GTAW神经网络_模糊控制技术的研究
第21卷 第1期2000年3月
焊接学报
TRANSACTIONSOFTHECHINAWELDINGINSTITUTION
Vol.21 No.1 March2000
3
GTAW神经网络-模糊控制技术的研究
高向东 黄石生 吴乃优
(华南理工大学 广州 510640) (广东工业大学 广州)
摘 要 研究神经网络与模糊控制融合技术,构成钨极气体保护电弧焊GTAW神经网络-模糊控制系统。重点论述神经网络和模糊逻辑在熔深建模和控制以及焊缝跟踪方面的应用。通过视觉传感器CCD获取电弧区图像和熔池表面形状,建立一种描述熔深的神经网络模型,根据焊接电流、熔宽和焊缝间隙量来精确估算熔深,
同时结合模糊逻辑提高熔深的控制精度。数学模型来表达的问题,设计焊缝跟踪自调整模糊控制器,法检测焊缝位置并根据跟踪偏差在线调整控制参数,果表明,所设计的系统具有良好的控制特性,为实现的途径。
关键词: 神经网络 中图分类号: 高向东
0 序 言
将人工智能技术用于弧焊过程控制的研究方兴未艾,其中,熔深和焊缝跟踪的控制则是最为活跃的研究课题,因为在弧焊过程中,熔深是最重要的质量参数,熔深不足或未焊透是造成焊接结构失效的最危险因素。因此,熔深通常是电弧焊控制技术所要顾及的最终目标[1];而精确的焊缝跟踪又是保证焊接质量的关键[2]。由于弧焊过程是一个典型的非线性、强耦合和时变的多变量复杂系统,存在强烈的弧光、烟尘和电磁干扰等不利因素,其动态过程难以用精确的数学模型来表示,熔深和焊缝特征信息的实时提取也较为困难。基于经典数学模型的传统控制方法很难达到较高的焊缝质量。
本文研究一种神经网络-模糊控制方法,将其用于钨极气体保护电弧焊GTAW的控制过程。通过神经网络建模和自适应共振理论模型算法估算熔深和检测焊缝量,同时结合模糊逻辑提高熔深和焊缝跟踪的控制精度。
HFGZ-XY控制仪和焊接工作台[3]。焊接工作台用
以模拟一个2关节直角坐标式机器人本体,配有CCD摄像机、焊炬、步进电机和夹具等。焊炬达到
平面空间位置的两个运动(X、Y)由直线运动构成,并由两台步进电机驱动,焊炬运动范围为550mm×300mm。CCD与水平方向夹角45°,它将采集到的电
弧区图像以视频信号形式输入至图像卡,工业控制
机通过图像处理以及有关控制算法,实现熔深和焊缝跟踪的控制。
2 GTAW熔深神经网络建模
保证熔深控制质量的关键是使焊件完全熔透并且深度均匀,由于焊缝熔深难以在实时条件下直接检测,因此通常是通过相关量间接检测而实现对熔深的控制。熔深、熔宽和加强高等这些焊缝直接参数是由焊缝的间接参数如焊接电流、焊速、焊炬角度和保护气体等多种因素决定。焊接过程控制的目的即通过选择和控制间接参数而获得满意的直接参数。下面研究通过控制焊缝间接参数来获得恒定熔深的方法。
由于CCD摄像机难以直接获取熔深量,因此比较实际的方法是通过一个能精确描述熔池结构的模型来估算熔深。本文设计一种神经网络模型,通过熔池表面形状、焊接电流和焊缝间隙量来估算熔深量。一般情况下,随着焊接电流的增加,输入至母材
1 试验装置及工作原理
试验装置主要包括弧焊电源、工业控制机、
收稿日期:1999-06-29
3 国家自然科学基金(59975030),广东省自然科学基金(980630),中国博士后科学基金([1999]10号),广东省博士后科学基金([1999]35号),教育部留学回国人员科研基金([1999]363号)和图像信息处理与智能控制教育部开放研究实验室基金(TKLJ9906)项目资助。
6
焊 接 学
报21卷
的热量增加,熔池表面尺寸增大。如果保持焊接电
流恒定,则熔池表面尺寸随着焊缝间隙的增加而减小,熔深随着焊接电流的增加或焊缝间隙的增加而增加。图1为CCD摄像机摄下的一幅熔池表面图像,G为焊缝间隙量,W为焊炬后端2.25mm处熔宽。选焊接电流、焊缝间隙和熔宽的变化量作为描述熔深动态系统的参数,并作为神经网络的输入,而熔深作为网络的输出。图2给出了所设计的三层前馈神经网络模型,根据输入量焊接电流、焊缝间隙和熔宽来推算GTAW熔深量
。
性激活函数。网络算法的学习过程由正向传播和反向传播组成,与其它建模方法相比,
神经网络建模过程相对简单并具有较强的决策能力及较快的收敛速度。
图2Amodelofpooldepth
G熔深控制试验
图3为GTAW熔深控制器结构图,焊接时由CCD采集熔池及前端范围内的焊缝数据。为消除弧光和周围杂光的干扰,在CCD前使用了一个基于特定频率的窄带抗扰光学滤片。图像处理采用神经网络自适应共振理论模型ART算法[3],将视觉传感器采集到的熔池和焊缝大量信息进行自组织模式分类并行处理,通过对样本的自学习自组织提炼出模式的内在特征。CCD图像分辨率为512×512,用8位二进制表示为256个灰度,0对应黑色,255对应白色。将视觉窗口的坐标方向化为128个像元,即4个像素组成一个像元单位。每幅图像作为一组原始数据,按图像灰度值分布归结为若干种空间模式,并与记忆在ART网络中的典型空间模式进行匹配检测,确定出焊缝位置、焊缝间隙量和熔宽。试验条件如表1所示。 在图3中,熔深量D由神经网络推算而得,Dh为熔深期望值,e为D和Dh之间的偏差。偏差e可由神经网络输出量计算得出,控制量Δu基于偏差e
[4]
和偏差e的变化Δe,
并应用模糊控制算法得到,解模糊后用来控制焊接电流来达到控制熔深的目
图1
Fig.1 Imageofpoolandseam
由于熔化的金属不断填充焊缝,因此焊炬正下方的焊缝间隙量无法直接获得。为解决这一问题,测量焊炬前端18.5mm位置处的焊缝间隙量Gk+74
(k为采样数)并将其存入控制器中。对应焊炬正下方的焊缝间隙量Gk由焊缝间隙量的存贮值推算而得,CCD检测点W对应Gk-9,根据大量试验结果确定,熔宽W在0.5s期间内的变化量最适合作为熔池表面形状的变化。每个采样周期的熔宽W被输入至神经网络:Wk,Wk-1,…,Wk-8,这里,采样周期为1/18s(55.6ms)。同样,焊接电流和焊缝间隙变化量也作为神经网络的输入:ik,ik-1,…,ik-8,Gk,
Gk-1,…,Gk-8。
神经网络采用BP训练法,学习速率η和动量常数α分别为0.5和0.9,训练数据建立在熔池表面形状、焊缝间隙、焊接电流和熔深在稳态及瞬态关系的基础上。输入层包含熔宽、焊接电流和焊缝间隙,输出层包含熔深。试验中,钢板厚度为2mm,焊穿对应的熔深为3.6mm,神经网络输出取值范围为0mm到3.6mm。网络隐含层神经元数量在训练误差小于3.3%时显著降低,最终定为7个。
从控制角度看,对神经网络的简单性及实时学习训练性有较高要求。本文设计的BP网的算法采用了一组恰当描述系统行为的样本集合,通过对GTAW过程参数的训练,可以建立能够反映GTAW
非线性过程参数特征的模型。网络隐含层的输出函数选为Sigmoid函数,输入层和输出层神经元采用线
图3 熔深控制系统示意图
Fig.3Controlschemeofpooldepth
1期GTAW神经网络-模糊控制技术的研究
7
的。试验结果如图4所示,可以明显看出焊接电流随着焊缝间隙量的波动而相应地变化,当焊缝间隙变窄时,焊接电流增加;相反,当焊缝间隙变宽时,焊接电流则减
小。在整个试验过程中,熔深基本保持恒定,图5为焊缝背面实物照片。
表1 conditions
Weldingspeed
/(mm・s-1)
4.5
Plate/2
SeamArccurveline
PooldepthRef.
/mm
2.7
Weldingcurrent
/A
70~95
Argon
flow/(L・min-1)
8
Gapwidth
/mm0~0.6
图5 Fig.5seam
Vy=0.0125fy(mm/s)(1)
4 焊缝跟踪自调整模糊控制
图6为焊缝跟踪自调整模糊控制器,E为焊炬与焊缝之间的偏差,它可通过CCD和ART焊缝检测
算法获得,EC为E的变化,U为步进电机脉冲频率控制量。该模糊控制器包含一个常规二维模糊控制器和一个积分控制器,可以消除极限环振荡和系统
α余差。e和αc为误差和误差变化的比例因子,αu为控制量的比例因子,它们与变量的基本论域和模糊集论域有关,并对模糊控制系统的动静态性能有较
α大的影响。e越大,稳态误差越小,系统响应越快,但超调量也越大;αc越大,系统快速性降低,超调量
减小;αu越大,上升越快,但易引起超调。试验装置中的Y关节滚珠丝杠螺距为3mm,步进电机的步距角为1.5°,脉冲当量为1.5×3/360=0.0125mm。
Y关节移动速度计算公式为
式中 fy为控制Y步进电机的脉冲频率。结合本试验实际情况,取αe=2.5,αc=10.0,αu=0.02。
图中k为权重系数,是一个可调因子。当焊缝跟踪误差较大时,控制系统应尽快消除误差,这时误差的权重系数取大一些;而当跟踪误差较小时,为防止超调,保持系统稳定,则误差变化的权重系数取大一些。模糊控制规则为
U=-[kE+(1-k)EC],k=0.06|E|+0.5
(2)
这种规则可以按误差大小自动在线调整权重系数k。
取E、EC和U的论域为[-5,5]之间,即E=
EC=U=[-5,-4,-3,-2,-1,0
,+1,+2,+3,
+4,+5],各个论域E、EC和U的语言变量为E=
EC=U={PB,PM,PS,ZO,NS,NM,NB}。
总结实际经验并经过模糊推理,可以得到模糊控制规则表,如表2所示。
表2 模糊控制规则表
Table2 Rule-tableoffuzzycontroller(Ui)
EiECi
NBNBNBNBNBNMNSZO
NMNBNBNMNMPSZOZO
NSNBNMNMNSZOPSPS
ZONMNMNSZOPSPSPM
PSNSNSZOPSPMPMPB
PMZOZOPSPMPMPBPB
PBZOPSPMPMPBPBPB
NBNMNSZOPS
图6 自调整模糊控制系统示意图
Fig.6Self-adjustingfuzzylogiccontrolsystem
PMPB
8
焊 接 学 报21
卷
5 焊缝跟踪试验及结果分析
试验采用GTAW方法,焊缝为I形坡口,焊缝形状为“弧形”曲线和“斜线”,为了与模糊控制器比较,
试验中也应用了常规PID控制法。
应用下式计算焊缝的平均跟踪误差
E=
测,根据实际跟踪偏差在线调整控制参数并进行模糊推理和判断,最终作出适应性的最优化控制。即使在焊前定位偏差较大的情况下,如图7a所示,系统也能迅速地使焊炬对中焊缝。从图7b也可明显看出,为保证熔深恒定,焊接电流及熔宽随着焊缝间隙的波动而变化,同时保持着精确的焊缝跟踪,控制系统体现出了较强的鲁棒性
。
ρ|Ei|
P
P
, i=1,2,…,P(3)
式中 E为焊缝跟踪误差平均值,Ei为每个采样周期的焊缝跟踪误差,P为采样数。表3列出了焊缝跟踪试验结果。图7为应用模糊控制法焊接后的焊缝照片。
试验结果表明,与常规控制法相比,制技术可有效提高焊缝跟踪精度,,控,应用传统而本文设计的自调整模糊控制器,仅通过被控对象的输入/输出变量的检
表3 焊缝跟踪试验条件和结果
Table3 Weldingconditionsandseamtrackingresults
SeamshapeArccurvelineObliqueline
Platethickness=/mm
2.02.0
Argonflow
/(L・min-1)
88
Weldingcurrent
I/A
70~9570~95
Weldingspeed Trackingaverageerror/mm
-1
PIDFLCv/(mm・s)
4.54.5
0.520.45
0.330.26
图7 试件焊缝照片
Fig.7 Pictureofweldedseam
6 结 论
应用神经网络和模糊技术对GTAW过程进行
建模和控制,研究了熔深和焊缝跟踪的控制方法。传统控制器基于描述焊接过程的经典数学模型,由于焊接过程的高度非线性及强耦合造成了模型的不精确,因而控制精度不高。通过CCD观测弧焊区和利用神经网络获取较精确的熔深量和焊缝位置,并融合模糊逻辑实现了熔深和焊缝跟踪的精确控制。
参 考 文 献
1 胡特生主编.电弧焊.北京:机械工业出版社.1996.
2 黄石生,高向东.焊缝跟踪技术的研究与展望.电焊机,1995,1:1
~5
3 高向东,黄石生.弧焊过程中的人工神经网络焊缝检测技术.焊接
学报,1998,19,(增刊):118~124
4 GaoXiangdong,MotojiY,AkiraM.Applicationoffuzzylogiccontrollerin
theseamtrackingofarc-weldingrobot.IECONProceedingsofthe23rdAnnualInternationalConferenceonIndustrialElectronics,Control,andInstrumentation,NewOrleans,LA,USA,1997,(3):1367~1372
作者简介 高向东,男,1963年出生,博士后,副教授。研究方向为
人工智能、机电一体化和弧焊过程控制。1994年在日本国际协力事业团研修,1996年留学于日本九州大学。先后主持国家自然科学基金和广东省自然科学基金等科研项目8项,发表论文20余篇。
2000,Vol.21,No.1 TRANSACTIONSOFTHECHINAWELDINGINSTITUTION Ⅴ
ToSubscribeandContributeAreWelcome
TRANSACTIONSOFTHECHINAWELDINGINSTITUTION(TCWI)wasstartedin1980.Thisperiodical(quarterly)issponsoredbyChineseMechanicalEngi2neeringSociety.Itistobedistributedbothathomeandabroad.Itmainlyreportstherecentscientificandtechnologicalachievementsonwelding.Manyofthembe2longtothefrontierinthefieldsoflearning.ItbasicallyreflectsChinaweldinglevelandpossessestheacademicauthorityinChinaweldingfield.ThisperiodicalwasaffirmedthefirstbatchcoreperiodicalofChinascience.Ithasalargenumberofsubcribersathomeandhasmadeaninternationalreputation.
Ourperiodicalwilldevoteitsservicestothereadingpublic.Cordiallywishittobecomeyourgoodteacherandhelpfulfriend.
DistributedAbroadby:ChinaInternationalBookTradingCorporationP.O.Box399,Beijing,China Code:Q322
MAINTOPICS,MechanismofLaserWeldingforSiCw/6061AlCompositeNiu(HarbinInstituteofTechnology,Harbin,),Zhonghong,etal.p1~4
Abstract:SiCw/6061Alwasbypulselaserweldingsuccessfully.Theinfluenceofthesuchassurfacetreatmentstate,laseroutputpower,weldingspeed,protectiveatmosphere,andpulsefrequencyontheweldingqualitywasstudied.Theresultsshowthatlaseroutputpowerandweldingspeedarethemainfactorswhichaffectthemicrostructureandthepropertyofweld,andchangeoflaserpulsefrequencyhasthedefiniteinflu2enceonthem.However,surfacetreatmentstatehaslittleinfluenceonthepropertiesofjoint.Atthesametime,weobtainedgoodeffectbyusingnitrogengasinsteadofargongas.ThemicrostructureofjointwasobservedandthestrengthlossofjointwasanalyzedbySEMandTEM.Themainreasonforthedecreaseofthestrengthofweldedjointisthatwhenlaserweldingwasused,SiCwhiskerreactedwithAltoformbrittleAl4C3.Therefore,theconceptionofthecriticalactivityα[Si]minwasputforward.
Keywords:aluminummatrixcomposite,laserwelding,criticalactivity
HAZStructure,ToughnessandCharacteristicstoHydrogen2InducedCracking(HIC)ofSteel20MnNiMo ZhangXianhui(HarbinResearchInstituteofWelding,Harbin,China),JiaoWei,TanChangying.p9~12
Abstract:InthispapertheeffectofthecoolingconditionduringweldingonHAZstructure,toughnessandsusceptibilitytoHydrogen2InducedCracking(HIC)ofsteel20MnNiMowasstudied.Theexperimentalresultsshowedthatthecoolingratet8/3considerablyaffectedboththeHAZtoughnessandthe
StudyontheTechniqueofNeuralNetworkandFuzzyControlforGTAW GaoXiangdong(SouthChinaUniversityofTechnology,Guangzhou,China),HuangShisheng,WuNaiyou.p5~8
Abstract:Anintelligentsystemincludingbothneuralnetworkandfuzzycontrollerforthegastungstenarcwelding(GTAW)waspresentedinthispa2per.Thediscussionwasmainlyfocusedontheapplicationofneuralnetworkandfuzzylogicinmodelingandcontrollingthepenetrationdepthaswellastheseamtracking.AvisualsensorCCDwasusedtoobtaintheimageofthemoltenpool.Aneuralnetworkmodelwasestablishedtoestimatethepenetra2tiondepthbasedontheweldingcurrent,poolwidthandseamgap.Also,thefuzzylogictechniquewascombinedtopromotethecontrolaccuracyofpene2trationdepth.Itwasdemonstratedthattheproposedneuralnetworkcouldpro2ducehighlycomplexnonlinearmulti2variablemodeloftheGTAWprocessandthusitofferedtheaccuratepredictionofweldingpenetrationdepth.Itwasdif2ficulttoobtaintheaccuratemodelsoftheactuators,inthatthetorchdrivers
MetalTransferofGasShieldedFlux2coredWireandItsCharacteristicssusceptibilitytoHIC.TheMorMwithalittleBstructureinHAZandbetterlowtemperaturetoughnesswereobtained,whent8/3waslessthan55s.Howev2erthisstructurewassensitivetoHIC.InordertoavoidHICandgetbettertoughnessinHAZ,thelowerheatinput,lowertemperaturepreheatingandhy2drogenremovalpromptlyafterweldingwererecommended.
Keywords:HAZ,structure,toughness,hydrogen2inducedcrackingplexsystemswhichhadhighlynonlinearity.Inordertore2solvethisproblem,aself2adjustingfuzzycontrollertocontrolthetorchmotionwasproposed,whichwasusedforseamtracking.Theself2organizingartificialneuralnetworkalgorithmwasusedtodetecttheweldposition.Thecontrolpa2rameterswereadjustedon2lineautomaticallyaccordingtothetrackingerrorssothatthetrackingerrorscouldbedecreasedsharply.Theexperimentalre2sultsshowedthattheproposedsystemyieldedconspicuouslycontrollingperfor2manceandprovidedanefficientapproachtorealizetheintelligenceofGTAWprocess.
Keywords:neuralnetwork,fuzzycontrol,GTAW,pooldepth,seamtracking
α[Si]min
LiHuan(TianjinUniversity,Tianjin,China),Cao
Wenshan,ChenBang2
gu,etal.p13~16
Abstract:Accordingtothemetaltransferparticularityofgasshieldedflux2coredwire,thehigh2speedphotographicexperimentswiththelaserasbacklightweredesigned,onwhichthemetaltransferpatternsandtheirexist2ingconditionsweresummarizedanddescribed,respectively.Moreover,thecharacteristicsofmetaltransferwereclarified.Comparedwiththetransferof