本发明涉及焊接设备，具体来说，涉及一种基于焊枪姿态的焊枪运动稳定性提升方法及系统。
背景技术：
1、在现代工业中，对大型装备的依赖显著，尤其是在极端或特殊工况下。这些装备的关键零部件如果发生损伤，不仅影响生产效率，还可能导致重大安全隐患，为了应对这一挑战，增材修复技术（additive repair technology）应运而生。这种技术以损伤零部件为核心，通过逐层累加材料的方式，不仅恢复了零部件的原始尺寸，还能够恢复或甚至提升其性能。这种方法的数字化和快速成形特性，使其在现场应急修复中显得尤为重要。
2、在增材修复技术中，焊枪的使用是关键环节，焊枪的稳定性直接影响到修复过程中材料的准确沉积和成形质量。通过对焊枪姿态进行精确控制和实时调整，可以显著提高焊接过程中的精度和稳定性，从而保证修复层的均匀性和零部件的机械性能。现有的焊枪运动稳定性提升时，焊枪的定位不精确，不便于焊接过程中焊枪的精确对准，并且不便于优化焊枪的运动轨迹，从而降低了焊接效率，提高了由于轨迹不当造成的缺陷，同时，不能通过监测焊接过程中的关键参数，使得不便于结合焊枪的实时姿态调整，进而造成焊接过程中出现的不稳定因素。
3、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对现有技术的不足，本发明提出一种基于焊枪姿态的焊枪运动稳定性提升方法及系统，解决了上述背景技术中提出现有的焊枪运动稳定性提升时，焊枪的定位不精确，不便于焊接过程中焊枪的精确对准，并且不便于优化焊枪的运动轨迹，从而降低了焊接效率，提高了由于轨迹不当造成的缺陷，同时，不能通过监测焊接过程中的关键参数，使得不便于结合焊枪的实时姿态调整，进而造成焊接过程中出现的不稳定因素的问题。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、根据本发明的一个方面，提供了一种基于焊枪姿态的焊枪运动稳定性提升方法，该基于焊枪姿态的焊枪运动稳定性提升方法包括以下步骤：
4、s1、获取焊接坡口图像，并对焊接坡口图像预处理，得到焊接坡口特征图像；
5、s2、采用分类算法分析焊接坡口特征图像，识别出焊接坡口的关键特征；
6、s3、基于关键特征，利用立体视觉技术获取焊缝的三维坐标，并计算焊接坡口的深度；
7、s4、基于焊缝的三维坐标和焊接坡口的深度，获取焊枪的实时姿态，并通过优化算法调整焊枪运动轨迹；
8、s5、实时监测焊接过程中的关键参数，通过分析算法对关键参数进行分析，并评估焊缝的形成质量；
9、s6、根据评估结果，判断关键参数是否超出预设范围，并调整关键参数或发出警告。
10、进一步的，获取焊接坡口图像，并对焊接坡口图像预处理，得到焊接坡口特征图像包括以下步骤：
11、s11、通过高斯滤波器去除焊接坡口图像中的噪声；
12、s12、对去除噪声后的焊接坡口图像进行亮度和色彩偏差的校正；
13、s13、通过图像处理技术增强校正后的焊接坡口图像的对比度和清晰度；
14、s14、从增强对比度和清晰度后的焊接坡口图像中提取图像序列，并对图像序列中的每帧图像进行灰度化处理，得到灰度图像；
15、s15、采用sobel算子计算灰度图像中每个像素点的边缘梯度；
16、s16、采用局部梯度均值法对边缘梯度进行局部筛选及增强，并通过阈值对边缘梯度进行过滤，得到梯度图像；
17、s17、通过欧式距离计算区域面积的有序特征向量来表示焊接坡口图像；
18、s18、对梯度图像进行细化及二值化处理，标记梯度值大于阈值的像素点作为边缘点；
19、s19、将相邻的边缘点连接成连通域，得到最终的边缘图像作为焊接坡口特征图像。
20、进一步的，采用分类算法分析焊接坡口特征图像，识别出焊接坡口的关键特征包括以下步骤：
21、s21、设置相关参数，并基于相关参数生成初步的焊接坡口特征图像及对应的特征趋势矩阵；
22、s22、计算初步的焊接坡口特征图像的适应度函数值；
23、s23、计算所有焊接坡口特征图像的群体适应度方差，如果满足预设条件，则发生变异并转至步骤s25；否则，继续转至步骤s24进行优化；
24、s24、根据惯性权重计算公式更新惯性权重点，并根据变化趋势更新公式及位置更新公式分别更新焊接坡口特征图像的变化趋势及位置；
25、s25、核查是否符合终止条件，如果满足，则结束优化过程；否则，返回至步骤s22继续寻优；
26、s26、将寻找到的最优参数向量赋值给分类模型中；
27、s27、将处理过的焊接坡口特征图像输入分类模型中，并对分类模型进行训练，得到训练好的分类模型；
28、s28、利用训练好的分类模型对新的焊接坡口特征图像进行分类，得到最终的焊接坡口分类结果，并停止计算；
29、s29、通过最终的焊接坡口分类结果，识别出焊接坡口的关键特征。
30、进一步的，利用训练好的分类模型对新的焊接坡口特征图像进行分类，得到最终的焊接坡口分类结果，并停止计算包括以下步骤：
31、s281、运用已经训练好的分类模型对新的焊接坡口特征图像进行分析，预测每个焊接坡口特征图像对应的焊接坡口类别概率；
32、s282、设定信度阈值，对于每个焊接坡口特征图像所属各类别的概率进行筛选，剔除低于信度阈值的预测结果，并根据分类阈值从分类模型输出的概率中确定每个焊接坡口特征图像的类别标签；
33、s283、将筛选并确定后的类别标签作为最终的焊接坡口分类结果，并结束计算过程。
34、进一步的，惯性权重计算公式为：
35、；
36、其中， g表示为惯性权重；
37、 gmax、 gmin分别表示为惯性权重的起始值和终止值；
38、 d表示为当前迭代代数；
39、 dmax表示为最大迭代次数。
40、进一步的，基于焊缝的三维坐标和焊接坡口的深度，获取焊枪的实时姿态，并通过优化算法调整焊枪运动轨迹包括以下步骤：
41、s41、确定焊接过程中不同焊枪运动轨迹的数量，并设定焊接过程的最大迭代次数和参数调整概率；
42、s42、利用启发式算法生成焊枪的初步的焊枪运动轨迹；
43、s43、计算各焊枪运动轨迹的适应度值，并记录最佳和次佳焊枪运动轨迹状态；
44、s44、使用随机更新策略来调整焊枪运动轨迹，并重复步骤s43；
45、s45、根据特定准则公式保留当前焊枪运动轨迹或采用新的焊枪运动轨迹，并重复步骤s43；
46、s46、通过灰狼算法思想对焊接路径进行变异，并重复步骤s43；
47、s47、循环迭代，并执行步骤s44至步骤s46，直到满足预定的迭代终止条件；
48、s48、迭代结束后，输出全局最佳解作为焊枪运动轨迹。
49、进一步的，特定准则公式为：
50、；
51、其中，表示为在 n+1次迭代后，第 i个焊枪运动轨迹的新状态；
52、表示为在 n次迭代开始时，第 i个焊枪运动轨迹的当前状态；
53、表示为每次迭代中，第 i个焊枪运动轨迹的更新步长；
54、表示为第 i个焊枪运动轨迹的历史最佳状态；
55、和分别表示为所有焊枪运动轨迹中的全局历史最佳状态和全局历史次佳状态；
56、 o1、 o2、 o3分别表示为焊枪运动轨迹历史最佳状态、全局历史最佳状态、全局历史次佳状态的学习因子。
57、进一步的，实时监测焊接过程中的关键参数，通过分析算法对关键参数进行分析，并评估焊缝的形成质量包括以下步骤：
58、s51、获取焊接过程中的所有关键参数的数量作为聚类中心的数量，对焊接过程中收集的所有参数数据进行聚类，并将焊接过程划分为多个操作模式或状态群组；
59、s52、从每个焊接过程状态群组中提取关键数据点；
60、s53、使用检测算法计算关键数据点的离群因子，以识别偏离正常焊接状态的数据点；
61、s54、记录每个状态群组中离群点的数量，并计算每个焊接状态群组中离群点所占的比例；
62、s55、设定离群点比例的预设阈值，如果焊接状态群组中的离群点比例超过预设阈值，则判断该焊接状态群组存在异常焊接行为，并将该焊接状态群组的所有相关焊接点或时间段标记为异常区域；
63、s56、将标记为异常区域的焊接点或时间段进行参数数据与预设焊接状态的参数对比，确定焊缝的形成质量。
64、进一步的，获取焊接过程中的所有关键参数的数量作为聚类中心的数量，对焊接过程中收集的所有参数数据进行聚类，并将焊接过程划分为多个操作模式或状态群组包括以下步骤：
65、s511、对焊接过程中的所有关键参数进行规范化处理，确保不同特征之间的数值范围一致；
66、s512、以预设的网格划分参数对焊接过程中的所有关键参数的特征空间进行网格划分，以建立数据点与对应网格的映射关系；
67、s513、基于网格划分，构造网格密度矩阵，并用于表示不同网格中的数据点密度；
68、s514、通过调整网格划分参数，重复进行网格划分，以寻找最佳的密度层次划分；
69、s515、根据构造的网格密度矩阵对焊接过程中的所有关键参数的重要性特征进行层次划分，确定不同层次的重要性；
70、s516、从最高密度层次开始，移除密度最大的网格单元，并根据等效规则计算当前密度层次的聚类算法参数，并进行聚类操作；
71、s517、在密度最高的网格单元中任意选择数据点，进行类的扩展，并基于高密度阈值及低密度阈值的簇聚类；
72、s518、重复步骤s514和s515进行聚类，直到最低级密度阈值的聚类完成；
73、s519、根据聚类完成的结果，将焊接过程划分为多个操作模式或状态群组。
74、根据本发明的另一方面，还提供了一种基于焊枪姿态的焊枪运动稳定性提升系统，该基于焊枪姿态的焊枪运动稳定性提升系统包括：
75、图像获取与处理模块，用于获取焊接坡口图像，并对焊接坡口图像预处理，得到焊接坡口特征图像；
76、图像分析与特征识别模块，用于采用分类算法分析焊接坡口特征图像，识别出焊接坡口的关键特征；
77、立体视觉技术模块，用于基于关键特征，利用立体视觉技术获取焊缝的三维坐标，并计算焊接坡口的深度；
78、姿态获取与轨迹优化模块，用于基于焊缝的三维坐标和焊接坡口的深度，获取焊枪的实时姿态，并通过优化算法调整焊枪运动轨迹；
79、数据分析与评估模块，用于实时监测焊接过程中的关键参数，通过分析算法对关键参数进行分析，并评估焊缝的形成质量；
80、结果判断与调整控制模块，用于根据评估结果，判断关键参数是否超出预设范围，并调整关键参数或发出警告；
81、其中，图像获取与处理模块通过图像分析与特征识别模块和立体视觉技术模块连接，立体视觉技术模块通过姿态获取与轨迹优化模块和数据分析与评估模块连接，数据分析与评估模块和结果判断与调整控制模块连接。
82、本发明的有益效果为：
83、1、本发明通过获取的高分辨率焊接坡口图像和三维坐标信息，使得焊枪的定位更为精确，确保了焊接过程中焊枪的精确对准，从而提高焊接接头的质量，并且根据焊缝的三维坐标和焊接坡口的深度信息，通过优化算法能够调整焊枪的运动轨迹，不仅提高了焊接效率，还减少了由于轨迹不当造成的缺陷，同时通过实时监测焊接过程中的关键参数，并结合焊枪的实时姿态调整，进而能够有效地应对焊接过程中出现的不稳定因素，使得能够实时评估焊缝的形成质量，不仅提供了及时的质量控制，还为焊接过程的持续改进提供了数据支持。
84、2、本发明通过分类算法分析焊接坡口特征图像，使得通过设置相关参数，生成焊接坡口的特征图像和特征趋势矩阵，从而有助于更准确地调整焊枪姿态，确保焊接过程的准确性和稳定性，并且通过计算适应度函数值和群体适应度方差，使得能够动态适应不同的焊接条件和环境，提升焊接过程中的灵活性和效率，通过将最佳参数向量赋值给分类模型，并通过训练过程得到一个高效的分类模型，使得焊枪在实际操作中能够根据实时数据自动调整，提高焊接质量和效率，同时通过设定信度阈值和分类阈值，有助于剔除不确定的预测结果，减少误差，从而能够更准确识别不同类型的焊接坡口，提升焊接过程的整体质量，进而通过对焊接坡口特征的准确识别和分类，可以更有效地控制焊枪的运动，确保焊接过程的稳定性和连续性，减少因姿态不当导致的焊接缺陷。
85、3、本发明通过优化算法调整焊枪运动轨迹，使得通过对焊枪运动轨迹的优化，可以更精确地控制焊枪与焊缝的相对位置和角度，从而提高焊接接缝的精度，使用启发式算法和灰狼算法等优化技术，使焊枪的运动轨迹能够动态适应不同的焊接条件，提高适应性和优化效果，通过精确控制焊枪运动轨迹，可以减少由于焊枪姿态不当引起的焊接缺陷，通过算法对焊枪运动轨迹进行动态调整，可以适应复杂的焊接环境和要求，进而提高了焊接的灵活性和适用性。
86、4、本发明通过分析算法对关键参数进行分析，使得通过收集和分析焊接过程中的所有关键参数，能够更准确地监测焊接状态，及时发现潜在的问题，通过对焊接过程进行多个操作模式或状态群组的划分，从而有助于更细致和针对性地调整焊枪姿态和运动轨迹，提升焊接的可控性，通过检测离群因子识别异常数据点，可以实时发现并处理偏离正常焊接状态的情况，避免焊接质量问题，通过持续监控和优化焊接参数，进而可以减少焊接过程中的调整和修复时间，提高整体焊接效率。
1.一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，该基于焊枪姿态的焊枪运动稳定性提升方法包括以下步骤：
2.根据权利要求1所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述获取焊接坡口图像，并对焊接坡口图像预处理，得到焊接坡口特征图像以下步骤：
3.根据权利要求1所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述采用分类算法分析焊接坡口特征图像，识别出焊接坡口的关键特征包括以下步骤：
4.根据权利要求3所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述利用训练好的分类模型对新的焊接坡口特征图像进行分类，得到最终的焊接坡口分类结果，并停止计算包括以下步骤：
5.根据权利要求3所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述惯性权重计算公式为：
6.根据权利要求1所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述基于焊缝的三维坐标和焊接坡口的深度，获取焊枪的实时姿态，并通过优化算法调整焊枪运动轨迹包括以下步骤：
7.根据权利要求6所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述特定准则公式为：
8.根据权利要求1所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述实时监测焊接过程中的关键参数，通过分析算法对关键参数进行分析，并评估焊缝的形成质量包括以下步骤：
9.根据权利要求8所述的一种基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，所述获取焊接过程中的所有关键参数的数量作为聚类中心的数量，对焊接过程中收集的所有参数数据进行聚类，并将焊接过程划分为多个操作模式或状态群组包括以下步骤：
10.一种基于焊枪姿态的焊枪运动稳定性提升系统，用于实现权利要求1-9中任一项所述的基于焊枪姿态的焊枪运动稳定性提升方法，其特征在于，该基于焊枪姿态的焊枪运动稳定性提升系统包括：
