电阻点焊质量预测神经网络模型研究.docVIP

电阻点焊质量预测的神经网络模型研究 马跃洲 史建涛 陈剑虹（兰州理工大学材料科学与工程学院 兰州 730050） 摘要：在对电阻点焊电压和电流等信号特征分析的基础上，提取焊接电压、电流有效值、动态电阻和加热功率的周波序列构造输入向量，建立BP和RBF神经网络模型，进行点焊接头熔核尺寸预测。训练和测试结果表明，经整体归一化处理的电流和电压有效值周波序列，联合构造输入向量训练的网络模型，能有效预测接头熔核尺寸，测试样本的平均验证误差小于6%，优于单独采用动态电阻、加热功率等输入向量。RBF网络比BP网络模型具有更快的训练速度，测试验证误差总体上略优于BP网络，是电阻点焊接头质量监控可行和有效的方法。 关键字：电阻点焊 RBF神经网络 熔核尺寸 质量监控 中图分类号：TP18 文献标识码：A 0 序言 电阻点焊的电流、电压信号既反映输入能量的大小，又反映熔核形成过程中接头阻抗的动态变化。影响接头质量的各种随机因素，如工件和电极表面状态、临近焊点的分流、二次回路中铁磁物质引起的阻抗变化、散热情况、电极压力以及电网电压波动等，均会直接或间接地体现在电流、电压等信号的变化之中。因此，电流和电压是进行电阻点焊质量监控最基本的信号。 神经网络技术的基本思想是模拟人脑感知、学习和推理行为，在解决高度非线性和严重不确定系统方面潜力巨大。采用动态电参数构造样本训练多层BP（Back-propagation）网络，进行电阻点焊熔核尺寸和接头力学性能预测，被证明是可行的[1-4]。BP学习算法理论上能逼近任何非线性映射，但由于其属于全局逼近的方法，存在收敛速度较慢和易陷入局部最小的问题，网络拓扑结构的选择和优化目前尚缺乏统一理论和方法。径向基函数（Radial basis function, RBF）神经网络通过调节神经元的非线性核函数的参数来实现非线性映射，并由此导致连接权值的线性化调整，可由线性方程组解出或用最小二乘（RLS）递推计算，从而大大加快其学习速度。同时由于高斯核函数的特点，RBF网络仅当输入落入到输入空间的一个局部范围才产生一个有效的非零响应，因此避免了局部最小的问题[5-6]。 本文拟从电阻点焊过程的电流和电压信号中提取特征参数构造样本空间，分别建立BP和RBF神经网络进行熔核尺寸的预测，探寻电阻点焊质量在线监控的可行和有效的途径。 1 数据采集及处理 1.1 数据采集 焊接实验在唐山松下YF-0201Z2型交流电阻点焊机上进行。由传感器、信号调理电路、数据采集卡和微型计算机构成数据采集系统，对电极间电压、焊接电流和电极位移进行同步信号采集。电流传感器由Rogowski线圈和积分器组成，具有100 kHz响应频率，测量电流高达1000 kA，精度优于0.5%。电压信号通过霍尔电压传感器取自上下电极。采用安装在活动电极臂上的电磁感应式位移传感器获取电极位移信号，其测量精度1 μm。数据采集卡具有4个差分输入的模拟通道，其核心是12位A/D 转换器ADC7806，一次转换时间2.75 μs。信号采集软件用VB语言编写，由菜单界面、数据采集和存盘、波形显示和打印等模块组成。信号处理及神经网络建模在Matlab软件环境下进行。 除非特别说明，文中数据的焊接条件为：低碳钢板试样（100×30×1.5 mm3）两层搭接点焊，采用恒流控制方式，电极压力约3150N，电极工作平面的直径为6 mm。信号采样率33.3 kHz。图1出示了焊接电流5 kA、焊接时间20周波时，采集的一组电压、电流和电极位移的原始信号波形。 1.2 周波参数计算 信号频谱分析表明，点焊过程的电压和电流信号的细节（高频分量）与接头质量的相关性不明显，其频谱主要与焊机中晶闸管的导通角有关，尽管在发生喷溅时会出现信号奇异点，但不足以判定其对接头质量的影响。以周波或半周波为单位的参数则与熔核形成过程中物理变化关系密切，可作为表征点焊过程的特征参量。 图1 焊接电压、电流和电极位移信号波形 由采集的电压和电流信号可得到焊接电压、电流、动态电阻和加热功率4组参数的周波或半周波序列。电流和电压有效值物理意义明确，其周波序列反映了电阻焊过程中的输入热量的变化，与熔核形成过程的物理状态有关、且受焊机的动态性能、电网电压波动、工件及电极表面状况等因素的影响。动态电阻是点焊过程监控中经常采用的周波参数，低碳钢点焊时其动态电阻具有明显的特征，与熔核的形成及长大过程存在一定的对应性。动态电阻的半周波序列可通过4种方法计算：1) 峰值法，即用峰值电流时刻的电压除以峰值电流，以消除电路中互感的影响；2) 幅值法，用电压幅值的积分除以电流幅值积分，也可以消除互感的影响；3) 有效值法，用电压有效值除以电流有效值,不能消除互感影响；4) 先由电流和电压乘积的积分计算功率,