kaiyun官方注册
您所在的位置: 首页> 模拟设计> 设计应用> 舰用钢板的大功率激光焊接参数优化研究
舰用钢板的大功率激光焊接参数优化研究
2017年电子技术应用第2期
刘雨晴,汤金萍,华 亮,郑长炜
南通大学 电气工程学院,江苏 南通226019
摘要:针对高强低碳合金厚钢板大功率激光焊接过程的非线性、多变量耦合性、不确定性等特点,通过构建基于声信号采集的监测系统,实现舰用钢板焊接过程声音的实时采集,并提出特征向量,构建双权值神经网络(DWNN)模型,充分利用DWNN优秀的非线性拟合能力,实现大功率激光焊接多参数与声信号多特征之间非线性映射的神经网络建模。在拟合精度和迭代次数上,DWNN比径向基函数网络等传统网络更优,为高强度低合金厚钢板的大功率焊接参数的优化和控制提供了良好的基础。
中图分类号:TP391.9
文献标识码:A
DOI:10.16157/j.issn.0258-7998.2017.02.028
中文引用格式:刘雨晴,汤金萍,华亮,等. 舰用钢板的大功率激光焊接参数优化研究[J].电子技术应用,2017,43(2):117-119,123.
英文引用格式:Liu Yuqing,Tang Jinping,Hua Liang,et al. Research on optimization of high power laser welding parameters of warship-used steel[J].Application of Electronic Technique,2017,43(2):117-119,123.
Research on optimization of high power laser welding parameters of warship-used steel
Liu Yuqing,Tang Jinping,Hua Liang,Zheng Changwei
School of Electrical Engineering,Nantong University,Nantong 226019,China
Abstract:For the characteristic of non-linear, multivariable coupling and uncertainty of high-strength low-alloy steel in high power laser welding process, a monitoring system based on acoustic signal acquisition was built, real-time acquisition of the sound was achieved, feature vector was extracted, and Double Weights Neural Network(DWNN) model was constructed. Excellent nonlinear fitting ability of DWNN was used to build the nonlinear mapping neural network model between multiple parameters and sound signals. DWNN has higher fitting accuracy and less iteration than traditional radial basis function network(RBF) in the same size, which provides good foundation to parameters optimization and control of high power laser welding.
Key words :laser welding;double weights neural network;acoustic signal;feature extraction

0 引言

国内外对舰用高强低合金钢的主要焊接方式中间工序繁杂,能量消耗巨大,机器人难以胜任[1]。激光电弧复合焊接技术可以进一步地提升焊接速度,增加焊接材料的厚度,加强间隙桥接能力,极大地提高效率[2]。焊接过程由于焊条裂化和熔融金属振动而伴随着声音,基于麦克风的焊接声信号采集及分析逐步发展起来。AO S等人对激光焊接中的声信号特征进行了二维建模仿真和实验分析,通过试验得到焊接熔池的预测振荡频率[3]。对于激光电弧复合焊中出现的焊接缺陷、焊接过程不稳定性等状况,许多研究者开展了基于人工神经网络等理论的研究。双权值神经网络(Double Weights Neural Network,DWNN)[4]函数逼近能力强,有更强的分类能力,在学习速度等方面也比BP神经网络(Back Propagation,BP)[5]及径向基函数(Radial Basis Function network,RBF)[6]等网络结构要好,得到了推广应用,如高维数据拟合[7]等。文献研究多为小功率复合焊接,对于高强低碳合金厚钢板的激光焊接研究甚少。本文以美国核动力“福特级”航母舰用高强低碳合金钢HSLA-115为研究对象,提出了基于声信息及双权神经网络的焊接参数优化方法,为我国舰用焊接实际工程技术服务。

1 声信号的采集与预处理

1.1 声信号采集平台

本平台由丹麦B&K公司的4189声音传感器、10 kW光纤激光器IPG-10000、六轴高精度焊接机器人KUKA60HA、焊材HSLA-115组成。不同厚度的HSLA -115钢板如图1所示,钢板厚度依次为6 mm、8 mm、10 mm、12 mm和14 mm。

jsj1-t1.gif

1.2 小波阈值降噪

本文采用基于小波变换方法,既可以有效抑制焊接过程中的放气噪声、机械运行噪声,又可以减少信号在突变部分的失真。小波降噪过程如图2所示[8]

jsj1-t2.gif

1.3 去噪性能评价

通过对比各个小波基的降噪能力以及考虑PC的处理速度,选择小波基是db4,小波分解3层。以钢板厚度为8 mm焊透时为例,计算信噪比(Signal-Noise Ratio,SNR)[9]和均方根误差(Root Mean Square Error,RMSE)[10],结果如表1所示。

jsj1-b1.gif

通过观察表1,可以发现采用双阈值双因子的阈值函数去噪能力更强,可以更好地进行特征提取

2 特征提取

运用文献[8]的方法,提取了时域的短时能量En、短时平均幅度Mn、短时平均过零率Zn、短时零能比ZERn4个参数特征。窗口长度为1 024,重叠50%进行分帧。不同焊接参数如表2所示。对应的En、Mn、Zn、ZERn结果如表3所示。

jsj1-b2.gif

jsj1-b3.gif

3 双权值神经网络的数据拟合算法

本文在舰用高强低碳合金厚钢板焊接参数优化中应用文献[7]提出的多维函数拟合逼近算法。双权值神经网络的固定结构如图3所示。

jsj1-t3.gif

在双权值神经网络的数学模型中[7],最后拟合的公式如下[7]

jsj1-gs1-2.gif

jsj1-gs3.gif

4 双权值神经网络建模与分析

本文选取双权值神经网络(DWNN)与径向基函数神经网络(RBF)。以焊接钢板厚度、焊接功率、焊接速度作为神经网络的输入,以En、Mn、Zn、ZERn作为输出,通过训练样本建立神经网络,并比较两神经网络的训练效果。

(1)网络输出为En

网络结构见图4,拟合训练效果见图5。

jsj1-t4.gif

jsj1-t5.gif

(2)网络输出为Mn

网络输出为Mn时拟合训练效果见图6。

jsj1-t6.gif

(3)网络输出为Zn

网络输出为Zn时拟合训练效果见图7。

jsj1-t7.gif

(4)网络输出为ZERn

网络输出为ZERn时,拟合训练效果见图8。

jsj1-t8.gif

图5~图8中,横坐标为所采用的神经元个数,纵坐标为均方误差。在DWNN与RBF中,输入为钢板厚度、焊接功率、焊接速度,对应的输出为En、Mn、Zn、ZERn。随着神经元数目的增加,采用DWNN 训练时的均方误差始终小于RBF的均方误差。

5 结论

本文采集了不同的焊接钢板厚度、焊接功率、焊接速度下的激光电弧复合焊声信号,提取出短时能量、短时平均幅度、短时平均过零率、短时零能比4个特征值,并分别以此为输出构建了4个不同的神经网络结构。结果表明,采用DWNN对4个特征值进行训练时的精度始终高于RBF,收敛速度也始终比RBF快。本文利用神经网络结构探究了不同焊接参数与焊接过程中声信号之间的关系,进一步为基于声信号的大功率激光电弧复合焊接参数优化及焊接质量监测与控制提供了参考依据。

参考文献

[1] 武春学,俊旭,朱丙坤.高能束焊接技术在舰船建造中的应用[J].材料开发与应用,2010,25(3):79-83.

[2] ATABAKI M M,MA J,LIU W,et al.Pore formation and its mitigation during hybrid laser/arc welding of advanced high strength steel[J].Materials & Design,2015,67:509-521.

[3] AO S,LUO Z,FENG M,et al.Simulation and experimental analysis of acoustic signal characteristics in laser welding[J].International Journal of Advanced Manufacturing Technology,2015,81(1):277-287.

[4] 王守觉,李兆皱,陈向东,等.通用神经网络硬件中神经元基本数学模型的讨论[J].电子学报,2001,29(5):577-580.

[5] 程满玲,孙峙华.基于BP神经网络技术的网络时延预测研究[J].测控技术,2015,34(6):74-76.

[6] LIU J.Radial basis function(RBF) neural network control for mechanical systems:design,analysis and matlab simulation[M].Springer Science & Business Media,2013.

[7] 曹宇.一种新型双权值人工神经元网络的数据拟合研究[J].电子学报,2004,32(10):1671-1673.

[8] HUA L,ZHENG C,GU J,et al.Laser arc sound signal processing and welding status recognition based on geometric learning[C].2015 6th International Conference on Manufac-turing Science and Engineering,2015,32:1383-1394.

[9] SUMMERS T A,WILSON S G.SNR mismatch and online estimation in turbo decoding[J].IEEE Transactions on Communications,1998,46(4):421-423.

[10] BARNSTON A G.Correspondence among the correlation,RMSE, and heidke forecast verification measures,refinement of the heidke score[J].Weather & Forecasting,1992,7(4):699-709.

[11] 吕世威.基于LM的汽车燃油消耗不解体快速检测方法研究[J].制造业自动化,2015,37(15):152-156.



作者信息:

刘雨晴,汤金萍,华 亮,郑长炜

(南通大学 电气工程学院,江苏 南通226019)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map