CN119426869A 焊接工业机器人参数规划方法及装置 （北京华航唯实机器人科技股份有限公司）

京海青曙光房地产开发中心产业用房号本申请实施例提供一种焊接工业机器人参人分类模型和加工对象分类模型对应的两个任务专属分类输出层和一个共享底层特征提取网人品牌和加工对象信息并输入焊接参数配置模2获取不同品牌工业机器人的历史焊接操控数据，从所述历史获取不同加工对象的历史焊接加工数据，从所述历史焊接加工构建与所述工业机器人分类模型和所述加工对象分类模型对应的两个任务专属分类接收用户发送的焊接请求，提取所述焊接请求中的工业机器人品据所述最优焊接参数生成工业机器人的焊机获取不同品牌工业机器人的历史焊接操控数据通过预设卷积神经网络模型作为工业机器人分类器，将所述第一训象材料特征，并作为第二训练数据通过预设支持向量机模型训练得到加工对象分类模型，通过预设支持向量机模型作为加工对象分类器，将所述第二训练数据工业机器人分类模型和所述加工对象分类模型对应的两个任务专属分类输出层和一个共分别对应于工业机器人分类任务和加工对象分类任务构建两个任务专属分类输出层，3构建共享底层特征提取网络作为多任务学习的共享组取网络负责从输入数据中提取通用的特征表示为两个学习的联合学习框架同时优化所述工业机器人分类模型和所述加工对象分类模型的任务分别计算工业机器人分类任务和加工对象分类任务的通过反向传播算法进行联合优化两个任务的损失函数，得到能够学习将经过优化后的共享底层特征提取网络作为焊接参数配置模型的底层输入特征提取对所述焊接参数配置模型进行端到端的优化训练，得到经过优化提取所述焊接请求中的工业机器人品牌和加工对象信息，并整合成一个通过融合了共享特征提取网络的焊接参数配置模型接收所述特征向量作为输工业机器人分类模型构建模块，用于获取不同品牌工业机器人的历史焊接操控数据，通过预设卷积神经网络模型训练得到工业机器人分加工对象分类模型构建模块，用于获取不同加工对象的历焊接参数配置模型构建模块，用于构建与所述工业机器人分类模型和联合学习框架同时优化所述工业机器人分类模型和所述加工对象分类模型的任务专属分底层特征提取网络融合至基于神经网络的焊接9.一种电子设备，包括存储器、处理器及存储在4处理器执行时实现权利要求1至7任一项所述的焊接工业机器人参数规划方5[0001]本申请涉及工业机器人领域，具体涉及一种焊接工业机器人参数规划方法及装何为不同品牌的工业机器人和不同的加工对象制定最优的焊接参数一直是行业面临的重效地处理和利用来自不同品牌机器人和不同加工对象的异构数据仍然是[0005]卷积神经网络(CNN)在图像识别和模式分类方面表现出色，已被引入工业机器人[0010]最后，如何将优化后的焊接参数有效地转化为工业机器人可执行的焊机控制程6[0012]针对现有技术中的问题，本申请提供一种焊接工业机器[0017]构建与所述工业机器人分类模型和所述加工对象分类模型对应的两个任务专属息并输入所述焊接参数配置模型，通过所述焊接参数配置模型得到对应的最优焊接参数，并根据所述最优焊接参数生成工业机器人的[0026]分别对应于工业机器人分类任务和加工对象分类任务构建两个任务专属分类输7征提取网络负责从输入数据中提取通用的特征表示为两个任[0032]将经过优化后的共享底层特征提取网络作为焊接参数配置模型的底层输入特征[0036]通过融合了共享特征提取网络的焊接参数配置模型接收数据通过预设卷积神经网络模型训练得到工业机通过预设支持向量机模型训练得到加工对象习的联合学习框架同时优化所述工业机器人分类模型和所述加工对象分类模型的任务专共享底层特征提取网络融合至基于神经网络的焊8机程序被处理器执行时实现所述的焊接工业机器人参数规划方法序/指令被处理器执行时实现所述的焊接工业机器人过构建与工业机器人分类模型和加工对象分类模型对应的两个任务专属分类输出层和一9[0068]模型训练过程通常采用反向传播算法和随机梯度下降等[0072]在技术效果方面，这种基于深度学习的工业机器人分类方法带来了显著的改[0079]提取的特征被组织成适合支持向量机处理的格式，通常是高维特征向量的形这使得它能够适应加工对象分类中可能存在的复杂非线[0085]在技术效果方面，这种基于支持向量机的加工对象分类方法带来了显著的改优化所述工业机器人分类模型和所述加工对象分类模型的任务专属分类输出层的任务损[0093]联合学习框架的优化过程通常采用交替训练或联合优化[0101]将优化后的共享底层特征提取网络融合到基于神经网络生产管理系统、操作员工作站或移动设备。请求的格式可能是结构化的数据(如JSON或在处理非结构化文本输入时。例如，系统可能使用命名实体识别(NER)算法来识别品牌名[0107]焊接参数配置模型通过复杂的神经网络结构，将输入信息转化为最优焊接参实现了参数配置的自动化和智能化。传统方法通常依赖于经验丰富的工程师手动设置参构建与工业机器人分类模型和加工对象分类模型对应的两个任务专属分类输出层和一个机器人可能在执行特定动作时有特征性的关节法跟踪机器人各个部件的运动轨迹，或者使用目标检测算法识别和跟踪机器人的关键点。特征进行最终的分类决策。可能还需要加入批量归一化(Batc这些多维度的数据为后续的特征提取和分类提供了丰对于一个包含100个原始特征的输入，编码器可能通过50_25_10这样的层结构将其压缩到分逐渐学习到如何提取加工对象的关键特征，而解码器学习如何从这些特征重建原始数编码器提取的特征作为SVM的输入。SVM的核心思想是在特征空间中找到一个最优的超平[0153]SVM模型的训练过程包括选择适当的核函数(如RBF核)、调整超参数(如C参数和和SVM的核技巧都能很好地处理这种复杂性。最后，这个方法具有很好的适应性和可扩展性。当引入新的材料或加工对象时，系统可以通过重新训练自编码器和SVM模型来快速适比传统的基于规则的方法，这种基于机器学习的方法可以大大提高加工对象的分类准确享底层特征提取网络负责从输入数据中提取通用的特征表有效分配模型容量的问题。传统的单任务学习可能会浪费模型容量在任务特定的特征上，务中学到的特征提取能力迁移到焊接参数配置任数预测的平均误差降低20或者模型在新类型的焊接任务上的表现比传统方法提高供一种用于实现所述焊接工业机器人参数规划方法的全部或部分内容的焊接工业机器人参数规划装置的实施例，参见图8，所述焊接工业机器人参数规划装置具体包含有如下内练数据通过预设卷积神经网络模型训练得到工业机据通过预设支持向量机模型训练得到加工对象学习的联合学习框架同时优化所述工业机器人分类模型和所述加工对象分类模型的任务述共享底层特征提取网络融合至基于神经网络的焊接参数构建与工业机器人分类模型和加工对象分类模型对应的两个任务专属分类输出层和一个[0230]一实施例中，焊接工业机器人参数规划方法功能可以被集成到中央处理器9100优化所述工业机器人分类模型和所述加工对象分类模型的任务专属分类输出层的任务损层特征提取网络，并将共享底层特征提取网络融合至基于神经网络的焊接参数配置模型；过中央处理器的控制来实现焊接工业机器人参数规其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个[0241]该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如[0243]通信模块9110即为经由天线9111发送和接收信号的发送机/接收机。通信模块[0245]本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的优化所述工业机器人分类模型和所述加工对象分类模型的任务专属分类输出层的任务损器人分类模型和加工对象分类模型对应的两个任务专属分类输出层和一个共享底层特征提取网络，通过多任务学习的联合学习框架同时优化任务专属分类输出层的任务损失函[0251]本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的焊接工业机器人参数规划方法中全部步骤的一种计算机程序产品，该计算机程序/指令被优化所述工业机器人分类模型和所述加工对象分类模型的任务专属分类输出层的任务损分类模型和加工对象分类模型对应的两个任务专属分类输出层和一个共享底层特征提取现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0259]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设