GMAW焊接过程监测模糊C均值聚类系统研究.pdf

GMAW焊接过程监测模糊C均值聚类系统1 D 胡庆贤武传松 Rehfeldt 山东大学材料连接技术研究所济南250061德国汉诺威大学 摘要：将GMAW焊接电参数概率密度分布PDD和时间频数分布CFD数值信息进行进一步的处理，构 造不同的矢量函数描述不同工艺条件下的GMAW的焊接过程，建立了模糊C均值聚类系统，对8种工艺 条件下24个GMAW焊接试验进行识别，取得了良好的识别效果。 关键词：过程监测模糊C均值聚类系统熔化极气体保护焊(GMAW) 0前言 焊接产品的质量取决于焊接过程的质量。在焊接生产中，如果稳定的焊接过程受到了干扰，就 不会得到符合要求的焊接接头。因此，为了得到高质量的焊接接头，保证重要焊接结构的安全可靠 性，就必须利用各种传感器在焊接生产线上对焊接过程实行在线和实时的监测，并进一步可以实现 焊接过程的自动化。到目前为止，国内外研究者利用各种传感器，如视觉传感器，声学传感器和远 红外摄像机等，对焊接过程进行检测。但是，这些传感器结构复杂，造价昂贵，安装到焊接设备或 焊接机器人上会对焊枪的灵活移动造成一定的障碍，并且这些传感器实际检测的精度和可靠性都还 没有完全过关，仍然处于实验室研究阶段。 弧焊过程中的电参数(焊接电压和焊接电流)包含了焊接过程的大量信息，实际上，每一种焊接 过程都带有其独特的电参数特征(“指纹”)u1。如果利用当代最先进的计算机检测技术，直接对焊 接过程中的电参数信号实施检测，既能检测到反映焊接过程质量的特殊信息，又不需要额外的传感 器，而对焊接过程本身所固有的电参数实施检测，检测手段简单、可靠、准确性高。但是，要得出 反映焊接过程质量的特殊信息，必须对检测到的大量原始数据(焊接电压和焊接电流的瞬时值)进行 压缩和统计处理，给出焊接电压和焊接电流信号的概率密度分布曲线(PDD)和时间频数分布曲线 曲线，就可以对焊接过程实施监测和评定。但是，这个任务要求丰富的专家知识和实践经验，这就 限制了上述思路在实际工业生产中的推广应用岬J。 借助于模糊f均值聚类方法，直接依据焊接过程的PDD和CFD曲线，在不需要专家知识的情 况下，建立起焊接过程电参数特征与焊接过程质量之间的关系，可以识别出焊接过程干扰的类型， 实现焊接过程的人工智能监测，以获得高质量的焊接接头，使得在干扰出现产生之前，就实时检测 和识别出来，避免了焊件报废和焊后修复，具有巨大的经济效益和社会效益。 1模糊口聚类均值算法 模糊f聚类均值算法(FCM：Fuzzy c-Means)是一种数据的模糊分类方法，可用于解决分类问题 和找出数据中的结构，与硬分类最大不同之处在于对象不是仅仅和一个类相连，而是和所有的类相 联系。其基本思想是：以当前的测试样本与历史上各次故障样本中的症状情况相对照，看看本次故 障与过去已确诊的各故障中哪一次最为相似(可聚为一类)¨1。建立系统的过程大致可分如下4步： ①训练(分类)；②标识；③检验／验证模型；④回想(应用)。FCM计算方法的训练算法如下n1： i=1，．．．，c)，m是小 假定：存在K个对象，分成c类。鲰是对象詹对聚类C的隶属度(k=-I，．．．K 于等于土的整数，式中敝：ma)【{‰}。 ／Jk i=1，．’c ·德意志研究联合会(DFG)资助项目。 ①初始化f类中第七的对象％的隶属度值玩(卢l，…，c；k=-I，…，均如： 喜舻，V㈨，…脚凤印棚瀑拳乏 ㈣ ②用隶属度值∥址计算聚类中心值V。： ∑(玩)”·‰ vI=型矿—一，Vi=1，…，c (2) ∑(触)” ◎用聚类中心值V，计算新的隶属度值乒∥： Vi=1，…，c ∥≯=