肖 兵，董添文

(1.南昌工程學(xué)院 機(jī)械與電氣工程學(xué)院，江西 南昌 330099；2.上饒師范學(xué)院 物理系，江西上饒334001)

人工神經(jīng)網(wǎng)絡(luò)在CO2氣體保護(hù)焊實(shí)時(shí)監(jiān)測(cè)中的應(yīng)用

肖 兵1，董添文2

(1.南昌工程學(xué)院 機(jī)械與電氣工程學(xué)院，江西 南昌 330099；2.上饒師范學(xué)院 物理系，江西上饒334001)

利用人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果可以對(duì)焊接過(guò)程的各類特征參數(shù)進(jìn)行合理評(píng)價(jià)。利用LVQ神經(jīng)網(wǎng)絡(luò)模型，根據(jù)實(shí)驗(yàn)采集分析得到的CO2氣體保護(hù)焊不同焊接工藝條件下焊接電流和焊接電壓的概率密度分布曲線以及短路過(guò)渡時(shí)間和燃弧時(shí)間等的時(shí)間頻數(shù)分布曲線，在Matlab神經(jīng)網(wǎng)絡(luò)工具箱中開(kāi)發(fā)出焊接過(guò)程神經(jīng)網(wǎng)絡(luò)識(shí)別器，可以自動(dòng)識(shí)別焊接過(guò)程中各種干擾因素。識(shí)別實(shí)驗(yàn)結(jié)果表明，利用LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)造的干擾因素識(shí)別器識(shí)別成功率達(dá)到92.5%，識(shí)別率高。實(shí)驗(yàn)驗(yàn)證了該網(wǎng)絡(luò)識(shí)別器的可行性，可以用于焊接質(zhì)量的實(shí)時(shí)監(jiān)測(cè)。

CO2氣體保護(hù)焊；人工神經(jīng)網(wǎng)絡(luò)；干擾因素識(shí)別；實(shí)時(shí)監(jiān)測(cè)

0 前言

CO2氣體保護(hù)焊具有生產(chǎn)率高、成本低、能耗低、適用范圍廣等優(yōu)點(diǎn)，在現(xiàn)代焊接生產(chǎn)中占有重要的地位。隨著對(duì)焊接質(zhì)量的要求越來(lái)越高，焊接過(guò)程的自動(dòng)化、機(jī)器人化、智能化已經(jīng)成為焊接技術(shù)的發(fā)展趨勢(shì)。利用各種傳感技術(shù)對(duì)焊接過(guò)程中產(chǎn)生的各種干擾因素進(jìn)行實(shí)時(shí)監(jiān)測(cè)和控制，是焊接界研究的重要方向[1－3]。

利用電弧傳感實(shí)時(shí)采集焊接電壓、電流信號(hào)，應(yīng)用概率密度分布曲線和時(shí)間頻數(shù)分布曲線等統(tǒng)計(jì)方法對(duì)焊接電參數(shù)進(jìn)行處理，可以確認(rèn)焊接過(guò)程中的各種干擾因素。但是只有具備全面專業(yè)知識(shí)的人士才能完成這項(xiàng)工作。為了解決這一問(wèn)題，需要利用人工智能技術(shù)。人工神經(jīng)網(wǎng)絡(luò)通過(guò)模擬人腦所建立起來(lái)的模型能像人一樣，具備學(xué)習(xí)、聯(lián)想、推理等能力。利用人工神經(jīng)網(wǎng)絡(luò)能自動(dòng)識(shí)別出焊接過(guò)程的特征參數(shù)[4－5]。但人工神經(jīng)網(wǎng)絡(luò)理論性強(qiáng)，需要進(jìn)行繁瑣的數(shù)學(xué)推導(dǎo)與編程，一般研究人員難以快速掌握和運(yùn)用。

Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱是在Matlab環(huán)境下所開(kāi)發(fā)出來(lái)的許多工具箱之一，它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，使用Matlab編寫(xiě)出各種神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，設(shè)計(jì)者則可以根據(jù)自己的需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，簡(jiǎn)單有效，使研究人員只需掌握神經(jīng)網(wǎng)絡(luò)理論，從繁瑣的數(shù)學(xué)推導(dǎo)與編程中解放出來(lái)，因此它越來(lái)越受到人們的青睞[6－7]。

在此針對(duì)CO2氣體保護(hù)焊焊接過(guò)程中實(shí)時(shí)采集的電弧電信號(hào)，在對(duì)電流、電壓信號(hào)進(jìn)行統(tǒng)計(jì)分析處理得到的電流、電壓概率密度分布(PDD)和熔滴過(guò)渡短路時(shí)間頻數(shù)分布(CFD)曲線基礎(chǔ)上，利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱編程，設(shè)計(jì)出針對(duì)焊接過(guò)程中各種干擾因素的神經(jīng)網(wǎng)絡(luò)識(shí)別器，來(lái)實(shí)現(xiàn)對(duì)焊接過(guò)程中隨機(jī)干擾因素的自動(dòng)識(shí)別。

為設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)識(shí)別器并驗(yàn)證其有效性，本研究人為設(shè)定干擾因素，通過(guò)焊接工藝實(shí)驗(yàn)采集數(shù)據(jù)來(lái)為訓(xùn)練神經(jīng)網(wǎng)絡(luò)識(shí)別器提供輸入特征向量，并對(duì)開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò)識(shí)別器進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 工藝實(shí)驗(yàn)

CO2氣體保護(hù)焊工藝實(shí)驗(yàn)條件為：短路過(guò)渡，φ(CO2)100%保護(hù)氣體，流量15 L/min；試件選用Q235低碳鋼板，試板尺寸200 mm×50 mm×6 mm；送絲速度 5.6 cm/s，焊接電壓 20 V，焊接速度 4.0 mm/s；平板堆焊。

除上述正常工藝參數(shù)條件工藝實(shí)驗(yàn)外，還人為設(shè)定了四種情況的干擾信號(hào)，分別編號(hào)為：①正常；②焊道尺寸改變；③送保護(hù)氣流量減半；④送絲速度降低10%；⑤有油污。每種情況重復(fù)實(shí)驗(yàn)八次。用前四組數(shù)據(jù)的概率密度分布曲線中提取出的特征向量對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用后四組的數(shù)據(jù)來(lái)仿真檢驗(yàn)經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的可靠性。

實(shí)驗(yàn)利用霍爾電壓傳感器、霍爾電流傳感器和數(shù)據(jù)采集卡實(shí)時(shí)采集焊接電壓電流信號(hào)，并進(jìn)行數(shù)據(jù)處理，得到PDD曲線和CFD曲線。

圖1是從正常焊接條件下所采集的數(shù)據(jù)中任意挑選的1 s的數(shù)據(jù)(電流、電壓各4 000個(gè))進(jìn)行統(tǒng)計(jì)分析得出的概率密度分布曲線。圖中四條曲線從上至下分別是焊接電流的概率密度分布PDD曲線、電弧電壓的概率密度分布PDD曲線、短路時(shí)間的頻數(shù)分布CFD曲線、燃弧時(shí)間的頻數(shù)分布CFD曲線。表1為從正常情況下的工藝實(shí)驗(yàn)數(shù)據(jù)中提取的，作為網(wǎng)絡(luò)訓(xùn)練之用的輸入向量的部分?jǐn)?shù)據(jù)。

圖1 正常焊接條件下的電弧電信號(hào)統(tǒng)計(jì)曲線

表1 神經(jīng)網(wǎng)絡(luò)干擾因素識(shí)別器訓(xùn)練用輸入特征向量

2 LVQ網(wǎng)絡(luò)識(shí)別器的設(shè)計(jì)

學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)LVQ(Learning Vector Quantization)是Kohonen網(wǎng)絡(luò)方法的有監(jiān)督學(xué)習(xí)的擴(kuò)展形式，LVQ網(wǎng)絡(luò)與Kohonen網(wǎng)絡(luò)的最主要區(qū)別是其輸出層的每個(gè)神經(jīng)元被指定為屬于幾個(gè)類別之一。其結(jié)構(gòu)如圖2所示：輸入層由M個(gè)神經(jīng)元組成，輸出層的神經(jīng)元被分為N類，每個(gè)類別分得幾個(gè)輸出神經(jīng)元。輸入層的神經(jīng)元到輸出層神經(jīng)元是全互連的。對(duì)于已給定輸出單元的權(quán)值向量，它代表在輸出端的響應(yīng)最大的輸入向量樣本。當(dāng)一個(gè)輸入模式向量X輸入到網(wǎng)絡(luò)時(shí)，有最近(歐氏范數(shù))的權(quán)值向量的神經(jīng)元被選定為獲勝者。訓(xùn)練過(guò)程的學(xué)習(xí)規(guī)則是只有獲勝的神經(jīng)元被修改：當(dāng)獲勝神經(jīng)元屬于正確的分類時(shí)，它的權(quán)值向量將朝著輸入向量的方向移動(dòng)；反之，它將被迫向遠(yuǎn)離輸入向量的方向移動(dòng)。

圖2 一維LVQ網(wǎng)絡(luò)結(jié)構(gòu)

訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)能記住每對(duì)互連神經(jīng)元之間的權(quán)值，從而按照給出的分類模式進(jìn)行回想。當(dāng)給它輸入新的模式X′時(shí)，輸出層中與它的歐氏距離最近的獲勝神經(jīng)元所在的類別即是網(wǎng)絡(luò)的輸出結(jié)果。

用Xi代表第i個(gè)訓(xùn)練模式向量，Ti代表Xi所屬的類別，令Wj為第j個(gè)輸出神經(jīng)元與輸入模式向量的權(quán)值，令Cj為第j個(gè)輸出神經(jīng)元代表的類別。LVQ算法可用下面的步驟來(lái)表達(dá)：

(1)初始化權(quán)值向量。權(quán)值向量可隨機(jī)初始化，同時(shí)初始化學(xué)習(xí)率。

(2)對(duì)訓(xùn)練集合中的每個(gè)輸入模式向量Xi執(zhí)行步驟①和②。

①尋找獲勝神經(jīng)元k

②修改權(quán)值Wk為

(3)調(diào)整學(xué)習(xí)率，學(xué)習(xí)率作為一迭代函數(shù)減小。

(4)檢查終止條件，如果滿足終止條件就退出，否則返到步驟(2)。

本研究利用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行編程設(shè)計(jì)，設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)識(shí)別器工作程序如上述LVQ算法步驟所示。

輸入向量(x1，x2，…，xm）對(duì)應(yīng)于焊接電流、電壓PDD曲線和短路過(guò)渡時(shí)間CFD曲線上的數(shù)據(jù)。

所以提取的138×1維的列向量是分別從焊接過(guò)程電流PDD、電弧電壓PDD、短路時(shí)間CFD、燃弧時(shí)間CFD四條分布曲線上提取的(見(jiàn)表1和圖1)。其中，從電流PDD取40個(gè)概率密度值，電壓PDD取50個(gè)概率密度值，每一個(gè)電流、電壓概率密度值分別對(duì)應(yīng)著一個(gè)焊接電流與電弧電壓值。短路時(shí)間CFD中取15個(gè)頻數(shù)密度值，燃弧時(shí)間CFD中取33個(gè)頻數(shù)密度值，同樣每一個(gè)短路燃弧時(shí)間頻數(shù)密度值對(duì)應(yīng)著一個(gè)時(shí)間值。為了降低計(jì)算誤差的影響，電流、電壓概率密度值乘以1 000，頻數(shù)分布乘以100。

3 識(shí)別結(jié)果

根據(jù)前面的工藝實(shí)驗(yàn)，利用開(kāi)發(fā)的干擾因素識(shí)別器，將經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)每組實(shí)驗(yàn)條件下后三次實(shí)驗(yàn)用于網(wǎng)絡(luò)的驗(yàn)證。表2為網(wǎng)絡(luò)識(shí)別器的識(shí)別結(jié)果。

分析表2可知，①～④四種干擾因素被LVQ很好地分類出來(lái)，前四組數(shù)據(jù)中僅發(fā)生了兩組錯(cuò)誤，且送保護(hù)氣減半與正常情況識(shí)別完全正確。出現(xiàn)分類錯(cuò)誤較多的在對(duì)有油污情況的識(shí)別上，其主要原因可能是因?yàn)橛臀墼诤傅篮蟛亢苋菀妆磺安恳呀?jīng)處于高溫的焊道加熱蒸發(fā)掉。從結(jié)果中可得出，識(shí)別總的成功率為92.5%?？梢?jiàn)，利用LVQ神經(jīng)網(wǎng)絡(luò)對(duì)焊接過(guò)程干擾因素識(shí)別，是一種可行的方法。

表2 LVQ神經(jīng)網(wǎng)絡(luò)對(duì)檢驗(yàn)數(shù)據(jù)的識(shí)別結(jié)果

4 結(jié)論

(1)在介紹LVQ網(wǎng)絡(luò)的基礎(chǔ)上，利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱編程，設(shè)計(jì)了LVQ神經(jīng)網(wǎng)絡(luò)兩種焊接干擾因素識(shí)別器。

(2)實(shí)驗(yàn)結(jié)果顯示，LVQ神經(jīng)網(wǎng)絡(luò)焊接干擾因素識(shí)別器對(duì)焊接過(guò)程干擾因素識(shí)別成功率達(dá)到92.5%。結(jié)果表明，LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)造的識(shí)別器具有較高的識(shí)別性能，可以用于焊接過(guò)程中干擾因素的在線識(shí)別。

[1]王振民，張麗玲，薛家祥.基于視覺(jué)處理的焊縫質(zhì)量檢測(cè)與控制系統(tǒng)[J].焊接技術(shù)，2007，36(3)：60－62.

[2]高延峰，張 華，毛志偉.以旋轉(zhuǎn)電弧為傳感器的移動(dòng)機(jī)器人角焊縫跟蹤[J].機(jī)械工程學(xué)報(bào)，2009，45(9)：64－71.

[3]薛海濤，李俊岳，張曉囡，等.焊接電弧信息測(cè)試分析系統(tǒng)[J].焊接學(xué)報(bào)，2003，24(1)：19－22.

[4]劉立君.基于神經(jīng)網(wǎng)絡(luò)熔透電弧聲特征參數(shù)評(píng)價(jià)與選擇[J].焊接學(xué)報(bào)，2010，31(3):25－28.

[5]胡慶賢，武傳松，孫俊生.Kohonen神經(jīng)網(wǎng)絡(luò)在熔化極氣體保護(hù)焊接質(zhì)量監(jiān)測(cè)中的應(yīng)用[J].無(wú)損檢測(cè)，2002，24(4)：159－161.

[6]聞 新.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：科學(xué)出版社，2000.

[7]施 陽(yáng)，李 俊.MATLAB語(yǔ)言工具箱—TOOLBOX實(shí)用指南[M].西安：西北工業(yè)大學(xué)出版社，1997.

Application of ANN on real-time monitor in CO2welding

XIAO Bing1，DONG Tian-wen2
(1.School of Mechanical and Electrical Engineering，Nanchang Institute of Technology，Nanchang 330099，China；2.Department of Physics，Shangrao Normal College，Shangrao 334001，China)

The results trained by artifical neural network could be used to evaluate feature parameters in welding.Based on the probability density distributions(PDD)of welding voltage and current，and the class frequency distributions(CFD)of short-ciruiting time and burningarc time,this paper developed a welding ANN identifier by ANN toolbox in MATLAB by the LVQ neural network model.The welding ANN identifier could recognize and classify the process disturbances during welding.The experimental results showed that general recognition rate of the LVQ identifier was high in identifying the welding process disturbances，wich reached 92.5 percents.The results indicated the feasibility of the LVQ identifier，wich could be used for the welding quality monitor.

CO2welding；artifical neural network(ANN)；process disturbances identifying；real time monitor

TG444＋.73

A

1001－2303(2011)03－0001－04

2010－09－26

肖 兵(1975—)，男，湖北羅田人，講師，碩士，主要從事焊接工藝及焊接自動(dòng)化控制方面的研究工作。