一种基于粒子滤波的船舶GMAW焊缝成形预测方法

一种基于粒子滤波的船舶gmaw焊缝成形预测方法
技术领域：
：1.本发明涉及非线性滤波、船舶智能制造
技术领域：
：，具体涉及一种基于粒子滤波的船舶gmaw焊缝成形预测方法。
背景技术：
：：2.智能机器人气体保护金属电弧焊(gasmetalarcwelding,gmaw)作为现代船舶制造技术的重要组成部分越来越受到广泛关注。传统的船舶gmaw焊接工艺操作方式主要以人工经验和手工作业为主，具有焊工劳动强度高、生产效率低、产品质量难以保证等缺陷，这就迫使船舶gmaw焊接由手工作业向自动化、机器人化以及智能化方面进行发展。而船舶gmaw焊接技术实现智能化要求的前提是能够描述焊接各种状态的知识，即对焊接动态过程的知识模型化，目的是将焊接的各种现象上升到本质去认识，寻找出表征各种焊接行为的规律与特征，使其从技术升华为科学，为焊接自动化、智能化提供理论与技术支持。3.船舶gmaw焊接过程中的知识建模描述的是工艺参数输入与质量成形特征等各个物理量之间的特殊函数关系，一般用物理或数学的理论形式进行表达，也是对焊接过程的本质提炼和概括过程，而模型的精准程度严重依赖于对船舶gmaw焊接动态过程中规律的认识程度。针对焊接过程中不可测量的特征预测问题，通常需要建立焊接规范参数与焊缝成形特征量之间的映射关系，即焊接动态过程知识建模。目前针对焊接过程建模的研究主要包括三类：数值模拟分析、熔池振动方法与人工智能建模。数值模拟分析方法，依据某些理论假定计算得出焊接过程的熔池及其周围环境的热场和流场的物理特性和规律，进而建立其同焊接参数之间的对应关系，例如温度场模型、熔深和熔池表面轮廓模型、等离子电弧模型等。钱龙根等(申请号202210819398.6)运用焊缝形貌经典物理函数提出一种激光焊缝形貌数值预测方法，有效解决已有成形预测方法中过度依赖数据与场景等问题；钱龙根等(申请号202210508734.5)提出基于压力的可压缩两相流数值计算方法实现万瓦级激光焊缝形貌的高精度预测；钱龙根等(申请号202010723703.2)提出快速傅里叶变换求解焊接传热和流动方程，更新成形特征函数以提高预测效率；董重里等(申请号201310217892.6)在采集焊接工艺和材料热物理参数基础上，运用ansys建立有限元分析软件计算出成形尺寸。由此得出数值模拟分析方法虽然在理论假定前提下具有较高的预测精度，但对于复杂多变的焊接动态过程模型描述较差，运算量较大且耗时较长，目前只应用于离线过程。熔池振动方法，假定熔池可以用某一参数未定而经验结构确定的数学模型来表示，熔池固有的振荡频率与模型参数之间存在确定性的关系，通过测量熔池的振荡频率可以确定熔池模型的未知参数。黄健康等(申请号201621222464.8)构建脉冲激光激振熔池监测装置获取tig熔池振荡频率，依托点阵激光程序计算熔池质量成形结果，并调用相应焊接参数以实现焊缝熔透的实施控制。该方法针对特定焊接方式前提下可以保证较高的成形预测精度水平，但所需特定测量传感器复杂繁多，具有一定的应用局限性。4.人工智能建模方法，符合规范要求的熔池几何特性是焊接质量成形的重要前提，而工程实际应用中由于船舶结构与工艺复杂多样等受到焊接环境的条件限制，直接实时在线观测熔池几何特征较为困难，如正面焊缝宽度、余高、熔深等。同时大量工程实践和焊工经验表明：熔池几何特征与焊接工艺参数之间存在相关关系，通过对人工智能建立上述相关关系，进而实现熔池几何特性的预测和控制。本发明主要研究船舶智能gmaw焊接的知识建模方法属于人工智能，同时伴随着智能技术的不断发展，如神经网络、支持向量机、模糊集、粗糙集等理论的发展，越来越多的学者将人工智能建模方法引入到焊接动态过程的预测和控制当中。船舶gmaw焊接动态过程具有强非线性、连续时滞、多变量耦合、不确定性因素及随机干扰等特点，人工智能方法都在一定程度上很好的完整描述焊接整个过程。陈曦等(申请号202210579412.x)利用超声检测技术建立焊缝测量灰色预测模型，获取检测试件超声成像宽度序列进而实现焊接质量检测；约翰·保罗·库尔佩夫斯基等(申请号202210365023.7)利用人工智能算法实现对多组焊接参数的分析与预测，输出结果与设定判断阈值比较而获得焊缝质量分析；雷正龙等(申请号202111389993.2，202111390016.4)公开了基于主成分分析与遗传算法双优化的bp神经网络方法和互补双通道卷积神经网络两种方法来预测激光焊接成形特征；张毅等(申请号202110942162.7)针对焊接熔池图像建立定量回归模型进而实现成形余高预测过程；陶永等(申请号202110754330.x)提出一种基于直觉模糊c均值聚类和自适应惯性权重粒子群算法融合改进的自适应模糊神经网络，并将其应用于焊缝成形预测；严春妍等(申请号202010927190.7，202010781754.0)搭建水下湿法焊接平台获取样本，依据焊接参数样本建立基于灰色关联分析和二阶曲面模型等两种方法进行成形回归预测；王金钊等(申请号201911358046.x)设计相应工艺试验获取成形数据库，依托深度神经网络建立焊缝成形预测模型；李时春等(申请号201910939788.5)通过设计正交试验得到多组焊接工艺参数，建立多元非线性成形质量回归模型；黄永宪等(申请号201910238706.4)计算搅拌摩擦焊接过程中的流动场和温度场分布情况，以此得出不同参数下的成形质量及缺陷分布情况，并运用生成对抗网络深度学习模型预测成形结果。5.虽然人工智能方法在焊接动态建模中取得了一定的研究进展，但方法实施前提要求须对焊接动态过程的连续性进行离散化，并借鉴大量的先验知识和硬件检测技术以融入较多的主观因素与输入技术参数而影响结果精度和时效性。同时以上方法所建立的数学模型是基于确定性系统理论，输入与输出之间的关系是严格对应的，根据模型获得输出的过程中一般不再考虑过程或者系统中其他干扰的影响。然而船舶gmaw焊接过程中却存在着各种具有随机特性且不确定性干扰因素的作用，如焊接电源不稳定输出、焊缝间隙变化、环境温度不确定、热变形及热积累等，使得焊接系统在运行过程中一定程度上出现不确定性，即在随机因素的作用下焊接熔池的状态将发生改变。为此本发明采用随机理论模型来描述船舶焊接动态系统将更加符合实际过程，运用粒子滤波建立系统输入与随机干扰因素共同作用下的船舶gmaw过程动态知识模型，充分发挥粒子滤波只需较少模型输入条件下仍能保证输出响应结果精度的算法本身优势，同时也大幅降低了焊接平台传感器硬件的要求和模型计算运行成本。6.粒子滤波是一种基于蒙特卡洛模拟技术的贝叶斯状态估计算法，可以处理任何形式的非线性非高斯问题。通过寻找一组在状态空间传播的随机样本对其概率密度函数进行近似，以样本均值代替积分运算，从而获得状态的最小方差分布。然而粒子滤波算法在序贯重要性采样过程中由于先验概率密度假定为已知提议分布，粒子权重方差会随着时间迭代次数的增加而不断累积，大多数粒子所对应的权重会降低到可以忽略不计的程度，即粒子退化现象。退化意味着迭代的持续运算造成大量的计算资源消耗在那些微不足道的权重较小粒子上，导致运算时间过度浪费的同时也使得状态估计不能准确地表达真实的后验分布。针对粒子退化问题，引入重采样策略以增加粒子的多样性的同时也引入新问题：具有较大权重的粒子被多次选取采样，而权重较低的粒子被舍弃，这使得采样结果中包含较多重复点而不能有效真实地反映状态变量的概率密度分布，出现样本贫化问题，最终导致状态估计方差变大且滤波性能大大降低。而目前解决措施主要集中在提议分布的合理选取和重采样策略的改进等两方面。7.在提议分布合理选取方面，徐博等(申请号202011072157.7)运用多速率一致融合技术，得出局部观测节点对全局状态量的影响程度；夏威等(申请号202010042906.5)通过引入由目标状态的真实后验分布与粒子后验分布之间的kullback-leibler(k-l)散度定义代价函数；李良群等(申请号201910650468.8)引入tsk模糊模型对目标的动态系统建模；周翟和等(申请号201910291650.9)使用新四元数分布作为单位超球面上四元数的标准分布；刘瑜等(申请号201410783563.2)引入网络信度通过一致性迭代执行局部信度的交互与融合；王宏健等(申请号201310296086.2)选取渐消因子和弱化因子来优化设计stsrckf；夏元清等(申请号201310645786.8)获取k时刻测量值并行n个滤波过程计算其均值和方差；朱志宇等(申请号201110308010.8)利用人工鱼群算法引导先验粒子移向高似然区域；杨萌等(申请号201010121599.6)采用基于超球面单行采样ssut变换的ssukf算法；杨萌等(申请号201010121571.2)利用粒子群算法优化估计状态趋向后验概率密度较大区域；姬红兵等(申请号200810232762.9)采用跳跃拟蒙特卡洛随机样本序列转化为服从指定分布的拟高斯样本序列；赵清杰等(申请号200710099440.7)运用先验概率分布、扩展卡尔曼滤波器、unscented卡尔曼滤波器等分治采样策略来处理样本粒子；通过以上方法都可以达到优化或更新提议分布的目的，以此改善粒子退化现象。8.在重采样策略改进方面，刘海涛等(申请号202110195743.9)按照自适应变异策略交叉处理预设的权重阈值；陆湛等(申请号201611165889.4)使用变分贝叶斯方法通过循环迭代求出高斯混合模型中未知参数的分布；黄镇谨等(申请号201810980396.9)通过分类进化的方法对粒子种群进行裂变、突变、交叉、选择产生新的种群；潘佳惠等(申请号201510531989.3)借鉴导向滤波思想保留粒子的部分权重信息；王俊等(申请号201410241879.9)基于gpu架构最大似然采样的接受概率模型；何康等(申请号201410052491.4)通过fifo器的比较和交换而输出替换小权值粒子；于雪莲等(申请号201510493464.5)设定合理权值门限并记录随机数落在其门限内的个数作为后续粒子复制的个数；周云等(申请号201510494727.4)设计重要性权值自适应优选方法；魏国华等(申请号201410397456.6)对重要性权值进行粒子分组并计算比较有效个数进行线性处理；李红伟(申请号201310695501.1)对采样粒子做差分迭代优化处理以得到最优粒子集；丛丽等(申请号201010121623.6)设计并行遗传重采样方法建立信息交换模型；秦红磊等(申请号200910238800.6)计算出子代群体个体的适应度并对其进行降序排列，采用小生境限制竞争选择使得粒子向高适应度方向移动；彭喜元等(申请号201810136919.8)利用粒子观测向量和系统状态的相似程度来调整粒子权重；通过以上方法皆可改进或修正重采样过程，从而达到解决粒子贫化问题。9.从以上研究状况分析来看，粒子滤波的改进重点均聚焦于粒子退化和贫化两个问题。对此解决措施多依赖或借助于群智、仿生、遗传变异等迭代寻优算法，其算法编程较为复杂、耗时且极易陷入局部最优，甚至出现迭代发散，这严重影响到粒子滤波方法状态估计的时效性和计算精度，进而阻碍其应用发展。面对当前船舶gmaw焊接的高度复杂化所表征的系统非线性程度越来越高，同时焊接工艺观测似然函数的复杂特性使得滤波状态估计问题更难解决。前面提到的常规改进滤波方法虽然在一定程度上缓解了粒子退化和贫化现象，但仍然存在滤波估计精度不高、方法稳定性差等问题而无法满足现代工程需求。因此本发明将粒子滤波方法应用于船舶gmaw质量成形预测当中取得了一定有益结果的基础上，证明粒子滤波在船舶gmaw焊接动态建模应用上的可行性，同时结合粒子滤波算法本身的不足，提出一种基于空间状态轨迹一致性的聚类相似度粒子滤波算法应用于焊接成形预测方法，所提方法完全不同于上述借用群智、仿生等迭代寻优改进思路，采用状态轨迹一致性原理和数据挖掘思想‑‑聚类分析方法对当前与未来多阶段量测信息进行相似性度量来完善提议分布，指导重要性采样过程以有效改善粒子退化问题，同时舍弃重采样策略从根本上解决粒子贫化问题。技术实现要素：10.为解决上述
背景技术：
：中提出的技术问题，本发明提出一种基于粒子滤波方法来解决随机噪声干扰与强非线性系统特征的船体结构gmaw焊接过程知识建模问题，该方法得到的模型用来描述船舶焊接动态系统将更加符合实际过程，从而能够提高船舶gmaw焊缝成形预测的精度。11.为达到上述目的，本发明所采用的技术方案是：12.一种基于粒子滤波的船舶gmaw焊缝成形预测方法，包括以下步骤：13.s1，船体结构gmaw焊接系统实验平台的搭建与试验设计：架构船体结构gmaw焊接系统实验平台，通过设计焊接正交试验以获取满足成形规范要求的焊接工艺参数，继而制定相应焊缝跟踪与熔池实时采集试验方案；14.s2，焊接成形过程中焊接信息的实时采集与预处理：在焊缝跟踪与熔池实时采集试验过程中，依据熔池图像传感实时获取图像信息并提取图像的几何特征，以实时在线获取焊缝尺寸，通过霍尔传感器采集焊接电流与电弧电压，通过焊机采集焊丝填充率，并对采集到的焊接信息进行预处理，所述焊接信息包括焊接电流、电弧电压与焊丝填充率；15.s3，粒子滤波焊接成形预测状态空间方程的架构，其包括以下步骤：16.s31，分析判断干扰噪声类型；17.s32，根据判定的干扰噪声类型，建立船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型；18.s33，对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行结构参数辨识分析；19.s34，设计焊接工艺阶跃响应试验，以获取焊接电流、焊丝填充率在正/负向阶跃条件下熔池形状的传递函数与相应参数，为模型结构优化辨识提供基础；20.s35，借助最小二乘辨识方法与最终预报误差准则对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行模型结构优化辨识，以此构建粒子滤波焊接成形预测的状态空间方程；21.s4，bayesian焊接状态跟踪训练：将步骤s2预处理后的焊接信息设定分为训练集与测试集，为bayesian焊接状态跟踪训练与焊接成形预测提供数据支撑，利用状态跟踪训练bayesian滤波对所述焊接成形预测的状态空间方程进行参数寻优，继而构建基于粒子滤波的船体结构焊接动态成形预测模型；22.s5，焊接动态系统非线性化，初始化采样粒子及相应权值：运用基于粒子滤波的船体结构焊接动态成形预测模型定义焊接非线性过程，通过成形递推预测与观测修正更新来实现粒子滤波递推估计焊接成形状态的蒙特卡洛采样，由于后验概率密度函数所求未知，选取重要性概率密度函数来满足蒙特卡洛采样，以此近似获取粒子集合；23.s6，序贯重要性采样：假定先验概率分布作为重要性概率密度函数，即提议分布指导粒子进行序贯重要性采样，进而递归计算采样粒子的重要性权值；24.s7，聚类相似度度量焊接成形状态轨迹相似度：通过状态空间联合轨迹特征挖掘与矢量规划，利用聚类分析方法对当前阶段序贯重要性采样与未来多阶段高斯滤波预测的量测信息进行相似性度量；25.s8，修正重要性概率密度函数：运用步骤s7的相似性度量指导产生新的提议分布，以此更新步骤s6中的重要性概率密度函数，以补偿修正蒙特卡洛采样过程；26.s9，更新马尔科夫重要性权值：通过步骤s8修正后的提议分布更新步骤s6中的一阶马尔科夫模型的重要性权值计算，并对粒子权重进行归一化，进而获取当前时刻的焊接成形状态的预测结果；27.s10，步骤s5-s9组成基于状态轨迹聚类相似度的粒子滤波方法对焊接成形状态预测估计的一次迭代过程；重复步骤s6-s9，依次输出聚类相似度粒子滤波的船舶gmaw焊缝成形的预测结果。28.进一步地，步骤s31中干扰噪声对船体结构焊接动态成形预测模型的作用方式分为确定型干扰和随机型干扰噪声两类，确定型测量信息可表示为：[0029][0030]式中，t，ψ分别为系统的测量值，真实值和确定型干扰噪声；[0031]随机型测量信息可表示为：[0032][0033]式中，随机型测量信息是t(t)、ψ(t)的非可加性函数，ψ(t)为随机型干扰噪声，t指代采集时刻。[0034]进一步地，步骤s32中所述非确定性噪声hammerstein随机系统模型的时域表达式为：[0035][0036]其中，γ(k)为1×[l+p×(m+1)]维向量；[0037]θ为[l+p×(m+1)]×1维向量；[0038]l，m为线性子系统的阶次；[0039]p为非线性环节的最高幂次；[0040]e(k)为等效综合噪声，k为时间步长；[0041]γ，θ分别为模型结构和参数。[0042]进一步地，步骤s33包括以下步骤：[0043]首先，采用阶跃响应辨识方法确定纯延迟系数；其次，假定线性子系统的阶次，利用递推最小二乘法得到非线性环节的最高幂次；最后利用最终预报误差准则对线性子系统阶次进行最优选择评定。[0044]进一步地，步骤s35中，借助最小二乘辨识方法与最终预报误差准则对船舶gmaw焊接动态过程随机模型进行模型结构优化辨识的步骤包括：在确定焊接工艺参数的纯延迟系数后，先假定线性子系统阶次确定已知，对非确定性噪声hammerstein随机系统模型时域表达式取k＝k0+1，…，k0+n(n≥l+p×(m+1))得到最小二乘正规方程：[0045][0046]误差准则函数：[0047][0048]取误差准则函数的最小值，得到最小二乘解为：[0049][0050]模型参数对应[0051][0052]上述算法随着数据的增加，辨识速度会越来越慢，同时过多的旧信息会减弱新信息的作用；考虑到模型结构具有实时性特征，因此采用递推最小二乘辨识方法，假定测取n组观测数据时的最小二乘正规方程为：当测得第n+1组数据时，则[0053][0054]假定则递推公式为[0055][0056][0057]上式可简化为[0058][0059]其中，递推初值可选为：[0060][0061]递推算法的最终误差准则：[0062][0063]其中，ε＝10-5。[0064]进一步地，步骤s35中，以焊接熔池特征尺寸-正面熔宽wf作为系统输出量，系统输入采用焊接工艺参数-焊接电流i和焊丝填充率vf来代表；而所述焊接成形预测的状态空间方程的数学表达式表示为：[0065][0066]式中，代表输出量熔宽wf；[0067]和分别代表输入量焊接电流和焊丝填充率；[0068]e(k)为等效综合噪声；[0069]l为线性子系统中输出参量熔宽历史时刻的阶次；[0070]m1和m2分别为线性子系统中焊接电流和焊丝填充率的阶次；[0071]p1和p2分别为非线性环节焊接电流和焊丝填充率的最高幂次；[0072]d1和d2分别为非线性环节焊接电流和焊丝填充率的纯延迟系数。[0073]和分别为非线性环节焊接电流和焊丝填充率的结构系数；[0074]αi代表熔宽历史时刻的阶次因子；[0075]和分别代表线性子系统中焊接电流和焊丝填充率的阶次系数。[0076]进一步地，所述步骤s4将步骤s2预处理后的焊接信息设定分为训练集与测试集的方法为：[0077]将步骤s2预处理后的焊接信息作为原始数据集，建立贝叶斯跟踪训练模型以判定识别状态方程参数：以预处理原始历史数据集ax的前s组数据作为训练集at进行状态跟踪训练，即at＝ax(1：s，：)＝[ati，atv，...，atb，atd，...]，其中ati，atv，atb，atd分别代表焊接电流、焊丝填充率与相对应的焊缝宽度、熔深的跟踪集合；将预处理原始数据集ax的s组之后的数据tx作为测试集，用于真值与预测值进行对比参照，即tx＝ox(：，s+1：n)＝[txi，txv，...，txb，txd，...]；利用贝叶斯理论对测试集at进行状态跟踪训练建模，运用最小方差无偏估计出能最大限度地减少算法预测值与实验真实值之间误差的最优模型参数，以此完善焊接成形预测的状态空间方程。[0078]进一步地，所述步骤s7包括：[0079]s71，状态空间联合轨迹(正常与修正轨迹)特征挖掘与矢量规划：[0080]选取从k到k+l+l时刻焊接成形状态联合轨迹的粒子集合为选取从k到k+l+l时刻焊接成形状态联合轨迹的粒子集合为其中服从sis滤波过程，x′j(i)服从gpf预测过程，l为滤波轨迹长度，l为预测轨迹长度，由于实际系统焊接真实成形状态为未知所求，故由工艺观测似然函数来表征成形状态轨迹的一致性，根据采样粒子成形状态轨迹通过工艺观测方程来求解出对应的似然轨迹根据采样粒子成形状态轨迹通过工艺观测方程来求解出对应的似然轨迹其中[0081][0082]s72，焊接真实成形状态与粒子工艺观测似然轨迹相似性度量：利用聚类分析方法对当前阶段滤波与未来多阶段高斯滤波预测的量测信息进行相似性度量的方法为：焊接系统真实成形状态所对应的工艺观测似然轨迹为{zk}＝{zj：j＝k，…，k+l+l}，采用空间轨迹聚类一致性分析选用距离相似性度量，焊接真实成形状态与粒子工艺观测似然轨迹的距离相似度度量计算如下：[0083][0084]其中dis(*)表征距离相似度函数，且dis(*)≥0，ξ为度量类型参数；[0085]利用指数函数结构以加强算法的可靠性输出，对上式进行指数变换获取更新相似性度量dk(i)[0086][0087]其中，λ为可靠梯度因数。[0088]进一步地，所述步骤s8包括：依据步骤s72中得到的工艺观测似然轨迹与采样粒子的量测似然轨迹的距离相似性度量，按照下式运用相似度修正由先验概率分布p(xk|xk-1)替代的重要性概率密度函数π(xk|x0：k-1，z1：k)：[0089]π(xk|x0：k-1，z1：k)＝dk*p(xk|xk-1)。[0090]本发明还提供另一种基于粒子滤波的船舶gmaw焊缝成形预测方法，包括以下步骤：[0091]s1，船体结构gmaw焊接系统实验平台的搭建与试验设计：架构船体结构gmaw焊接系统实验平台，通过优化设计焊接正交试验以获取满足成形规范要求的焊接工艺参数，继而制定相应焊缝跟踪与熔池实时采集试验方案；[0092]s2，焊接成形过程中焊接信息的实时采集与预处理：在焊缝跟踪与熔池实时采集试验过程中，依据熔池图像传感实时获取图像信息并提取图像的几何特征，以实时在线获取焊缝尺寸，通过霍尔传感器采集焊接电流与电弧电压，通过焊机采集焊丝填充率，并对采集到的焊接信息进行预处理，所述焊接信息包括焊接电流、电弧电压与焊丝填充率；[0093]s3，粒子滤波焊接成形预测状态空间方程的架构，其包括以下步骤：[0094]s31，分析判断干扰噪声类型；[0095]s32，根据判定的干扰噪声类型，建立船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型；[0096]s33，对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行结构参数辨识分析；[0097]s34，设计焊接工艺阶跃响应试验，以获取焊接电流、焊丝填充率在正/负向阶跃条件下熔池形状的传递函数与相应参数，为模型结构优化辨识提供基础；[0098]s35，借助最小二乘辨识方法与最终预报误差准则对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行模型结构优化辨识，以此构建粒子滤波焊接成形预测的状态空间方程；[0099]s4，bayesian焊接状态跟踪训练：将步骤s2预处理后的焊接信息设定分为训练集与测试集，为bayesian焊接状态跟踪训练与焊接成形预测提供数据支撑，利用状态跟踪训练bayesian滤波对所述焊接成形预测的状态空间方程进行参数寻优，继而构建基于粒子滤波的船体结构焊接动态成形预测模型；[0100]s5，焊接动态系统非线性化，初始化采样粒子及相应权值：运用基于粒子滤波的船体结构焊接动态成形预测模型定义焊接非线性过程，通过成形递推预测与观测修正更新来实现粒子滤波递推估计焊接成形状态的蒙特卡洛采样，由于后验概率密度函数所求未知，选取重要性概率密度函数来满足蒙特卡洛采样，以此近似获取粒子集合；[0101]s6，序贯重要性采样：假定先验概率分布作为重要性概率密度函数，即提议分布指导粒子进行序贯重要性采样，进而递归计算采样粒子的重要性权值；[0102]s7，重采样策略：衡量权重的退化程度并判断是否需要重采样，若需要则根据粒子权重迭代值对粒子进行重采样并对粒子权重进行归一化处理，获取当前时刻的船舶gmaw焊缝成形的预测结果；[0103]s8，步骤s5-s7组成传统粒子滤波方法状态估计的一次迭代过程；重复步骤s6-s7，依次输出不同时刻下的船舶gmaw焊缝成形的预测结果。[0104]由于采用上述技术方案，本发明具有以下有益效果：[0105](1)船舶gmaw过程噪声随机理论架构[0106]船舶gmaw焊接过程中存在着各种具有随机特性且不确定性干扰因素的作用，如焊接电源不稳定输出、焊缝间隙变化、环境温度不确定、热变形及热积累等，使得焊接系统在运行过程中一定程度上出现不确定性，即在随机因素的作用下焊接熔池的状态将发生改变。而目前人工智能建模方法大多是基于确定性系统理论，输入与输出之间的关系是严格对应的，根据模型获得输出的过程中一般不再考虑时变过程或者系统中其他干扰的影响。为此本发明采用随机理论模型来描述船舶焊接动态系统将更加符合实际过程，针对船舶gmaw焊接非线性、时滞、多变量耦合、不确定因素及随机干扰等特性知识建模问题，引入随机过程机理建立焊接规范参数和熔池形状参数之间的非确定性、非线性hammerstein噪声模型，才能真实地反应实际焊接过程中的随机噪声的特性和作用；依据在线恒规范阶跃响应试验与递归最小二乘、最终预报误差准则等辨识技术对噪声模型结构进行识别寻优以此获取表征焊接成形机理的状态空间方程，该方法得到的模型用来描述船舶焊接动态系统将更加符合焊接成形规律，在为粒子滤波焊接动态过程知识建模提供理论支撑和精度保证的同时，从而能够提高船舶gmaw焊缝成形预测的精度。[0107](2)粒子滤波焊缝成形预测知识建模[0108]粒子滤波在处理非高斯、非线性时变系统与随机噪声干扰下的状态估计问题方面有独特优势，本发明首次将该方法应用于船舶gmaw焊接过程知识建模当中。运用粒子滤波建立非线性系统工艺输入与随机干扰噪声因素共同作用下的船舶gmaw过程动态知识模型，摒弃以往建模方法依靠借鉴大量的先验知识、专家经验和硬件检测技术以融入较多的主观因素与输入技术参数，充分发挥粒子滤波深度挖掘并揭示出焊接过程规律与焊缝成形机理的时序变化，即焊接工艺参数与熔池几何特征之间的时间动态关系，只需较少模型输入条件下仍能保证输出响应结果精度等算法本身优势，同时也大幅降低了焊接平台传感器硬件的要求和模型计算运行成本。仿真试验结果表明，状态跟踪训练效果良好，确保能精准提取出跟踪集所隐含的成形规律机理相关特征参数；焊缝成形预测趋势与测试集真实变化曲线相一致，且精度维持在0.88mm以内。由此得出本发明提出的基于传统粒子滤波的船舶gmaw焊缝成形预测方法，其状态跟踪训练效果与焊缝成形预测精度均能满足船舶焊接工艺要求，说明粒子滤波方法在gmaw动态知识建模应用方面具有一定适用性的同时，也为船舶gmaw焊接过程焊缝成形质量监控提供技术基础。[0109](3)粒子滤波改进方法在焊接过程建模中的应用[0110]基于状态轨迹聚类相似度的粒子滤波方法，在不依赖外部方法的前提下，对粒子滤波方法本身进行技术改进，重新架构算法逻辑框架：针对先验概率分布未知且假定而引起的粒子退化现象，基于粒子滤波算法为核心建模框架与理论分析依据，利用sis与gpf方法得到当前与未来多阶段的空间状态信息组合的修正轨迹与系统真实状态轨迹进行聚类分析-距离相似性度量，一致相似性度越高表征越接近真实状态，以此指导生成新的提议分布来改善粒子退化现象，同时更新一阶马尔科夫过程以补偿修正重要性权重计算，通过有针对性的在重要性采样过程中将更新补偿方案(聚类度量)融入阶段性的最新量测信息的措施来替代重采样过程，故可从根本上消除粒子贫化问题，时效性也得到显著提升。结合改进算法cspf(聚类相似度粒子滤波(clusteringsimilarityparticlefiltering,cspf))的收敛性定理证明，通过试验验证且相较于传统pf(粒子滤波(particlefiltering,pf))和apf(辅助粒子滤波，auxiliaryparticlefilter,apf)，cspf在船体结构gmaw过程知识建模应用中具备状态跟踪效果更好、成形预测精度更高、算法鲁棒性更强和时效性更快等优势特征。[0111]因此，本发明采用随机理论模型来描述船舶焊接动态系统更加符合实际过程，运用粒子滤波建立系统输入与随机干扰因素共同作用下的船舶gmaw过程动态知识模型，充分发挥粒子滤波只需较少模型输入条件下仍能保证输出响应结果精度的算法本身优势，同时也大幅降低了焊接平台传感器硬件的要求和模型计算运行成本。附图说明[0112]图1为船体结构gmaw焊接系统实验平台的结构示意图；[0113]图2为船体结构gmaw焊接过程的非确定性噪声hammerstein随机系统模型；[0114]图3为焊接熔宽与电流阶跃的瞬态响应；[0115]图4为焊接熔宽与焊丝填充率的瞬态响应；[0116]图5为船体结构gmaw焊接非线性系统空间状态结构辨识的流程示意图；[0117]图6为传统粒子滤波重采样策略过程示意图；[0118]图7为本发明第二实施例的船体结构gmaw焊接动态过程的状态跟踪与成形预测方法的流程示意图；[0119]图8为基于四种非线性预测模型的船舶焊接动态过程状态跟踪效果图；[0120]图9为基于四种非线性模型成形预测的rmse结果对比图。具体实施方式[0121]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、完整地描述，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它实施例，都属于本发明保护的范围。[0122]需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。[0123]除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的
技术领域：
：的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。[0124]本发明一较佳实施方式提供的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，包括以下步骤：[0125]s1，船体结构gmaw焊接系统实验平台的搭建与试验设计：架构船体结构gmaw焊接系统实验平台，通过设计焊接正交试验以获取满足成形规范要求的焊接工艺参数，继而制定相应焊缝跟踪与熔池实时采集试验方案。[0126]在本实施方式中，所述步骤s1包括：[0127]s11，船体结构gmaw焊接系统实验平台的搭建：该船体结构gmaw焊接系统实验平台主要由kukaarc5机器人、脉冲gmaw电源系统、工控机(ipc)、数据采集卡、智能送丝机、视觉传感系统、霍尔传感器和激光焊缝跟踪系统组成，如图1所示。其中，激光焊缝跟踪系统通过激光扫描识别焊缝轨迹，引导kukaarc5机器人自主移动与调整焊枪姿态，以准确高效地完成焊接准备。霍尔传感器可实时采集作业过程中的焊接电流和电弧电压。视觉传感系统由ccd摄像机镜头和复合减、滤光系统组成，通过耦合夹具调整ccd摄像机和工件板材的相对位置，可实时获取熔池正面和背面的成形几何特征。智能送丝机是一种可根据工控机(ipc)指令将焊丝送到焊枪位置的自主驱动机械化送丝装置，脉冲gmaw电源系统具有为弧焊提供持续稳定的焊接电流与电弧电压的作用，与机器人系统发生通讯并接受其指令。调节器是具有对采集到的熔池图像信息进行降噪预处理等作用。数据采集卡(daq)的采样频率设置为40khz，可将采集到的模拟信号量化成数字信号，并将其发送到ipc的数据分析模块。处理后的焊接工艺参数(焊接电流、焊丝填充率等)以及焊缝成形几何特征信息(熔宽、余高等)，被输入到工控机的知识建模模块中以预测成形焊缝的后验概率估计，从而为未来的焊接质量监测与控制研究提供技术支持。该船体结构gmaw焊接系统实验平台的结构属于现有技术，为省略篇幅，这里不再赘述。[0128]s12，优化设计焊接正交试验，获取最佳的焊接成形工艺参数。大量工程实践和焊工经验表明：熔池几何特征与焊接工艺参数之间存在相关关系，通过对工艺参数的调节进而实现熔池几何特性的预测和控制。在合理的焊接工艺参数下，选取并确定了焊接电流和焊丝填充率的随机变化范围，以此优化设计正交试验进行机器人gmaw焊接，进而获取满足成形要求的焊接工艺参数并提取出相应条件下熔池的形状参数，具体的焊接工艺条件如表1所示。[0129]表1船体结构gmaw随机试验条件[0130][0131]s2，焊接成形过程中焊接信息的实时采集与预处理：在焊缝跟踪与熔池实时采集试验过程中，依据熔池图像传感实时获取图像信息并提取图像的几何特征，以实时在线获取焊缝尺寸，通过霍尔传感器采集焊接电流与电弧电压，通过焊机采集焊丝填充率，并对采集到的焊接信息进行预处理，所述焊接信息包括焊接电流、电弧电压与焊丝填充率。[0132]船舶gmaw焊接过程中存在着各种不确定性因素的作用，这些干扰因素均具有随机特性，如焊接电流、焊丝填充、保护气体流量与脉冲电源等工艺参数的不稳定输出，以及焊缝间隙的变化、环境温度的不确定、热变形、热积累等影响因素，这些因素使得焊接系统在运行过程中一定程度上出现不确定性，即在随机因素的作用下焊接熔池的状态将发生改变。因此，试验采集过程中受到不可控的随机噪声干扰，焊接成形信息会出现某些异常数据，加之信息量过大会增加运算量而降低时效性，故对其进行筛选与精简等预处理工作。[0133]s3，粒子滤波焊接成形预测状态空间方程的架构，其包括以下步骤：[0134]s31，分析判断干扰噪声类型。[0135]对于船体结构gmaw焊接过程而言，若各种工艺条件处于理想状态下，如规范的板件形式，不变的焊缝间隙，稳定的气体流量和散热条件，恒定的工作环境温度等无任何噪声干扰，则采用恒定规范焊接参数可以获取平稳的焊接过程，进而保证焊缝成形的稳定和焊接质量。但是在实际焊接工作环境中，上述工作条件(包括焊接工艺参数)都是不稳定的且无法预知其变化，这种工作条件的随机性不可避免地影响焊接过程的稳定性，使得焊接结果也具有随机特性。同时在系统辨识参数和知识建模过程中，部分工艺参数数据都是在焊接动态过程中由测量仪器采集，测量值由于噪声干扰而产生误差。而干扰噪声对船体结构焊接动态成形预测模型的作用方式分为确定型干扰和随机型干扰噪声两类，确定型测量信息可表示为：[0136][0137]式中，t，ψ分别为系统的测量值，真实值和确定型干扰噪声；[0138]随机型测量信息可表示为：[0139][0140]式中，随机型测量信息是t(t)、ψ(t)的非可加性函数，ψ(t)为随机型干扰噪声，t指代采集时刻。这些干扰使得焊接动态系统中的某些工艺参数变为随机变量，只有用随机过程引入焊接动态建模当中，才能真实地反应实际焊接过程中的随机噪声的特性和作用。[0141]s32，根据判定的干扰噪声类型，建立船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型。[0142]gmaw焊接过程是船体结构金属在电弧热源热输入的作用下，经历加热、熔化、凝固与连续冷却而最终形成焊缝的热处理过程。由弧焊热源和传热过程理论可知，焊接过程可看作为电弧热源对一个动态系统的激励源，电弧过程可认为是一个静态的非线性函数过程，焊接传热过程可以用一个动态的线性系统来近似。对于分解为非线性和线性子系统的动态系统，采用一种特殊结构形式hammerstein模型来模拟仿真重现，见下图2。图2中，lq＝q-d为纯延迟环节的时间平移算子；d是输出纯延迟系数；γ(k)＝γ1u+γ2u2+…+γpup+ψ(k)为无记忆非线性环节；线性动态环节可等效为：[0143][0144]其中，u(k)和分别为系统过程的输入量和实际输出变量；γ(u)和γ(k)为非线性环节的输入函数和输出变量；为等效综合噪声，其中ψ(k)为非线性环节的确定型干扰噪声，ψ(k)为线性子系统的随机型干扰噪声，b(*)和a(*)是关于输出变量的复变线性函数。[0145]而实际焊接过程中的干扰噪声来源很多，在构建模型过程中将所有的随机噪声影响综合到一起，用一个等效的噪声来代替，对图2的模型可简化为时域表达式：[0146][0147]进一步展开可得：[0148][0149]令[0150][0151]θ＝[α1，α2，…，αl，β0γ1，β1γ1，…，βmγ1，β0γ2，β1γ2，…，βmγ2，β0γp，β1γp，…，βmγp]t[0152]由此得到非确定性噪声hammerstein随机系统模型的时域表达式为：[0153][0154]其中，γ(k)为1×[l+p×(m+1)]维向量；[0155]θ为[l+p×(m+1)]×1维向量；[0156]l，m为线性子系统的阶次；[0157]p为非线性环节的最高幂次；[0158]e(k)为等效综合噪声，k为时间步长；[0159]γ，θ分别为模型结构和参数。[0160]s33，对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行结构参数辨识分析。[0161]模型结构辨识是焊接成形预测的前提和保证，而在系统辨识中关于结构参数估计的选择方法有多种，例如akaike准则、hankel矩阵的秩估计、行列式比、残差的方差估计、递推最小二乘法、最终预报误差准则等。本发明在辨识试验合理设计下采用阶跃响应、最小二乘法和最终预报误差准则相结合方法对hammerstein随机噪声模型进行结构参数估计。在本实施方式中，步骤s33包括：首先，采用阶跃响应辨识方法确定纯延迟系数；其次，假定线性子系统的阶次，利用递推最小二乘法得到非线性环节的最高幂次；最后利用最终预报误差准则对线性子系统阶次进行最优选择评定。本发明实施例选用焊接电流和焊丝填充率作为模型输入参量，以正面熔宽代表焊接熔池几何尺寸特征作为输入参数。[0162]s34，设计焊接工艺阶跃响应试验，以获取焊接电流、焊丝填充率在正负向阶跃条件下熔池形状的传递函数参数，为模型结构优化辨识提供基础。[0163]在本实施方式中，步骤s34中设计焊接工艺阶跃试验，并采用面积法进行阶跃响应辨识，从而获得焊接电流、焊丝填充率在正/负向阶跃条件下熔池形状的传递函数与相应参数，为焊缝成形预测模型结构辨识提供基础。[0164]阶跃信号简单且易获取，同时其响应能反映出焊接动态特性的主要信息，同样也可用来作为系统辨识的输入信号。利用阶跃响应确定过程传递函数的方法有近似法、半对数法、切线法、两点法和面积法。本发明采用较为成熟的面积法进行阶跃响应辨识，具体步骤如下：[0165]1)设计阶跃相应焊接工艺试验，获取输入输出数据；[0166]2)对数据进行必要的预处理：包括精简和筛选等；[0167]3)绘制模型响应曲线并进行模型校验；[0168]4)将辨识得到的离散模型转化为连续传递函数表达式；[0169]5)根据焊接经验知识和传递函数确定模型的纯延迟系数d。[0170]在本实施例中，阶跃相应试验选取的材料为低碳钢q235，gmaw焊接方式选择船体建造最为常用的二氧化碳气体保护焊，焊接工艺为平对接焊，通过规则数据库确定焊接规范的工艺参数：焊接电流i范围为120a-170a，电弧电压为va＝20v，焊接速度为vw＝2.5mm/s，对板间隙为g＝4.0mm。电流阶跃试验中保持电弧电压和焊接速度不变，焊接电流i正向阶跃为50a，从120a阶跃至170a，负向阶跃值从170a阶跃至120a。焊接过程中在以初始电流运行60个采样点后，通过电流控制器产生阶跃变化，从第61个采样点起作为阶跃响应后的输出结果，利用熔池图像传感系统获取熔池特征参数-熔宽wf。采用同样的辨识方法可得到电流负向阶跃条件下的传递函数，请参见图3，图3为焊接熔宽与电流阶跃的瞬态响应，图3中图(a)为电流正向阶跃，图(b)熔宽正向阶跃，图(c)电流负向阶跃，图(d)为熔宽负向阶跃。[0171]焊接过程焊接工艺参数的纯延迟系数确定需已知阶跃响应的传递函数。从图3数据的分布形态上看出，焊接过程在电流阶跃响应下不存在振荡环节，由此可认为该过程为一阶系统，其传递函数如下：[0172][0173]其中，k为阶跃响应增益系数，t为时间常数，d为纯延迟系数，s为空间变量。由于系统传递函数的结构阶次已确定，比较选择拟合度和最终预测误差fpe最小值条件的参数作为纯延迟系数，进而确定传递函数的其他各个特征参数。电流正向和负向阶跃的熔池形状特征的传递函数参数见下表2。[0174]表2电流阶跃响应下焊缝形状特征的传递函数参数[0175][0176]由表2的辨识结果可知，焊接电流在正向和负向阶跃条件下熔宽wf响应存在的时滞性均不明显，而正向阶跃条件下熔宽wf的时滞常数(即延迟系数)d相对于负向阶跃较大，说明船用低碳钢焊缝成形对热输入降低比对同等热输入量的增加更敏感；正向阶跃条件下熔宽wf的增益系数k和时间常量t相对于负向阶跃较大，说明焊缝成形不仅仅决定于热输入量的同时也受到电弧推力的影响，电流降低电弧推力随之迅速减小，导致焊缝成形特征随之迅速改变；在平稳焊接正向和负向阶跃阶段所获得的传递函数的各项参数均不同，说明焊接过程存在非线性、强耦合、变时滞特点，因此焊接过程知识建模应充分考虑以上影响因素。[0177]在船体结构gmaw焊接过程中，焊丝填充率及其所决定的送丝量对焊缝成形至关重要，送丝量的改变将直接导致焊缝宽度、余高等焊缝几何特征随之改变。而当焊丝直径、送丝方式及焊接摆动确定后，只有焊丝填充率可以决定送丝效果，因此必须将焊丝填充率作为焊缝成形的影响因素考虑到焊接过程知识建模当中。本次实验选取焊丝填充率vf范围为2.6-4.5m/min，其他焊接工艺参数参考电流阶跃实验。焊接过程中以初始焊丝填充率运行60个采样点，通过送丝机实现送丝阶跃值为1.9m/min，利用熔池图像传感系统获取熔池特征参数-熔宽wf，采用相似的辨识方法可以得到焊丝填充率负向阶跃条件下熔池形状的传递函数参数，具体送丝阶跃响应见下图4，图4为焊接熔宽与焊丝填充率阶跃的瞬态响应，图4中(a)表示焊丝填充率正向阶跃，图(b)表示熔宽正向阶跃，图(c)表示焊丝填充率负向阶跃，图(d)表示熔宽负向阶跃。[0178]从图4的数据分布形态可看出，焊丝填充率的阶跃响应应与焊接电流阶跃具有类似的函数结构。采用相似的辨识方法可以得到焊丝填充率正/负向阶跃条件下熔池形状的传递函数参数，见下表3。[0179]表3焊丝填充率阶跃响应下焊缝形状特征的传递函数参数[0180][0181]由表3的参数辨识结果可知：焊丝填充率在正向和负向阶跃条件下熔宽wf响应存在的时滞性特征同样不明显。焊丝填充率在正向阶跃条件下，时滞常数(即延迟系数)d趋近于0且小于负向阶跃，时间常量t远大于负向阶跃，说明填丝金属量的增加导致电弧推力急剧增加，进而迅速影响焊缝成形。焊丝填充率正向阶跃条件下熔宽wf的增益益系数k要小于焊丝填充率负向阶跃条件下熔宽wf的增益益系数k，这说明送丝量的增加导致焊丝熔化需要更多的热量。同时也说明焊接电流和焊丝填充率对焊接熔池形状特征具有决定性作用，因此将焊接电流和焊丝填充率作为焊接系统的控制变量是正确的。[0182]s35，借助最小二乘辨识方法与最终预报误差准则对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行模型结构优化辨识，以此构建粒子滤波焊接成形预测的状态空间方程。[0183]确定两个焊接工艺参数的纯延迟系数后，先假定线性子系统阶次已知确定的前提下，对非线性最高幂次进行辨识。取求得一个使得误差指标函数减小并趋于平滑状态，之所以这样的辨识顺序是因为对于非线性环节的多项式逼近理论(非线性特性的本质就是多项式)证明：最高次幂p越大，精确逼近的程度越好，而当p等于系统真实幂次时误差应是最小的，随后p值的增加理论上误差也不会随之减小。但焊接实际系统的p值是不确定的且可能是非常大的，故可通过增加线性阶次来获取满意的误差水平。[0184]先假定线性子系统阶次确定已知，对非确定性噪声hammerstein随机系统模型时域表达式取k＝k0+1，…，k0+n(n≥l+p×(m+1))得到最小二乘正规方程：[0185][0186]误差准则函数：[0187][0188]取误差准则函数的最小值，得到最小二乘解为：[0189][0190]模型参数对应[0191][0192]上述算法随着数据的增加，辨识速度会越来越慢，同时过多的旧信息会减弱新信息的作用；考虑到模型结构具有实时性特征，因此采用递推最小二乘辨识方法，假定测取n组观测数据时的最小二乘正规方程为：当测得第n+1组数据时，则[0193][0194]假定则递推公式为：[0195][0196]上式可简化为：[0197][0198]其中，递推初值可选为：[0199][0200]递推算法的最终误差准则：[0201][0202]其中，ε＝10-5。[0203]由hammerstein模型原理可知，船舶gmaw焊接过程知识模型不仅结构复杂，而且焊接熔池当前特征输出不仅与当前时刻焊接工艺参数输入有关，还与前面某些历史时刻的输入参数有关，同时也与历史时刻的随机系统干扰有关。本实施例以焊接熔池特征尺寸-正面熔宽wf作为系统输出量，系统输入采用焊接工艺参数-焊接电流i和焊丝填充率vf来代表，而焊接成形预测的状态空间方程利用hammerstein随机噪声模型数学表达式可表示为：[0204][0205]式中，代表输出量熔宽wf；[0206]和分别代表输入量焊接电流和焊丝填充率；[0207]e(k)为等效综合噪声；[0208]l为线性子系统中输出参量熔宽历史时刻的阶次；[0209]m1和m2分别为线性子系统中焊接电流和焊丝填充率的阶次；[0210]p1和p2分别为非线性环节焊接电流和焊丝填充率的最高幂次；[0211]d1和d2分别为非线性环节焊接电流和焊丝填充率的纯延迟系数。[0212]和分别为非线性环节焊接电流和焊丝填充率的结构系数；[0213]αi代表熔宽历史时刻的阶次因子；[0214]和分别代表线性子系统中焊接电流和焊丝填充率的阶次系数。[0215]依托焊接动态过程知识建模的结构辨识方法，对熔池宽度与焊接电流和焊丝填充率的空间状态结构参数进行寻优。首先根据阶跃试验确定纯延迟系数d1和d2；其次在假定线性子系统的阶次m1和m2的基础上，利用递推最小二乘法依次增加非线性次幂p1和p2辨识最优最高幂值；最后根据最终预报误差准则fpe寻找最小的损失函数，进而确定线性子系统的最优阶次m1和m2，具体辨识思路详见下图5。[0216]首先，根据焊接电流与焊丝填充率的阶跃响应实验可知gmaw焊接动态过程时滞性特征不明显且纯延迟系数d1和d2均小于1，因此非线性环节焊接电流和焊丝填充率的纯延迟系数d1和d2均选为0。本实施例选用粒子滤波方法搭建熔池特征预测模型，预测过程符合一阶马尔科夫过程，即线性子系统中输出参量熔宽历史时刻的阶次l＝1。其次，本着时效性原则结构模型不易过于复杂，假定线性子系统中焊接电流和焊丝填充率的阶次m1＝m2＝2，根据递推最小二乘法确定出最优非线性环节焊接电流和焊丝填充率的最高幂次p1，p2。最后，依据最优最高次幂依次变动线性阶次，利用最终预报误差准则寻找最小损失函数以此确定最优线性阶次m1，m2。通过以上成形状态结构辨识，最终为粒子滤波成形预测模型提供结构参数已寻优后的状态空间方程。[0217]s4，bayesian焊接状态跟踪训练：将步骤s2预处理后的焊接信息设定分为训练集与测试集，为bayesian焊接状态跟踪训练与焊接成形预测提供数据支撑，利用bayesian滤波对所述焊接成形预测的状态空间方程进行状态跟踪训练，借助最小方差无偏(minimumvariance-unbiased，mvu)估计进行参数寻优，继而构建基于粒子滤波的船体结构焊接动态成形预测模型。[0218]在本实施方式中，所述步骤s4将步骤s2预处理后的焊接信息设定分为训练集与测试集的方法为：将步骤s2预处理后的焊接信息作为原始数据集，建立贝叶斯跟踪训练模型以判定识别状态方程参数：以预处理原始历史数据集ax的前s组数据作为训练集at进行状态跟踪训练，即at＝ax(1：s，：)＝[ati，atv，...，atb，atd，...]，其中ati，atv，atb，atd分别代表焊接电流、焊丝填充率与相对应的焊缝宽度、熔深的跟踪集合；将预处理原始数据集ax的s组之后的数据tx作为测试集，用于真值与预测值进行对比参照，即tx＝ox(：，s+1：n)＝[txi，txv，...，txb，txd，...]；利用贝叶斯理论对测试集at进行状态跟踪训练建模，运用mvu估计出能最大限度地减少算法预测值与实验真实值之间误差的最优模型参数，具体实现以rmse或拟合度作为评价指标要满足不大于设定约束偏差error的前提条件，以此完善焊接成形预测的状态空间方程。[0219]s5，焊接动态系统非线性化，初始化采样粒子及相应权值：运用基于粒子滤波的船体结构焊接动态成形预测模型定义焊接非线性过程，通过成形递推预测与观测修正更新来实现粒子滤波递推估计焊接成形状态的蒙特卡洛采样，由于后验概率密度函数所求未知，选取重要性概率密度函数来满足蒙特卡洛采样，以此近似获取粒子集合。[0220]具体地，步骤s5包括：[0221]s51，假设焊接非线性系统可以定义为一组随时间变化的焊接成形状态序列xk和一组观测序列zk组成的动态系统模型：[0222]xk＝f(xk-1，wk)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(statetransition)[0223]zk＝h(xk，vk)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(observationequation)[0224]式中，xk和zk分别表征k时刻的焊接成形状态(熔宽、余高与熔深等)和工艺(焊接电流、电弧电压、焊接速度与焊丝填充率等)观测信息，f(*)和h(*)分别代表成形状态转移和工艺观测函数，wk和vk为k时刻相互独立的系统随机扰动噪声和观测噪声；[0225]假设焊接成形状态xk服从一阶马尔科夫过程，同时焊接成形状态xk与工艺观测信息zk相互独立，从贝叶斯理论的观点来看，焊接状态估计问题就是根据前一系列时刻的工艺观测信息z1：k(后验知识)递推计算出当前焊接成形状态xk的可信度p(xk|z1：k)，它需要通过成形递推预测与观测修正更新两个步骤来进行上述递推；[0226](1)成形递推预测[0227]x0：k＝{xi，i＝0，1，…，k}表示从0到k时刻的焊接成形状态变量，z1：k＝{z1，z2，…，zk}表示1到k时刻所对应的工艺观测信息，假定0到k-1时刻焊接成形状态的后验概率密度函数p(x0：k-1|z1：k-1)已知，根据chapman-kolmogorov理论公式计算得到k时刻焊接成形状态的预测概率密度函数，即[0228][0229](2)观测修正更新[0230]利用0至k时刻的焊接工艺观测信息z1：k的似然概率密度函数p(z1：k|x0：k)估计焊接成形状态出现的概率，根据贝叶斯理论在已知工艺观测信息边缘概率p(z1：k)和成形状态边缘概率p(x0：k)的条件下估计其后验概率分布p(x0：k|z1：k)：[0231][0232]其中，焊接已知工艺观测信息边缘概率p(z1：k)为归一化常数：[0233]p(z1：k)＝∫p(z1：k|x0：k)p(x0：k)dx0：k。[0234]在焊接成形预测模型架构中，由于涉及到非常复杂的高微积分运算，很难使用以上成形递推预测-观测修正更新的递归运算处理问题。为了解决最优贝叶斯滤波算法中积分复杂递归运算问题，特引入蒙特卡洛随机采样方法代替计算后验概率。其基本思想是当求解问题是某种随机时间出现的概率或某个随机变量的期望值，以事件出现的频率来近似时间发生的概率，或得到这个随机变量的某些数字特征，同时将其作为问题解。[0235]假定可从后验概率p(xn|z1：k)中采样到n个独立同分布的样本{x(i)，i＝1，2，…，n}(n≥1)，那么后验概率的近似估计可表示为：[0236][0237]式中，δ(x)为狄拉克函数；[0238]运用蒙特卡洛方法来直接估计后验概率密度的期望值：[0239][0240]根据大数原理(stronglawoflargenumber，slln)可知[0241][0242]根据中心极限定理，收敛速度表示为[0243][0244]式中，为f(x)的方差，由此可得，蒙特卡洛积分方法误差的阶o(n1/2)与积分维数无关，适用于求解高维复杂积分。[0245]s52，焊接成形状态蒙特卡洛采样：在焊接成形预测模型架构中，由于后验概率密度函数所求未知，选取重要性概率密度函数来满足蒙特卡洛采样。[0246]s6，序贯重要性采样：假定先验概率分布作为重要性概率密度函数，即提议分布指导粒子进行序贯重要性采样，进而递归计算采样粒子的重要性权值。[0247]s7，重采样策略：衡量权重的退化程度并判断是否需要重采样，若需要则根据粒子权重迭代值对粒子进行重采样并对粒子权重进行归一化处理，获取当前时刻的船舶gmaw焊缝成形的预测结果。[0248]s8，步骤s5-s7组成传统粒子滤波方法状态估计的一次迭代过程；重复步骤s6-s7，依次输出不同时刻下的船舶gmaw焊缝成形的预测结果。[0249]其中，s6步骤的具体实施方法包括：[0250]后验概率密度p(xk|z1：k)并不是总能给出一个解析式，导致从分布中抽取样本很难直接实现，因此需要引入序贯重要性采样(sequentialimportancesampling，sis)方法来解决抽样困难问题。[0251]假定从一个已知的参考分布π(x0：k|z1：k)抽取n个独立同分布的粒子集合{x(i)，i＝1，2，…，n}(n≥1)，当粒子数目n→∞，参考分布π(x0：k|z1：k)高度近似于后验概率密度函数p(x0：k|z1：k)，其可分解为递归形式：[0252]π(x0：k|z1：k)＝π(x0：k-1|z1：k-1)π(xk|x0：k-1，z1：k)[0253]引入重要性概率密度函数π(xk|x0：k-1，z1：k)帮助解决蒙特卡洛高维复杂积分问题：[0254][0255]重要性采样过程通过将k时刻粒子更新k-1时刻的状态估计：[0256][0257]则k时刻的重要性权重为[0258][0259]其中[0260][0261]实际计算过程中，粒子集合可根据下式来采样获取：[0262][0263]可递归重要性权重[0264][0265]在序贯重要性采样中假设重要性分布满足：[0266][0267]则递归序贯重要性采样权重为[0268][0269]将重要性权重归一化[0270][0271]最终计算得到序贯重要性采样(sis)的后验概率密度函数，即[0272][0273]其中，表示重要性概率密度函数若干抽样样本粒子归一化后的权值，δ(*)代表狄拉克函数。[0274]s7步骤的具体实施方案包括：[0275]步骤s5-s7组成传统粒子滤波方法对焊接成形状态预测估计的一次迭代过程。然而序贯重要性采样经过若干次迭代后，部分粒子的权值可能小到近似忽略不计，这种退化现象因算法本身缺陷而无法避免。因此，为了降低粒子退化现象的影响，引入重要性重采样策略，其本质是增加粒子的多样性，保留并复制权重大的样本点以适应系统动态过程建模，从而抑制退化现象，图6给出粒子滤波算法重采样过程示意图。衡量权重的退化程度判断是否需要重采样过程，需计算以下有效采样尺度neff[0276][0277]有效采样尺度neff为衡量粒子权值的退化程度，该数值越大代表粒子权重之间的差距越大，表明权值退化越严重。当大于某一阈值nthre时，通过重采样策略重新生成n个粒子集合使得并赋予每一个新粒子的权重[0278]最终计算得到序贯重要性-重采样方法(sir)的后验概率密度函数，即标准粒子滤波方法成形状态可估计为[0279][0280]传统粒子滤波方法在方法结构上简单且易于执行操作，在最优估计下算法近似估计值收敛到真实状态值。然而，在实际工程应用中该方法仍然存在着一定的缺陷与不足，主要存在以下两个方面问题：(1)标准粒子滤波方法在序贯重要性采样过程中引入重要性概率密度分布，致使粒子权重方差会随着算法迭代次数的增加而不断累积，同时大多数粒子所对应的重要性权重也随之趋于零，即粒子退化现象。从而导致计算资源的严重浪费，同时也使得近似估计不能精准描述真实状态的后验分布，更为严重的是此退化现象因方法本身缺陷而无法避免。(2)重采样策略是改善粒子退化现象的有效重要手段。通过对重要性采样得到的离散近似后验概率分布进行重新再采样，使得权重较大的样本在粒子运动和前一时刻状态的分布指导下被多次复制，使得有效粒子数目增加而达到抑制退化目的。与此同时，重采样过程很可能造成部分权重较低粒子的舍弃或丢失，使得重采样后的粒子过早远离真实状态后验区域，产生样本贫化问题，最终导致状态估计方差变大且滤波性能大幅下降。[0281]本发明第二实施例采用申请号为202310000323.x的中国发明专利申请公开的基于状态轨迹聚类相似度的粒子滤波方法(后文简称为改进的滤波方法)，即运用聚类相似度方法对系统真实和抽样粒子状态信息集合进行距离判别度量，包括当前(阶段)状态的滤波和未来多(阶段)状态预测的量测信息度量，以此指导产生并完善新的提议分布，进而更新重要性采样过程权值计算，弥补传统pf方法中采用先验概率分布代替重要性概率密度函数的自身缺陷，有效改善粒子退化现象，显著提升估计方法精度和鲁棒性，与此同时算法流程中舍弃传统pf方法中为改善粒子退化现象目的的重采样策略，根本上解决粒子退化问题，且有效提高了方法的效率。[0282]请参见图7，本发明第二实施例提供的一种基于聚类相似度粒子滤波的船舶gmaw焊缝成形预测方法，包括以下步骤：[0283]s1，船体结构gmaw焊接系统实验平台的搭建与试验设计：架构船体结构gmaw焊接系统实验平台，通过设计焊接正交试验以获取满足成形规范要求的焊接工艺参数，继而制定相应焊缝跟踪与熔池实时采集试验方案；[0284]s2，焊接成形过程中焊接信息的实时采集与预处理：在焊缝跟踪与熔池实时采集试验过程中，依据熔池图像传感实时获取图像信息并提取图像的几何特征，以实时在线获取焊缝尺寸，通过霍尔传感器采集焊接电流与电弧电压，通过焊机采集焊丝填充率，并对采集到的焊接信息进行预处理，所述焊接信息包括焊接电流、电弧电压与焊丝填充率；[0285]s3，粒子滤波焊接成形预测状态空间方程的架构，其包括以下步骤：[0286]s31，分析判断干扰噪声类型；[0287]s32，根据判定的干扰噪声类型，建立船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型；[0288]s33，对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行结构参数辨识分析；[0289]s34，设计焊接工艺阶跃响应试验，以获取焊接电流、焊丝填充率在正/负向阶跃条件下熔池形状的传递函数与相应参数，为模型结构优化辨识提供基础；[0290]s35，借助最小二乘辨识方法与最终预报误差准则对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行模型结构优化辨识，以此构建粒子滤波焊接成形预测的状态空间方程；[0291]s4，bayesian焊接状态跟踪训练：将步骤s2预处理后的焊接信息设定分为训练集与测试集，为bayesian焊接状态跟踪训练与焊接成形预测提供数据支撑，利用状态跟踪训练bayesian滤波对所述焊接成形预测的状态空间方程进行参数寻优，继而构建基于粒子滤波的船体结构焊接动态成形预测模型；[0292]s5，焊接动态系统非线性化，初始化采样粒子及相应权值：运用基于粒子滤波的船体结构焊接动态成形预测模型定义焊接非线性过程，通过成形递推预测与观测修正更新来实现粒子滤波递推估计焊接成形状态的蒙特卡洛采样，由于后验概率密度函数所求未知，选取重要性概率密度函数来满足蒙特卡洛采样，以此近似获取粒子集合；[0293]s6，序贯重要性采样：假定先验概率分布作为重要性概率密度函数，即提议分布指导粒子进行序贯重要性采样，进而递归计算采样粒子的重要性权值；[0294]s7，聚类相似度度量焊接成形状态轨迹相似度：通过状态空间联合轨迹特征挖掘与矢量规划，利用聚类分析方法对当前阶段sis滤波(sequentialimportancesampling，sis))与未来多阶段高斯滤波(gaussianparticlefiltering，gpf)预测的量测信息进行相似性度量；[0295]s8，修正重要性概率密度函数：运用步骤s7的相似性度量指导产生新的提议分布，以此更新步骤s6中的重要性概率密度函数，以补偿修正蒙特卡洛采样过程；[0296]s9，更新马尔科夫重要性权值：通过步骤s8修正后的提议分布更新步骤s6中的一阶马尔科夫模型的重要性权值计算，并对粒子权重进行归一化，进而获取当前时刻的焊接成形状态的预测结果；[0297]s10，步骤s5-s9组成基于状态轨迹聚类相似度的粒子滤波方法对焊接成形状态预测估计的一次迭代过程；重复步骤s5-s9，依次输出聚类相似度粒子滤波的船舶gmaw焊缝成形的预测结果。[0298]在本发明第二实施方式中，步骤s1-s6与实施例一相同，为省略篇幅，这里不再赘述；步骤s6-s10的改进滤波方法具体可参见申请号为202310000323.x的中国发明专利申请公开的基于状态轨迹聚类相似度的粒子滤波方法中的记载。[0299]具体的，所述步骤s7包括：[0300]s71，状态空间联合轨迹(正常与修正轨迹)特征挖掘与矢量规划：[0301]选取从k到k+l+l时刻焊接成形状态联合轨迹的粒子集合为选取从k到k+l+l时刻焊接成形状态联合轨迹的粒子集合为其中服从sis滤波过程，x′j(i)服从gpf预测过程，l为滤波轨迹长度，l为预测轨迹长度，由于实际系统焊接真实成形状态为未知所求，故由工艺观测似然函数来表征成形状态轨迹的一致性，根据采样粒子成形状态轨迹通过工艺观测方程来求解出对应的似然轨迹根据采样粒子成形状态轨迹通过工艺观测方程来求解出对应的似然轨迹其中[0302][0303]观测噪声vk＝0，观测方程h(*)是由特定研究对象在未受噪声干扰情况下确定的已知函数。[0304]s72，焊接真实成形状态与粒子工艺观测似然轨迹相似性度量：利用聚类分析方法对当前阶段滤波与未来多阶段高斯滤波预测的量测信息进行相似性度量的方法为：焊接系统真实成形状态所对应的工艺观测似然轨迹为{zk}＝{zj：j＝k，…，k+l+l}，采用空间轨迹聚类一致性分析选用距离相似性度量，焊接真实成形状态与粒子工艺观测似然轨迹的距离相似度度量计算如下：[0305][0306]其中dis(*)表征距离相似度函数，且dis(*)≥0，ξ为度量类型参数；[0307]利用指数函数结构以加强算法的可靠性输出，对上式进行指数变换获取更新相似性度量dk(i)[0308]i＝1，…，n[0309]其中，λ为可靠梯度因数。[0310]在步骤s8中，运用步骤s7的相似性度量指导产生新的提议分布，以此更新步骤s6中的重要性概率密度函数，以补偿修正蒙特卡洛采样过程。[0311]所述步骤s8包括：依据步骤s72中得到的工艺观测似然轨迹与采样粒子的量测似然轨迹的距离相似性度量，按照下式运用相似度修正由先验概率分布p(xk|xk-1)替代的重要性概率密度函数π(xk|x0：k-1，z1：k)：[0312]π(xk|x0：k-1，z1：k)＝dk*p(xk|xk-1)。[0313]s9，更新马尔科夫重要性权值：通过步骤s8修正后的提议分布更新步骤s6中的一阶马尔科夫模型的重要性权值计算，并对粒子权重进行归一化，进而获取当前时刻的焊接成形状态的预测结果。[0314]通过步骤s8修正后的提议分布更新步骤s6中的一阶马尔科夫模型的重要性权值计算，分别求出k和k+l+l时刻所对应成形状态的重要性权值和计算如下：[0315]i＝1，…，n[0316]i＝1，…，n[0317]其中，pv(*)为焊接工艺观测似然函数的概率密度函数；[0318]按照下式对重要性权值进行归一化处理：[0319][0320][0321]基于上述理论所述，改进的滤波算法过程如下：[0322][0323]其中，k时刻服从sis滤波采样的成形状态粒子分布与其对应的重要性权值能近似表征状态后验概率密度函数p(xk|z1：k)，k+l+l时刻服从gpf预测采样的成形状态粒子分布与其对应重要性权值可近似表示预测概率密度函数p(xk+l+l|z1：k)。因此，当前时刻成形状态估计值xk可通过滤波操作获得，未来时刻成形状态估计值xk+l+l可通过预测步骤获得。改进算法具体实施如下：[0324]·成形递推预测[0325]步骤与sis(gpf)滤波(预测)过程一致，抽样获取焊接成形状态粒子集合[0326]·观测更新修正[0327]利用当前滤波(当前轨迹)与未来多阶段高斯预测(修正轨迹)的焊接工艺量测信息相似度度量来更新修正一阶马尔科夫过程，进而求出相应成形状态的重要性权重和并对其归一化得到和[0328][0329][0330]上述步骤所构成聚类相似度粒子滤波的船舶gmaw焊缝成形预测模型的一次迭代过程。与传统粒子滤波算法不同，该算法由成形预测(滤波)-观测更新-滤波(预测)组成，无重采样步骤，具体算法步骤如表4。[0331]table4聚类相似度粒子滤波的船舶gmaw焊缝成形预测流程[0332][0333][0334]聚类相似度粒子滤波的收敛性说明：改进算法-聚类相似度粒子滤波完全满足boostrapfiltering理论中的贝叶斯状态估计方法原理，利用其加权自助法可实现：假设状态组合轨迹集合服从连续概率密度函数g(x)，而改进算法所求后验概率分布与g(x)w(x)成常系数比例关系，且w(x)为已知对应权重函数。本例参考s51中观测修正更新公式可知，状态后验概率密度p(xk|z1：k)与观测似然概率密度函数p(zk|xk)和预测概率密度p(xk|z1：k-1)的乘积呈常数比例关系，其中g(x)可视为状态预测概率密度函数p(xk|z1：k-1)，参考s9重要性权重公式w(x)可等效为观测似然函数p(zk|xk)与距离相似度度量的乘积。则当样本数目n→∞，由轨迹集合及相对应的归一化权值组成的粒子离散分布可趋近于真实后验概率密度分布，显然方法符合boostrapfiltering理论且结果合理有效。[0335]本发明还对所述基于传统与聚类相似度粒子滤波的船舶gmaw焊缝成形预测方法的效果进行了仿真试验验证。依照船体结构gmaw焊接动态过程的状态跟踪训练参数识别流程，选取表1实验工艺条件下的若干组数据作为原始焊接试验数据集ax。运用传统粒子滤波方法(particlefilter，pf)、辅助(auxiliaryparticlefilter，apf)粒子滤波方法和聚类相似度粒子滤波方法(clusteringsimilarityparticlefilter，cspf)进行仿真比较，选取at作为状态跟踪的训练集，tx作为成形预测的测试集。根据步骤s35中的焊接成形预测的状态空间方程，其中状态跟踪噪声为且rk＝1，选择采样粒子数n＝200，跟踪步数k＝1，2，...，s且s＝120，预测步数k＝s，s+1，...，x且x＝200。改进算法cspf中滤波轨迹长度l＝2，预测轨迹长度l＝1，可靠梯度因数λ＝-1，运行模拟次数t＝200。所用计算机处理器速度为3.40ghz，randomaccessmemory为16.0gb。本发明聚类相似度采用两种空间距离相似度度量，其中ccspf表示切比雪夫空间距离相似度算法(度量类型参数ξ＝∞)，ecspf表示欧几里德空间距离相似度算法(度量类型参数ξ＝2)。选用绝对误差ae与均方根误差rmse作为不同方法状态跟踪效果水平的评价度量方式，xtur和xest分布代表试验真值与状态估计值，即[0336][0337][0338](1)焊接过程状态跟踪训练效果对比[0339]四种方法的状态跟踪效果如图8所示。为了全面展示各种算法状态跟踪训练的结果对比水平，表5给出运行200次仿真计算得到状态跟踪结果的量化对比情况。其中，状态跟踪效果指标包括绝对误差(absoluteerror，ae)、和方差(thesumofsquaresduetoerror，sse)、均方差(meansquarederror，mse)、均方根误差(rootmeansquarederror，rmse)与r_square(coefficientofdetermination)，ae、sse、mse和rmse越接近于0，r_square越接近于1，则表征状态跟踪效果越好。[0340]由图8可知，四种方法的状态跟踪效果良好，均能相对完全接近不同焊接工艺条件下焊缝成形的真实变化趋势，也能精准提取出状态跟踪集at部分集合所隐含的成形变化规律，并为测试集tx保持相同机理提供精度保证。结合表5可看出，本发明的改进滤波方法cspf的状态跟踪效果指数明显占优，以ecspf为例，sse相较于pf、apf分别提升55％和46％，mse分别提升54％和46％，rmse分别提升33％和25％，r_square分别提升27％和20％，也可对比得出切比雪夫距离相似度ccspf状态跟踪训练效果最好，稳定性较强。[0341]表5四种非线性预测模型运行200次状态跟踪的平均效果对比[0342][0343](2)焊缝成形预测精度对比[0344]四种方法的焊缝成形预测结果如图9所示。为了全面展示各种算法焊接成形预测的精度对比水平，表6给出运行200次仿真计算得到成形预测结果的量化对比情况，其中成形预测精度水平的评价指标包括绝对误差ae、rmse平均值与rmse方差。[0345]表6四种非线性模型运行200次成形预测精度的平均效果对比[0346][0347]note:rmsemean＝themeanofrmse,rmsevariance＝thevarianceofrmse.[0348]由图9和表6可知，四种方法预测趋势与测试集tx真实状态基本一致，预测结果的均方根误差均值均维持在0.88mm以下，由此表明粒子滤波方法在船体结构gmaw焊接动态过程的状态跟踪与成形预测等知识建模应用方面具有一定的适定性。相较于pf、apf方法而言，改进cspf预测趋势更接近焊接成形特征曲线，预测结果绝对误差ae、rmse、rmse均值(方差)均大幅下降，以ccspf为例，成形预测结果的rmse均值分别降低46％和44％，表明改进cspf方法成形预测精度更高；rmse均值曲线较为平稳，其方差分别降低约280倍和260倍，表征改进cspf算法成形预测结果状态的粒子集合离散程度最小，不确定性表达程度最低且鲁棒稳定性更强。[0349](3)焊接成形状态预测时效性对比[0350]在确定已知的相同时间设定下，通过调整采样粒子数n来获取不同算法成形预测的状态估计结果精度水平，以此得到并对比相应运算成本来验证改进算法cspf的时效性，详见表7。由表7可知，在相同的运算成本前提下，改进滤波算法cspf所用采样粒子数n最少，而成形预测精度远高于pf和apf两种方法且提高约两倍关系，从而验证得出改进滤波算法cspf具有较高的运算效率，突出的时效性优势。[0351]表7四种非线性预测模型在相同计算时间下运行200次的时效性比较[0352][0353]note:n＝thenumberofparticlessampled,rmsemean＝themeanofrmse,rmsevariance＝thevarianceofrmse,avg＝average.[0354]本发明通过设计不同方法的船体结构gmaw随机仿真试验得出，粒子滤波及其改进方法状态跟踪训练效果与焊缝成形预测精度均能满足船舶焊接工艺要求，同时结合改进算法的收敛性说明，聚类相似度粒子滤波在船体结构gmaw过程知识建模应用中具备更好的状态跟踪效果与成形预测精度更高、鲁棒性更强和时效性更好等优势特征。[0355]由于采用上述技术方案，本发明具有以下以下有益效果：[0356](1)船舶gmaw过程噪声随机理论架构[0357]船舶gmaw焊接过程中存在着各种具有随机特性且不确定性干扰因素的作用，如焊接电源不稳定输出、焊缝间隙变化、环境温度不确定、热变形及热积累等，使得焊接系统在运行过程中一定程度上出现不确定性，即在随机因素的作用下焊接熔池的状态将发生改变。而目前人工智能建模方法大多是基于确定性系统理论，输入与输出之间的关系是严格对应的，根据模型获得输出的过程中一般不再考虑时变过程或者系统中其他干扰的影响。为此本发明采用随机理论模型来描述船舶焊接动态系统将更加符合实际过程，针对船舶gmaw焊接非线性、时滞、多变量耦合、不确定因素及随机干扰等特性知识建模问题，引入随机过程机理建立焊接规范参数和熔池形状参数之间的非确定性、非线性hammerstein噪声模型，才能真实地反应实际焊接过程中的随机噪声的特性和作用；依据在线恒规范阶跃响应试验与递归最小二乘、最终预报误差准则等辨识技术对噪声模型结构进行识别寻优以此获取表征焊接成形机理的状态空间方程，该方法得到的模型用来描述船舶焊接动态系统将更加符合焊接成形规律，在为粒子滤波焊接动态过程知识建模提供理论支撑和精度保证的同时，从而能够提高船舶gmaw焊缝成形预测的精度。[0358](2)粒子滤波焊缝成形预测知识建模[0359]粒子滤波在处理非高斯、非线性时变系统与随机噪声干扰下的状态估计问题方面有独特优势，本发明首次将该方法应用于船舶gmaw焊接过程知识建模当中。运用粒子滤波建立非线性系统工艺输入与随机干扰噪声因素共同作用下的船舶gmaw过程动态知识模型，摒弃以往建模方法依靠借鉴大量的先验知识、专家经验和硬件检测技术以融入较多的主观因素与输入技术参数，充分发挥粒子滤波深度挖掘并揭示出焊接过程规律与焊缝成形机理的时序变化，即焊接工艺参数与熔池几何特征之间的时间动态关系，只需较少模型输入条件下仍能保证输出响应结果精度等算法本身优势，同时也大幅降低了焊接平台传感器硬件的要求和模型计算运行成本。仿真试验结果表明，状态跟踪训练效果良好，确保能精准提取出跟踪集所隐含的成形规律机理相关特征参数；焊缝成形预测趋势与测试集真实变化曲线相一致，且精度维持在0.88mm以内。由此得出本发明提出的基于传统粒子滤波的船舶gmaw焊缝成形预测方法，其状态跟踪训练效果与焊缝成形预测精度均能满足船舶焊接工艺要求，说明粒子滤波方法在gmaw动态知识建模应用方面具有一定适用性的同时，也为船舶gmaw焊接过程焊缝成形质量监控提供技术基础。[0360](3)粒子滤波改进方法在焊接过程建模中的应用[0361]基于状态轨迹聚类相似度的粒子滤波方法，在不依赖外部方法的前提下，对粒子滤波方法本身进行技术改进，重新架构算法逻辑框架：针对先验概率分布未知且假定而引起的粒子退化现象，基于粒子滤波算法为核心建模框架与理论分析依据，利用sis与gpf方法得到当前与未来多阶段的空间状态信息组合的修正轨迹与系统真实状态轨迹进行聚类分析-距离相似性度量，一致相似性度越高表征越接近真实状态，以此指导生成新的提议分布来改善粒子退化现象，同时更新一阶马尔科夫过程以补偿修正重要性权重计算，通过有针对性的在重要性采样过程中将更新补偿方案(聚类度量)融入阶段性的最新量测信息的措施来替代重采样过程，故可从根本上消除粒子贫化问题，时效性也得到显著提升。结合改进算法cspf的收敛性定理证明，通过试验验证且相较于传统pf和apf，cspf在船体结构gmaw过程知识建模应用中具备状态跟踪效果更好、成形预测精度更高、算法鲁棒性更强和时效性更快等优势特征。[0362]上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。当前第1页12当前第1页12
技术特征：
1.一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，包括以下步骤：s1，船体结构gmaw焊接系统实验平台的搭建与试验设计：架构船体结构gmaw焊接系统实验平台，通过设计焊接正交试验以获取满足成形规范要求的焊接工艺参数，继而制定相应焊缝跟踪与熔池实时采集试验方案；s2，焊接成形过程中焊接信息的实时采集与预处理：在焊缝跟踪与熔池实时采集试验过程中，依据熔池图像传感实时获取图像信息并提取图像的几何特征，以实时在线获取焊缝尺寸，通过霍尔传感器采集焊接电流与电弧电压，通过焊机采集焊丝填充率，并对采集到的焊接信息进行预处理，所述焊接信息包括焊接电流、电弧电压与焊丝填充率；s3，粒子滤波焊接成形预测状态空间方程的架构，其包括以下步骤：s31，分析判断干扰噪声类型；s32，根据判定的干扰噪声类型，建立船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型；s33，对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行结构参数辨识分析；s34，设计焊接工艺阶跃响应试验，以获取焊接电流、焊丝填充率在正/负向阶跃条件下熔池形状的传递函数与相应参数，为模型结构优化辨识提供基础；s35，借助最小二乘辨识方法与最终预报误差准则对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行模型结构优化辨识，以此构建粒子滤波焊接成形预测的状态空间方程；s4，bayesian焊接状态跟踪训练：将步骤s2预处理后的焊接信息设定分为训练集与测试集，为bayesian焊接状态跟踪训练与焊接成形预测提供数据支撑，利用状态跟踪训练bayesian滤波对所述焊接成形预测的状态空间方程进行参数寻优，继而构建基于粒子滤波的船体结构焊接动态成形预测模型；s5，焊接动态系统非线性化，初始化采样粒子及相应权值：运用基于粒子滤波的船体结构焊接动态成形预测模型定义焊接非线性过程，通过成形递推预测与观测修正更新来实现粒子滤波递推估计焊接成形状态的蒙特卡洛采样，由于后验概率密度函数所求未知，选取重要性概率密度函数来满足蒙特卡洛采样，以此近似获取粒子集合；s6，序贯重要性采样：假定先验概率分布作为重要性概率密度函数，即提议分布指导粒子进行序贯重要性采样，进而递归计算采样粒子的重要性权值；s7，聚类相似度度量焊接成形状态轨迹相似度：通过状态空间联合轨迹特征挖掘与矢量规划，利用聚类分析方法对当前阶段序贯重要性采样与未来多阶段高斯滤波预测的量测信息进行相似性度量；s8，修正重要性概率密度函数：运用步骤s7的相似性度量指导产生新的提议分布，以此更新步骤s6中的重要性概率密度函数，以补偿修正蒙特卡洛采样过程；s9，更新马尔科夫重要性权值：通过步骤s8修正后的提议分布更新步骤s6中的一阶马尔科夫模型的重要性权值计算，并对粒子权重进行归一化，进而获取当前时刻的焊接成形状态的预测结果；s10，步骤s5-s9组成基于状态轨迹聚类相似度的粒子滤波方法对焊接成形状态预测估计的一次迭代过程；重复步骤s6-s9，依次输出聚类相似度粒子滤波的船舶gmaw焊缝成形的
预测结果。2.如权利要求1所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，步骤s31中干扰噪声对船体结构焊接动态成形预测模型的作用方式分为确定型干扰和随机型干扰噪声两类，确定型测量信息可表示为：式中，t，ψ分别为系统的测量值，真实值和确定型干扰噪声；随机型测量信息可表示为：式中，随机型测量信息是t(t)、ψ(t)的非可加性函数，ψ(t)为随机型干扰噪声，t指代采集时刻。3.如权利要求2所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，步骤s32中所述非确定性噪声hammerstein随机系统模型的时域表达式为：其中，γ(k)为1
×
[l+p
×
(m+1)]维向量；θ为[l+p
×
(m+1)]
×
1维向量；l,m为线性子系统的阶次；p为非线性环节的最高幂次；e(k)为等效综合噪声，k为时间步长；γ,θ分别为模型结构和参数。4.如权利要求1所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，步骤s33包括以下步骤：首先，采用阶跃响应辨识方法确定纯延迟系数；其次，假定线性子系统的阶次，利用递推最小二乘法得到非线性环节的最高幂次；最后利用最终预报误差准则对线性子系统阶次进行最优选择评定。5.如权利要求3所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，步骤s35中，借助最小二乘辨识方法与最终预报误差准则对船舶gmaw焊接动态过程随机模型进行模型结构优化辨识的步骤包括：在确定焊接工艺参数的纯延迟系数后，先假定线性子系统阶次确定已知，对非确定性噪声hammerstein随机系统模型时域表达式取k＝k0+1,
…
,k0+n(n≥l+p
×
(m+1))得到最小二乘正规方程：误差准则函数：取误差准则函数的最小值，得到最小二乘解为：模型参数对应
上述算法随着数据的增加，辨识速度会越来越慢，同时过多的旧信息会减弱新信息的作用；考虑到模型结构具有实时性特征，因此采用递推最小二乘辨识方法，假定测取n组观测数据时的最小二乘正规方程为：当测得第n+1组数据时，则假定则递推公式为则递推公式为上式可简化为其中，递推初值可选为：递推算法的最终误差准则：递推算法的最终误差准则：其中，ε＝10-5
。6.如权利要求5所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，步骤s35中，以焊接熔池特征尺寸-正面熔宽w
f
作为系统输出量，系统输入采用焊接工艺参数-焊接电流i和焊丝填充率v
f
来代表；而所述焊接成形预测的状态空间方程的数学表达式表示为：式中，代表输出量熔宽w
f
；和分别代表输入量焊接电流和焊丝填充率；e(k)为等效综合噪声；l为线性子系统中输出参量熔宽历史时刻的阶次；
m1和m2分别为线性子系统中焊接电流和焊丝填充率的阶次；p1和p2分别为非线性环节焊接电流和焊丝填充率的最高幂次；d1和d2分别为非线性环节焊接电流和焊丝填充率的纯延迟系数。和分别为非线性环节焊接电流和焊丝填充率的结构系数；α
i
代表熔宽历史时刻的阶次因子；和分别代表线性子系统中焊接电流和焊丝填充率的阶次系数。7.如权利要求1所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，所述步骤s4将步骤s2预处理后的焊接信息设定分为训练集与测试集的方法为：将步骤s2预处理后的焊接信息作为原始数据集，建立贝叶斯跟踪训练模型以判定识别状态方程参数：以预处理原始历史数据集ax的前s组数据作为训练集at进行状态跟踪训练，即at＝ax(1:s,:)＝[ati,atv,
…
,atb,atd,
…
]，其中ati,atv,atb,atd分别代表焊接电流、焊丝填充率与相对应的焊缝宽度、熔深的跟踪集合；将预处理原始数据集ax的s组之后的数据tx作为测试集，用于真值与预测值进行对比参照，即tx＝ox(:,s+1:n)＝[txi,txv,
…
,txb,txd,
…
]；利用贝叶斯理论对测试集at进行状态跟踪训练建模，运用最小方差无偏估计出能最大限度地减少算法预测值与实验真实值之间误差的最优模型参数，以此完善焊接成形预测的状态空间方程。8.如权利要求1所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，所述步骤s7包括：s71，状态空间联合轨迹特征挖掘与矢量规划：选取从k到k+l+l时刻焊接成形状态联合轨迹的粒子集合为选取从k到k+l+l时刻焊接成形状态联合轨迹的粒子集合为其中服从sis滤波过程，x
′
j
(i)服从gpf预测过程，l为滤波轨迹长度，l为预测轨迹长度，由于实际系统焊接真实成形状态为未知所求，故由工艺观测似然函数来表征成形状态轨迹的一致性，根据采样粒子成形状态轨迹通过工艺观测方程来求解出对应的似然轨迹迹通过工艺观测方程来求解出对应的似然轨迹其中：s72，焊接真实成形状态与粒子工艺观测似然轨迹相似性度量：利用聚类分析方法对当前阶段滤波与未来多阶段高斯滤波预测的量测信息进行相似性度量的方法为：焊接系统真实成形状态所对应的工艺观测似然轨迹为{z
k
}＝{z
j
:j＝k,
…
,k+l+l}，采用空间轨迹聚类一致性分析选用距离相似性度量，焊接真实成形状态与粒子工艺观测似然轨迹的距离相似度度量计算如下：其中dis(*)表征距离相似度函数，且dis(*)≥0，ξ为度量类型参数；利用指数函数结构以加强算法的可靠性输出，对上式进行指数变换获取更新相似性度量d
k
(i)
其中，λ为可靠梯度因数。9.如权利要求1所述的一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，所述步骤s8包括：依据步骤s72中得到的工艺观测似然轨迹与采样粒子的量测似然轨迹的距离相似性度量，按照下式运用相似度修正由先验概率分布p(x
k
|x
k-1
)替代的重要性概率密度函数π(x
k
|x
0:k-1
,z
1:k
)：π(x
k
|x
0:k-1
,z
1:k
)＝d
k
*p(x
k
|x
k-1
)10.一种基于粒子滤波的船舶gmaw焊缝成形预测方法，其特征在于，包括以下步骤：s1，船体结构gmaw焊接系统实验平台的搭建与试验设计：架构船体结构gmaw焊接系统实验平台，通过优化设计焊接正交试验以获取满足成形规范要求的焊接工艺参数，继而制定相应焊缝跟踪与熔池实时采集试验方案；s2，焊接成形过程中焊接信息的实时采集与预处理：在焊缝跟踪与熔池实时采集试验过程中，依据熔池图像传感实时获取图像信息并提取图像的几何特征，以实时在线获取焊缝尺寸，通过霍尔传感器采集焊接电流与电弧电压，通过焊机采集焊丝填充率，并对采集到的焊接信息进行预处理，所述焊接信息包括焊接电流、电弧电压与焊丝填充率；s3，粒子滤波焊接成形预测状态空间方程的架构，其包括以下步骤：s31，分析判断干扰噪声类型；s32，根据判定的干扰噪声类型，建立船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型；s33，对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行结构参数辨识分析；s34，设计焊接工艺阶跃响应试验，以获取焊接电流、焊丝填充率在正/负向阶跃条件下熔池形状的传递函数与相应参数，为模型结构优化辨识提供基础；s35，借助最小二乘辨识方法与最终预报误差准则对所述船舶gmaw焊接动态过程的非确定性噪声hammerstein随机系统模型进行模型结构优化辨识，以此构建粒子滤波焊接成形预测的状态空间方程；s4，bayesian焊接状态跟踪训练：将步骤s2预处理后的焊接信息设定分为训练集与测试集，为bayesian焊接状态跟踪训练与焊接成形预测提供数据支撑，利用状态跟踪训练bayesian滤波对所述焊接成形预测的状态空间方程进行参数寻优，继而构建基于粒子滤波的船体结构焊接动态成形预测模型；s5，焊接动态系统非线性化，初始化采样粒子及相应权值：运用基于粒子滤波的船体结构焊接动态成形预测模型定义焊接非线性过程，通过成形递推预测与观测修正更新来实现粒子滤波递推估计焊接成形状态的蒙特卡洛采样，由于后验概率密度函数所求未知，选取重要性概率密度函数来满足蒙特卡洛采样，以此近似获取粒子集合；s6，序贯重要性采样：假定先验概率分布作为重要性概率密度函数，即提议分布指导粒子进行序贯重要性采样，进而递归计算采样粒子的重要性权值；s7，重采样策略：衡量权重的退化程度并判断是否需要重采样，若需要则根据粒子权重迭代值对粒子进行重采样并对粒子权重进行归一化处理，获取当前时刻的船舶gmaw焊缝成形的预测结果；
s8，步骤s5-s7组成传统粒子滤波方法状态估计的一次迭代过程；重复步骤s6-s7，依次输出不同时刻下的船舶gmaw焊缝成形的预测结果。

技术总结
本发明提供一种基于粒子滤波的船舶GMAW焊缝成形预测方法，首先选取随机过程建模机理架构焊接工艺与熔池特征的非确定性噪声(Hammerstein)模型，提供精准状态空间方程；其次运用Bayesian滤波进行跟踪训练，通过递推预测与观测修正来实现粒子滤波状态估计；再次利用聚类相似性度量SIS与GPF得到的修正与系统轨迹，指导生成新的提议分布来改善粒子退化，同时更新蒙特卡洛采样以补偿重要性权重，取代重采样来消除粒子贫化，以此建立改进粒子滤波的状态跟踪训练与焊缝成形预测模型；最后试验得出粒子滤波及其改进方法状态跟踪训练效果与焊缝成形预测精度均能满足船舶焊接工艺要求，而改进方法具备状态跟踪效果更好、成形预测精度更高、算法鲁棒性更强和时效性更快等优势特征。势特征。势特征。


技术研发人员：焦自权 高兴宇 李伟明
受保护的技术使用者：桂林电子科技大学
技术研发日：2023.05.18
技术公布日：2023/10/6