本发明涉及机器人焊接领域，具体涉及一种基于改进自适应模糊神经网络的焊缝外形预测方法，涉及一种机器人焊接焊缝外形预测方法。
背景技术：
焊接质量的好坏直接影响焊接件的加工精度和使用寿命。在焊接过程中，焊接质量影响因素众多，钛合金的焊接质量检测主要包括焊接接头的致密性、物理性能、力学性能、焊接缺陷和外表尺寸等。焊接参数的异常波动、机械臂的震动、焊接工人对焊接参数的选择和焊接设备的操作规范，都会影响最终的焊接质量。现有的加工工厂中，通常由焊接工人设置焊接参数后利用试验件打样从而判断参数设置是否合理，若试验件质量不满足要求，则继续调整参数和打样，上述过程一方面会浪费大量的材料，另一方面需要耗费较长的时间和人力。
现有的神经网络算法由于其强大的非线性能力，可映射任意复杂的非线性函数，在机器人焊接系统中得到了初步的应用。但是，在实际焊接过程中，焊接参数与焊缝外形特征之间的相关关系难以定量描述，影响机器人焊接质量的因素较多，而模糊算法能够表达模糊知识，实现模糊推理，可有效弥补神经网络泛化能力差的不足。
1984年，j.c.bezdek提出了模糊c均值聚类算法(fcm)，引入样本到聚类中心的隶属度，通过优化目标函数得到每个样本点对类中心的隶属度，决定样本点的类属以达到自动对样本数据进行分类的目的。1995年，kennedy和eberhart提出一种粒子群优化（particalswarmoptimization,pos）算法，该算法具有群体智能、迭代格式简单、可快速收敛得到最优解所在区域等优点，迄今为止fcm算法和pso算法都得到了较好的应用。但是在利用pso算法确定焊接参数隶属度函数宽度的过程中，较小的权重因子则有利于对当前的搜索区域进行精确的局部搜索，而选用较小的权重因子容易在模糊神经网络训练过程中陷入局部极小点的问题，选用较大的权重因子有利于跳出局部最小点，便于全局搜索，但预测的精度不足，隶属度函数确定困难，难以兼顾预测的精度和预测结果的全局最优性。
技术实现要素：
本发明为解决焊接参数与焊缝外表尺寸之间的拟合问题，提供了一种基于改进自适应模糊神经网络的机器人焊接焊缝外形预测方法。本发明采用自适应模糊神经网络对焊缝外形进行预测，根据预测数据调整焊接参数，该方法相比于传统试焊法，可根据输入的焊接参数对焊后外形进行预测，减少了人力成本，避免了由于人工试焊造成的材料浪费。
一种基于改进自适应模糊神经网络的焊缝外形预测方法，包括：
步骤1：初始化焊缝外形预测模糊神经网络，确定焊接模糊规则；
步骤2：确定模糊神经网络的输入的焊接参数变量和模糊神经网络输出量；
步骤3：根据步骤1确定的焊接模糊规则计算各焊接参数变量的焊接参数隶属度；
步骤4：利用基于直觉模糊c均值聚类（ifcm）和自适应惯性权重粒子群算法（apso）融合算法寻优计算焊接参数隶属度中的未知参数，获得各焊接参数变量的焊接参数隶属度；
步骤5：根据各焊接参数变量的焊接参数隶属度进行模糊计算；
步骤6：根据步骤5获得的模糊计算结果获得机器人焊接焊缝的焊缝宽度和焊缝高度的预测输出值；
所述步骤3包括：
对于输入的焊接参数变量
其中，
优选的，所述步骤1具体包括：
利用if-then定义规则描述焊缝外形预测模糊神经网络，焊缝外形预测模糊神经网络可用如下“if-then”规则进行定义：
其中，
优选的，所述步骤2具体包括：
以保护气体流量、焊接速率、送丝速率和激光功率作为模糊神经网络的四个输入的焊接参数变量，分别以焊宽和焊高作为网络输出。
优选的，所述步骤4具体包括：
步骤4.1，利用随机数发生器对焊接参数的隶属度矩阵赋予初值；
步骤4.2，确定焊接直接模糊集，基于焊接直接模糊集计算焊接参数样本的不确定度，将焊接参数的隶属度矩阵变为模糊隶属矩阵；
步骤4.3，基于模糊隶属度矩阵计算待分类焊接参数到聚类中心的距离，将样本划分到各个类中；
步骤4.4，重新计算每个类的聚类中心、焊接参数样本到聚类中心的距离，使用直觉模糊隶属度矩阵代替原有的隶属度矩阵，并将样本重新划分到各个类中；
步骤4.5，迭代寻找隶属度函数的最优解；
步骤4.6，重复步骤4.2-4.5，直到适应度函数达到指定阈值。
优选的，所述步骤4.2具体包括：
确定焊接直觉模糊集wifs，在wifs中增加焊接参数变量的非隶属度
其中，
优选的，所述步骤4.3具体包括：
将焊接直觉模糊隶属度定义为：
其中，
其中，
优选的，所述步骤4.4具体包括：
使用焊接参数变量的焊接直觉模糊隶属度构成的直觉隶属度矩阵，可以得到新的焊接参数聚类中心公式：
优选的，所述步骤5具体包括：
将步骤4中得到的优化后的焊接参数隶属度中的未知数代入的焊接参数隶属度的计算公式，模糊计算各输入的焊接参数隶属度，其中，模糊算子为连乘算子：
优选的，所述步骤6具体包括：
将步骤5中得到的模糊结果代入式中计算机器人焊接焊缝的焊缝宽度和高度的预测输出值：
其中，
其中，
式中，
本发明提供的基于改进自适应模糊神经网络的机器人焊接焊缝外形预测方法，基于改进自适应模糊神经网络实现对焊缝外表尺寸的预测，以t型焊缝的焊脚宽度和焊高高度作为评价标准，选择对焊接质量影响因素最大的四种变量作为输入参数，对自适应神经网络模糊算法中隶属函数的中心值和宽度进行优化，对焊缝外形进行预测，以根据预测结果调整焊接参数。本发明所提出的基于改进自适应模糊神经网络的机器人焊接焊缝外形预测方法，利用模糊神经网络对焊接质量进行预测，减少了人力成本，避免了由于人工试焊造成的材料浪费；对焊接的输入和输出参数进行非线性拟合，有效地提高了焊接结果预测的准确性，利用ifcm-apso算法对隶属函数中的两个未知参数进行寻优计算，解决了传统模糊神经网络训练过程中容易陷入局部极小点的问题。
附图说明
图1为机器人焊接平台示意图；
图2为实施例中基于模糊神经网络的机器人焊接焊缝外形预测方法流程图；
图3为优化后的隶属度函数；
图4为典型t型焊缝的形状参数；
图5为实施例中优化前焊缝外形预测结果对比图；
图6为实施例中优化后焊缝外形预测结果示意图；
图7为现有技术中试焊法基于经验寻找焊接参数的焊接结果；
图8为实施例中基于模糊神经网络的机器人焊接焊缝外形预测方法预测焊接结果；
图9为实施例中神经网络的训练过程流程图；
图10为机器人焊接工作站组成示意图。
具体实施方式
下面结合附图对本申请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申请一部分实施例，而不是全部的实施例。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本实施例是利用机器人焊接平台（平台组成如图1所示）在焊接加工中心进行的。平台包括：焊接保护气、丝激光传感器、机器人控制柜、送丝机和激光器，kuka机械臂与机器人控制柜信号连接，plc控制柜连接上述组件，实现预测计算、参数设置与机械臂控制。
实施例一
本发明的第一实施方式涉及一种基于改进自适应模糊神经网络的外形预测方法，其流程如图2所示，具体步骤如下：
步骤1：初始化焊缝外形预测模糊神经网络，确定焊接模糊规则；
步骤2：确定模糊神经网络的输入的焊接参数变量和模糊神经网络输出量；
步骤3：根据步骤1确定的焊接模糊规则计算各焊接参数变量的焊接参数隶属度；
步骤4：利用基于直觉模糊c均值聚类（ifcm）和自适应惯性权重粒子群算法（apso）融合算法寻优计算焊接参数隶属度中的未知参数，获得各焊接参数变量的焊接参数隶属度；
步骤5：根据各焊接参数变量的焊接参数隶属度进行模糊计算；
步骤6：根据步骤5获得的模糊计算结果获得机器人焊接焊缝的焊缝宽度和焊缝高度的预测输出值。
本发明实施例提供的一种基于改进自适应模糊神经网络的机器人焊接焊缝外形预测方法，基于模糊神经网络拟合获得焊接参数变量和神经网络输出量之间的非线性关系，根据模糊神经网络预测焊缝宽度和高度，相比于传统试焊法，可根据输入的焊接参数对焊后外形进行预测，减少了人力成本，避免了由于人工试焊造成的材料浪费。利用ifcm-apso算法对隶属函数中的两个未知参数进行寻优计算，解决了传统模糊神经网络训练过程中容易陷入局部极小点的问题。
实施例二
进一步的，本发明的第二实施方式涉及一种基于改进自适应模糊神经网络的焊缝外形预测方法，具体包括如下步骤：
步骤1：初始化焊缝外形预测模糊神经网络，确定焊接模糊规则；
利用if-then定义规则描述焊缝外形预测模糊神经网络，具体来说步骤1中的焊缝外形预测模糊神经网络可用如下“if-then”规则进行定义：
其中，
步骤2：确定模糊神经网络的输入的焊接参数变量和模糊神经网络输出量；
在焊接过程中，影响焊接产品质量的因素众多。保护气体流量太大时，气体冲击熔池，使熔池飞溅增加，焊缝表面不光滑；保护气体流量过小时，降低了对熔池的保护作用，并且容易产生气孔等缺陷。焊接速率过快时，气体保护作用受到破坏，使焊缝成形不好；当焊接速率过慢时，熔宽过大，熔池变大，容易将材料焊穿。送丝速率过快则会增加焊缝的焊宽和焊高；过慢则容易造成虚焊，影响焊接工件的力学性能。激光功率的选择对焊缝成形也有很大的影响，功率过大熔深增加较快，焊宽和焊高也相应有所增加。因此以保护气体流量、焊接速率、送丝速率和激光功率作为模糊神经网络的四个输入的焊接参数变量，分别以焊宽和焊高作为网络输出。
步骤3：根据步骤1确定的焊接模糊规则计算各焊接参数变量的焊接参数隶属度；
步骤3中，对于输入的焊接参数变量
其中，
步骤4：利用基于直觉模糊c均值聚类（ifcm）和自适应惯性权重粒子群算法（apso）融合算法寻优计算焊接参数隶属度中的未知参数，获得各焊接参数变量的焊接参数隶属度；
步骤4是利用ifcm-apso算法计算焊接参数隶属度中的未知数，即焊接参数隶属度函数的中心和宽度，具体过程如下：
步骤4.1，利用随机数发生器对焊接参数的隶属度矩阵赋予初值；
其中，所述焊接参数的隶属度矩阵由各焊接参数变量的焊接参数隶属度构成。
步骤4.2，确定焊接直接模糊集，基于焊接直接模糊集计算焊接参数样本的不确定度，将焊接参数的隶属度矩阵变为模糊隶属矩阵；
首先，确定焊接直觉模糊集wifs，wifs是传统模糊集的重要拓展，在wifs中增加焊接参数变量的非隶属度
其中，
步骤4.3，基于模糊隶属度矩阵计算待分类焊接参数到聚类中心的距离，将样本划分到各个类中；
为了将焊接直觉模糊特征与传统的模糊聚类方法相结合，将焊接直觉模糊隶属度定义为：
其中，
其中，
步骤4.4，重新计算每个类的聚类中心、焊接参数样本到聚类中心的距离。每次计算都使用直觉模糊隶属度矩阵代替原有的隶属度矩阵，并将样本重新划分到各个类中；
使用焊接参数变量的焊接直觉模糊隶属度构成的直觉隶属度矩阵，可以得到新的焊接参数聚类中心公式：
步骤4.5，利用目标函数进行迭代，寻找隶属度函数的最优解；
ifcm-apso目标函数可以表示为：
其中，
步骤4.6，重复步骤4.2-4.5，直到适应度函数达到指定阈值。
利用焊接参数聚类中心更新后的值，更新焊接参数直觉隶属度矩阵。在每次迭代的过程中，焊接参数聚类中心的焊接参数直觉隶属度矩阵的数值都会更新一次，直到前一次的焊接参数直觉隶属度矩阵和更新后的焊接参数直觉隶属度矩阵的差值小于设定阈值，此时迭代过程结束，聚类中心达到最优。
适应度函数如下：
以上式为ifcm的迭代目标函数式，当参数更新后的隶属度矩阵
第
第
个体极值为
全局极值为
速度更新为
其中，
步骤5：根据各焊接参数变量的焊接参数隶属度进行模糊计算；
将步骤4中得到的优化后的焊接参数隶属度中的未知数代入的焊接参数隶属度的计算公式，模糊计算各输入的焊接参数隶属度，其中，模糊算子为连乘算子：
步骤6：根据步骤5获得的模糊计算结果获得机器人焊接焊缝的焊缝宽度和焊缝高度的预测输出值。
将步骤5中得到的模糊结果代入式中计算机器人焊接焊缝的焊缝宽度和高度的预测输出值：
其中，
其中，
式中，
本实施例提供的一种基于改进自适应模糊神经网络的机器人焊接焊缝外形预测方法，选择了影响因素较大的四个输入焊接参数分别预测焊宽、焊高，且在预测的过程中，基于改进的自适应模糊神经网络进行预测，对焊接的输入和输出参数进行非线性拟合，有效地提高了焊接结果预测的准确性；速度更新中同时考虑了局部学习因子和全局学习因子，解决了传统模糊神经网络训练过程中容易陷入局部极小点的问题。
实施例三
模糊神经网络的准确性和适用性很大程度上取决于可用的训练数据集，数据集越大，其覆盖的输入范围就越大，生成的网络就越好。为对比本专利算法的预测性能，本发明对3mm厚的钛合金钢板进行了焊接试验，通过改变工艺参数，生成250个数据集。随机选择其中的200个用于模糊神经网络的训练，其余的50个用于测试网络的拟合程度；建立了两个独立的模糊神经网络模型，分别用于焊宽和焊高数据的预测。如图4所示为典型t型焊缝的形状参数。
模糊神经网络根据训练样本的输入、输出维数确定输入节点个数为4，输出节点个数为1，根据网络输入输出的节点个数，人为确定隶属度函数个数为8。为了计算隶属度函数的中心值和宽度，在matlab2019b中采用ifcm-apso算法编写程序对前件参数进行优化，并对优化后的模糊神经网络进行数据测试，优化前后的误差变化如图5、6所示。
与实际输出相比，预测输出数据波动较大，而将前件参数利用ifcm-apso算法优化之后，模糊神经网络的拟合程度大大提升，将测试数据集代入优化后的模糊神经网络，输出的预测数据能够减小预测输出值与实际输出值之间的误差。
图7为采用人工试焊方法，经过五次参数调整后得到的焊接结果，可以看出，焊缝表面粗糙不均匀，在有限次调整次数范围内，难以达到预期的焊接效果；图8为利用改进后的模糊神经网络在焊接前根据预测结果，经过三次焊接参数调整所得到的焊缝成型图，焊接效果图表明，所用改进后的模糊神经网络可以对焊缝外形尺寸做出一定误差范围内的预测，有效提高了焊接参数的调整效率。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
上述实例仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉此技术领域的技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
1.一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，包括：
步骤1：初始化焊缝外形预测模糊神经网络，确定焊接模糊规则；
步骤2：确定模糊神经网络的输入的焊接参数变量和模糊神经网络输出量；
步骤3：根据步骤1确定的焊接模糊规则计算各焊接参数变量的焊接参数隶属度；
步骤4：利用基于直觉模糊c均值聚类和自适应惯性权重粒子群算法融合算法寻优计算焊接参数隶属度中的未知参数，获得各焊接参数变量的焊接参数隶属度；
步骤5：根据各焊接参数变量的焊接参数隶属度进行模糊计算；
步骤6：根据步骤5获得的模糊计算结果获得机器人焊接焊缝的焊缝宽度和焊缝高度的预测输出值；
所述步骤3包括：
对于输入的焊接参数变量
其中，
2.根据权利要求1所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤1具体包括：
利用if-then定义规则描述焊缝外形预测模糊神经网络，焊缝外形预测模糊神经网络可用如下“if-then”规则进行定义：
其中，
3.根据权利要求1所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤2具体包括：
以保护气体流量、焊接速率、送丝速率和激光功率作为模糊神经网络的四个输入的焊接参数变量，分别以焊宽和焊高作为网络输出。
4.根据权利要求1所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤4具体包括：
步骤4.1，利用随机数发生器对焊接参数的隶属度矩阵赋予初值；
步骤4.2，确定焊接直接模糊集，基于焊接直接模糊集计算焊接参数样本的不确定度，将焊接参数的隶属度矩阵变为模糊隶属矩阵；
步骤4.3，基于模糊隶属度矩阵计算待分类焊接参数到聚类中心的距离，将样本划分到各个类中；
步骤4.4，重新计算每个类的聚类中心、焊接参数样本到聚类中心的距离，使用直觉模糊隶属度矩阵代替原有的隶属度矩阵，并将样本重新划分到各个类中；
步骤4.5，迭代寻找隶属度函数的最优解；
步骤4.6，重复步骤4.2-4.5，直到适应度函数达到指定阈值。
5.根据权利要求4所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤4.2具体包括：
确定焊接直觉模糊集wifs，在wifs中增加焊接参数变量的非隶属度
其中，
6.根据权利要求5所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤4.3具体包括：
将焊接直觉模糊隶属度定义为：
其中，
其中，
7.根据权利要求6所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤4.4具体包括：
使用焊接参数变量的焊接直觉模糊隶属度构成的直觉隶属度矩阵，可以得到新的焊接参数聚类中心公式：
8.根据权利要求1所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤5具体包括：
将步骤4中得到的优化后的焊接参数隶属度中的未知数代入的焊接参数隶属度的计算公式，模糊计算各输入的焊接参数隶属度，其中，模糊算子为连乘算子：
9.根据权利要求1所述的一种基于改进自适应模糊神经网络的焊缝外形预测方法，其特征在于，所述步骤6具体包括：
将步骤5中得到的模糊结果代入式中计算机器人焊接焊缝的焊缝宽度和高度的预测输出值：
其中，
其中，
式中，
