《外文翻译--关于机器人焊接系统中焊道形状预测的研究》-毕业论文.docVIP

黄石理工学院外文文献翻译 PAGE PAGE 4 《机械科学与技术杂志》第21期 （2007）第1726—1731页 关于机器人焊接系统中焊道形状预测的研究 1）J.S.SON, 2）I.S.KIM, 3）H.H.KIM, 4）I.J.KIM, 5）B.Y.Kang and 6）H.J.KIM 1）ProMECS有限公司，浦项市，庆尚北道 2）机械工程学院，国立木浦大学 3）机械工程学院，毕业学校，国立木浦大学，南道 4）全北研发中心，KITECH, 全北 5）先进科研小组，KITECH，仁川 6）先进科研小组，KITECH，天安 (原稿于2007年5月31接到；2007年8月30修改完成；2007年9月30完成终稿) 摘要：熔化极气体保护焊是一种被广泛运用于金属焊接工艺中的焊接工艺，但是其中掺杂着融化的和凝固的焊接金属材料。为了解决这个问题，我们基于田口方法在GMA焊接加工中具有代表性的机器人GMA焊接加工上做了相继的实验并发现许多问题，最终确立了最有效焊口设计的指导方针。我们同时利用IBM兼容机上的标准统计软件包程序（SPSS）运用多重回归分析开发了用于脱机控制的三种经验模型（线性的，交互式的，二次方的模型），这些模型用来研究不同焊接参数对焊道宽度的影响并比较这些受影响的焊道宽度从而得出哪一种焊接参数最有效。这些模型被用于预测最佳的焊接参数和帮助新一代的过程焊接算法。 关键字：GMA焊接；经验模型；脱机控制；焊道形状 简介 GMA焊接由于相比于其它连接方法有更高的连接强度，可靠性和低成本的特点，成为当今最受欢迎的连接方法，在汽车制造业，航空制造业和轮船制造业被用来装配大部分大型的金属框架结构。由于现代生产对生产率和产品质量要求提高，加上现在熟练技工欠缺和需要严格的生产安全和环保机制，使得机器人焊接技术得以发展从而解决了焊接制造业中的许多问题。虽然在焊接加工中研究学习过好多种算法用来控制焊接质量，产品生产率，微结构和焊接性能。然而想要将它们运用于各种实际生产现场还是一件困难的事，不仅因为焊机参数和焊道形状之间不成线性关系，还有就是这些算法通常是依靠特殊的实验结果。实际上，关于如何建立一个数学模型是很重要的，这个数学模型可以在一定的约束下用来仿真实际的焊接加工和如何选用最佳的焊机条件。 最近几年，神经网络已经广泛在复杂系统中用来开发模型表示输入和输出之间的相互关系。神经网络因为具有学习和概括的功能，所以可以有条理的确立模型输入和预期输出之间的关系。经过一定数量的练习，神经网络可以对新的输入计算出合适的输出。神经网络的这个特点保证了它成为现在制造行业软件应用中一个有用的工具，这些覆盖了设计过程到控制，检查和质量保证的进度安排上。 许多研究者尝试着在焊接领域中用神经网络开发不同的应用软件。Cook起初工作于智能焊接控制系统和虚拟神经网络的开发。Juang等人研究反向传播神经网络和对向传播神经网络与焊接参数和焊道形状特征之间的关系，并总结出在钨极惰性气体保护焊（TIG）加工中对向传播神经网络比反向传播神经网络拥有更好的学习能力。Nagesh和Datta在保护式电弧焊中运用反向传播神经网络来预测焊道形状，他们宣称在给定的焊接条件下，可以用神经网络建立个切实可行的模型用来预测焊道的几何形状。Li等人运用自适应偏置网络（SAON）模拟了在埋弧焊（SAW）中五个几何变量（焊道高度，焊道宽度，渗透度，融化度和堆焊区域）和三个焊接参数（焊接电流，弧电压和焊接速度）之间的非线性关系。Tarng等人研究了在TIG焊接加工中焊接参数和焊道几何特征之间的关系。Jeng等人在激光焊接中运用反向传播神经网络和学习矢量量化神经网络预测焊接参数。Kim等人在GMA焊接加工中运用反向传播神经网络预测焊道形状并表明神经网络的设计参数（隐藏的层数和层中的节点数）可以从错误的分析中选择，这种开发的神经网络可以合理准确的预测焊道的几何特征。 这篇文章集中于数据的分析，这些数据是由多次回归分析和脱线，在线的经验模型得来的。多次回归分析是用来研究在GMA焊接加工中焊接参数和焊道宽度之间的关系。同时脱线和在线经验模型是用来预测焊道宽度的。通过这些模型的开发和发展，传统的经验模型的问题的解决办法也产生了。 实验步骤细节 GMA焊接加工是一种复杂的加工方法，它包括许多科学的和工程学的规律，用不同的连接配置和焊接位置来连接任何金属。 在本次研究实验中，我们所有的实验材料是200x70x12 mm和60o凹槽的钢制SS400板材。所选择的焊接参数是两种不同标准的焊丝直径，弧电压，焊接速度和焊接电流。这些因素和它们的规格标准列于表1中。焊接参数之间的影响可以忽略不计。在本次研究中我们运用了L16五角阵列。焊丝的选择主要要能与基底金属的机械性能和物理性能相匹配。我们选择的