CN1384772A - 用于对用激光对接焊的板或带上的焊缝进行质量检验的方法和装置 - Google Patents

用于对用激光对接焊的板或带上的焊缝进行质量检验的方法和装置 Download PDF

Info

Publication number
CN1384772A
CN1384772A CN00814905A CN00814905A CN1384772A CN 1384772 A CN1384772 A CN 1384772A CN 00814905 A CN00814905 A CN 00814905A CN 00814905 A CN00814905 A CN 00814905A CN 1384772 A CN1384772 A CN 1384772A
Authority
CN
China
Prior art keywords
artificial neural
network
data
sensor
sensing data
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.)
Pending
Application number
CN00814905A
Other languages
English (en)
Inventor
格莱格·埃瑟
马丁·考克
托马斯·斯特格曼－奥阿基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ThyssenKrupp Steel Europe AG
Original Assignee
ThyssenKrupp Stahl AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ThyssenKrupp Stahl AG filed Critical ThyssenKrupp Stahl AG
Publication of CN1384772A publication Critical patent/CN1384772A/zh
Pending legal-status Critical Current

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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/034—Observing the temperature of the workpiece
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33025—Recurrent artificial neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33038—Real time online learning, training, dynamic network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34153—Linear interpolation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37217—Inspect solder joint, machined part, workpiece, welding result
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45138—Laser welding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Laser Beam Processing (AREA)
  • Lining Or Joining Of Plastics Or The Like (AREA)

Abstract

本发明涉及用于对用激光对接焊的板或带上的焊缝进行质量检验的方法,其中多个传感器数据由至少两个设置在焊接地点附近的传感器测得,并且传感器数据被作为输入值送给至少一个进行综合和相关的测量数据处理电路,以对焊缝进行质量评估。对于焊缝的现代化质量检验,它使得实时分析焊接结果成为可能一存储的数据被作为输入值送给一个具有基本上分层网络结构的可训练人造神经网络,至少一个具有基本上分层网络结构的可训练人造神经网络由至少两个基本独立的,可训练人造神经子网络构成,第一人造神经子网络由至少两个独立的人造神经子网络构成,数据预处理的结果分别被作为输入值送给第一人造神经子网络,第一人造神经子网络的结果被作为输入值送给第二人造神经子网络,并且至少一个人造神经网络的结果被用于质量检验。

Description

用于对用激光对接焊的板或带上的焊缝 进行质量检验的方法和装置
本发明涉及用于对用激光对接焊的板或带上的焊缝进行质量检验的方法，其中多个传感器数据由至少两个围绕焊接处设置的传感器测得，并且传感器数据被送到至少一个用于对焊缝进行质量检验的综合和相关的测量数据处理器作为输入值，其中传感器数据由至少一个设置在焊接处，收集焊接等离子体的传感器测得，其中传感器数据由至少一个设置在焊接处后面的传感器测得，其中在相关和综合的测量数据处理时至少两个传感器的多个传感器数据分别作为至少一个数据处理的输入值被输入，其中关系到同一地点的传感器数据的数据处理的结果被存储在一个存储器单元中。
EP0655294公开的方法中激光焊接的焊缝质量借助于同时进行的温度测量来确定。为此借助于高温测定的温度测量获得特征的，对过程敏感的数据，并用于质量检验。在此方法中在焊缝的至少两个规定的位置上借助于最好快速的高温计进行温度测量。各个高温计测得的信号借助于一个电子信号处理器被关联。此外由激光焊缝设备按标准获得的测量值被输出和与高温计测量值进行逻辑运算。这个综合和相关的测量数据处理器使得可以借助测得的过程值进行焊缝的质量检验。
这种方法的缺点在于，随着被测过程值数量的增长，由于它们在焊接过程中的相互影响，通过一个基于规则的模型进行分析是困难的。
由Sepold，Egler的文章“大结构激光材料处理的前景”，第12次国际会议(LASER95)报告，1995第275-284页，可知：激光材料处理设备的系统智能由于利用传感器而被提高，从而可以在线响应过程—和工件的不规律性。为此建议在激光处理位置之前、之上和之后设置一个传感器，并且送测量值给一个处理计算机。
此方法的缺点是测量数据处理器只能静态地响应已知的系统状态。在未知状态下静态测量数据处理器失去作用。
由“焊接与切割”1997年第二册第75-80页的文章“通过人造神经网络在金属—防护气焊时进行在线质量检验”一文，公开了在激光焊接中采用人造神经网络。为了质量检验，焊缝上的数据被一个人造神经网络处理。神经网络可以基于其结构处理多个测量数据。此外，当出现未知的系统状态时它们也可以进行焊缝的质量检验。
这种方法的缺点在于，不可能判断各个测量数据对焊缝质量的影响。现有的神经网络只提供好/坏判决作为结果，使用者不知道各个测量数据对判决结果有什么影响。
本发明的目的在于进行焊缝的现代化的质量检验，它使得焊接结果的实时真实的分析成为可能。
上述任务是如此实现的：存储的数据作为输入值被送给至少一个具有基本上分层网络结构的可训练的人造神经网络，此具有基本上分层网络结构的至少一个可训练的人造神经网络由至少两个基本独立的、可训练的人造神经子网络构成，第一个人造神经子网络由至少两个独立的人造神经子网络组成，这些第一个人造神经子网络分别被馈给数据处理的结果作为其输入值，第二个人造神经子网络被馈给第一个人造神经子网络的结果作为其输入值，并且至少一个人造神经网络的结果被用于质量检验。
本发明方法使得对激光焊缝的现代化质量检验成为可能，其中至少一个分层的人造神经网络被用于处理多个传感器数据。业已表明，对结论最有意义的是在焊接等离子体和焊缝几何位置之上的传感器数据。由存储器单元将从属于一个焊接地点的传感器数据并行地送到人造神经网络。这样从属于各个焊缝地点的信号的地点相关可被人造神经网络进行。通过利用第二个独立的人造神经网络，在第一个人造神经网络中数据量被压缩到一个最小值并且在第二个人造神经网络中这些数据被相互相关。此外，这样也可以将第一个人造子网络的结果相互分开考虑，并且必要时用于控制不同的焊接机参数。此外，这些结果可以被存储，并且对于以后出现的焊缝故障可借助于这些数据来寻找原因。这在产品保险的情况下是有好处的。通过利用具有分层网络结构的人造神经网络可以利用非常多的传感器来判断质量，并且多个传感数据可以它们的多种组合可能性被利用。因此除了可评估过程参数外也可评估机器参数，如激光器的参数，例如功率，模式、功率分布，聚焦位置，以及焊接设备的参数，例如压力，防护气焊缝冷却和进料速度。外界影响，例如它能损伤传感器的功能，也可参与评估。其中在生产车间中的照度和温度被考虑。此外，对于有噪声的信号也得到友好的结果。
增加一个传感器用来收集缝几何形状的方法是有优点的，其中传感器设置在焊接地点之前，借助于这个传感器，焊接前的棱角偏差被收集，这样可以判断焊接质量与棱角偏差的关系，此外借助此信息可在焊接过程中重新调整板的相互位置。
关于焊接的质量结论与接缝间隙的依赖关系可以用以下方法得到，其中在焊接地点之前增加设置一个传感器，它被用来收集接缝间隙。借助于此传感器来收集焊接前接缝间隙的大小。此外也可借助于此关于接缝间隙的信息在焊接过程中进行重新调整。
按照本发明的另一设计，一个传感器被用来收集焊接地点后面不远处的焊缝温度。
如果每个第一个人造神经子网络由三层构成，可以有效和快速评估传感器数据，其中第一层由一个神经构成，第二层由多个神经构成，并且第三层由一个神经构成。此外利用一个过程参数使关于故障概率的判断自动化进行。
按照另一个方案，第二个人造神经子网络由三层构构成，基中第一层由多个神经构成，第二层由多个神经构成，而第三层由一个神经构成。这样，存在多个输入神经，第一个神经子网络的大多数的输出并行地馈给第二个公共的人造神经子网络。这使得各个传感器数据相互间的并行相关成为可能，从而可以考虑多个传感器数据对焊缝进行质量判定。第三层的一个输出神经提供一个信号，它使得激光焊接的焊缝的质量判定成为可能。
此外，人造神经网络的学习过程借助于回传(Backpropagation)学习算法进行，其中第一个人造神经子网络以0.01至0.1之间的学习率η和0.1至0.6之间的动量α被调节，并且第二个人造神经子网络以学习率η和动量α被调节，它们基本上适配于人造神经子网络的输出的故障函数的梯度分布。人造神经子网络的故障函数例如如此构成：实际输出和额定输出之差的平方和被求出。子网络的各个神经单元的权重在学习过程中不断被适配，使得此故障函数达到最小。第一和第二个子网络不间断地被适配。在训练之前找到的网络结构在测试阶段保持不变。借助于一个合适的学习算法，第二个神经子网络的学习率和动量可适配于故障函数的梯度分布，其结果是故障函数的粗略最小值以大概率被找出并且故障函数的局部最小值被忽略。
为了从传感器数据中滤出关于质量评估的信息，在数据预处理时进行传感器数据的特征提取。这样实现巨大的数据压缩，这导致在被接通系统中的一个加速的计算，此计算使得现代化的质量判定成为可能。
在对代表缝宽的传感器数据进行特征提取时，设置在焊接地点前面的一个传感器所测得的传感器数据作为输入值馈入一个误差抑制，误差抑制的结果作为输入值送到一个基本上可自由定义的窗平均(Fenstermittelung)，并且构成窗平均结果的差。误差抑制滤去由错误的测量所产生的传感器数据。窗平均用于抑制传感器数据中的噪声影响。通过构成差值可以还原关于缝宽的数据。
此外在提取代表等离子体强度的传感器数据特征时，由等离子体强度传感器测得的传感器数据作为输入值被送到一个窗口变换。窗口变换允许从测得的等离子体强度数据中滤出对判断焊缝质量关系重大的数据。
按照本发明另一有优点的设计，在提取代表焊缝入侵度的传感器数据特征时，由一个几何传感器测得的传感器数据作为输入值被送到一个窗平均。通过不同的窗平均的窗宽度，局部的，以及有倾向的信号变化可以合乎目的地被评估。
本发明方法的另一个设计是在提取代表棱角情况的传感器数据的特征时，由一个几何传感器测得的传感器数据被作为输入值送给一个平均值变换，并且平均值变换的结果被送到一个窗平均。通过平均值变换，可以调整信号在总平均值上下。窗平均可以滤出棱角偏差的倾向性变化。棱角偏差不仅可在焊接之前，而且也可在其后被测量。尤基是在圆弧焊时可以仅借助于一个几何传感器不仅测量焊接前的，也测量焊接后的棱角偏差。
为了限制各个传感器数据的误差值在一个公共的数值范围内，第一个人造神经子网络的结果被数值范围归一化，并且被送到第二个人造神经子网络。这些数值范围的最大值可以表示例如局部测得的过程参数的一个最大的故障概率。
本发明的另一主题是一个装置，其特征在于，至少两个用于收集传感器数据的传感器被设置在焊接地点附近。其中一个收集焊接等离子体的传感器被设置在焊接地点处，并且一个收集焊缝几何特性的传感器被设置在焊接地点之后，传感器数据给一个数据预处理作为输入值，存储单元存储用于相同地点的数据处理结果，存储单元中的登录项用作基本上可训练的人造神经网络的并行输入值，并且神经网络的结果用于焊缝的质量判定。通过并行的传感器收集以及通过一个基本上可训练的、人造神经网络的计算，现代化的焊缝质量判定是可能的。
在本发明装置的一个方案中在焊接地点之前设置一个几何传感器。此外可在焊接地点上设置一个高温传感器。在焊接地点之前设置一个裂缝传感器是有好处的。设置多个传感器使得在焊接的同时收集多个过程参数成为可能。此外，质量判定依赖于有多少不同的过程参数被测量，从而装置必须如此被设计，使得多个传感器信号能被接收和处理。
下面借助附图所示实施例详细说明本发明。
附图中：
图1示出一个用于对一个焊缝进行质量检验的装置，
图2示出一个人造神经网络的分层网络结构，
图3示出第一个人造神经子网络的结构，
图4示出传感器数据的窗变换，
图5示出第二个人造神经子网络的结构，
图6示出本发明方法的简化框图。
图1示出用于对用激光对接焊的板或带的焊缝进行质量检验的装置的第一个实施例。两个相互对接焊的板或带100，102用一个图中未示出的传送—和对缝装置以规定的接缝104以传送方向F被传送到激光焊接设备的焊头112的下面。在焊头112的区域中板100、102在一个焊缝中用一个激光束L相互对接焊。
沿着焊缝106或接缝104设置传感器108，110，114和116。传感器108收集在焊接前接缝104的几何形状。并且板的垂直棱角偏差被传感器108测量。传感器110收集接缝104的缝宽。同时板100，102的距离被适合此工作的传感器测量，它们例如按照光切割—或穿透光方法工作。传感器114用于收集激光焊接射束L的等离子体强度。几何传感器116用于收集在焊接之后焊缝106的棱角偏差和焊缝入侵度。在圆弧焊时(图中未示出)接缝104的几何形状以及焊缝106的几何形状仅用一个传感器收集。此外借助于一个高温传感器(图中未示出)获得焊接温度。
由传感器108，110，114和116收集的传感器数据被数据预处理单元118，120，122和124以规则的时间间隔查询。查询频率在各个数据预处理单元中在几赫兹至数千赫兹之间。
传感器108测得的数据被数据预处理单元118以规则的时间间隔读入。对于由传感器108测得的棱角偏差，这些传感器数据在窗口宽度上的算术平均值借助于一个窗平均被计算。计算的各个窗口的算术平均值被调整到总平均值上下。
由数据预处理单元120读入的接缝传感器110对于接缝104的右棱角和左棱角的位置的传感器数据借助于内插和线性多项式被重构，因为由于有误差的测量，传感器信号与实际的焊缝形状有大的偏差。由重构的传感器数据借助于窗平均构成一个算术平均值。由如此得到的接缝104的右及左棱角的传感器数据求出差值，它给出关于缝宽大小的信息。
由等离子体传感器114测得的传感器数据被数据预处理单元122读入，它按图4所示过程工作。其中传感器数据被送到输入端400，在单元402中借助于一个窗平均，由这些传感器数据计算出每最后10个测得的传感器数据的算术平均值。在单元404中计算实际测得的传感器值和单元402的计算结果之差。在单元406中，计算单元404的输出信号的总平均值。由单元406的输出值，在单元408中计算粗略的标准偏差。在单元410中借助于一个窗平均计算单元404的最后10个结果的算术平均值。单元412借助单元410和404的结果计算局部的标准偏差。在单元414中计算单元404的输出和单元410的输出之间的最大差别。在单元416中如此计算数据预处理的结果：单元414的结果与单元412的结果相乘，并且如此求出的值被单元408的结果除。
由数据预处理单元124读入的传感器116传感器数据被进行一个用于构成平均值的窗变换。这里窗口宽度可如此调整，在平均值计算中不仅局部的，而且倾向性的焊缝106的缝入侵度变化被显现出来。在10个数据点的窗口宽度下，在缝入侵度短时间变化时给出比10个数据点的窗口宽度时更强的算术平均值变化。
借助于数据预处理单元118、120、122和124计算出的值被存储在存储单元119、121、123和125中。借助于这些存储单元可以将从属于同一焊缝点的所有传感器的数据在相同的时刻馈送给人造神经网络128。因为一个焊缝点被传感器108至116测得的传感器数据是在不同时刻测量的，传感器数据以不同的间距被数据预处理单元118，120，122和124查询，并且不同传感器数据的数据预处理分别要求不同的计算开销，属于一个焊缝点的数据不同时出现在数据预处理单元118，120，122和124的输出端。通过数据在单元119，121，123和125中的存储，这些时间上的偏离被均衡掉，使得人造神经网络128在同一时刻收到一个焊接点的数据。这样由人造神经网络128进行传感器数据的相关是可能的。存储器单元119，121，123和125由公共的时钟信号CLK控制。属于一个焊缝点的存储数据在时钟信号出现时被送到可训练的人造神经网络128。在此人造神经网络128中由数据预处理单元118，120，122和124输出的数据计算一个输出信号130，借助于它的帮助得出关于焊缝质量的结论。
图2示出具有基本上分层的网络结构的可训练的人造神经网络128。神经网络128由多个第一人造神经子网络218，220，222和224以及一个第二人造神经子网络242组成。数据预处理单元118，120，122和124的结果，被分别送到一个第一人造神经子网络218，220，222或224。
第一人造神经子网络218，220，224和226的网络结构示出在图3中。它由一个输入层316，一个被遮盖的层318以及一个输出层320组成。输入层316由一个输入神经300组成。第一人造神经子网络的输入值301，即数据预处理单元的输出值被输入神经300以不同的权重分配到被遮盖的层318的多个神经上。被遮盖的层318由多个神经302-312组成。
借助于激活函数，由各单个神经的计权的输入信号确定输出信号的大小。激活函数可以是例如一个反曲函数(Sigmoidalfunktion)或一个正切双曲函数(Tangenshyperbolicusfunktion)。
由被计权的输入信号和一个门限值的和作为一个激活函数的输入值计算输出信号的大小如下：
    Yj＝Fj(∑ωij*Xi+θj)其中，Yj：输出信号的值，
  Fj：激活函数，
  ωij：输入信号的权重，
  Xi：神经的输入信号，
  θj：神经的门限值。
被遮盖的层318的神经的输出信号被送给输出层的神经314。这里也借助于输入信号的权重，一个激活函数和一个门限值计算输出信号316的值。
第一人造神经子网络218-224的输出分别被归一化。通过归一化，第一人造神经子网络218-224输出被归一化到例如0至1的范围内，这样第一人造神经子网络218-224的输出可被看作局部故障值。例如人造神经子网络224的输出值为1，则意味着缝入侵度的故障概率为100％。人造神经子网络218的输出值为0.5意味着由几何传感器测得的，对应于第一人造神经子网络218的过程参数棱角偏差概率为50％。
各个局部故障概率被并行地送给第二人造神经网络242。
第二人造神经子网络242的结构如图5所示。第二个人造神经子网络242由一个输入层516，一个被遮盖的层518以及一个输出层520组成，输入层516由多个神经532，534，536和538组成，第二人造神经子网络242的输入层516的神经的输入值是第一人造神经子网络232-238的相应的归一化输出值。在神经532-538中也借助于一个激活函数以及输入信号的权重和一个门限值求出输出信号值，就像借助于图3所说明的那样。
在被遮盖的层518中有多个神经502-512，输入层516的所有神经532-538的输出信号被送给这些神经。
所有神经502至538的输入被计权。借助于一个激活函数和一个门限值计算神经502至538的输出信号。
在输出层520中仅有一个神经514，被遮盖的层518的神经502-512的输出信号被送给它，这里输入信号也被计权，被计权输入信号的和与一个门限值相加，并且相加结果被用作为激活函数的输入值。由此得到的输出值被用作焊缝的质量评估，在第一人造神经子网络218-224以及第二人造神经子网络242中的神经的各个权重在训练阶段如此被建立，使得人造神经网络128的结论模仿一个人工考察者的评估结果。借助于参考焊接，可以在人造神经网络128的输出端进行额定值/实际值比较，并且借助于回传学习算法调整权重。
第二人造神经子网络242由多个输入值求出一个输出值244，它使得评估焊缝质量成为可能。各个过程参数间的相互作用被第二人造神经子网络242考虑。从而这是可能的：过程参数缝偏差的故障概率为80％，然而通过与其它过程参数的共同作用，焊缝的总故障概率为10％。
各方法步骤以其逻辑顺序被示于图6中，首先传感器数据600被不同的传感器，如几何传感器，缝宽传感器，高温传感器或等离子体传感器收集。这些传感器数据被送去由人造神经网络602进行数据分析。借助于人造神经网络求出的值可进行焊缝评估604。此外关于焊接设备状态例如进料速度，焊缝冷却，焊接功率或坟力的判断是可能的。焊缝评估的结果以及传感器数据被存储在数据库608中。在数据库608中存储的数据组被用于生产和设备评估，此外这些数据在可能发生的产品责任情况下被用作证据。这些数据也可作为用于证明质量的证据。
焊缝评估604的结果被用于构造一个调整回路610，数据一方面用于调整设备603a，另一方面用于调整激光器603b。设备调整包括焊接设备的调整，如压力，防护气体的馈送，焊缝冷却以及被焊板的进料速度。激光器的调整603b包括焊接功率，焊接温度，功率分布以及焊束的聚焦位置的调整。因而借助本发明方法一方面可以评估产品质量，与一方面可以在线调整设备参数。

Claims (17)

1.用于对用激光对接焊的板或带上的焊缝进行质量检验的方法，
—其中多个传感器数据由至少两个设置在焊接地点附近的传感器测得，
—其中传感器数据被作为输入值送给至少一个综合和相关测量数据处理器，以对焊缝进行质量评估，
—其中传感器数据被至少一个设置在焊接地点上的收集等离子体的传感器测得，
—其中传感器数据被至少一个设置在焊接地点之后，收集焊缝几何形状的传感器测得，
—其中在进行相关和综合的测量数据处理时，至少两个传感器的多个传感器数据分别被作为输入值送给数据预处理电路，
—其中对应于同一地点的传感器数据的数据预处理的结果被相应存储在一个存储器单元中，
其特征在于，
—被存储的数据作为输入值被送给至少一个具有基本上分层的网络结构的可训练的人造神经网络，
—至少一个具有基本上分层的网络结构的可训练的人造神经网络由至少两个基本上独立的可训练的人造神经子网络构成，
—第一人造神经子网络由至少两个独立的人造神经子网络构成，
—数据预处理的结果分别被作为输入值送给第一人造神经子网络，
—第一人造神经子网络的结果被作为输入值送给第二人造神经子网络，并且
—至少一个人造神经网络的结果被用于质量检验。
2.如权利要求1所述的方法，其特征在于，一个传感器被用于收集缝几何形状，该传感器被设置在焊接地点之前。
3.如权利要求1至2中任一项所述的方法，其特征在于，一个传感器被用于收集接缝间隙，该传感器被设置在焊接地点之前。
4.如权利要求1至3中任一项所述的方法，其特征在于，一个传感器被用于收集高温温度，此传感器设置在焊接地点之后不远处。
5.如权利要求1至4中任一项所述的方法其特征在于，每个第一人造神经子网络由三层构成，其中第一层仅由一个神经构成，第二层由多个神经组成，而第三层仅由一个神经组成。
6.如权利要求1至5中任一项所述的方法其特征在于，第二人造神经子网络由三层组成，其中第一层由多个神经组成，第二层由多个神经组成，而第三层只由一个神经组成。
7.如权利要求1至6中任一项所述的方法，其特征在于，人造神经网络的学习过程借助于一个回传学习算法进行，其中第一人造神经子网络以0.01至0.1之间的学习率η和0.1至0.6之间的动量α被调整，第二人造神经子网络以学习率η和动量α被调整，它们基本上适配于人造神经子网络的输出的故障函数的梯度变化。
8.如权利要求1至7中任一项所述的方法，其特征在于，在数据预处理时进行传感器数据的特征提取。
9.如权利要求8所述的方法，其特征在于，在对反映缝宽的传感器数据进行特征提取时，由设置在焊接地点的传感器测得的传感器数据被作为输入值送给一个误差抑制电路，误差抑制的结果被作为输入值送给一个基本上可自由定义的窗平均电路并且窗平均的结果的差被构成。
10.如权利要求8或9所述的方法，其特征在于，在对代表等离子体强度的传感器数据进行特征提取时，由等离子体强度传感器测得的传感器数据被作为输入值送给一个窗口变换电路。
11.如权利要求8至10中任一项所述的方法其特征在于，在对代表缝入侵度的传感器数据进行特征提取时，由几何传感器测得的传感器数据被作为输入值送给一个窗平均电路。
12.如权利要求8至11中任一项所述的方法，其特征在于，在对代表棱角偏差的传感器数据进行特征提取时，由几何传感器测得的传感器数据被作为输入值送给一个平均值变换电路，并且平均值变换的结果被送给一个窗平均电路。
13.如权利要求1至12中任一项所述的方法其特征在于，第一人造神经子网络的结果分别被归一化(参见说明上第14页上发明人的提示)，并且归一化结果被送给第二人造神经子网络。
14.主要是用于完成权利要求1至13中任一项所述的方法的装置，其特征在于，
—至少两个用于收集传感器数据的传感器被设置在焊接地点附近，
—其中收集焊接等离子体的传感器被安装在焊接地点上，并且
—其中收集焊缝几何形状的传感器被安装在焊接地点之后，并且
—传感器数据分别被用作一个数据预处理的输入值，
—对应于同一地点的传感器数据的数据预处理结果存储在存储器单元中，
—存储器单元的内容用作一个基本上可训练的人造神经网络结构的并行输入值，
—至少一个具有基本上分层网络结构的可训练的人造神经网络具有至少两个基本上独立的人造神经子网络，
—第一人造神经子网络具有至少两个独立的人造神经子网络，
—第一人造神经子网络分别处理作为输入值的数据预处理结果，
—第二人造神经子网络处理作为输入值的第一人造神经子网络结果，并且
—神经网络结构的结果用于焊缝的质量评估。
15.如权利要求14所述的装置，其特征在于，一个几何传感器基本上被设置在焊接地点之前。
16.如权利要求14或15所述的装置，其特征在于，一个高温传感器被设置在焊接地点上。
17.如权利要求14至16中任一项所述的装置，其特征在于，一个缝传感器被设置在焊接地点之前。
CN00814905A 1999-11-27 2000-11-10 用于对用激光对接焊的板或带上的焊缝进行质量检验的方法和装置 Pending CN1384772A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19957163.5 1999-11-27
DE19957163A DE19957163C1 (de) 1999-11-27 1999-11-27 Verfahren und Vorrichtung zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bändern

Publications (1)

Publication Number Publication Date
CN1384772A true CN1384772A (zh) 2002-12-11

Family

ID=7930568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN00814905A Pending CN1384772A (zh) 1999-11-27 2000-11-10 用于对用激光对接焊的板或带上的焊缝进行质量检验的方法和装置

Country Status (7)

Country Link
EP (1) EP1232036A2 (zh)
JP (1) JP2003516860A (zh)
CN (1) CN1384772A (zh)
AU (1) AU2505501A (zh)
CA (1) CA2390873A1 (zh)
DE (1) DE19957163C1 (zh)
WO (1) WO2001039919A2 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100595710C (zh) * 2004-08-13 2010-03-24 卡特彼勒日本有限公司 数据处理方法，数据处理设备，诊断方法和诊断设备
CN102985211A (zh) * 2010-07-09 2013-03-20 雷诺股份公司 用于检查焊接点的质量的方法
US9056368B2 (en) 2008-11-21 2015-06-16 Precitec Kg Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device
CN109332937A (zh) * 2018-09-04 2019-02-15 广州大学 一种基于温度曲线的激光软钎焊质量检测方法
CN109920308A (zh) * 2013-03-11 2019-06-21 林肯环球股份有限公司 使用虚拟现实焊接系统导入和分析外部数据
CN109940305A (zh) * 2019-03-19 2019-06-28 天津大学 基于等离子体电信号的激光深熔焊智能监测系统及方法
CN111814245A (zh) * 2020-09-02 2020-10-23 广东博智林机器人有限公司 天花拼缝布局的获取方法、装置、电子设备及存储介质
CN112204578A (zh) * 2018-03-28 2021-01-08 辉达公司 使用机器学习在数据接口上检测数据异常
CN113329836A (zh) * 2018-11-22 2021-08-31 普雷茨特两合公司 借助深度卷积神经网络监测激光加工过程
CN115413251A (zh) * 2020-03-25 2022-11-29 百超激光有限公司 使用机器学习的激光加工过程的质量控制

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6670574B1 (en) * 2002-07-31 2003-12-30 Unitek Miyachi Corporation Laser weld monitor
DE10304709B4 (de) * 2003-02-06 2006-08-17 Daimlerchrysler Ag Verfahren und Vorrichtung zum Laser-Hybridschweißen
DE102007059505A1 (de) 2007-02-27 2008-10-02 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Anlage zur Qualitätsüberwachung von Laserfüge- oder Laserschneidprozessen
US20090200282A1 (en) * 2008-02-08 2009-08-13 Gm Global Technology Operations, Inc. Weld signature monitoring method and apparatus
DE102008038332A1 (de) 2008-08-19 2009-01-22 Daimler Ag Verfahren und Vorrichtung zur Regelung eines Schweißprozesses
DE102008058422A1 (de) * 2008-11-21 2010-05-27 Precitec Itm Gmbh Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
DE102012221218A1 (de) 2011-11-22 2013-05-23 Leibniz-Institut Für Festkörper- Und Werkstoffforschung Dresden E.V. Vorrichtung zur Qualitätssicherung von mittels Laserstrahlbearbeitung hergestellten Produkten
JP6081833B2 (ja) * 2013-03-15 2017-02-15 株式会社総合車両製作所 レーザ溶接方法及びレーザ溶接装置
JP5947740B2 (ja) * 2013-03-29 2016-07-06 トヨタ自動車株式会社 溶接部の検査装置とその検査方法
JP5947741B2 (ja) * 2013-03-29 2016-07-06 トヨタ自動車株式会社 溶接部の検査装置とその検査方法
JP5849985B2 (ja) * 2013-04-15 2016-02-03 トヨタ自動車株式会社 溶接部の検査装置とその検査方法
KR101780049B1 (ko) 2013-07-01 2017-09-19 한국전자통신연구원 레이저 용접 비드 검사 장치 및 방법
JP6810110B2 (ja) 2018-08-24 2021-01-06 ファナック株式会社 加工条件調整装置及び機械学習装置
DE102018129425B4 (de) * 2018-11-22 2020-07-30 Precitec Gmbh & Co. Kg System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks
DE102019208037A1 (de) * 2019-06-03 2020-12-03 Robert Bosch Gmbh Verfahren und Vorrichtung zum Verbessern eines Laserstrahlschweißprozesses
EP3885069A1 (de) 2020-03-25 2021-09-29 Bystronic Laser AG Qualitätskontrolle eines laserbearbeitungsprozesses mittels maschinellem lernen
CN115916451B (zh) * 2020-10-16 2024-02-20 百超激光有限公司 用于计算空间和时间分辨的、组合的设定点数据集的方法、控制单元和激光切割系统
DE102022200371A1 (de) 2022-01-14 2023-07-20 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04127984A (ja) * 1990-09-19 1992-04-28 Hitachi Ltd レーザ溶接方法及び装置
JPH04128962A (ja) * 1990-09-20 1992-04-30 Fujitsu Ltd ニューラルネットワークの統合方式
JPH06344167A (ja) * 1993-06-07 1994-12-20 Toshiba Corp レーザ加工装置
EP0655294B1 (de) * 1993-11-30 1997-05-02 Elpatronic Ag Gleichzeitige Temperaturmessungen an Laserschweissnähten mit mindestens zwei Pyrometern und Zuordnung zu Prozessparametern und Nahtqualität
JP2885040B2 (ja) * 1993-12-27 1999-04-19 日産自動車株式会社 レーザ溶接の溶接品質管理方法
JPH08206859A (ja) * 1995-02-07 1996-08-13 Toshiba Corp レーザ溶接品質判定装置
JPH10235490A (ja) * 1996-12-24 1998-09-08 Kawasaki Steel Corp 電気溶接機の溶接状態の評価方法および装置
GB9719527D0 (en) * 1997-09-12 1997-11-19 Powerlasers Ltd Fuzzy neural-network controller for laser welding systems

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100595710C (zh) * 2004-08-13 2010-03-24 卡特彼勒日本有限公司 数据处理方法，数据处理设备，诊断方法和诊断设备
US9056368B2 (en) 2008-11-21 2015-06-16 Precitec Kg Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device
CN102292187B (zh) * 2008-11-21 2015-12-09 普雷茨特两合公司 用于监控要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头
CN102985211A (zh) * 2010-07-09 2013-03-20 雷诺股份公司 用于检查焊接点的质量的方法
CN102985211B (zh) * 2010-07-09 2016-04-20 雷诺股份公司 用于检查焊接点的质量的方法
CN109920308A (zh) * 2013-03-11 2019-06-21 林肯环球股份有限公司 使用虚拟现实焊接系统导入和分析外部数据
CN112204578A (zh) * 2018-03-28 2021-01-08 辉达公司 使用机器学习在数据接口上检测数据异常
CN112204578B (zh) * 2018-03-28 2024-04-02 辉达公司 使用机器学习在数据接口上检测数据异常
CN109332937A (zh) * 2018-09-04 2019-02-15 广州大学 一种基于温度曲线的激光软钎焊质量检测方法
CN109332937B (zh) * 2018-09-04 2021-06-08 广州大学 一种基于温度曲线的激光软钎焊质量检测方法
CN113329836A (zh) * 2018-11-22 2021-08-31 普雷茨特两合公司 借助深度卷积神经网络监测激光加工过程
US12013670B2 (en) 2018-11-22 2024-06-18 Precitec Gmbh & Co. Kg Monitoring a laser machining process using deep folding neural networks
CN109940305A (zh) * 2019-03-19 2019-06-28 天津大学 基于等离子体电信号的激光深熔焊智能监测系统及方法
CN115413251A (zh) * 2020-03-25 2022-11-29 百超激光有限公司 使用机器学习的激光加工过程的质量控制
CN111814245A (zh) * 2020-09-02 2020-10-23 广东博智林机器人有限公司 天花拼缝布局的获取方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2001039919A2 (de) 2001-06-07
AU2505501A (en) 2001-06-12
CA2390873A1 (en) 2001-06-07
DE19957163C1 (de) 2001-08-09
EP1232036A2 (de) 2002-08-21
JP2003516860A (ja) 2003-05-20
WO2001039919A3 (de) 2001-12-06

Similar Documents

Publication Publication Date Title
CN1384772A (zh) 用于对用激光对接焊的板或带上的焊缝进行质量检验的方法和装置
Xu et al. Application of sensing technology in intelligent robotic arc welding: A review
Pashazadeh et al. Statistical modeling and optimization of resistance spot welding process parameters using neural networks and multi-objective genetic algorithm
Zhang et al. Real-time seam penetration identification in arc welding based on fusion of sound, voltage and spectrum signals
Asif et al. Machine learning model to predict welding quality using air-coupled acoustic emission and weld inputs
Kovacevic et al. Real-time image processing for monitoring of free weld pool surface
Pal et al. Artificial neural network modeling of weld joint strength prediction of a pulsed metal inert gas welding process using arc signals
CN100451895C (zh) 用于控制工业过程的质量的方法
Huang et al. A neural network and multiple regression method for the characterization of the depth of weld penetration in laser welding based on acoustic signatures
Ma et al. Binocular vision system for both weld pool and root gap in robot welding process
Chen et al. Prediction of weld bead geometry of MAG welding based on XGBoost algorithm
CN102455171B (zh) 一种激光拼焊焊缝背面几何形貌检测方法
Ma et al. Gas metal arc weld pool surface imaging: modeling and processing
CN108971704A (zh) 基于视觉及旋转电弧复合传感的三维焊缝跟踪方法及系统
Wu et al. A prediction model for keyhole geometry and acoustic signatures during variable polarity plasma arc welding based on extreme learning machine
CN105074454B (zh) 用于金属性能的无损控制的装置和方法
Hong et al. Filter-PCA-based process monitoring and defect identification during climbing helium arc welding process using DE-SVM
Goli et al. Proposal of a new method for the rapid assessment of wood machinability and cutting tool performance in peripheral milling
He et al. Weld seam profile extraction using top-down visual attention and fault detection and diagnosis via EWMA for the stable robotic welding process
CN114119595A (zh) 一种基于集成深度学习的gmaw焊接质量在线监测及评价方法
Alcaraz et al. Indirect porosity detection and root-cause identification in WAAM
Cook et al. Automated visual inspection and interpretation system for weld quality evaluation
Huang et al. Penetration estimation of GMA backing welding based on weld pool geometry parameters
CN112440039A (zh) 基于多线结构光投影的焊缝智能光电跟踪系统及测量方法
Li et al. A modified welding image feature extraction algorithm for rotating arc narrow gap MAG welding

Legal Events

Date Code Title Description
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication