CN103551709B - 一种a-tig焊焊缝成型的检测装置及方法 - Google Patents

Abstract

本发明一种A-TIG焊焊缝成型的检测装置及方法，属于焊接技术领域，该装置包括电压互感器、电流互感器、质谱仪、温度传感器、位移传感器、滤波电路、数据采集芯片、中央处理器和计算机，本发明首先提出对数据进行了归一化处理，并对数据进行神经网络处理，并对神经网络进行改进，通过装置进行及时改进，节省人力和物力，降低成本，并能够更好的对焊缝的熔深进行预测，并作出调整，准确性好，能达到一级焊缝的整体要求。

Description

一种A-TIG焊焊缝成型的检测装置及方法

技术领域

本发明属于焊接技术领域，具体涉及一种A-TIG焊焊缝成型的检测装置及方法。

背景技术

TIG焊由于采用惰性气体进行保护，焊接接头的质量较好，但是焊接效率较低，即焊缝的熔深较浅，为此，焊接工作者采用了活性剂来增加熔深，提高焊接效率，进而形成了A-TIG焊；关于A-TIG焊接效率提升方面的检测方法主要还是采用实测的方法，也是就对不同工艺参数下焊缝的熔深、熔宽进行实际测量，根据测量结果计算出相应的数据；这种靠手工频繁测试而得到的结果，很难满足现在实际生产和科技发展的需要，需要耗费大量的人力和物力，而且测量结果的准确率和波动较大。

发明内容

针对现有技术的不足，本发明提出一种A-TIG焊焊缝成型的检测装置及方法，以达到更好的对焊缝的熔深进行预测并作出调整，提高预测准确性，降低成本，节省劳力的目的。

一种A-TIG焊焊缝成型的检测装置，包括用于采集焊机工作电压的电压互感器、用于采集焊机工作电流的电流互感器、用于测量焊条中三氧化二铬含量的质谱仪、用于采集焊条温度的温度传感器、用于测量焊机移动速度的位移传感器、滤波电路、数据采集芯片、中央处理器和计算机，其中，

数据采集芯片：用于对采集的信号进行滤波处理，并进行模数转换；

中央处理器：

当对历史数据进行处理时，用于将焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数的历史数据作为神经网络的输入值，进行神经网络训练，构建神经网络；

当对被测焊机进行预测时，用于将被测焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数送入训练后的神经网络中，获得被测焊机的预测焊缝熔深；

计算机：用于对历史数据和测量数据进行储存，并显示。

所述的电压互感器输出端连接第一滤波电路的输入端，电流互感器输出端连接第二滤波电路的输入端，质谱仪的输出端连接第三滤波电路的输入端，温度传感器的输出端连接第四滤波电路的输入端，位移传感器的输出端连接第五滤波电路的输入端，第一滤波电路的输出端，第二滤波电路的输出端，第三滤波电路的输出端，第四滤波电路的输出端和第五滤波电路的输出端分别连接数据采集芯片的五路输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的输出端连接计算机的输入端。

采用A-TIG焊焊缝成型的检测装置进行的检测方法，包括以下步骤：

步骤1、采集大量历史数据，包括焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五种参数；

步骤2、对采集的信号进行滤波处理，并进行模数转换；

步骤3、对转换后的采集信号进行归一化处理；

步骤4、将上述五种参数的一组历史数据作为神经网络的输入值，进行神经网络训练，具体如下：

步骤4-1、根据采集参数的种类数设定神经网络输入层节点的个数，随机产生神经网络中间层节点个数，并设定输出层为一个节点；

步骤4-2、随机设定输入层每个节点与中间层每个节点的连接权值、中间层每个节点的阈值，并根据采集的五个参数，确定中间层每个节点的输出值；

步骤4-3、随机设定中间层每个节点与输出层节点的连接权值、输出层节点的阈值，并根据中间层每个节点的输出值，确定输出层节点所输出的预测焊缝熔深；

步骤4-4、将获得的预测焊缝熔深与实际焊缝熔深进行比较，计算获得焊缝熔深误差值；

步骤4-5、根据焊缝熔深误差值和中间层每个节点的输出值，调整中间层每个节点与输出层节点的连接权值；并根据焊缝熔深误差值调整输出层节点的阈值；

步骤4-6、根据焊缝熔深误差值、中间层每个节点的输出值和调整后的中间层每个节点与输出层节点的连接权值，计算获得中间层每个节点的输出误差；

步骤4-7、根据获得的中间层输出误差和输入的五个参数，调整输入层每个节点与中间层每个节点的连接权值；并根据获得的中间层每个节点的输出误差调整中间层每个节点的阈值；

步骤4-8、反复执行步骤4-1至步骤4-7，直至焊缝熔深误差值为0，即完成神经网络的训练；

步骤5、采用电流互感器采集被测焊机的工作电流，采用电压互感器采集被测焊机的工作电压，采用位移传感器采集焊机移动速度，采用温度传感器采集焊条温度和采用质谱仪采集焊条三氧化二铬含量；

步骤6、对采集的信号进行滤波处理，并进行模数转换；

步骤7、对转换后的采集信号进行归一化处理；

步骤8、将采集的信号作为训练好的神经网络的输入值，进而获得被测焊机的最终预测焊缝熔深；

步骤9、将最终预测焊缝熔深与期望值进行比较，若最终预测焊缝熔深大于期望值，则减小焊机工作电流或加快焊机的移动速度；否则加大焊机电流或减慢移动速度。

步骤4-1所述的随机产生神经网络中间层节点个数，该节点个数不等于输入层节点个数，且不等于输出层节点个数。

步骤4-2所述的确定中间层每个节点的输出值，公式如下：

$b_r=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ir}}{x}_i-q_r)---\left(1\right)$

其中，b_r表示中间层的第r个节点的输出值；r表示中间层第r个节点，r=1,2,.....,n₂，n₂表示中间层节点总个数；w_ir表示输入层第i个节点与中间层第r个节点的连接权值；i表示输入层的第i个节点；m表示输入层节点总个数，即输入参数的种数；x_i表示第i个输入参数；q_r为中间层的第r个节点的阈值，f(.)表示S型函数。

步骤4-3所述的确定输出层节点所输出的预测焊缝熔深，公式如下：

其中，y表示输出层的输出值；r表示中间层第r个节点，r=1,2,.....,n₂，n₂表示中间层节点总个数；b_r表示中间层的第r个节点的输出值；表示中间层第r个节点与输出层节点的连接权值；表示输出层节点的阈值；f(.)表示S型函数。

步骤4-4所述的计算获得焊缝熔深误差值，公式如下：

d₁=y(1-y)(y*-y)      （3）

其中，d₁表示焊缝熔深误差值；y表示输出层的输出值，即预测焊缝熔深；y*表示实际焊缝熔深。

步骤4-5所述的调整中间层每个节点与输出层节点的连接权值和调整输出层节点的阈值，具体调整方法如下：

公式如下：

${\mathrm{\Θ}}_1^{\′}={\mathrm{\Θ}}_1+d_1---\left(5\right)$

其中，表示调整后的中间层第r个节点与输出层节点的连接权值；表示调整后的输出层节点的阈值，d₁表示焊缝熔深误差值；b_r表示中间层的第r个节点的输出值；表示输出层节点的阈值；r表示中间层第r个节点，r=1,2,.....,n₂，n₂表示中间层节点总个数。

步骤4-6所述的计算获得中间层每个节点的输出误差，公式如下：

其中，e_r表示中间层每个节点的输出误差；b_r表示中间层的第r个节点的输出值；d₁表示焊缝熔深误差值；表示调整后的中间层第r个节点与输出层节点的连接权值；r表示中间层第r个节点，r=1,2,.....,n₂，n₂表示中间层节点总个数。

步骤4-7所述的调整输入层每个节点与中间层每个节点的连接权值和调整中间层每个节点的阈值，具体调整方法如下：

公式如下：

w_i′_r=w_ir+e_rx_i      （7）

θ_r′=θ_r+e_r      （8）

其中，w_ir表示输入层第i个节点与中间层第r个节点的连接权值；w_i′_r表示调整后的输入层第i个节点与中间层第r个节点的连接权值；x_i表示第i个输入参数；e_r表示中间层每个节点的输出误差；θ_r′表示调整后的中间层每个节点的阈值；θ_r表示中间层每个节点的阈值。

本发明优点：

本发明一种A-TIG焊焊缝成型的检测装置及方法，首先提出对数据进行了归一化处理，并对数据进行神经网络处理，并对神经网络进行改进，通过装置进行及时改进，节省人力和物力，降低成本，并能够更好的对焊缝的熔深进行预测，并作出调整，准确性好，能达到一级焊缝的整体要求。

附图说明

图1本发明一种实施例焊缝熔深检测装置整体结构框图；

图2本发明一种实施例的滤波电路；

图3本发明一种实施例焊缝的熔深预测终端的数据采集与传输电路图；

图4本发明一种实施例焊缝熔深检测方法流程图；

图5本发明一种实施例焊缝熔深神经网络图；

图6本发明一种实施例预测熔深曲线与实际熔深曲线图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

如图1所示，一种A-TIG焊焊缝成型的检测装置，包括用于采集焊机工作电压的电压互感器、用于采集焊机工作电流的电流互感器、用于测量焊条中三氧化二铬含量的质谱仪、用于采集焊条温度的温度传感器、用于测量焊机移动速度的位移传感器、滤波电路、数据采集芯片、中央处理器和计算机，其中滤波电路是一个以LM358为主要核心芯片组成的信号放大电路。在LM3581脚和2脚之间接入一个由C₁=1uF的电容和R₃=10K的电感组成的滤波电路，能有效的滤去杂波，增加信号的准确性。LM358的4脚接地，8脚接+5V工作电源。2脚接传感器的输出端，1脚接数据采集芯片的输入端。在信号输入前加入2个10K的限流电感。R1作为反馈电感接在2脚和1脚处，该电感的取值为1K，数据采集芯片用于进行模数转换；中央处理器当对历史数据进行处理时，用于将焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数的历史数据作为神经网络的输入值，进行神经网络训练，构建神经网络；中央处理器当对被测焊机进行预测时，用于将被测焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数送入训练后的神经网络中，获得被测焊机的预测焊缝熔深；计算机用于对历史数据和测量数据进行储存，并显示。

本发明实施例中，电压互感器和电流互感器分别选用JDG4-0.51000/100型号和LZJC-10Q1000/5型号，测量电焊机的电压和电流，质谱仪测量Cr₂O₃含量，TEC位移传感器测量焊接速度，温度传感器测量焊接温度，滤波器采用塑胶壳电源滤波器YB16P5，滤波电路如图2所示，中央处理器采用单片机芯片，单片机芯片为8051系列数字信号处理器，时钟频率是6MHz，接口电源为5V；数据采集芯片采用ADC0809，8通道16位数据采集芯片进行采样和模数转换，由±5V供电，由于ADC0809芯片内部没有时钟脉冲源.本发明实施例中，采用单片机8051提供的地址锁存控制输入信号ALK经D触发器二分频后.作为ADC0809的时钟输入。单片机8051的ALK端以1/6的时钟振荡频率固定地输出正脉冲。因ADC0809的时钟频率有一定的范围10-1280kHz.故本发明实施例中取单片机的时钟频率为6MHz。ALK端输出的频率为1MHz，再经二分频后为500kHz，符合ADC0809对时钟的要求。

如图3所示，所述的电压互感器输出端连接第一滤波电路的输入端JWY，电流互感器输出端连接第二滤波电路的输入端JWY，质谱仪的输出端连接第三滤波电路的输入端JWY，温度传感器的输出端连接第四滤波电路的输入端JWY，位移传感器的输出端连接第五滤波电路的输入端JWY，第一滤波电路的输出端，第二滤波电路的输出端，第三滤波电路的输出端，第四滤波电路的输出端和第五滤波电路的输出端分别连接数据采集芯片ADC0809的IN-0到IN-4端，数据采集芯片的输出端D0～D7连接中央处理器的输入端P00～P07，计算机的USB接口经过PL2303转换成RS232与单片机的TXD、RXD相连。

A-TIG焊接过程中电弧和熔池的电气信号和机械信息经由相应的互感器或传感器由采样芯片进行同步采样、保持、A/D转换成数字信号，送入单片机进行分类的计算和数据处理。

采用A-TIG焊焊缝成型的检测装置进行的检测方法，方法流程图如图4所示，包括以下步骤：

步骤1、采集大量历史数据，包括焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五种参数；

本发明实施例中，采集数据如表1所示；

表1

采集样本	采样值
		电流	105A
电压	15V
		速度	20cm/min
Cr2O3	30%
		温度	2500℃

步骤2、对采集的信号进行滤波处理，并进行模数转换；

步骤3、对转换后的采集信号进行归一化处理；

本发明实施例中，对步骤1采集的数据进行归一化处理，使各数据具有相同的量纲，公式为：

$x_i=x_i\left(t\right)/\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{x}_i\left(t\right)---\left(9\right)$

其中，i=1,2,.....,5，对应的x₁,x₂,x₃,x₄,x₅分别表示采集的电流、电压、速度、温度和Cr2O3含量；x_i(t)表示t时刻采集的第i种数据；

步骤4、将上述五种参数的一组历史数据作为神经网络的输入值，进行神经网络训练，具体如下：

步骤4-1、根据采集参数的种类数设定神经网络输入层节点的个数，随机产生神经网络中间层节点个数，并设定输出层为一个节点；

如图5所示，本发明实施例中，随机产生神经网络中间层LB节点个数，该节点个数不等于输入层LA节点个数，且不等于输出层LC节点个数。

步骤4-2、随机设定输入层每个节点与中间层每个节点的连接权值、中间层每个节点的阈值，并根据采集的五个参数，确定中间层每个节点的输出值；

公式如下：

$b_r=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ir}}{x}_i-q_r)---\left(1\right)$

步骤4-3、随机设定中间层每个节点与输出层节点的连接权值、输出层节点的阈值，并根据中间层每个节点的输出值，确定输出层节点所输出的预测焊缝熔深；

公式如下：

步骤4-4、将获得的预测焊缝熔深与实际焊缝熔深进行比较，计算获得焊缝熔深误差值；

获得焊缝熔深误差值公式如下：

d₁=y(1-y)(y*-y)      （3）

步骤4-5、根据焊缝熔深误差值和中间层每个节点的输出值，调整中间层每个节点与输出层节点的连接权值；并根据焊缝熔深误差值调整输出层节点的阈值；

具体调整公式：

${\mathrm{\Θ}}_1^{\′}={\mathrm{\Θ}}_1+d_1---\left(4\right)$

步骤4-6、根据焊缝熔深误差值、中间层每个节点的输出值和调整后的中间层每个节点与输出层节点的连接权值，计算获得中间层每个节点的输出误差；

公式如下：

步骤4-7、根据获得的中间层输出误差和输入的五个参数，调整输入层每个节点与中间层每个节点的连接权值；并根据获得的中间层每个节点的输出误差调整中间层每个节点的阈值；

具体调整公式如下：

w_i′_r=w_ir+e_rx_i      （7）

θ_r′=θ_r+e_r      （8）

步骤4-8、反复执行步骤4-1至步骤4-7，直至焊缝熔深误差值为0，即完成神经网络的训练；

步骤5、采用电流互感器采集被测焊机的工作电流，采用电压互感器采集被测焊机的工作电压，采用位移传感器采集焊机移动速度，采用温度传感器采集焊条温度和采用质谱仪采集焊条三氧化二铬含量；

步骤6、对采集的信号进行滤波处理，并进行模数转换；

步骤7、对转换后的采集信号进行归一化处理；

步骤8、将采集的信号作为训练好的神经网络的输入值，进而获得被测焊机的最终预测焊缝熔深；

步骤9、将最终预测焊缝熔深与期望值进行比较，若最终预测焊缝熔深大于期望值，则减小焊机工作电流或加快焊机的移动速度；否则加大焊机电流或减慢移动速度。

如图6所示，预测焊缝熔深指数与实际焊缝熔深指数曲线，采用本发明实施例的检测方法，焊接熔深的预测误差在±8%以内。

Claims (8)

1.一种A-TIG焊焊缝成型的检测方法，该方法采用A-TIG焊焊缝成型的检测装置，该装置包括用于采集焊机工作电压的电压互感器、用于采集焊机工作电流的电流互感器、用于测量焊条中三氧化二铬含量的质谱仪、用于采集焊条温度的温度传感器、用于测量焊机移动速度的位移传感器、滤波电路、数据采集芯片、中央处理器和计算机，其中，

数据采集芯片：用于对采集的信号进行滤波处理，并进行模数转换；

中央处理器：

当对历史数据进行处理时，用于将焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数的历史数据作为神经网络的输入值，进行神经网络训练，构建神经网络；

当对被测焊机进行预测时，用于将被测焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数送入训练后的神经网络中，获得被测焊机的预测焊缝熔深；

计算机：用于对历史数据和测量数据进行储存，并显示；

其特征在于，方法包括以下步骤：

步骤1、采集大量历史数据，包括焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五种参数；

步骤2、对采集的信号进行滤波处理，并进行模数转换；

步骤3、对转换后的采集信号进行归一化处理；

步骤4、将上述五种参数的一组历史数据作为神经网络的输入值，进行神经网络训练，具体如下：

步骤4-1、根据采集参数的种类数设定神经网络输入层节点的个数，随机产生神经网络中间层节点个数，并设定输出层为一个节点；

步骤4-2、随机设定输入层每个节点与中间层每个节点的连接权值、中间层每个节点的阈值，并根据采集的五个参数，确定中间层每个节点的输出值；

步骤4-3、随机设定中间层每个节点与输出层节点的连接权值、输出层节点的阈值，并根据中间层每个节点的输出值，确定输出层节点所输出的预测焊缝熔深；

步骤4-4、将获得的预测焊缝熔深与实际焊缝熔深进行比较，计算获得焊缝熔深误差值；

步骤4-5、根据焊缝熔深误差值和中间层每个节点的输出值，调整中间层每个节点与输出层节点的连接权值；并根据焊缝熔深误差值调整输出层节点的阈值；

步骤4-6、根据焊缝熔深误差值、中间层每个节点的输出值和调整后的中间层每个节点与输出层节点的连接权值，计算获得中间层每个节点的输出误差；

步骤4-7、根据获得的中间层输出误差和输入的五个参数，调整输入层每个节点与中间层每个节点的连接权值；并根据获得的中间层每个节点的输出误差调整中间层每个节点的阈值；

步骤4-8、反复执行步骤4-1至步骤4-7，直至焊缝熔深误差值为0，即完成神经网络的训练；

步骤5、采用电流互感器采集被测焊机的工作电流，采用电压互感器采集被测焊机的工作电压，采用位移传感器采集焊机移动速度，采用温度传感器采集焊条温度和采用质谱仪采集焊条三氧化二铬含量；

步骤6、对采集的信号进行滤波处理，并进行模数转换；

步骤7、对转换后的采集信号进行归一化处理；

步骤8、将采集的信号作为训练好的神经网络的输入值，进而获得被测焊机的最终预测焊缝熔深；

步骤9、将最终预测焊缝熔深与期望值进行比较，若最终预测焊缝熔深大于期望值，则减小焊机工作电流或加快焊机的移动速度；否则加大焊机电流或减慢移动速度。

2.根据权利要求1所述的检测方法，其特征在于，步骤4-1所述的随机产生神经网络中间层节点个数，该节点个数不等于输入层节点个数，且不等于输出层节点个数。

3.根据权利要求1所述的检测方法，其特征在于，步骤4-2所述的确定中间层每个节点的输出值，公式如下：

$b_r=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ir}}{x}_i-q_r)---\left(1\right)$

其中，b_r表示中间层的第r个节点的输出值；r表示中间层第r个节点，r＝1，2，.....，n₂，n₂表示中间层节点总个数；w_ir表示输入层第i个节点与中间层第r个节点的连接权值；i表示输入层的第i个节点；m表示输入层节点总个数，即输入参数的种数；x_i表示第i个输入参数；q_r为中间层的第r个节点的阈值，f(.)表示S型函数。

4.根据权利要求1所述的检测方法，其特征在于，步骤4-3所述的确定输出层节点所输出的预测焊缝熔深，公式如下：

其中，y表示输出层的输出值；r表示中间层第r个节点，r＝1，2，.....，n₂，n₂表示中间层节点总个数；b_r表示中间层的第r个节点的输出值；表示中间层第r个节点与输出层节点的连接权值；Θ₁表示输出层节点的阈值；f(.)表示S型函数。

5.根据权利要求1所述的检测方法，其特征在于，步骤4-4所述的计算获得焊缝熔深误差值，公式如下：

d₁＝y(1-y)(y*-y)                        (3)

其中，d₁表示焊缝熔深误差值；y表示输出层的输出值，即预测焊缝熔深；y*表示实际焊缝熔深。

6.根据权利要求1所述的检测方法，其特征在于，步骤4-5所述的调整中间层每个节点与输出层节点的连接权值和调整输出层节点的阈值，具体调整方法如下：

公式如下：

Θ′₁＝Θ₁+d₁                     (4)

其中，表示调整后的中间层第r个节点与输出层节点的连接权值；Θ′₁表示调整后的输出层节点的阈值，d₁表示焊缝熔深误差值；b_r表示中间层的第r个节点的输出值；Θ₁表示输出层节点的阈值；r表示中间层第r个节点，r＝1，2，.....，n₂，n₂表示中间层节点总个数。

7.根据权利要求1所述的检测方法，其特征在于，步骤4-6所述的计算获得中间层每个节点的输出误差，公式如下：

其中，e_r表示中间层每个节点的输出误差；b_r表示中间层的第r个节点的输出值；d₁表示焊缝熔深误差值；表示调整后的中间层第r个节点与输出层节点的连接权值；r表示中间层第r个节点，r＝1，2，.....，n₂，n₂表示中间层节点总个数。

8.根据权利要求1所述的检测方法，其特征在于，步骤4-7所述的调整输入层每个节点与中间层每个节点的连接权值和调整中间层每个节点的阈值，具体调整方法如下：

公式如下：

w′_ir＝w_ir+e_rx_i                    (6)

θ′_r＝θ_r+e_r                      (7)

其中，w_ir表示输入层第i个节点与中间层第r个节点的连接权值；w′_ir表示调整后的输入层第i个节点与中间层第r个节点的连接权值；x_i表示第i个输入参数；e_r表示中间层每个节点的输出误差；θ′_r表示调整后的中间层每个节点的阈值；θ_r表示中间层每个节点的阈值。