一種智能焊接機器人，包括：機器人本體以及，

4、快換式模塊化焊槍組件，安裝在機器人本體輸出端，用于對工件進行多角度焊接操作，包括用于實現(xiàn)保護氣體、冷卻水、焊接電流的同步快速接駁的氣電混合快速接口、用于捕捉熔池動態(tài)特征的嵌入式微型視覺單元和用于對不同規(guī)格焊槍模塊進行快拆以及鎖定的電磁鎖緊機構(gòu)；

5、環(huán)形陣列傳感模塊，包括6組3d線激光傳感器，以120°環(huán)形布局的方式進行設(shè)置，用于獲取工件的三維點云數(shù)據(jù)；

6、主動冷卻裝置，集成在機器人本體的關(guān)節(jié)內(nèi)部，用于控制關(guān)節(jié)電機溫度；

7、邊緣計算單元，用于快速處理采集到的多模態(tài)數(shù)據(jù)信息，動態(tài)規(guī)劃焊接路徑，采用貝葉斯優(yōu)化框架在線調(diào)整焊接工藝參數(shù)，實時控制快換式模塊化焊槍組件對焊接區(qū)域的工件進行焊接。

8、優(yōu)選的，所述快換式模塊化焊槍組件還包括：

9、磨損檢測單元，用于對焊槍模塊的鎢極尖端進行阻抗測量，對鎢極損耗量進行監(jiān)測；

10、六維力傳感器單元，用于實時監(jiān)測焊槍模塊的焊槍末端受力狀態(tài)數(shù)據(jù)，生成力覺數(shù)據(jù)。

11、優(yōu)選的，所述主動冷卻裝置包括：

12、相變材料層，設(shè)置在關(guān)節(jié)電機外殼內(nèi)側(cè)，厚度1.5mm，用于吸收電機運行時的瞬時熱負荷；

13、微通道結(jié)構(gòu)，設(shè)置在關(guān)節(jié)電機外殼外側(cè)，流道沿軸向布置，覆蓋電機全長，用于通過冷卻液循環(huán)帶走持續(xù)熱負荷；

14、熱電制冷片，設(shè)置在關(guān)節(jié)電機定子鐵芯外側(cè)以及電機驅(qū)動板表面，用于針對高溫區(qū)域進行主動制冷補償相變材料和微通道的散熱能力；

15、紅外監(jiān)測單元，用于實時監(jiān)測電機表面溫度場。

16、優(yōu)選的，所述邊緣計算單元快速處理采集到的多模態(tài)數(shù)據(jù)信息，基于td3強化學習算法動態(tài)規(guī)劃焊接路徑，采用貝葉斯優(yōu)化框架在線調(diào)整焊接工藝參數(shù)，實時控制快換式模塊化焊槍組件對焊接區(qū)域的工件進行焊接具體包括以下步驟：

17、通過環(huán)形陣列傳感模塊、六維力傳感器單元獲取焊接環(huán)境的多模態(tài)數(shù)據(jù)信息，所述多模態(tài)數(shù)據(jù)信息包括視覺數(shù)據(jù)信息以及力覺數(shù)據(jù)信息，所述視覺數(shù)據(jù)信息為工件的三維點云數(shù)據(jù)，所述力覺數(shù)據(jù)信息為焊槍模塊的焊槍末端受力狀態(tài)數(shù)據(jù)；

18、通過預設(shè)置的pointnet++網(wǎng)絡(luò)對工件的三維點云數(shù)據(jù)進行特征提取與語義分割，識別獲得焊縫軌跡特征，將焊縫軌跡特征輸入預設(shè)置的深度強化學習模型動態(tài)規(guī)劃生成符合焊接工藝要求的動態(tài)路徑；所述深度強化學習模型基于近端策略優(yōu)化算法進行迭代訓練得到；

19、構(gòu)建焊接電流、電壓、速度與焊縫質(zhì)量之間的貝葉斯優(yōu)化模型，通過高斯過程回歸構(gòu)建參數(shù)響應(yīng)曲面，并利用期望改進采集函數(shù)進行多目標參數(shù)尋優(yōu)，確定最佳焊接參數(shù)組合；

20、控制快換式模塊化焊槍組件根據(jù)動態(tài)路徑以及最佳焊接參數(shù)組合開始焊接，通過嵌入式微型視覺單元采集熔池圖像并提取熔池動態(tài)特征，依據(jù)熔池動態(tài)特征提取結(jié)果采用模糊pid控制器對焊接參數(shù)進行動態(tài)調(diào)整，其中比例系數(shù)、積分時間、微分時間根據(jù)熔寬波動率進行自適應(yīng)整定；

21、通過預設(shè)置的數(shù)字孿生系統(tǒng)將實體焊接過程映射至虛擬空間，在仿真環(huán)境中進行路徑預驗證和碰撞檢測，然后將優(yōu)化參數(shù)反饋至機器人本體以及快換式模塊化焊槍組件處。

22、優(yōu)選的，所述深度強化學習模型采用雙延遲深度確定性策略梯度算法架構(gòu)，構(gòu)建多維狀態(tài)空間s＝(焊縫偏差,焊接速度,熔池形態(tài),環(huán)境溫度)，動作空間a＝(路徑修正量,送絲速度,電弧電壓)，設(shè)置復合獎勵函數(shù)：

23、r＝0.6×(1-|δw/w0|)+0.3×(1-σpath/σmax)-0.1×(p/pmax)

24、其中δw為熔寬偏差，w0為標準熔寬，σpath為路徑曲率標準差，σmax是預先設(shè)定的路徑曲率標準差的最大值；p為實時功率消耗，pmax是預先設(shè)定的允許的最大功率消耗值。

25、優(yōu)選的，所述貝葉斯優(yōu)化框架包含工藝約束動態(tài)注入機制，當檢測到以下任一條件時啟動約束處理：

26、飛濺率超過預設(shè)置標準閾值；

27、熔深波動范圍大于預設(shè)置的設(shè)定值的30％；

28、熱影響區(qū)溫度梯度超出材料相變臨界值。

29、優(yōu)選的，通過拉格朗日乘子法將約束條件融入采集函數(shù)，生成可行域內(nèi)的優(yōu)化參數(shù)組合。

30、優(yōu)選的，所述所述多模態(tài)數(shù)據(jù)融合處理包括以下步驟：

31、建立視覺-力覺數(shù)據(jù)的時空對齊模型，并采用擴展卡爾曼濾波器補償傳感器時延；

32、構(gòu)建基于多頭注意力機制的特征融合網(wǎng)絡(luò)，計算各傳感器數(shù)據(jù)置信度權(quán)重；

33、實時比較視覺數(shù)據(jù)和力覺數(shù)據(jù)，當視覺與力覺數(shù)據(jù)偏差超過閾值時，啟動預設(shè)置的激光雷達輔助驗證；

34、融合結(jié)果輸出為七維特征向量[位置x,y,z,法向量n_x,n_y,n_z,接觸力f]。

35、優(yōu)選的，所述所述邊緣計算單元實時控制快換式模塊化焊槍組件對焊接區(qū)域的工件進行焊接還包括：對焊接任務(wù)進行識別判斷是否為多機協(xié)同任務(wù)，若是，則進入多機協(xié)同機制控制；所述多機協(xié)同機制控制過程包括以下步驟：

36、基于預設(shè)置智能合約的任務(wù)分配機制，對整體焊接任務(wù)進行理拆分為多個子任務(wù)，每個子任務(wù)包括子任務(wù)的唯一標識id，位置坐標，工藝要求以及優(yōu)先級；

37、明確可供分配的智能焊接機器人，構(gòu)建每個智能焊接機器人的設(shè)備能力矩陣cij＝[焊接精度,剩余壽命,當前位置]，基于匈牙利算法為每個子任務(wù)動態(tài)匹配智能焊接機器人，控制各個智能焊接機器人按照分配的子任務(wù)進行焊接；

38、構(gòu)建基于速度障礙法的碰撞預判模型，實時計算各機器人運動矢量在δt時間窗內(nèi)的最小間隔距離；并在最小間隔距離小于預設(shè)安全間距閾值時，調(diào)整執(zhí)行低優(yōu)先級子任務(wù)的機器人的運動軌跡或速度；

39、在多機協(xié)同機制控制過程，采用輕量級默克爾樹結(jié)構(gòu)存儲任務(wù)執(zhí)行日志。

40、優(yōu)選的，所述明確可供分配的智能焊接機器人，構(gòu)建每個智能焊接機器人的設(shè)備能力矩陣cij＝[焊接精度,剩余壽命,當前位置]，基于匈牙利算法為每個子任務(wù)動態(tài)匹配智能焊接機器人具體包括以下步驟：

41、明確可供分配的智能焊接機器人，構(gòu)建每個智能焊接機器人的設(shè)備能力矩陣cij＝[焊接精度,剩余壽命,當前位置]；

42、獲取各個子任務(wù)的匹配權(quán)重，所述匹配權(quán)重包括焊接精度權(quán)重系數(shù)w1、剩余壽命權(quán)重系數(shù)w2以及當前位置權(quán)重系數(shù)權(quán)重系數(shù)w3；

43、根據(jù)智能焊接機器人的設(shè)備能力矩陣cij以及各個子任務(wù)的匹配權(quán)重計算匹配成本mij，構(gòu)建匹配成本矩陣m；匹配成本計算公式為：mij＝w1×f1(cij[焊接精度])+w2×f2(cij[剩余壽命])+w3×f3(cij[當前位置])；其中f1、f2和f3均是映射函數(shù)，由管理人員預設(shè)置，f1是機器人焊接精度和子任務(wù)工藝要求精度偏差越大，成本分數(shù)越高；f2是機器人剩余壽命越短，成本分數(shù)越高；f3是機器人當前位置與任務(wù)位置距離越遠，成本分數(shù)越高；

44、基于匈牙利算法對匹配成本矩陣m進行處理，通過行變換和列變換，為每個子任務(wù)動態(tài)匹配智能焊接機器人；

45、在焊接過程中定時更新設(shè)備能力矩陣，重新計算匹配成本矩陣，基于匈牙利算法進行動態(tài)匹配調(diào)整。

46、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

47、1.本技術(shù)通過邊緣計算單元的設(shè)置，能夠快速處理采集到的多模態(tài)數(shù)據(jù)信息，先基于td3強化學習算法動態(tài)規(guī)劃焊接路徑，能夠根據(jù)實時的焊接環(huán)境與工件狀態(tài)，迅速生成最優(yōu)的焊接軌跡，提高焊接效率與質(zhì)量；再采用貝葉斯優(yōu)化框架在線調(diào)整焊接工藝參數(shù)，可實現(xiàn)對焊接電流、電壓、速度等參數(shù)的精準優(yōu)化；最后在焊接過程中，通過嵌入式微型視覺單元采集熔池圖像并提取熔池動態(tài)特征，依據(jù)提取結(jié)果對焊接參數(shù)進行動態(tài)調(diào)整，以保證焊接過程的穩(wěn)定性與焊接質(zhì)量的一致性，達到有效提高焊接質(zhì)量以及焊接效率的效果；

48、2.深度強化學習模型，先使用ppo算法進行迭代訓練，可以讓模型在初始階段快速學習到基本的策略和知識，建立起一個相對穩(wěn)定的基礎(chǔ)。然后采用td3算法架構(gòu)，可以進一步優(yōu)化模型的性能，彌補深度強化學習模型值函數(shù)過估計的問題，模型能夠充分發(fā)揮兩種算法的優(yōu)勢，在復雜的焊接環(huán)境中更高效地學習和決策，實現(xiàn)更精準的焊接路徑規(guī)劃和參數(shù)調(diào)整，從而提高焊接質(zhì)量和生產(chǎn)效率；

49、3.將整體焊接任務(wù)合理拆分為多個具有唯一標識id、位置坐標、工藝要求和優(yōu)先級的子任務(wù)，構(gòu)建每個智能焊接機器人的設(shè)備能力矩陣，綜合考慮焊接精度、剩余壽命和當前位置等因素，基于匈牙利算法進行動態(tài)匹配，能夠根據(jù)機器人的實際能力和任務(wù)需求，將每個子任務(wù)分配給最合適的機器人，并在在焊接過程中，機器人的狀態(tài)(如剩余壽命變化、位置移動等)和任務(wù)需求可能會動態(tài)改變，匈牙利算法能夠根據(jù)這些變化實時調(diào)整任務(wù)分配，使系統(tǒng)具有良好的動態(tài)適應(yīng)性，即使在復雜多變的焊接環(huán)境中，也能保證任務(wù)與機器人的最佳匹配，確保焊接工作的順利進行。