CN108500498B - 一种焊缝成型质量监测方法 - Google Patents
一种焊缝成型质量监测方法 Download PDFInfo
- Publication number
- CN108500498B CN108500498B CN201810252714.XA CN201810252714A CN108500498B CN 108500498 B CN108500498 B CN 108500498B CN 201810252714 A CN201810252714 A CN 201810252714A CN 108500498 B CN108500498 B CN 108500498B
- Authority
- CN
- China
- Prior art keywords
- welding
- neural network
- weld
- parameters
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Arc Welding Control (AREA)
Abstract
本发明属于焊接加工领域,并公开了一种焊缝成型质量监测方法。该方法包括下列步骤:(a)采集焊接参数与焊缝成型情况获得初始数据;(b)构建初始BP神经网络模型,对其进行训练获得最终的BP神经网络模型;(c)构建焊接参数、特征参数和焊缝成型情况的关系式并作为预测显示模型;(d)采集焊缝成型中的实时焊接参数,将该实时焊接参数输入预测显示模型中,获得所需的实时焊缝成型情况。通过该发明,通过对焊接电流、电压、速度以及伸丝量的实时测量,实现对焊缝成型情况实时的、客观的评价,并图形化显示。从而能够及时指导后续工艺,提高质量,减少损失,避免危险。
Description
技术领域
本发明属于焊接加工领域,更具体地,涉及一种焊缝成型质量监测方法。
背景技术
焊接过程是一个非线性、强耦合、时变的多变量复杂系统,描述焊缝成型质量的几何变量,如焊接熔深、焊缝宽度、焊缝余高等直接焊接参数由焊接电压、电流、焊接速度、伸丝量等间接焊接参数决定。在焊接过程中,通过对间接焊接参数的测量,要求得到对焊缝成型质量的评价。这就需要建立间接焊接参数与直接焊接参数间的关系模型。
人工神经网络是一种模拟人脑神经元及其连接方式建立的模型,作为一种信息处理方法,对非线性函数具有很强逼近和映射能力,在模型建立方面应用广泛。Matlab拥有强大的数值计算能力、完备的各种工具箱以及复杂的算法函数,其神经网络工具箱提供了对神经网络算法调用的方法,使用非常方便容易,同时,随着虚拟仪器在测控领域的广泛应用,美国国家仪器公司推出的Labview这一虚拟仪器开发平台,采用G语言编程,并提供很多外观与传统仪器类似的控件,既可以对生产现场的实时数据进行采集处理,也可用来便捷地创建用户界面。
传统的焊后观察法来对焊缝成型情况进行评估的方法具有人为主观性和滞后性。而要将计算机视觉的焊缝外观质量自动化检测技术应用于焊接生产实践,在视觉图像实时获取、立体匹配、人工智能评价算法等方面的研究还有很长的路要走。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种焊缝成型质量监测方法,通过建立BP神经网络模型和预测显示模型,其目的在于通过对焊接电流、电压、速度以及伸丝量的实时测量,对焊缝成型情况作出实时的、较为客观的评价,由此解决传统的焊后观察法来对焊缝成型情况进行评估带来的人为主观性和滞后性的技术问题,从而能够及时指导后续工艺,进而提高质量,减少损失,避免危险。
为实现上述目的,按照本发明,提供了一种焊缝成型质量监测方法,其特征在于,该方法包括下列步骤:
(a)采集焊缝成型过程中焊接参数,以及在该焊接参数下对应的焊缝成型情况作为原始数据,然后将该原始数据进行归一化处理获得初始数据;
(b)构建以焊接参数作为输入,焊缝成型情况作为输出的初始BP神经网络模型,选取不同的训练方法,利用所述初始数据分别按照所述不同的训练方法对所述初始BP神经网络模型进行训练,并获得各自对应的优化BP神经网络模型,从多个优化BP神经网络模型中选取一个作为最终的BP神经网络模型;
(c)利用所述最终的BP神经网络模型的特征参数,构建焊接参数、特征参数和焊缝成型情况的关系式,以此关系式作为显示器中的预测显示模型,其中,所述特征参数是所述最终的BP神经网络中隐含层和输出层各自的权值矩阵、偏置向量;
(d)采集焊缝成型中的实时焊接参数,将该实时焊接参数输入所述预测显示模型中,所述显示器上显示对应的实时焊缝成型情况,由此实现焊缝成型情况的预测。
优选地,在步骤(a)中,所述焊接参数包括焊接电压、焊接电流、焊接速度和伸丝量。
优选地,在步骤(a)中,所述焊缝成型情况采用焊缝熔宽、熔深和余高来衡量,其中,当焊缝熔宽介于8mm~12mm时,该焊缝熔宽合格,当焊缝熔深>4mm,该焊缝熔深合格,当焊缝余高<3mm,该焊缝余高合格。
优选地,在步骤(c)中,所述预测显示模型按照下列关系式进行:
O2=f2(W2×f1(W1×X+B1)+B2)
其中,X表示焊接参数,W1、W2分别表示网络隐含层和输出层的连接权向量,B1、B2分别表示网络隐含层和输出层的神经元的偏置向量,f1、f2分别表示网络隐含层和输出层的激活函数,O1表示神经网络隐含层输出,O2表示焊缝成型情况。
优选地,在步骤(b)中,所述初始BP神经网络模型为三层网络结构,其中,隐含层神经元个数p和输入层神经元个数n间满足p=2n+1的关系。
优选地,在步骤(b)中,所述初始BP神经网络模型的隐含层的函数优选采用logsig、tansig或ReLU,输出层的函数优选采用logsig、tansig、ReLU或purelin。
优选地,在步骤(b)中,所述不同的训练方法包括traingd、traindm、trainr、trainlm或trainbr。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明通过采用BP神经网络,将一个数学模型复杂的,不可表达的,非线性、强耦合、时变的多变量复杂系统,用矩阵运算予以逼近,将已知输入求解输出变为了可能;
2、本发明通过建立焊接参数、特征参数和焊缝成型情况的关系式并作为预测显示模型,解决了传统的焊后观察法来对焊缝成型情况进行评估带来的人为主观性和滞后性的技术问题,可根据实时参数对焊缝成型情况进行评估和预判;
3、本发明通过将BP神经网络模型与预测显示模型相结合,充分发挥了神经网络很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现;
4、本发明通过在Labview中将BP神经网络用G语言编程实现,使信号采集、计算判断、界面显示融为一体,更便于工程人员现场使用,且结果表现形式一目了然,简单易懂。
附图说明
图1是按照本发明的优选实施例所构建的焊缝成型质量监测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明的优选实施例所构建的焊缝成型质量监测方法的流程图,如图1所示,本发明的焊缝质量监测方法,包括以下步骤:
(1)采集历史焊接电压、电流、焊接速度、伸丝量及对应的焊缝成型情况数据,并对其进行归一化处理。
(2)构建初始BP神经网络模型,确定其神经网络层数、隐含层、输出层神经元个数,传递函数及训练方法,其中,选择三层BP神经网络模型中,隐含层神经元个数p和输入层神经元个数n间满足p=2*n+1的近似的关系,隐含层至少用logsig、tansig、ReLU等非线性函数之一,输出层除上述函数外还可以用purelin函数,根据训练结果择优选用;
(3)选取不同的训练方法对初始BP神经网络模型进行训练,获得各个训练方法对应的优化BP神经网络模型,选择预测精度最高的方法作为最终的BP神经网络模型,训练方法包括traingd、traindm、trainr、trainlm、trainbr等,根据训练结果择优选用。
(4)提取最终的BP神经网络模型中各层之间的权值矩阵和偏置向量,包括输入层到隐含层权值矩阵,偏置向量,输入层到输出层的权值矩阵,隐含层到输出层权值矩阵,偏置向量。
(5)在Labview中构建预测显示模型,该预测显示模型按照下式表达式进行,采用G语言在Labview中进行编程:
O2=f2(W2×f1(W1×X+B1)+B2)
其中,X表示焊接参数,W1、W2分别表示网络隐含层和输出层的连接权向量,B1、B2分别表示网络隐含层和输出层的神经元的偏置向量,f1、f2分别表示网络隐含层和输出层的激活函数,O1表示神经网络隐含层输出,O2表示焊缝成型情况。
(6)采集实时焊接电压、电流、焊接速度、伸丝量数据,将该实时数据输入预测显示模型中输出显示结果,显示结果即为所需的焊缝成型情况。
具体的,步骤(1)中根据焊缝成型质量的要求,对Ⅰ型焊缝,若焊缝熔宽介于8~12mm,则可认为焊缝熔宽合格,否则不合格;若焊缝熔深>4mm,则可认为焊缝熔深合格,否则不合格;若焊缝余高<3mm,则可认为焊缝余高合格,否则不合格。三种典型情况:熔宽合格,熔深/余高不合格、熔深合格,熔宽/余高不合格、余高合格,熔宽/熔深不合格的输出分别定义为(1,0,0)、(0,1,0)、(0,0,1)。
具体的,步骤(3)中通过MATLAB的神经网络工具箱多次训练,比较各个网络输出和理想输出间的误差,得到精度较高性能较优的网络。
具体的,步骤(4)中通过MATLAB神经网络工具箱中的函数得到隐含层权值矩阵W1,隐含层偏置向量B1,隐含层到输出层权值矩阵W2,偏置向量B2。
下面将结合附图和实施例对本发明做进一步的描述。
实施例:
测得的三种典型情况:熔宽合格,熔深/余高不合格、熔深合格,熔宽/余高不合格、余高合格,熔宽/熔深不合格的数据共36组,每种情况12组数据作为训练输入数据,输出分别定义为(1,0,0)、(0,1,0)、(0,0,1)。
依据kolomogorov定理:三层网络中,隐含层神经元个数p和输入层神经元个数n间满足p=2n+1的近似的关系,由于n=4,所以可以得出p=9,输出层神经元个数m=3,隐层、输出层传递函数分别为tansig和purelin,使用trainlm方法训练。
在matlab平台训练前向级联BP神经网络,得到性能最好的网络后,再用W1=net.iw{1,1}、W2=net.lw{2,1}、B1=net.b{1}、B2=net.b{2}命令分别提取输入层到隐含层权值矩阵W1,偏置向量B1,隐含层到输出层权值矩阵W2,偏置向量B2。
Labview中根据上文步骤(5)中公式对该神经网络进行G语言编程。
利用上述方法验证12组测试数据,根据输出值利用Labview图形控件表现出判断结果,在前面板上显示。经过统计,准确判断率达到90%以上,三种典型情况的实际输出和期望输出的平均绝对误差分别为7.699%、6.753%、3.863%。
本方法结合了两个平台各自的优势,取长补短。既可以利用了Labview创建优美的用户界面,又可以在生产过程中实时监测采集数据,同时利用MATLAB的强大数值计算能力对焊缝成型质量进行评价甚至预测。其目的在于通过对焊接电流、电压、速度以及伸丝量的实时测量,对焊缝成型情况作出实时的、较为客观的评价,由此解决传统的焊后观察法来对焊缝成型情况进行评估带来的人为主观性和滞后性的技术问题。便于工程人员现场使用,且结果表现形式一目了然,简单易懂。从而能够及时指导后续工艺,进而提高质量,减少损失,避免危险。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种焊缝成型质量监测方法,其特征在于,该方法包括下列步骤:
(a)采集焊缝成型过程中的焊接参数,以及与该焊接参数对应的焊缝成型情况,将二者进行归一化处理后作为初始数据;
(b)在Matlab软件中构建以焊接参数作为输入,焊缝成型情况作为输出的初始BP神经网络模型,选取不同的训练方法,利用所述初始数据分别按照所述不同的训练方法对所述初始BP神经网络模型进行训练,并获得各自对应的优化BP神经网络模型,从多个优化BP神经网络模型中选取一个作为最终的BP神经网络模型;
(c)利用步骤(b)获得的最终的BP神经网络模型中的特征参数,采用G语言在Labview中进行编程,构建焊接参数、特征参数和焊缝成型情况的关系式:
O2=f2(W2×f1(W1×X+B1)+B2)
其中,X表示焊接参数,W1、W2分别表示隐含层和输出层的连接权向量,B1、B2分别表示隐含层和输出层神经元的偏置向量,f1、f2分别表示网络隐含层和输出层的激活函数,O2表示焊缝成型情况;
以此关系式作为显示器中的预测显示模型,其中,所述特征参数是所述最终的BP神经网络中隐含层和输出层各自的权值矩阵、偏置向量;
(d)采集焊缝成型中的实时焊接参数,将该实时焊接参数输入所述预测显示模型中,所述显示器上显示对应的实时焊缝成型情况,由此实现焊缝成型情况的预测。
2.如权利要求1所述的一种焊缝成型质量监测方法,其特征在于,在步骤(a)中,所述焊接参数包括焊接电压、焊接电流、焊接速度和伸丝量。
3.如权利要求1或2所述的一种焊缝成型质量监测方法,其特征在于,在步骤(a)中,所述焊缝成型情况采用焊缝熔宽、熔深和余高来衡量,其中,当焊缝熔宽介于8mm~12mm时,该焊缝熔宽合格,当焊缝熔深>4mm,该焊缝熔深合格,当焊缝余高<3mm,该焊缝余高合格。
4.如权利要求1所述的一种焊缝成型质量监测方法,其特征在于,在步骤(b)中,所述初始BP神经网络模型为三层网络结构,其中,隐含层神经元个数p和输入层神经元个数n间满足p=2n+1的关系。
5.如权利要求1所述的一种焊缝成型质量监测方法,其特征在于,在步骤(b)中,所述初始BP神经网络模型的隐含层的函数优选采用logsig、tansig或ReLU,输出层的函数优选采用logsig、tansig、ReLU或purelin。
6.如权利要求1所述的一种焊缝成型质量监测方法,其特征在于,在步骤(b)中,所述不同的训练方法包括traingd、traindm、trainr、trainlm或trainbr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252714.XA CN108500498B (zh) | 2018-03-26 | 2018-03-26 | 一种焊缝成型质量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252714.XA CN108500498B (zh) | 2018-03-26 | 2018-03-26 | 一种焊缝成型质量监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108500498A CN108500498A (zh) | 2018-09-07 |
CN108500498B true CN108500498B (zh) | 2020-05-19 |
Family
ID=63378445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810252714.XA Active CN108500498B (zh) | 2018-03-26 | 2018-03-26 | 一种焊缝成型质量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108500498B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109175597A (zh) * | 2018-09-20 | 2019-01-11 | 北京博清科技有限公司 | 基于焊缝宽度识别的焊接参数实时调节方法及系统 |
CN109472358B (zh) * | 2018-10-17 | 2021-10-19 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
CN109636799A (zh) * | 2018-12-25 | 2019-04-16 | 云峰核信科技(武汉)股份有限公司 | 一种焊缝检核方法、系统、设备 |
CN110405384A (zh) * | 2019-06-26 | 2019-11-05 | 上海展湾信息科技有限公司 | 用于机器人焊接过程中实时检测熔深不足的方法及系统 |
CN110675033B (zh) * | 2019-09-04 | 2023-06-30 | 深圳市为汉科技有限公司 | 焊接训练行为数据评分方法 |
CN110899902B (zh) * | 2019-12-06 | 2022-02-15 | 唐山松下产业机器有限公司 | 焊机电流控制方法、装置和焊机 |
CN110883403B (zh) * | 2019-12-24 | 2020-10-30 | 华中科技大学 | 一种用于电弧增材制造的焊道建模方法、设备及系统 |
CN111177976B (zh) * | 2019-12-25 | 2024-04-26 | 广东省科学院中乌焊接研究所 | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
CN111044700B (zh) * | 2019-12-27 | 2021-06-08 | 中南大学 | 一种等厚材料的激光小孔焊焊缝质量评估方法 |
CN112045327A (zh) * | 2020-08-17 | 2020-12-08 | 广州市城市建设工程监理公司 | 一种管道焊接方法及装置 |
CN112171057B (zh) * | 2020-09-10 | 2022-04-08 | 五邑大学 | 基于激光焊接的质量检测方法、装置及存储介质 |
CN111932539B (zh) * | 2020-10-13 | 2021-02-02 | 南京知谱光电科技有限公司 | 基于熔池图像和深度残差网络的余高与熔深协同预测方法 |
CN112719646A (zh) * | 2020-12-23 | 2021-04-30 | 睿驰隆科技(武汉)有限公司 | 一种对连续激光焊接过程中焊接质量的实时监测方法 |
CN112381095B (zh) * | 2021-01-15 | 2021-05-28 | 南京理工大学 | 基于深度学习的电弧增材制造层宽自抗扰控制方法 |
CN112756840A (zh) * | 2021-01-25 | 2021-05-07 | 陕西帕源路桥建设有限公司 | 焊接质量检测系统 |
CN113537621B (zh) * | 2021-07-30 | 2023-09-22 | 江苏科技大学 | 一种大数据驱动的船舶薄板焊接质量预测方法 |
CN113695713B (zh) * | 2021-09-17 | 2023-05-26 | 蕴硕物联技术(上海)有限公司 | 一种热水器内胆焊接质量在线监测方法及装置 |
CN114167189B (zh) * | 2021-12-08 | 2023-11-03 | 华中科技大学鄂州工业技术研究院 | 一种焊接缺陷检测方法、电子设备及存储介质 |
CN115982651A (zh) * | 2022-12-13 | 2023-04-18 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 一种多元工艺逻辑回归的激光拼板焊缝质量分类方法 |
CN117032095A (zh) * | 2023-07-21 | 2023-11-10 | 泰安市特种设备检验研究院 | 一种数字化特种设备焊工考试车间管理方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183951A (zh) * | 2011-03-25 | 2011-09-14 | 同济大学 | 基于虚拟仪器开发平台的回转支承状态监测与故障诊断装置 |
CN102654494A (zh) * | 2012-04-16 | 2012-09-05 | 昆明理工大学 | 一种农产品品质识别检测标准的建立方法 |
CN102999676A (zh) * | 2012-12-24 | 2013-03-27 | 湖南大学 | 一种钢/铝激光熔钎焊的工艺优化方法 |
CN103551709B (zh) * | 2013-11-16 | 2015-04-22 | 沈阳工业大学 | 一种a-tig焊焊缝成型的检测装置及方法 |
CN105478976B (zh) * | 2016-01-26 | 2017-10-24 | 清华大学 | 基于动态系统辨识的端接微束等离子焊接成形控制方法 |
CN106624266B (zh) * | 2016-12-31 | 2018-08-07 | 东莞职业技术学院 | 一种用于汽车焊接的焊缝偏差及熔透状态监测方法 |
-
2018
- 2018-03-26 CN CN201810252714.XA patent/CN108500498B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108500498A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108500498B (zh) | 一种焊缝成型质量监测方法 | |
WO2021227325A1 (zh) | 一种基于数字孪生的生产过程仿真优化方法 | |
CN103440368B (zh) | 一种多模型动态软测量建模方法 | |
DE102017010799B4 (de) | Maschinenlernvorrichtung zum Lernen einer Bearbeitungsreihenfolge eines Robotersystems mit einer Mehrzahl von Laserbearbeitungsrobotern, dazugehöriges Robotersystem sowie Maschinenlernverfahren zum Lernen einer Bearbeitungsreihenfolge des Robotersystems mit einer Mehrzahl von Laserbearbeitungsrobotern | |
CN105157590B (zh) | 一种基于三维激光扫描技术的建构物健康监测系统 | |
CN108830745B (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN108284442A (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN106529838A (zh) | 虚拟装配方法及装置 | |
CN115858940B (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN115563683A (zh) | 一种基于数字孪生的水利工程自动化安全监测管理系统 | |
CN105045989A (zh) | 一种基于虚拟维修的飞行器零部件维修性分析方法 | |
CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
Sheptunov et al. | Simulating reliability of the robotic system software on the basis of artificial intelligence | |
CN114912637A (zh) | 人机物知识图谱制造产线运维决策方法及系统、存储介质 | |
CN112184007B (zh) | 一种基于数字孪生的车间设备远程诊断方法 | |
KR101253542B1 (ko) | 가상용접 훈련의 가시화 방법 | |
CN107316148A (zh) | 基于模糊结构元方法的船舶模拟操纵自动化评估方法 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN107679630A (zh) | 一种基于比例维修模型的维修作业时间估计方法 | |
CN110188039A (zh) | 软件测试、软件优化的方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |