CN1655904A - 用于焊接的发光探测系统 - Google Patents

Abstract

一种适用于控制脉冲电源电弧焊接过程的方法和装置。一种可训练的系统能识别来自电弧焊接脉冲期间发出的信号所产生的经验转移模式，并能定出脉冲电源的参数组，从而通过控制电源的参数组，在后续脉冲中产生修正转移模式。

Description

用于焊接的发光探测系统

相关申请

此项申请要求专利保护在2002年3月27日登记的美国临时专利申请(申请号为60/368,052)的权益，此项临时专利申请的全部内容在此引入作为参考。

技术背景

气体金属电弧焊接(GMAW)通常用于高工作量生产中金属部件的连接，如在汽车生产组装线上用的自动化焊机就是一例。从一个或多个工作部件与可消耗电极间产生的电弧使电极液化为金属液滴，它们被惰性气体诸如氩气所保护。这些液滴在固化前通过渗透到工作部件的金属中而形成焊接点。

有一种称为脉冲式气体金属电弧焊接的方法，它通过脉冲调制焊接电源的电流和/或电压来控制。因为这种焊接方法产生的热量少，从而使产生的溅污少并有好的焊道光洁度，因此特别适合于高工作量的生产。这些特性对比较薄的工作部件避免因焊接而产生热变形和剩余应力是重要的。

要在实时实现电源参数最优化从而与材料的改变和工艺变量相适应是复杂的，这是脉冲式气体金属电弧焊接的一个显著局限性。为了克服这一局限性，有一种尝试是用市售的GMAW系统将计算机化的参数控制与记录下来的有关材料和理想的处理条件信息相结合。然而，因为两个理由使这些努力受到了限制。

通常这种简单的算法控制方案要涉及对所有过程变量与实时测量和分析这些变量的能力间基本关系的理解。对于GMAW方法，这些基本关系尚不完全清楚。而且即使已知这些关系，若都要实时测出这些基本变量并计算出合适的控制动作仍然是费钱和复杂的。

在某些方案中，通过编辑与最优化控制参数相关的所观测变量的数据库，可以使理解的难度降低，并使要测量的变量数减少。然而，对许多商业上重要的GMAW工艺来说，独立的过程变量数目使这种方法成为一项既困难又费时的工作。此外，一项具体的应用可能会引入一种在开发中所不希望有的工艺变量，致使所提出的方案在该应用中不那么有效或是根本无用。

有一种用来解决参数复杂性问题的尝试主张只改变一个控制变量，即脉冲周期，这个主张是以电弧光强度作为单一的观察变量为根据的。通常此电弧光强度随时间而变，它与在电弧时金属液滴的形成有关。因为高的焊接质量直接与受控的金属液滴转移有关，所以此方法提议通过截短脉冲周期从而使它与电弧光强度的熄灭相对应来改善焊接的质量。然而，此方法因为存在很多缺点并未获得成功。首先，电弧光强度的变化并不总能给出有关液滴转移的一个确定的指示；第二、许多商业上感兴趣的焊接条件并不产生电弧光强度的足够变化从而能可靠触发熄灭过程，如用混有少于5％二氧化碳的氩气作保护的碳钢焊接；第三、在实时通过改变每一瞬时脉冲来控制GMAW过程会导致电流变化的过度控制，这将导致控制的振荡、金属转移的不稳定和坏的焊接质量。

发明内容

在脉冲式GMAW系统中降低控制电源参数的复杂性在本领域是需要的，特别是需要在GMAW过程中产生稳定的金属转移而与焊接材料和工艺条件无关。

本发明的一个实施方案是一种适用于控制脉冲式电源电弧焊接过程的方法。此方法包括探测在电弧焊接脉冲期间发出的信号这一步骤。用一种可训练的系统来识别由信号产生的经验转移模式，并定出脉冲电源的参数组，从而在后续脉冲中产生修正转移模式。另一步骤是用参数组来控制电源。

本发明的另一个实施方案是一种用来训练用于控制脉冲电源电弧焊接过程的神经网络的方法。此方法包括为大量的脉冲事例产生训练数据和确认数据这一步骤，其中每一事例包括对在至少一个电弧焊接脉冲期间发出的信号和对该脉冲经验转移模式的表达。另一个步骤是产生一组控制标志，其中每一个标志包括与目标转移模式相关的经验转换模式的分类和对于在脉冲电源参数组中至少一个值的控制动作。再一个步骤是用训练数据、确认数据和标志来训练神经网络，靠它使网络能识别一个或多个电弧焊接脉冲的经验转移模式，并施加控制动作，从而在后续脉冲中产生修正转移模式。

本发明的另一个实施方案是一种控制脉冲电源电弧焊接的装置，它包含一个传感器和一个控制器。控制器进一步包括信号获取模块，靠它获取来自传感器的信号，以及一个神经网络。该神经网络被训练成能识别来自信号的经验转移模式，并控制用于脉冲电源的参数组，靠它在后续脉冲中产生修正转移模式。这种控制器也包含一个控制接口，以使用参数组来控制电源。

本发明的再一个实施方案是一种计算机程序产品，它包括计算机可读取介质和由此介质所带的指令。这些指令使计算机能识别在电弧焊接过程中发出的信号所产生的经验转移模式，并定出电弧焊接脉冲电源的参数组，从而产生修正转移模式。

这些公开的实施方案为自动化的GMAW焊接方法提供了有意义的改进。

这些实施方案利用由焊接过程发出的简单信号来保持或获得每个焊接脉冲所需要的金属液滴转移模式。这些实施方案与嘈杂的或给出不确定的液滴转移指示的信号是兼容的。这些实施方案还与各式各样焊接条件兼容，包括与用少于5％二氧化碳混合的氩气作保护的碳钢焊接兼容。此外，这些实施方案还能导致产生没有振荡的稳定的金属转移条件，它能改善焊接质量和均匀性。

附图简述

如一系列附图所示，本发明的上述和其他目的，以及本发明的特色和长处可从下面对本发明特定实施方案的更具体的描述中明显地表示出来。在这些图中，同样的标记符号在所有不同的图中都代表同样的部分。在此没必要将图按比例绘制，而是将重点放在解释本发明的原理方面。

图1A-1C是金属液滴在可消耗电极上形成的顺序图。

图2是一种用来控制脉冲式GMAW焊接过程具体装置的方框图。

图3是电源产生的矩形脉冲波形图。

图4A-4E显示代表各种转移模式的理想化的示意图。

图5是每个脉冲周期约产生一个金属液滴的传感器信号与视频信号图像的比较。

图6是每个脉冲周期约产生多于一个金属液滴的传感器信号与视频信号图像的比较。

图7是每个脉冲周期约产生少于一个金属液滴的传感器信号与视频信号图像的比较。

图8显示概率神经网络的一种特定数学模式图。

图9是一种带有传感器的具体焊接装置的简图。

图10是一种具体的传感器腔体的剖面图

图11是一种具体的信号获取模块中一部分的电路图。

图12是一种具体的信号获取模块中模拟-数字处理电路的方框图。

图13是一种具体的概率神经网络的结构简图。

发明详述

所公开的实施方案通常与控制电弧焊接过程有关，它用来产生一种稳定的、与焊接的材料和处理条件无关的金属转移条件。本发明的具体实施方案包括方法和装置，为的是利用可训练的系统通过识别单一的工艺变量(即由焊接过程发出的信号)来控制GMAW过程。

脉冲式的GMAW方法用电源提供与时间有关的电力给工作部件和被置于接近被焊接工作部件区域的可消耗电极。然后在工作部件和可消耗电极间产生电弧，造成金属液滴形成并从可消耗电极的顶端转移到工作部件。

图1A-1C是在可消耗电极顶端形成金属液滴的顺序图。图1A显示电极顶端的液化；图1B显示液滴的形成；图1C显示液滴的脱落。

图2是用于控制脉冲式GMAW过程的一种具体装置110的方框图。焊接电源112与可消耗金属电极114及一个或更多的工作部件116相连接。在电极114和工作部件116之间产生电弧，导致在电极114的顶端形成金属液滴115，此液滴再转移到工作部件116。传感器118通过从焊接过程发出的信号产生一个模拟的电子学信号。控制器120包含信号获取模块122、普通用途的计算机124、显示器126、可训练系统128和控制接口130。信号获取模块122读取来自传感器的模拟信号，并在传送到计算机124前将此信号进行选择性地过滤和数字化。可训练系统128可以是一种独立模块，也可由在普通用途的计算机124中作为硬件或软件的组分来提供。可训练系统128识别信号并根据相应的经验转移模式将信号分类。然后，可训练系统128通过控制接口130输出一个控制动作到电源112，用来在后续脉冲中产生修正转移模式，如改变后续脉冲的脉冲周期。

在另一实例中，控制器120可以不配置可训练系统128。在这种情况下，计算机124和显示器126的配置能使受过训练的操作者可以评价信号并手动改变脉冲电源参数，从而产生修正转移模式。电源112产生一种电子学波形，它可以是例如矩形波、正弦波或锯齿波，也可以是这些波形的线性组合，等等，其中以近似为矩形波的波形为好。

例如，图3就是由电源112产生的矩形脉冲的波形图。在此图中，电流表示为时间的函数。波形具有频率、脉冲电流210(最大电流)、基底电流212(最小电流)、脉冲周期214和基底周期216。电源128还有相关的脉冲电压(未在图中示出)输出。这些参数可以独立或非独立地改变，如可以改变脉冲周期和基底周期而保持频率不变。可以通过在脉冲期间或为后续脉冲改变这些参数中的一个或多个来控制电源，如可通过改变后续脉冲的脉冲周期来控制焊接过程。

根据焊接材料、焊接环境和电源的不同，在一个全脉冲波形时间内可以有任何数量的金属液滴脱落，而这些液滴又可以在波形中的任何位置脱落。焊接质量通常与恒定的金属转移模式有关。目标转移模式可定义为有约某百分比脉冲是约在该种脉冲周期的中心发生每个脉冲转移一个液滴。脉冲的百分比可以选择为任意合适的百分数，如选在约50％-100％，90％是一特别合适的百分数。

经验转移模式是由电弧焊接过程发出的信号所表示的表观转移模式，而修正转移模式则是由改变一个或多个电源参数所产生的一种转移模式。例如，修正转移模式接近于目标转移模式，也就是修正转移模式比在电源参数改变前观察到的经验转移模式更像目标转移模式。更为特殊的情况是修正转移模式正好就是目标转移模式。

液滴转移模式可通过探测与此液滴转移相关的电弧焊接脉冲期间发出的信号来观察。例如，此信号可以是辐射通量、电势通量、声音发射、机械振动、磁通量，等等。传感器是探测信号的装置，如光电二极管、电荷耦合器件(CCD)、电流计、话筒、压电振动传感器、电容传感器、磁强计，等等。传感器可以是一种被动的传感器，即它探测的是从焊接过程自然发出的信号；传感器也可以是一种主动的传感器，即它与探询焊接过程的器件耦连，如与激光器耦连的光电二极管。最好，探测的信号是辐射通量，即在电弧焊接脉冲期间自然产生的发光，而传感器是光电二极管。

根据焊接材料、焊接环境条件和电源参数的不同，所发射的信号可以在一定的范围内，它可以从清楚显示液滴转移到不确定的显示液滴转移。也即一个极端是信号能显示与液滴转移相关的独特的单一特性，而另一极端是信号仅能代表不确定的液滴转移行为。“不确定的液滴转移”可包括由于在焊接过程或探测系统中产生的噪声而带来的嘈杂或不连续的信号，也可由于液滴转移事件本身不是分立的所致。因此，如下所述，本发明的一个方面是信号转移模式的识别而不是由简单的阈或截止来作简单的测定。阈系统并不是强有力的，也即它不能忍受不确定的行为，并一般不能用于没有调节的不同条件。

图4A-4E显示的是代表各种转移模式的理想化的示意图。图4A，约在脉冲的中心转移一个液滴；图4B，在脉冲的开始时转移一个液滴；图4C，每个脉冲一个液滴，它在脉冲结束时转移；图4D，不在脉冲期间而在脉冲的基底阶段转移一个液滴；图4E，在每个脉冲周期有多于一个液滴转移。

图5-7，通过将发出的典型的发光信号与跟液滴转移相应的实际的高速视频信号图像作比较来解释实际的经验转移模式。图中，用发光信号相应的电压输出(单位伏特，V)，作为时间(单位毫秒，ms)的函数作图；每幅图像产生的时间近似地由每幅插入的图像通过箭头所指向的信号上的相应时间点表示。

图5是传感器信号与视频信号图像的比较，它接近于每个脉冲周期一个金属液滴的情况。图中所用的条件包括1.2mm粗的普通碳钢可消耗电极，它离工作部件约20mm；保护气体为含有约5％O₂和平衡氩气的混合气体；脉冲电流250A，脉冲周期5ms，基底电流100A，基底周期10ms，送丝速度3.5m/min。

图6是传感器信号与视频信号图像的比较，它接近于每个脉冲周期多于一个金属液滴的情况。图中所用的条件包括1.2mm粗的不锈钢可消耗电极，它离工作部件约18mm；保护气体为含有约3％CO₂、2％N₂和平衡氩气的混合气体；脉冲电流240A，脉冲周期2ms，基底电流40A，基底周期10ms，送丝速度2.1m/min。

图7是传感器信号与视频信号图像的比较，它接近于每个脉冲周期少于一个金属液滴的情况。图中所用的条件包括1.0mm粗的铝可消耗电极，它离工作部件约18mm；保护气体为氩气；脉冲电流155A，脉冲周期2.5ms，基底电流20A，基底周期6ms，送丝速度4.1m/min。

正如本发明中所用的，可训练系统是程序、算法或其它分析方法，而数据以训练组的形式输入此可训练系统，通过此训练组，可训练系统能“学习”，从而用来决定模式，并根据对那些与训练组中相似的未知量的分析允许对结果作出预言。可训练系统可以是一种软件程序，一种作为编码装入硬件的算法，如现场可编程门阵列；一种硬件算法，如用户微处理器；或是它们的结合，等等。未知实例的“学习”和分析可通过许多方法中的任意一种来进行，这些方法包括使用支援矢量机器(SVM)、人工神经网络、聚类和回归分析(CART)、贝耶松网络或其它算法、软件程序或者它们的结合。

人工神经网络是一种可训练系统，它是简单的处理元素、单元或那些在功能上有点象生物神经原的节点间的相互联系。每个处理元素(“神经原”)将一些加权输入的叠加(“突触”)用非线性转化函数(如S形函数)转化为输出。作为结果，神经网络也被描述为平行分布式处理器。

在本发明中，可以使用许多不同的神经网络结构，包括如线性适应元(Adaline)网络、反向传播(back-propagation)网络、霍普费尔德模式、双向联想记忆网络、玻尔茨曼机器、逆向传播(counter-propagation)网络、自组织图、自适应共振理论网络、概率神经网络，等等。如可参阅Masters，T.的“实用神经网络方式”(New york，John Wiley，1993)一书，它的全部论述在此引入作为参考。更具体的是使用概率神经网络。概率神经网络有某些好处，它包括快的训练速度，对追加的事例训练容易，处理嘈杂的或不连续数据的能力强，对数据(如模式)的分类有较好的性能。如可参阅Specht，D.F.神经网络，Vol.3(1990)109-118；U.S.6,442,536；U.S.5,554,273和U.S.5,327,357，它们的全部论述在此引入作为参考。

概率神经网络是一种除了有输入和输出层外还包括二个隐层的神经网络，它用来对与训练数据相关的输入数据进行分类。

例如，图8显示的是某种概率神经网络的一种具体的数学模式图。图中代表性地将m个输入用矢量a表示(即a＝{a₁，a₂，…a_j，…a_m})，它们通过输入权重矩阵W与在第一个隐层或称为模式层中的n个神经原相连，其中输入权重矩阵W为：

$W=\begin{array}{cccc}{w}_{\mathrm{1,2}}& w_{\mathrm{1,2}}& \·\·\·& w_{1,m}\\ \·\·\·& & & \\ w_{j,1}& w_{j,2}& \·\·\·& w_{j,m}\\ \·\·\·& & & \\ w_{n,1}& w_{n,2}& \·\·\·& w_{n,m}\end{array}$

矩阵W的n×m个权重元素是从训练数据演变而来的。第一层计算输入和训练数据间的差距，用来为该层产生网络输入矢量t(即t＝{t₁，t₂，…t_j，…t_n})，如：

             t＝||Wj-a||b＝{t₁，t₂，…t_j，…t_n}

如上式所示，每个元素t_j的计算可以包括乘上一个偏置调节b_j(即偏置矢量b＝{b₁，b₂，…b_j，…b_n}的一个元素)来调节每个神经原的灵敏度。

然后，每个网络训练输入t_j被转移函数所作用，此函数以非线性函数如S形函数或径向基函数为好，其中尤以径向基函数作为转移函数为最好。如：

$r_j=f\left(t_j\right)=e^{-{\left(\frac{t_j}{\mathrm{\σ}}\right)}^2}$

转移函数的作用是为每个神经原计算输出r_j，它代表输入数据接近训练数据的概率。因此，第一层的输出集合由输出矢量r来表示，即r＝{r₁，r₂，…r_j，…r_n}。那些接近于训练数据的输入将会产生接近于转移函数最大值的输出；而那些远离训练数据的输入将会产生接近于零的输出。接近于几个训练输入值的输入将会从几个神经原产生大的输出。参数σ是偏置函数的散度，较大的散度值将会使较多的神经原来响应一个输入，较窄的散度将会导致从较少的神经原产生较为特定的响应。

在第二层中的p个神经原，这一层也可认为是响应于p种分类、即经验模式的叠加层，输入数据靠它进行分类。第一层通过层权重矩阵W’与叠加层相连，矩阵W’表示为：

$W^{,}=\begin{array}{cccc}{w}_{\mathrm{1,2}}& w_{\mathrm{1,2}}& \·\·\·& w_{1,n}\\ \·\·\·& & & \\ w_{k,1}& w_{k,2}& \·\·\·& w_{k,n}\\ \·\·\·& & & \\ w_{p,1}& w_{p,2}& \·\·\·& w_{p,n}\end{array}$

矩阵W’由p个元素的n列矢量组成，其中每个矢量有一个1，它相应于p种分类中为1的元素，而其余则为0。矩阵w’和前一层输出r的乘积产生输入到叠加层的网络输入矢量t’，矢量t’表示为：

       t’＝W’r＝{t’₁，t’₂，…t’_k，…t’_p}

因此，输入到每个第二层神经原的网络输入t’_k表示的是输入数据代表p种分类中的某种特定分类k的概率。

在第二层中的转移函数决定如何输出此分类信息。如，第二层转移函数是一竞争函数，它对所有概率进行排列，并将最大概率值指定为1，而将其它概率值指定为0。这样，输出就代表分类，也即概率神经网路为输入数据定出的经验模式。因此，概率神经网络接受输入数据，将输入数据与训练数据相比较，计算出输入数据在任何一种特定分类也即经验模式中的概率，然后将其指派到基于概率的分类中。

在本领域中那些普通的熟练人员应认识到涉及在可训练系统中的方法，如神经网络，可以表现为是一种包含计算机可使用介质的计算机程序产品。例如，这种计算机可使用介质可以包括可读取的存储装置，如固态存储装置、硬驱动装置、CD-ROM、DVD-ROM或计算机软盘，这些可读取的存储装置已存有计算机可读出的程序编码段。计算机可读取介质还能包括通信或传输介质，如信息通路或通信线路，它们可以是光学的、有线的，也可以是无线的，它们带有作为数字或模拟数据信号的程序编码段。

关于网络的有效训练的一个方面是要能捕捉住数据中的一般趋向而不对数据作过分的拟合，以保证网络的通用性。为达到这一目的，受训练的数据通常被分成训练组和确认组。通过不断地调整权重和加入处理元素来建立神经网络，直至它的性能对训练组达到最小判断标准，然后用确认组由网络的性能来对它的通用性作出评价。

在此系统中，训练组包括与经验的液滴转移模式相关的信号实例。每一实例包含一种与脉冲和经验转移模式相应的信号的表达，如每个脉冲一个液滴，它是由考察此脉冲的高速视频信号图像定出来的。信号的表达可以是单个的脉冲，也可以是带有由多重脉冲组成的窗的脉冲样本，或是来自多重脉冲样本的代表性脉冲，作为多重脉冲平均的单个脉冲，等等。信号通常以分立的形式来表示，如一个脉冲可被分成若干个均等的段，而每段又可简化为抽象的参数，如平均信号参数和斜率参数。确认组在形式上与训练组相同，但它是由在相同条件下收集到的不同的实验数据产生的。

网络的输出是一个或多个控制标志的集合，这些标志表示的是用于电源的控制参数。如一个系统能用3个标志，其中一个标志是默认状态，即经验转移模式与目标转移模式相符合，不用改变控制参数。第二个标志相应于与目标模式不与经验模式相符，如当目标模式是每个脉冲一个液滴时，经验模式却是每个脉冲少于一个液滴。在此实例中，控制动作是在脉冲周期内增量的增加。第三个标志相应于每个脉冲多于一个液滴的情况，并带有在脉冲周期内增量减少的控制动作。还能用附加的标志对控制输出提供较小的增量，或对不同的参数提供独立的控制输出。

下述实例用来说明本发明的一个具体的实施方案，但不打算它以任何方式限制本发明。

图9显示的是带有传感器的一种具体焊接装置410。传感器腔体412装在与焊枪414相连的位置。如图所示，此传感器腔体可装在焊枪上面或接近焊枪的地方。合适的安装硬件可提供定位调节，如传感器与电弧轴之间的距离416、传感器与金属底盘间的高度418和工作角420的调节。在实际操作中，传感器腔体的位置要调节到能确保传感器获得足够大的信号。

图10显示的是一种具体的传感器腔体412的剖面图。传感器二极管510装在氧化铝套512内。中性密度过滤器514(用斜纹线号10表示)如在焊接护目镜中所用的那种，与传感器的前端相接触，此过滤器能防止传感器接受到过强的光和热，并可阻挡掉在焊接过程中从传感器腔溅射出的金属。

用来测量焊接过程发出的光的光电二极管传感器的选择要使得此光电二极管能工作在它的响应曲线的线性区，也就是使它的最大增益能覆盖住所指的焊接过程发出的信号。在此实例中，所用的传感器是TIL 78，它是一种高速的硅PIN光电二极管，其技术指标为：峰波长＝890nm；光电流(最大)＝28.5μA；暗电流(最大)＝60nA；上升/下降时间＝5nS；功率耗散＝100mW；接受角＝120°；电容(VR＝20V)＝4pF；工作温度＝-40℃a+100℃。

传感器产生的电流可由信号接口放大并数字化，它可以是本领域中技术人员所熟知的许多获取系统中的任意一种，如用户信号接口、软件包或可为个人计算机(PC机)配置模拟/数字数据获取插件的软件等。如市售的可用产品包括软件包，如带有神经网络工具箱4.0.2的MATLAB 6.5(The MathWorks，Inc.Natick，MA的产品)，或一种硬件/软件相结合的系统，如NIPCI-6071E模拟/数字数据获取插件与LabVIEW软件的结合(二者均为美国德克萨斯州奥斯汀国家仪器公司的产品)。

图11显示的是一种具体的信号获取模块中某一部分的电路图。在此电路610中，来自光电二极管传感器510的电流信号被运算放大器612如1NA114放大并转换成电压信号。此运算放大器的增益由一可变电阻614来调节，以免输出信号饱和。在此实例中，作为此运算放大器612输出信号的合适的输出电压水平约是放大器电源电压(10-12V)的10％(～1V)。

第二个运算放大器616，在此实例中用的是LM741，是用来对增益作微调的。还用可变电阻618来调节输入电压信号和输出电压信号之间的增益。通过常规试验，这二个可变电阻能调到使与基底电流和脉冲电流相应的光电二极管信号的极值落在每个运算放大器的线性区。此外，该电路还提供一个5-9V的电源620、一个984Ω的固定电阻622、一个63V，47μF的电容器624、一个559Ω的固定电阻626和一个63V，47μF的电容器628，信号在630输出。

图12显示的是一种具休的信号获取模块中的模拟-数字处理电路的方框图。在信号获取模块710中，输出630被一低通滤波器712(截止频率2KHz)调节并放大到适合模拟/数字转换器714的量程(±10V)，这能防止由于输入信号频率高于获取能力而造成的失真现象。在此实例中，模/数转换器714用的是ADS7806，它是一种12位的模拟/数字转换器。对此实例来说，12位的分辨率已足够用来收集相关的信息，但它能用于更高的采样速率。数字输出信号或是可以送到PC机的并行端口716用於显示，或是送到神经网络。

如果数据送到PC机，在该领域中熟知的许多数据显示程序中的任何一种都能用来描绘和分析数据，如上述MATLAB软件。此外，也可写一种专用程序用来将数据图形化。在这些情况下，与目标转移模式相关的经验转移模式的识别可由受过训练的用户来完成。用户可以修改脉冲电源的参数，直至经验转移模式信号看起来与目标转移模式信号相一致。

然而，在此实例中，脉冲电源参数的自动控制由利用上述MATLAB软件产生的一种双层概率人工神经网络来提供。

在此神经网络开发过程中产生两个数据组，一为训练数据组，另一为确认数据组，每一个数据组包含700个脉冲的信息。用几批实验来获取原始的信号数据，实验中用下述一个或多个参数：气体类型(纯氩气，Ar+2％O₂，Ar+4％CO₂，Ar+8％CO₂，Ar+5％O₂，Ar+3％CO₂+2％N₂，)，可消耗电极的组成(普通碳钢、不锈钢和铝)，可消耗电极尺寸(直径1.0mm和1.2mm)，焊接位置(平的和架空的)，焊接外形(焊珠在板上形和沟槽形)。电源参数要这样来设置，使得脉冲周期能通过围绕目标转移模式，即每个脉冲一个液滴的转移模式范围，即从每个脉冲少于一个液滴到每个脉冲多于一个液滴来改变。

各实验间的实验条件是不同的，在实验中每个数据组和传感器信号是由神经网络根据参数值来调节的，这将导致不同模式的识别，如下所述：每个周期分成5个相等的段，每段计算出二个值：一为脉冲电流分散度D，它是段平均电流与该周期的最大电流的比值；另一是斜率S，也即信号随时间的变化速率。原始的传感器信号数据在放入每个数据组中之前要作处理。为避免由瞬态信号和噪声带来的问题，传感器信号数据要在样本窗内获取，在此实例中，样本窗内包含10个脉冲。在一个窗内的每个脉冲周期分别作处理，即数据被分离成分立的脉冲周期。因此，在此实例中每个脉冲周期产生5×2＝10个值，这些值放在一起组成一种模式。再对每个样本窗内的10个脉冲周期的所有模式进行排列，选择最共有的模式作为整个样本窗的代表。

实际的液滴脱落行为通过高速视频信号成像(high speedvideography)记录下来。用一专用的计算机控制的系统来进行视频信号成像，此系统能自动地将图像与传感器数据相关联。此系统包括一个用来照亮焊接区域的氦-氖激光器，并由一台每秒2000帧的摄像机来捕获生成的图像。此视频信号成像术的细节在Bálsamo，PSS；Vilarinho，LO；Vilela，M；Scotti，A.International Journal ofMaterials，Vol.12，(2000)pp.1-12一文中有详细描述，该文的全部论述在此引入作为参考。

定出一系列控制标志用于神经网络。在此实例中，经验的液滴转移模式分为以目标转移模式为中心的7个控制标志。目标模式是每个脉冲一个液滴，它约在脉冲周期的中心转移。在为后续脉冲控制脉冲周期方面来说，这些标志则指示系统应作什么改变如果需要的话。标志1-3指示脉冲周期应更长，而标志5-7指示脉冲周期应更短，标志4是默认条件，即经验模式与目标模式一致。使用这些标志和上述高速视频信号图像，在训练和确认数据组中的每个脉冲的液滴转移模式，即每个脉冲的经验转移模式，得以分类。

表1用于液滴转移模式分类的标志

标志1  每个脉冲少于一个液滴，脉冲周期比理想的要短得多(液

       滴在下一个基底周期或甚至在另外的脉冲之后再脱落)；控

       制动作：对下个脉冲周期加3ms。

标志2  每个脉冲少于一个液滴，脉冲周期比理想的要短，但仍接

       近于每个脉冲一个液滴的条件(液滴通常在下一个基底周

       期脱落，而有时正好在每隔一个脉冲时脱落)；控制动作：

       对下个脉冲周期加2ms。

标志3  每个脉冲一个液滴，其脉冲周期比理想的要略短些(液滴

       正好在脉冲末端时脱落，这是最理想的条件)；控制动作：

       对下个脉冲周期加1ms。

标志4  每个脉冲一个液滴，具有理想的脉冲周期(液滴在脉冲的

       中心脱落，这是所需要的条件)。

标志5  每个脉冲一个液滴，其脉冲周期比理想的要略长些(液滴

       在脉冲起始时脱落)；控制动作：对下个脉冲周期减1ms。

标志6  每个脉冲多于一个液滴，其脉冲周期比理想的要长，但仍

       接近于每个脉冲一个液滴的条件(通常一个液滴在脉冲期

       间脱落，而另一个液滴在基底期间脱落，有时在一个脉冲周

       期内有二个液滴脱落)；控制动作：对下个脉冲周期减2ms。

标志7  每个脉冲多于一个液滴，其脉冲周期比理想的要长得多(通

       常在脉冲周期内和脉冲后液滴要脱落二次或更多次)；控制

       动作：对下个脉冲周期减3ms。

由已表征的原始数据和指定的控制标志产生出二个数据组，即训练组和确认组。表2显示的是在此实例中所用的二个数据组的结构。每个记录含有从上述10-脉冲样本窗选出的代表性的脉冲模式，即从每段数据中计算出的分散度(D)和斜率(S)值。因此数据组中的每个记录包含10个表示特征的号码加上指定的控制标志。需收集足够的数据来为每个数据组提供大量的脉冲记录，在此实例中每组有700个脉冲记录。当每个数据组内各次实验间的条件有变化时，两个数据组之间条件的变化范围是相同的。

表2数据组结构实例

记录#       1        2        3       …    …     700

段#1       D_1，1    D_1，2    D_1，3    …    …    D_1，700

           S_1，1    S_1，2    S_1，3    …    …    S_1，700

段#2       D_2，1    D_2，2    D_2，3    …    …    D_2，700

           S_2，1    S_2，2    S_2，3    …    …    S_2，700

段#3       D_3，1    D_3，2    D_3，3    …    …    D_3，700

           S_3，1    S_3，2    S_3，3    …    …    S_3，700

段#4       D_4，1    D_4，2    D_4，3    …    …    D_4，700

           S_4，1    S_4，2    S_4，3    …    …    S_4，700

段#5       D_5，1    D_5，2    D_5，3    …    …    D_5，700

           S_5，1    S_5，2    S_5，3    …    …    S_5，700

控制标志    1        5        3       …    …     4

图13是此实例中所用的具体概率神经网络的拓朴结构图。在概率神经网络810中，输入层812送出有m＝10个输入组成的集合，它们对应于10个数据点，也即5个D值和5个S值；它们被送到含有n＝10个神经原的模式层814，模式层814连接到P＝7个神经原的叠加层816，此叠加层中的7个神经原相应于描述数据的7种经验模式。输出层818收集由累加转移函数所产生的分类，并将相应于已分类的经验模式的控制标志送到输出820。

用训练数据组来训练概率神经网络。随后，用确认数据组来确保受过训练的神经网络能以可接受的准确度来识别新的信号，而不要使此神经网络受过度的训练。对此实例中的确认状况而言，由神经网络预言的标志与在确认的数据中指定的实际标志间的符合程度大于90％，常常还大于98％。

然后，在带电试验中此受过训练的系统就被用来操作焊接电源。此系统能容易地改变脉冲周期参数，从而将经验转移模式改变为修正模式，最终保持每个脉冲一个液滴这个目标转移模式。系统的性能可通过随时地比较传感器信号与焊接过程的高速视频信号图像来检验，用此图像很容易观察到从任何一种经验转移模式到目标转移模式间的转移模式的改变。

实验也可作这样改变，即将信号直接送到显示器，而不用或外加上神经网络。在此情况下，一个受过训练的操作者能将信号与示于图4A-E的信号图进行比较。操作者改变电源的脉冲周期从而将经验的(显示出的)转移模式改变为修正的模式，最终达到与每个脉冲一个液滴这一目标转移模式相一致。同样，系统的性能可容易地通过随时地比较传感器信号与焊接过程的高速视频信号图像来检验。

在一种经过改变的方案中，只用三个标志，即增量动作、减量动作和没有动作，如上述的标志3、4和5。大数量的标志能给出更为精细的控制，但不太健全，即较难在新的系统中得以实现。

在另一种经过改变的方案中，只用二个标志，即没有动作和既可作增量动作也可作减量动作的调节。例如，如果经验转移模式就是目标转移模式，则没有动作；如果经验转移模式不是目标转移模式，则系统就“猜测”一种方向作调节，或是增加或是减少。如果在限定的时间内没有达到目标模式，就朝相反方向作调节。

在还有一种经过改变的方案中，样本窗的大小是变化的，可在每个窗1-40个脉冲间作选择。我们发现，如脉冲数较少会导致控制不很健全，即系统比较容易受瞬变过程和噪声的影响；如脉冲数较多，系统的控制就较健全，但控制动作会较慢；如果脉冲数变得明显大于40，则会导致控制的不稳定。

另一种改变方案是通过手动调节电阻R1和R2来改变接口的增益。也可将自动增益电路与第二个光传感器相结合，根据电弧发出的总光来自动调节电阻。

还有另一种改变方案是使用更为通用的系统。它不用每次为一些选定的条件(给定的电极尺寸、材料、气体组成)训练神经网络，而是在同一时间内为宽广范围的期望条件对神经网络作训练。此方案一般需做较多的实验，有较大的训练和确认数据组和需较长的训练时间，但它所产生的受过训练的系统能在宽得多的条件范围内控制焊接过程。

虽然已参照具体的实施方案对所述系统作了具体描述，但本领域内的技术人员应该理解，在形式上和细节上仍可作出各种变更而不偏离本发明的范围，后者被包含在所附的权利要求中。例如，本发明的方法可用於各种各样环境中，而不限于所描述的环境。

Claims (24)

1.一种适用于控制脉冲电源电弧焊接过程的方法，它包括：

探测在电弧焊接脉冲期间发出的信号；

使用可训练的系统来：

识别来自信号的经验转移模式；

定出脉冲电源参数组，为后续脉冲产生修正转移模式；

用所述参数组来控制电源。

2.权利要求1的方法，其中所述信号是一种辐射通量信号。

3.权利要求2的方法，其中靠它约有90％的脉冲是在每个脉冲期间只有一个金属液滴转移。

4.权利要求3的方法，其中所述参数组包含至少一个选自脉冲电流、脉冲电压、基底电流、脉冲周期、频率和基底周期的值。

5.权利要求4的方法，其中修正转移模式是通过控制脉冲周期来产生的。

6.权利要求5的方法，其中经验转移模式包括不确定的液滴转移行为。

7.权利要求5的方法，其中可训练的系统是一种人工神经网络。

8.一种控制脉冲电源电弧焊接过程的方法，它包括：

探测在电弧焊接脉冲期间发出的辐射通量信号；

使用神经网络来：

识别来自信号的经验转移模式；

定出脉冲周期增量，为后续脉冲产生修正转移模式；

用脉冲周期增量来控制电源，靠它至少约90％的脉冲是在每个脉冲期间只有一个金属液滴转移。

9.一种训练用于控制脉冲电源电弧焊接过程的神经网络的方法，它包括：

为许多脉冲事例产生训练数据和确认数据，其中每个事例包括：

在至少一个电弧焊接脉冲期间发出的信号的表达；

此脉冲的经验转移模式；

产生一组控制标志，其中每个标志包括：

相对于目标转移模式的经验转移模式的分类；

对脉冲电源参数组中至少一个值的控制动作；

用训练参数、确认参数和标志训练神经网络，靠它使该网络：

识别一个或多个电弧焊接脉冲的经验转移模式；

实施控制动作，由此在后续脉冲中产生修正转移模式；

10.权利要求11的方法，其中的信号是一种辐射通量信号。

11.权利要求12的方法，其中的目标转移模式基本上由约90％的脉冲是每个脉冲期间有一个金属液滴转移所组成。

12.权利要求13的方法，其中的参数组包含一个选自脉冲电流、脉冲电压、基底电流、脉冲周期、频率和基底周期的值。

13.权利要求14的方法，其中的神经网络通过控制脉冲周期来产生修正的转移模式。

14.权利要求15的方法，其中的经验转移模式包含不确定的液滴转移行为。

15.一种用于控制脉冲电源电弧焊接过程的装置，它包括：

传感器；

控制器，它包括：

信号获取模块，靠它可获取来自传感器的信号；

可训练系统，其中系统被训练用来：

识别来自信号的经验转移模式；

为脉冲电源控制参数组，靠它在后续脉冲中产生修正转移模式；

用参数组来控制电源的控制接口。

16.权利要求17的装置，其中的传感器包含一个光电二极管。

17.权利要求18的装置，其中的可训练系统是一种神经网络。

18.权利要求19的装置，其中的信号获取模块包含一个放大器和一个模拟/数字转换器。

19.权利要求20的装置，其中的参数组包含一个选自脉冲电源、脉冲电压、基底电流、脉冲周期、频率和基底周期的值。

20.一种用来控制用于电弧焊接的脉冲电源的装置，它包括一个受过训练的神经网络，用来：

识别在电弧焊接过程中发出的信号所产生的经验转移模式；

为电弧焊接脉冲电源定出参数组来产生修正转移模式。

21.一种在电弧焊接中用于手动控制脉冲电源的装置，它包括：

传感器；

控制器，它包括：

信号接口，靠它可获取来自传感器的信号；

不断升级的显示器接口，靠它能：

显示信号；

显示参考信号；

显示用于脉冲电源的参数组；

用来改变参数组的输入接口；

将参数组用于脉冲电源的控制接口。

22.一种计算机程序产品，它包括：

计算机可读取的介质；

由介质所带的指令，它能使计算机：

识别在电弧焊接过程中发出的信号所产生的经验转移模式；定出用在电弧焊接脉冲电源上的参数组，从而产生修正转移

模式。

23.一种适用于控制脉冲电源电弧焊接过程的系统，它包括：

用来探测在电弧焊接脉冲期间发出的信号的装置；

可训练的系统，它包括：

用来识别来自信号的经验转移模式的装置；

为在后续脉冲中产生修正转移模式定出电源参数组的装置；

用参数组来控制电源的装置。

24.一种控制脉冲电源电弧焊接过程的系统，它包括：

用来探测在电弧焊接脉冲期间发出的辐射通量信号的装置；

神经网络，它包括：

识别来自信号的经验转移模式的装置；

为在后续脉冲中产生修正转移模式定出电源参数组的装置；

用脉冲周期增量来控制电源的装置，靠它使至少约90％脉冲在每个脉冲期间只有一个金属液滴转移。

Images