CN1494667A - 调节和控制工艺过程的方法 - Google Patents

Abstract

本发明涉及一种用于调节和控制工艺过程的方法，该工艺通过在每一时间t应用导致产生结果R(t)的指令C₁(t)而及时进行，所述结果可测量，但不可观测，并产生多个与结果R(t)不同的可观测量，其中至少两个可观测量是独立的G₁(t)，其特征在于：测量至少两个可独立观测的量G₁(t)，...，G_p(t)；借助于预测模型M，或一组模型，其中输入量包括所述的至少两个可独立观测的量，计算结果R(t)的估计值R_es(t)＝M(G₁(t)，...，G_p(t))；使用驱动规则L，其中输入量是估计结果R_es(t)，计算新的指令值C₁(t+1)，用目标值C₁(t+1)代替目标值C₁(t)。本发明可用于点焊。

Description

调节和控制工艺过程的方法

技术领域

本发明涉及一种调节和控制工艺过程的方法，其中所述工艺以连续方式或间断方式及时执行，且所述工艺尤其是金属板组件的点焊。

背景技术

通过控制系统可以调节和控制的工艺过程非常多，可以在所有行业中发现。总而言之，一种工艺将以工艺的输入量作为表征量的对象转变成以工艺的输出量作为表征量的另一对象。通过对应于操作人员或控制系统固定的调节参数的目标量(desired quantity)，可以控制所述工艺的执行。而且，通常希望至少一个输出量保持接近预定值，然后据说是调节这个量。为了实现这一目的，即为了获得具有接近于预定值的值的输出量，调节目标量。在所述工艺的特征量的测量值基础上调节目标量，以及使用这些测量值监控工艺的执行，构成了调节和控制所述工艺的方法。应当指出的是，如果输出量是互相独立的变量，则仅可以调节一个量，且仅这些量中的一个。因此，在下文中假定仅调节一个输出量，即使所述工艺可以使用几个互相独立的输出量来表征。在下文中，需调节的输出量也称为“结果”。最后，所述工艺的执行可以通过与所述工艺产生的现象相联的量来表征，这些量既不是输入量，也不是输出量。

输入量或输出量，或任何其他与所述工艺相关的量，可以或不可以测量，如果它可以测量，则测量可以或不可以实时进行，而不中断所述工艺。在下文中：

—“可测量量”用于指可测量的量，即可以得出对应的数值；这种量不必实时测量。

—“可观测量”用于指可测量的量，该量可以在工艺中或者在所述工艺直接产生的产品上直接实时测量。

用于调节和控制工艺的方法是已知的，例如包括测量需调节的输出量、对比这一测量值与预定值、然后利用控制规则修正目标量。这种工艺假定所述的输出量可以实时测量。

在前述方法的变体中，需调节的量不可实时测量，而是与另一本身可实时测量的输出量以已知的方式相关。在这种情况下，需调节的量被可测量的输出量代替，且调节这一可测量的输出量。

用于调节和控制工艺的方法也是已知的，包括测量输入量，并使用模型计算目标量，其中所述模型的变量是测量的输入量和预定的输出值。然后，这个模型形成控制规则，该规则不允许计算需调节的输出量的预测值。这种工艺假定可以测量所述输入量，且可得到适当的模型。

调节和控制工艺的方法也是已知的，包括测量所述输入量，并借助于预测模型计算需调节的输出量的估计值，其中所述预测模型的变量是输入量和目标量，然后比较所述估计值与预定值，并使用这一比较结果，以便利用驱动规则修正所述目标量。这种工艺假定所述输入量可以实时测量，且可得到适当的预测模型。

最后，调节和控制工艺的方法是已知的，其中可以在需调节的输出量和目标量的基础上，使用可以计算输出量的值的模型，该输出量便于测量，但与需调节的量不同，而是紧密相关。在这种方法中，在需调节的输出量的预定值和所述目标值的基础上，计算预定值，作为便于测量的输出量，然后，比较该量的测量值与预定值，且基于这一比较结果，使用控制规则修正所述目标量。这种方法尤其假定至少一个便于测量的输出量是已知的，并且该量可以在模型的基础上计算出，其中模型的变量是需调节的输出量和目标量。

然而，存在着所有这些调节和控制方法都不使用的工艺。尤其是在金属板组件点焊的情况下就是如此。实际上，在这种工艺中，需获得的结果仅可通过破坏性试验来测量，因此，不能用于连续地调节和控制所述工艺。另一方面，结果不仅取决于输入和目标量，而且取决于完成焊接所使用的装置的磨损。但没有可靠的方式已知用于测量所述装置的磨损。因此，在输入和目标量的基础上，不可预测焊接接头的质量或任何其他的本身可以代表焊接质量的输出量。最终，没有与需调节的结果紧密相关的输出量可知。

因此，有些工艺，例如点焊，其中输入量、输出量和目标量不能使公知的调节方法得到实施。

发明内容

本发明的目的是通过提出一种用于连续调节和控制工艺过程比如点焊的方式来克服这一缺陷，其中在所述工艺过程中不可以观测(在上述的意义上)获得的结果，且这一结果不能仅根据可测量的输入量或一个可测量的输出量的测量值进行预测。

因此，本发明涉及一种用于调节和控制工艺过程的方法，该工艺过程通过在每一时间t应用导致产生结果R(t)的目标值{C₁(t)，...，C_n(t)}并且产生多个可观测量而以连续方式或间断方式及时执行，其中所述结果可测量、但不可观测，且希望接近预定值R_v，至少两个可观测量是独立的{G₁(t)，...，G_m(t)}，其中：

—测量至少两个可独立观测的量G₁(t)，...，G_p(t)，

—借助于预测模型M，或一组模型，其中输入量包括所述的至少两个可独立观测的量以及可能情况下的至少一个目标值C₁(t)，...，C_q(t)，计算结果R(t)的估计值R_es(t)＝M(G₁(t)，...，G_p(t)，C₁(t)，...，C_q(t))，

—借助于控制规则L，其中输入量是估计结果R_es(t)和预定结果R_v，计算新的目标值{C₁(t+1)，...，C_n(t+1)}＝L(R_es(t)，R_v)，该值可在时间t+1应用，

—用目标值{C₁(t+1)，...，C_n(t+1)}代替目标值{C₁(t)，...，C_n(t)}。

预测模型M可以是取决于参数{θ₁，...，θ_p}的统计调节模型，所述参数构成了在初始基数(base d’apprentissage)B_ap上调节的参数向量θ，所述初始基数包括所有目标值、可观测量的测量值以及所述工艺过程多次连续执行的结果的测量值。

为了确定模型M，例如可以以下述方式进行：

—根据参数向量θ选择模型结构，

—选择例如二次型的价值函数J，

—利用所述初始基数，对应于维数qk的不同参数向量θ_k计算调节的模型M_a，k的连续性，使初始基数上的价值函数全部或局部最小化，

—对于每一模型M_a，k，计算每一初始基数样本的系数h_ii，并计算模型M_a，k的广义分数(score)：

E(θ_a，k)＝∑_i＝l，N[M_a，k(xⁱ；θ_a，k)-R_i)/(l-h_ii]²

—计算量μ(θ_a，k)＝(N.q_k)^-1/2∑_i＝l到Nh_ii ^1/2，且在具有最小E(θ_a，k)的模型中选择具有最大μ(θ_a，k)的模型M_a，k；该模型是最佳模型M_a，opt。

优选的是：

—对于结果R的测量值，确定测量误差的标准偏差的分布范围[σ_min，σ_max]，

—预测模型M的参数{θ，……，θ_p}这样调节，即在测试基数B_test上预测模型M具有分数S，使σ_min＜S＜σ_max，所述测试基数与初始基数不同，包括用于所述工艺过程的多次连续执行的所有指令、可观测量的测量值和结果的测量值。

为了调节预测模型M的参数{θ，……，θ_p}，可以选择第一初始基数B_ap和第一测试基数B_test，然后按如下步骤进行：借助于第一初始基数，确定参数{θ，……，θ_p}的第一估计值，且针对所述初始基数，使模型M的分数S落入分布范围[σ_min，σ_max]内，然后，使用模型M中的参数的第一估计值，借助于第一测试基数B_test，估计分数S并与分布范围[σ_min，σ_max]比较。如果S落入分布范围内，则认为参数的估计值是令人满意的，在相反的情况下，使用取自第一测试基数的样本来完善所述初始基数B_ap，以便构造新的初始基数，如果需要，则完善所述测试基数，然后借助于新的初始基数，重新确定参数{θ，……，θ_p}，以及在新测试基数上的分数S，然后继续循环，直到S落入分布范围[σ_min，σ_max]内。

为了利用取自测试基数中的样本完善初始基数，可以：

—固定用于所述模型预测的置信区间阈值S_k，

—对于测试基数的每个样本计算用于模型M预测的置信区间I_k，

—将置信区间I_k大于S_k的测试基数的所有样本引入所述初始基数中。

在所述工艺的操作过程中，可以测量至少一个结果以及对应的可观测量，以确定至少一个附加样本，该样本可以加到初始基数上，然后利用获得的新的初始基数，评价模型的性能，且如果需要，可以调节模型的参数。

所述模型M例如是神经网络。

所述工艺过程尤其是金属板的点焊。

在这种情况下，结果R例如是点焊熔核的直径φ，目标值C₁，...，C_n是点焊压力F_s、焊接电流强度I_s、焊接时间Δt_s和顶锻时间Δt_f。可观测量例如是总电能E_t，焊接过程中的最大膨胀量Δz_s和顶锻阶段的最大收缩量Δz_f。

控制规则L可以以下述方式定义：

—选择点焊熔核的直径的最小值φ_min和最大值φ_max，

—选择数字qm，

—产生点焊熔核的直径φ的最后第qm个预测值的变动平均数φ_mg，

—如果φ_mg＞φ_max，则减小焊接电流强度的目标值I_c，如果φ_min≤φ_mg≤φ_max，则不调节焊接电流强度的目标值I_c，如果φ_mg＜φ_min，则增加焊接电流强度的目标值I_c。

还可以固定值R₀＜R_min，且如果点焊熔核的直径φ的最后预测值小于φ₀，则增加焊接电流强度目标值I_c。

还可以固定焊接电流强度增量ΔI_c，且当焊接电流强度的目标值I_c减小或增加时，从I_c上减去增量ΔI_c或将增量ΔI_c加到I_c上。

这种方法最好由计算机来实施。

附图说明

现在将通过参照附图的点焊示例来详细描述本发明，其中：

图1是两块金属板点焊的原理图，

图2是点焊熔核的剖面示意图，

图3是在拉开之后点焊熔核的剖面示意图，

图4是示出了在焊接电极磨损的两种状态下点焊熔核直径随焊接电流强度变化而发展的图，

图5是示出了焊接电流强度指令随产生的焊点数变化而发展的图，

图6示意地示出了在形成点焊接头的过程中焊接的多个特征量的发展。

具体实施方式

点焊是一种公知的组装两块金属板的方法。两块板1和2(图1)在边缘的搭接区域一个放在另一个上，且夹在连接于控制模块4的两电极3和3′之间，其中所述控制模块具有连接于电源5的变压器。借助于电极，强度为Ic的电流在有限的时间内通过位于电极之间的板接触区域6。电流在接触区6通过导致金属加热，直到使其熔化，形成被热影响区8包围的熔芯7(图2)，所述热影响区具有通过电极压力产生的凹痕9和9′。在电流通过之后，熔芯7凝固，确保两板之间连接。总之，为了将两块板组装在一起，产生多个沿板的搭接区域排布的点焊接头。

由熔化然后凝固的所述区域7和热影响区8构成的整个区域称作点焊熔核。

焊接接头的质量，即点焊熔核的机械阻力，是通过熔核的平均直径来评价的。为了测量该平均直径，取下包含点焊熔核的一部分点焊板，然后将两块板拉开而分离。然后(图3)，得到含有大致圆形的孔10的一部分板和含有熔核8的一部分板2a。为了测量熔核的直径φ，测量熔核的最大和最小直径，然后得出这两个测量值的算术平均值。该测量值是在槽16中形成的，该槽大致位于两板之间的界面处。因此，焊接接头的质量是可测量的量，这一质量的测量值是点焊熔核的直径。应当指出的是，焊接接头的质量还可以通过其他方式测量，比如通过测量拉开点焊熔核的作用力；本领域的技术人员知道如何确定这些测量点焊熔核质量的方法。然而，在上述意义上，该量是不可观测的，因为为了测量它，必须损坏焊接接头，因此不可能实时测量，即在产生焊接接头时测量。

所述焊接工艺包含下述步骤：

—将所述板放在电极之间的适当位置处，

—合拢，一种使所述电极接近所述板，通过将夹紧力增加到标称值而逐渐地夹紧它们的工艺，

—使电流在预定的时间内通过而熔化熔芯，

—通过在预定的时间内保持夹紧力而顶锻，

—通过将电极移开而使夹紧松开。

每一步骤都保持若干分之一秒或约1秒，整个循环持续几秒钟。

对于给定厚度和类型(金属的性质，涂层的有无等)的板而言，焊接质量取决于下述参数：

—电极夹持板的夹紧力F，

—焊接电流强度I_s，

—电流通过的时间Δt_s，

—施加顶锻作用力的时间Δt_f，

—电极的磨损情况。

对于这些参数中的每一个，除了电极的磨损状态之外，目标值定义为必须借助于由其自动系统控制的焊接机产生的值。

应当观测到的是，在给定的夹紧力F、给定的电流流经时间Δt_s和给定的顶锻时间Δt_f下，当电流I_s从值I_min直到值I_max时，(通过熔核的直径φ测量的)焊接质量随着电流I_s(图4)从最小值φ_min开始变化到最大值φ_max，可观测到发生了称为喷溅的现象对应于这样的事实，熔化过度使得熔融金属喷出，而熔核直径不增加；实际上，熔核直径减小，如曲线11所示。

然而，点焊熔核的直径还取决于电极的磨损情况(这通过电极端部直径的增加而反映出来)。磨损的结果是使熔核直径＝f(电流强度)曲线变形，朝高强度偏移，且梯度减小，如图4所示，其中曲线11对应于新电极，曲线12对应磨损的电极。对于磨损的电极，最小直径φ_min对应的电流强度I′_min＞I_min；最大直径φ_max对应的电流强度I′_max＞I_max。I_max和I′_max之间的差值基本上大于I′_min和I_min之间的差值。

为了使焊接过程令人满意，点焊熔核的直径必须在φ_min和φ_max之间，且电流强度小于出现喷溅现象的强度。随着在形成焊接接头的过程中电极的磨损，为了保证连续点焊接头的质量，必须至少使指令随着利用同一电极形成的点焊接头数目的增加而发展。

图5示出了表示“接头数目/电流强度”的图，其中曲线13和14示为分别表示I_max和I_min随接头数目变化的发展(对应于接头数目的水平轴线的标度是随机的，且曲线13和14是纯直线)。

曲线13和14限制了可焊性的区域15，其中操作点对应于标为s₁至s₉的连续接头定位。这些接头“逐步地(in steps)”地排布，而对应于控制点焊装置的普通方式，且以“相差规则”的名字所公知。由于曲线13和14实际上不具有普通公知的形式，它适于确定焊接接头的数目，此后必须调节电流强度指令以及到何种程度。用于点焊时，本发明的目的是自动地确定何时改变电流强度指令以及改变多少。

为了有助于理解本发明，现在将参照图6详细描述用于完成点焊的基本循环。

图6示出了两个可观测量随时间变化的情况，它们是：

—使电极夹在待焊接组件上的力F，

—电极之间的间隔z；该间隔是通过每一电极上定义的两任意参考点A和A′之间的距离(图1)测量的。

借助于焊机上以已知方式配备的力和位移传感器，可以实时测量这两个量。

在图6中看到6个连续阶段，它们是：

—1：在电极夹紧之前，所述作用力是零，且所述间隔具有足以使待组装的板位于所述电极之间的值z₀，

—2和3：合拢，所述电极相对移动，直到它们接触所述板，所述距离z减小，所述作用力增加到目标力F_c，且所述距离z为对应于两板互相接触的值z₁，

—4：焊接，电流以目标强度I_c流过。在此阶段，由于电流产生的热量造成板的膨胀，作用力F增加到值F_max，s，电极之间的间隔z增加到值z₂，

—5：顶锻，保持所述作用力，但切断电流的供应，所述作用力稳定在值F_c，且所述电极相对稍稍移动，在与板接触的区域形成凹痕，所述距离z经过最小值z₃，

—6：焊接结束，电极移开，以便与所述板脱离或移开。

在该图中可以看出量F和z随时间而变化。

在每一时刻，都可以测量F(t)和z(t)。使用本身公知的电测量装置，可以测量阶段4中的瞬时电流强度i(t)和瞬时电压u(t)。

为了控制焊接工艺，使目标值保持固定，该值是作用力F_c和电流强度I_c，以及焊接时间Δt_s和顶锻时间Δt_f。通过对测量值F(t)、z(t)和u(t)进行本领域的技术人员知道如何进行的适当的计算机处理，可以在点焊之后确定在上述的意义上可观测的量。

这些可观测量例如是：

—最大焊接力F_max，s，

—焊接过程中的最大膨胀ΔZ_max，s＝z₂-z₁，

—顶锻过程中的最大收缩ΔZ_max，f＝z₂-z₃，

—消耗的总电能E_elec＝∫u(t)i(t)dt，(所述积分是在焊接持续时间上进行的)。

应当指出的是，在该工艺中，已经定义的可观测量不是输入量，也不是输出量，也不是目标值。

在这些可观测量的基础上，尤其是在量ΔZ_max，s，ΔZ_max，f和E_élec的基础上，可以计算点焊熔核直径φ_p的预测值。为了计算可以随可测量量ΔZ_max，s，ΔZ_max，f和E_élec变化的φ_p，使用模型M，且：

φ_p＝M(ΔZ_max，s，ΔZ_max，f，E_élec)。

在该示例中，且回过来看上述的术语，量φ表示结果R。模型M考虑三个可观测量ΔZ_max，s，ΔZ_max，f和E_élec，但它可以考虑其他的，且可以包括一或多个目标值，比如I_c、F_c、Δt_s和Δt_f。然而，重要的是要指出，所述模型考虑至少两个独立的变量，其中至少一个是可观测量，这是评价φ_p所必须的。实际上，仅考虑这些可测量量之一，如果需要则考虑一或多个目标值，或仅考虑目标值，不能使φ_p得到足够精度的评价。

如前所述，点焊工艺的控制包括在每一焊接接头形成之后，确定需应用的目标值，以便以令人满意的方式完成下一焊接接头。具体而言，它包括确定电流强度的目标值I_c，而使点焊熔核的直径令人满意，即它在上述的两值φ_min和φ_max之间，从而使电流的目标值I_c位于可焊性的范围内。

因此，对于每一焊接操作：

—记录必需的可观测参数，以便确定模型M使用的可观测量；在目前的情况下，这些是ΔZ_max，s，ΔZ_max，f和E_élec，

—借助于模型M，计算结果R_es的估计值，在目前的情况下等于点焊熔核的直径：R_es＝φ_p＝M(ΔZ_max，s，ΔZ_max，f，E_élec)，

—借助于至少具有R_es作为输入量的控制规则L，计算下面的焊接操作的电流目标值I_c：I_c＝L(R_es)，

—使用电流强度的新目标值完成下面的焊接操作。

多种控制规则都是可行的。尤其是，可以使用以下述方式限定的控制规则L：

—为点焊熔核的直径选择最小值φ_min和最大值φ_max，

—选择数字qm，

—产生点焊熔核直径φ的最后第qm个预测值的变动平均数φ_mg，

—如果φ_mg＞φ_max，则减小焊接电流强度的目标值I_c，如果φ_min≤φ_mg≤φ_max，则不调节焊接电流强度的目标值I_c，如果φ_mg＜φ_min，则增加焊接电流强度的目标值I_c。

还可以固定值R₀＜R_min，且如果点焊熔核直径φ的最后预测值小于φ₀，则增加焊接电流强度目标值I_c。

为了调节电流强度的目标值，还可以固定焊接电流强度的增量ΔI_c，当焊接电流强度的目标值I_c减小或增加时，从I_c上减去增量ΔI_c或将增量ΔI_c加到I_c上。

模型M是在初始基数B_ap基础上构成的统计模型，所述初始基数包括所有的目标值、可观测量以及从一系列N个点焊接头中获得的结果的测量值。它可以在测试基数B_test上得到确认，所述测试基数以与初始基数相同的方式组成，但具有与组成初始基数的不同样本。

模型M例如是神经网络，但它可以是任何类型的统计模型。

现在将以大致的方式描述所述模型的结构及其应用，然后描述点焊应用的具体特征。

如上所述，初始基数由一组以最好覆盖实现待测工艺的可能状态的方式选择的N个观测值组成，用下标i表示。

下述值是对应每一观测值i作出的：

—获得的(测量的)结果R_i，

—n个变量xⁱ ₁，...，xⁱ _n，它们对应于目标值和测量的可观测量，且形成向量x^I；可以指出的是，这些变量可以同等地对应输入量，在点焊的情况下，它们可以例如是待焊板材的厚度和性质；然而，在目前的情况下，假定利用相同的板材作出全部观测值。

以同样的方式，由N′个观测值构成测试基数，其中是R的测量值和n个构成向量x的变量xⁱ ₁，...，xⁱ _n是对应于每个观测值作出的。

所述模型M是一个适当形式的函数，本领域的技术人员知道怎样选择他想使用的模型的函数类型；这可以是n个变量x₁，...，x_n的多项式或是包括至少一个非线性神经元且取决于所述变量的神经网络。这个函数取决于构成向量θ的参数θ₁，……，θ_q。它可以计算结果的估计值R_est＝M(x；θ)(或以显式方式表示：R_est＝M(x₁，...，x_n，θ₁，……，θ_q)。这种模型可以通过寻求使分数S最小的向量θ_a在初始基数上调节，所述分数还表示为S(M；B_ap)，当在初始基数B_ap上对所述模型M进行计算时，它等于初始基数上的所有点的价值函数的值的总和，所述价值函数的值例如是在由模型得到的估计值和有效测量的结果之间的标准偏差：

                J(x)＝(R_est-R)²＝((M(x，θ)-R)²

价值函数J是变量x的函数，它取决于参数向量θ，因此它可以写成J(x₁，...，x_n，θ₁，……，θ_q)的形式。

然后给出：

                S(M；B_ap)＝∑_i＝l，NJ(x_i)＝∑_i＝l，N(R_est，i-R_i)²

向量x¹，...，x^N是对应于初始基数B_ap的不同点的向量。向量θ_a的搜索可以使用本领域的技术人员公知的任何价值最小化的方法，比如，准牛顿(quasi Newton)算法(例如在W.H.Press & al的“数值方法C：科学计算方法”(Nemerical Recipes In C：The Art Of Scientific Coputing)第二版，剑桥大学出版社，1992年中描述)或Levenburg-Marquarte方法(例如在K.Levenburg的“一种解决某种非线性问题的最小二乘方法“，(A Methodfor the Solution of Certain Nonlinear Problems in Least Squares)，应用数学II(2)季刊(Quarterly Journal of Applied Mathematics II(2))，pp.164-168，1994以及D.W.Marquarte的“非线性参数的最小二乘估计法”(AnAlgorithm for Least-Aquares Estimation of Non-linear Parameters)，工业协会会志及应用数学11(2)(Journal of the Society of Industrial and AppliedMathematics 11(2))pp.431-441，1963中描述)。

这样就获得了经过了调节的模型M_a(x，θ_a)。这一模型可以通过计算分数S而在测试基数B_test上进行测试，所述分数等于在测试基数的所述点上计算的价值函数：

S(Ma；B_test)＝∑_i＝l，N′＝F(xⁱ)；x¹，...，x^N′属于测试基数B_test

所述分数可以是以同样的方式在初始基数上计算的。

然而，对于同一类型的模型，模型可以设想包括或多或少的参数。例如，如果模型是多项式类型，则可以是一次项和更高次项的多项式类型。同样，如果模型是神经网络类型，则可以选择包括一个或者多个神经元的模型。模型的分数具体取决于参数的数目，尤其是当这一数目增加时，分数减小，因为只要没有调节过度，当模型的分数较低时，模型会更好，所以这是希望的。实际上，构成初始基数或测试基数的测量结果被引入随机噪声的误差干扰。通过过多地增加参数数目，可以获得在初始基数上的分数为零的模型，这看起来非常理想，但实际上是一种缺陷。实际上，这种模型预测的不是需要建模的现象，而是加入了影响初始基数的噪声的现象。结果，这种模型应用到不包含在初始基数中的点上时将会给出被主误差干扰的推定结果。

而且，对于同一类型的模型，即对于给定的代数形式和给定的参数数目，在通常情况下价值函数允许有几个最小值，也就是说有几个参数向量θ_a。一个模型对应这些参数向量中的一个。

为了寻求最佳模型，也就是说具有最低的分数，同时不受调节过度影响的模型，可以使用一种本身已知的方法，这种方法称为“交叉验证”或者“正则化(regularisation)”。

然而，这些方法不仅是难使用，而且总是不太有效。而且，本发明人已经设计了一种可以改善已知方法性能的新方法。

为了实施该方法，步骤如下：

—选择模型结构，其中参数的数目可以是任意的，

—如上所述确定第一次调节的模型，包括q_l个参数：M_a，l(x；θ_a，l)，其中θ_a，l是维数q_l的向量，

—计算模型M_a，l(x；θ_a，l)的雅可比行列式Z。为此，设定函数M_a，l(xⁱ；θ)，其中假定模型的参数向量θ是可变的。矩阵Z是具有ql行、N列的矩阵，其中项z_i，j等于：

z_i，j＝M_a，l(xⁱ；θ)/θ_j  此时θ＝θ_a，l

—然后对于B_ap的每一观测值，计算表示为h_ii的下述标量：

h_ii＝(z_i，l，...，z_i，ql)(^tZZ)^-lt(z_i，l，...，z_i，ql)

这样，在初始基数上计算具有如下参数向量θ_a，l的模型的广义分数：

E(θ_a，l)＝∑_i＝l，N[(M_a，l(xⁱ；θ_a，l)-R_i)/(l-h_ii)]²

且计算量μ(θ_a，l)＝(N.q_l)^-1/2∑_i＝l，Nh_ii ^1/2

—然后以同样的方式，确定模型，根据选择，所述模型具有不同的结构和不同的参数数目，或者对应同一价值函数的不同最小值。这样获得一系列与量E(θ_a，k)和μ(θ_a，k)相应的模型M_a，k。

—通过比较E(θ_a，k)和μ(θ_a，k)的值，确定模型M_a，k，其中E(θ_a，k)是获得的最小值之一，μ(θ_a，k)是最大值。这一模型对应于表示为M_a，opt的最佳模型。这就是随后使用以便有效地调节所述工艺的模型。

为了确定最佳模型，例如可以以下述方式进行：

—设定多个模型M_a，k，计算E(θ_a，k)和μ(θ_a，k)的对应值，

—设定E(θ_a，k)的值构成的集合，该集合包括min[E(θ_a，k)]的较小值，且至少保留两个其中E(θ_a，k)的值最接近min[E(θ_a，k)]的模型，为此，可以使用本领域的技术人员可确定的任何判据，

—设定如上所述选择的模型，在那些模型中，保留其中μ(θ_a，k)的值最大的一个模型；该模型被认为是最佳模型。

因此，从具有最小的E(θ_a，k)的模型中选择具有最大的μ(θ_a，k)的模型。

使用本身已知的方法，还可以选择由多个推定可接收的模型构成的“模型集合”，且每次希望对使用的模型集合进行预测，以便确定最相关的预测(例如参见CLEMEN，R.T.“组合预测：评价和注释的资料目录(combining forecasts：A review and annotated bibliography)”，国际预测期刊(Internationl Journal of Forecasting)，Vol 5，pp559-584，1989)。

下面仅参照一“模型”，但将给出的解释说明可以通过本领域的技术人员加以必要的变更而转换到“模型集合”上。

这样获得的模型不必令人满意，尤其是在初始基数没有包含足够的点时，或者这些点没有在入口空间内以令人满意的方式分布时。为了评价模型的质量，且如果需要，则改进它的质量，那么可以使用测试基数。为此，步骤如下：

—通过对结果R的测量值的初始测试，推定地确定测量噪声的标准偏差的估计范围[σ_min，σ_max]，

—然后在测试基数上计算模型M_a，opt的分数：S(M_a，opt；B_test)，且该分数与范围[σ_min，σ_max]相比较；如果σ_min＜S(M_a，opt；B_test)＜σ_max，则认为该模型是令人满意的；在相反的情况下，初始基数利用从测试基数中取得的一或多个点而增强，且重新开始最佳模型的计算。

从测试基数中取得且引入初始基数中的样本可以以多种方式选择。然而，希望选择所述模型得出的用于使估计结果R的置信区间最大的那些点，即该估计值最不确定。不管属于初始基数或测试基数，点i的这一置信区间都由前述的系数h_ii确定。具体而言，它与h_ii ^1/2成比例。通过以构成测试基数的方式不时地取得结果的测量值，模型的这种调节和重新设定可以在工艺的执行过程中进行，且借助于测试基数可以评价模型的性能，如果需要，则增强初始基数，以便重新计算具有更好性能的模型。

在点焊的具体情况下，根据本发明：

—通过初步测试，形成第一初始基数，且通过测量的再现性测试，评价测量噪音的标准偏差的分布范围[σ_min，σ_max]，作为点焊熔核的直径(结果R)的测量值。通过利用在可焊性的低限和可焊性的高限之间交替地改变焊接电流强度而形成一系列点焊接头，从而构成这一初始基数，且不会导致其他目标值变化，它们是焊接时间、顶锻时间和焊接压力。这样可以构成可用于控制焊接的模型，且不会改变循环的持续时间，即保证了恒定的生产率。

—设定统计模型，最好是神经模型，具有作为输入变量的可观测量和作为输出变量的点焊熔核直径的估计值。借助于初始基数，并通过例如采用所述的方法，使模型优化。本发明人已经发现，一个好模型尤其是输入变量是上述的Δz_max，s，Δz_max，f和E_élec的模型，

—为了调节所述工艺，如上所述使用所述模型，以便在形成每一点焊接头之后，如果需要，则对目标焊接值I_c重新更新。

而且，为了改进模型，在工艺操作的整个持续期间，可以对焊接板块采样，并以构成测试基数的方式测量点焊熔核的直径。借助于这一测试基数，计算模型的分数；如果这一分数令人满意，则不调节模型；如果这一分数不能令人满意，则预测最不确定的点，即置信区间大于预先确定的值S_k的点，从测试基数中抽出，并将这些点引入初始基数中，而使其增强。利用这一增强的初始基数，重新计算最佳模型，且利用这一新的模型继续调节所述工艺。容易理解，上述方法的应用不限于点焊的情况，而可应用于可作为建模主题的任何工艺。

无论是否用在通常的情况或点焊的情况，所述方法可以通过连接于传感器以及用于控制所述工艺的模块的计算机实施。该计算机包括用于在记录涉及学习和测试基数的数据的文件基础上计算最佳模型的程序、在工艺过程中测量的数据基础上使用所述最佳模型的程序、以在控制规则的基础上计算目标值并将这些目标值发送到用于执行工艺的设备的程序。本领域的技术人员可以制成这样的自动化系统。

在点焊的具体情况下，用于完成所述工艺的设备是本身公知的点焊机，所述点焊机以公知的方式具有用于测量电极位置、压力、瞬时电流强度和电压的装置、以及控制装置。这些装置以公知的方式直接或通过本身公知的特定自动装置连接于计算机。

Claims (17)

1.一种用于调节和控制工艺过程的方法，该工艺过程通过在每一时间t应用导致结果R(t)的目标值{C₁(t)，...，C_n(t)}、并且产生多个可观测量而以连续方式或间断方式及时执行，其中所述结果可测量、但不可观测，所述多个可观测量与结果R(t)不同，其中至少两个可观测量是独立的{G₁(t)，...，G_m(t)}，其特征在于：

—测量至少两个可独立观测的量G₁(t)，...，G_p(t)，

—借助于预测模型M，或一组模型，其中所述变量包括所述的至少两个可独立观测的量，计算结果R(t)的估计值R_es(t)＝M(G₁(t)，...，G_p(t))，

—借助于控制规则L，其中输入量是估计的结果R_es(t)，计算新的目标值{C₁(t+1)，...，C_n(t+1)}＝L(R_es(t))，该值可在时间t+1应用，

—用目标值{C₁(t+1)，...，C_n(t+1)}代替目标值{C₁(t)，...，C_n(t)}。

2.如权利要求1所述的方法，其特征在于，预测模型M是取决于参数{θ₁，...，θ_p}的统计调节模型，所述参数构成了在初始基数B_ap上调节的参数向量θ，所述初始基数包括用于所述工艺过程多次连续执行的所有目标值、可观测量的测量值以及结果的测量值。

3.如权利要求2所述的方法，其特征在于，为了确定模型M：

—根据参数向量θ选择模型结构，

—选择例如二次型的价值函数J，

—利用所述初始基数，对应于维数q_k的不同参数向量θ_k计算一系列调节的模型M_a，k，使初始基数上的价值函数全部或局部最小化，

—对于每一模型M_a，k，计算每一初始基数样本的系数h_ii，并计算模型M_a，k的广义分数：

E(θ_a，k)＝∑_i＝l，N[M_a，k(xⁱ；θ_a，k)-R_i)/(l-h_ii]²

—计算量μ(θ_a，k)＝(N.q_k)^-1/2∑_i＝l到Nh_ii ^1/2，且在具有最小E(θ_a，k)的模型中选择具有最大μ(θ_a，k)的模型M_a，k；该模型是最佳模型M_a，opt。

4.如权利要求2或3所述的方法，其特征在于：

—对于结果R的测量值，确定测量噪音的标准偏差的分布范围[σ_min，σ_max]，

—预测模型M的参数{θ，……，θ_p}这样调节，即在测试基数B_test上它具有分数S＝S(M；B_test)，使σ_min＜S＜σ_max，所述测试基数包括用于所述工艺过程的多次连续执行的所有目标值、可观测量的测量值和结果的测量值。

5.如权利要求3所述的方法，其特征在于，为了调节预测模型M的参数{θ，……，θ_p}，可以选择第一初始基数B_ap和第一测试基数B_test，借助于第一初始基数，确定参数{θ，……，θ_p}的第一估计值，且针对所述初始基数，使模型M的分数S落入分布范围[σ_min，σ_max]内，然后，使用模型M中的参数的第一估计值，借助于测试基数B_test，估计分数S＝S(M；B_test)并与分布范围[σ_min，σ_max]比较，如果S落入所述范围内，则认为参数的估计值是令人满意的，在相反的情况下，使用取自第一测试基数的样本来完善所述初始基数B_ap，以便构造新的初始基数，如果需要，则完善所述测试基数，然后借助于新的初始基数，重新确定参数{θ，……，θ_p}，以及在新测试基数上的分数S，然后继续循环，直到S落入分布范围[σ_min，σ_max]内。

6.如权利要求5所述的方法，其特征在于，为了利用取自测试基数中的样本完善初始基数：

—固定用于所述模型预测的置信区间阈值S_k，

—对于测试基数的每个样本计算用于模型M预测的置信区间I_k，

—将置信区间I_k大于S_k，即结果的估计值最不确定的测试基数的至少一个样本引入所述初始基数中。

7.如权利要求5所述的方法，其特征在于，对于测试基数的每一样本，模型M预测的置信区间I_k与该样本的系数h_ii的平方根成比例。

8.如权利要求4至7任一所述的方法，其特征在于，在所述工艺的操作过程中，测量至少一个结果以及对应的可观测量，以确定至少一个附加样本，该样本可以加到初始基数上，然后利用获得的新的初始基数，调节模型的参数，并评价模型的性能。

9.如权利要求1至8任一所述的方法，其特征在于，所述模型M是神经网络。

10.如权利要求1至9任一所述的方法，其特征在于，所述工艺过程尤其是金属板的点焊。

11.如权利要求10所述的方法，其特征在于，结果R是点焊熔核的直径φ或任何其它可以比较的量，比如使点焊熔核拉开的力，目标值C₁，...，C_n是点焊压力F_s、焊接电流强度I_s、焊接时间Δt_s和顶锻时间Δt_f。

12.如权利要求11所述的方法，其特征在于，可观测量是总电能E_t、焊接过程中的最大膨胀量ΔZ_max，s和顶锻阶段的最大收缩量ΔZ_max，f。

13.如权利要求11或12所述的方法，其特征在于，控制规则L以下述方式定义：

—选择点焊熔核的直径的最小值φ_min和最大值φ_max，

—选择数字qm，

—产生点焊熔核的直径φ的最后第qm个预测值的变动平均数φ_mg，

—如果φ_mg＞φ_max，则减小焊接电流强度的目标值I_c，如果φ_min≤φ_mg≤φ_max，则不调节焊接电流强度的目标值I_c，如果φ_mg＜φ_min，则增加焊接电流强度的目标值I_c。

14.如权利要求13所述的方法，其特征在于，固定一个值φ₀＜φ_min，且如果点焊熔核的直径φ的最后预测值小于φ₀，则增加焊接电流强度目标值I_c。

15.如权利要求13或14所述的方法，其特征在于，固定焊接电流强度的增量ΔI_c，且当焊接电流强度的目标值I_c减小或增加时，从I_c上减去增量ΔI_c或将增量ΔI_c加到I_c上。

16.如权利要求10至15任一所述的方法，其特征在于，为了构成初始基数，通过在可焊性的低限和可焊性的高限之间交替地改变焊接电流强度以及利用焊接电极而形成一系列点焊接头，而其他的目标值保持恒定。

17.如权利要求1至16任一所述的方法，其特征在于，它由计算机来实施。

Images