人工神經網絡在CO2氣體保護焊實時監測中的應用

肖 兵，董添文

(1.南昌工程學院 機械與電氣工程學院，江西 南昌 330099；2.上饒師范學院 物理系，江西上饒334001)

人工神經網絡在CO2氣體保護焊實時監測中的應用

肖 兵1，董添文2

(1.南昌工程學院 機械與電氣工程學院，江西 南昌 330099；2.上饒師范學院 物理系，江西上饒334001)

利用人工神經網絡的訓練結果可以對焊接過程的各類特征參數進行合理評價。利用LVQ神經網絡模型，根據實驗采集分析得到的CO2氣體保護焊不同焊接工藝條件下焊接電流和焊接電壓的概率密度分布曲線以及短路過渡時間和燃弧時間等的時間頻數分布曲線，在Matlab神經網絡工具箱中開發出焊接過程神經網絡識別器，可以自動識別焊接過程中各種干擾因素。識別實驗結果表明，利用LVQ神經網絡構造的干擾因素識別器識別成功率達到92.5%，識別率高。實驗驗證了該網絡識別器的可行性，可以用于焊接質量的實時監測。

CO2氣體保護焊；人工神經網絡；干擾因素識別；實時監測

0 前言

CO2氣體保護焊具有生產率高、成本低、能耗低、適用范圍廣等優點，在現代焊接生產中占有重要的地位。隨著對焊接質量的要求越來越高，焊接過程的自動化、機器人化、智能化已經成為焊接技術的發展趨勢。利用各種傳感技術對焊接過程中產生的各種干擾因素進行實時監測和控制，是焊接界研究的重要方向[1－3]。

利用電弧傳感實時采集焊接電壓、電流信號，應用概率密度分布曲線和時間頻數分布曲線等統計方法對焊接電參數進行處理，可以確認焊接過程中的各種干擾因素。但是只有具備全面專業知識的人士才能完成這項工作。為了解決這一問題，需要利用人工智能技術。人工神經網絡通過模擬人腦所建立起來的模型能像人一樣，具備學習、聯想、推理等能力。利用人工神經網絡能自動識別出焊接過程的特征參數[4－5]。但人工神經網絡理論性強，需要進行繁瑣的數學推導與編程，一般研究人員難以快速掌握和運用。

Matlab中的神經網絡工具箱是在Matlab環境下所開發出來的許多工具箱之一，它以人工神經網絡理論為基礎，使用Matlab編寫出各種神經網絡設計與訓練的子程序，設計者則可以根據自己的需要調用工具箱中有關神經網絡的設計訓練程序，簡單有效，使研究人員只需掌握神經網絡理論，從繁瑣的數學推導與編程中解放出來，因此它越來越受到人們的青睞[6－7]。

在此針對CO2氣體保護焊焊接過程中實時采集的電弧電信號，在對電流、電壓信號進行統計分析處理得到的電流、電壓概率密度分布(PDD)和熔滴過渡短路時間頻數分布(CFD)曲線基礎上，利用Matlab神經網絡工具箱編程，設計出針對焊接過程中各種干擾因素的神經網絡識別器，來實現對焊接過程中隨機干擾因素的自動識別。

為設計神經網絡識別器并驗證其有效性，本研究人為設定干擾因素，通過焊接工藝實驗采集數據來為訓練神經網絡識別器提供輸入特征向量，并對開發的神經網絡識別器進行實驗驗證。

1 工藝實驗

CO2氣體保護焊工藝實驗條件為：短路過渡，φ(CO2)100%保護氣體，流量15 L/min；試件選用Q235低碳鋼板，試板尺寸200 mm×50 mm×6 mm；送絲速度 5.6 cm/s，焊接電壓 20 V，焊接速度 4.0 mm/s；平板堆焊。

除上述正常工藝參數條件工藝實驗外，還人為設定了四種情況的干擾信號，分別編號為：①正常；②焊道尺寸改變；③送保護氣流量減半；④送絲速度降低10%；⑤有油污。每種情況重復實驗八次。用前四組數據的概率密度分布曲線中提取出的特征向量對神經網絡進行訓練，用后四組的數據來仿真檢驗經訓練的神經網絡的可靠性。

實驗利用霍爾電壓傳感器、霍爾電流傳感器和數據采集卡實時采集焊接電壓電流信號，并進行數據處理，得到PDD曲線和CFD曲線。

圖1是從正常焊接條件下所采集的數據中任意挑選的1 s的數據(電流、電壓各4 000個)進行統計分析得出的概率密度分布曲線。圖中四條曲線從上至下分別是焊接電流的概率密度分布PDD曲線、電弧電壓的概率密度分布PDD曲線、短路時間的頻數分布CFD曲線、燃弧時間的頻數分布CFD曲線。表1為從正常情況下的工藝實驗數據中提取的，作為網絡訓練之用的輸入向量的部分數據。

圖1 正常焊接條件下的電弧電信號統計曲線

表1 神經網絡干擾因素識別器訓練用輸入特征向量

2 LVQ網絡識別器的設計

學習向量量化神經網絡LVQ(Learning Vector Quantization)是Kohonen網絡方法的有監督學習的擴展形式，LVQ網絡與Kohonen網絡的最主要區別是其輸出層的每個神經元被指定為屬于幾個類別之一。其結構如圖2所示：輸入層由M個神經元組成，輸出層的神經元被分為N類，每個類別分得幾個輸出神經元。輸入層的神經元到輸出層神經元是全互連的。對于已給定輸出單元的權值向量，它代表在輸出端的響應最大的輸入向量樣本。當一個輸入模式向量X輸入到網絡時，有最近(歐氏范數)的權值向量的神經元被選定為獲勝者。訓練過程的學習規則是只有獲勝的神經元被修改：當獲勝神經元屬于正確的分類時，它的權值向量將朝著輸入向量的方向移動；反之，它將被迫向遠離輸入向量的方向移動。

圖2 一維LVQ網絡結構

訓練好的神經網絡能記住每對互連神經元之間的權值，從而按照給出的分類模式進行回想。當給它輸入新的模式X′時，輸出層中與它的歐氏距離最近的獲勝神經元所在的類別即是網絡的輸出結果。

用Xi代表第i個訓練模式向量，Ti代表Xi所屬的類別，令Wj為第j個輸出神經元與輸入模式向量的權值，令Cj為第j個輸出神經元代表的類別。LVQ算法可用下面的步驟來表達：

(1)初始化權值向量。權值向量可隨機初始化，同時初始化學習率。

(2)對訓練集合中的每個輸入模式向量Xi執行步驟①和②。

①尋找獲勝神經元k

②修改權值Wk為

(3)調整學習率，學習率作為一迭代函數減小。

(4)檢查終止條件，如果滿足終止條件就退出，否則返到步驟(2)。

本研究利用Matlab中的神經網絡工具箱進行編程設計，設計好的神經網絡識別器工作程序如上述LVQ算法步驟所示。

輸入向量(x1，x2，…，xm）對應于焊接電流、電壓PDD曲線和短路過渡時間CFD曲線上的數據。

所以提取的138×1維的列向量是分別從焊接過程電流PDD、電弧電壓PDD、短路時間CFD、燃弧時間CFD四條分布曲線上提取的(見表1和圖1)。其中，從電流PDD取40個概率密度值，電壓PDD取50個概率密度值，每一個電流、電壓概率密度值分別對應著一個焊接電流與電弧電壓值。短路時間CFD中取15個頻數密度值，燃弧時間CFD中取33個頻數密度值，同樣每一個短路燃弧時間頻數密度值對應著一個時間值。為了降低計算誤差的影響，電流、電壓概率密度值乘以1 000，頻數分布乘以100。

3 識別結果

根據前面的工藝實驗，利用開發的干擾因素識別器，將經訓練的神經網絡對每組實驗條件下后三次實驗用于網絡的驗證。表2為網絡識別器的識別結果。

分析表2可知，①～④四種干擾因素被LVQ很好地分類出來，前四組數據中僅發生了兩組錯誤，且送保護氣減半與正常情況識別完全正確。出現分類錯誤較多的在對有油污情況的識別上，其主要原因可能是因為油污在焊道后部很容易被前部已經處于高溫的焊道加熱蒸發掉。從結果中可得出，識別總的成功率為92.5%?？梢姡肔VQ神經網絡對焊接過程干擾因素識別，是一種可行的方法。

表2 LVQ神經網絡對檢驗數據的識別結果

4 結論

(1)在介紹LVQ網絡的基礎上，利用Matlab神經網絡工具箱編程，設計了LVQ神經網絡兩種焊接干擾因素識別器。

(2)實驗結果顯示，LVQ神經網絡焊接干擾因素識別器對焊接過程干擾因素識別成功率達到92.5%。結果表明，LVQ神經網絡構造的識別器具有較高的識別性能，可以用于焊接過程中干擾因素的在線識別。

[1]王振民，張麗玲，薛家祥.基于視覺處理的焊縫質量檢測與控制系統[J].焊接技術，2007，36(3)：60－62.

[2]高延峰，張 華，毛志偉.以旋轉電弧為傳感器的移動機器人角焊縫跟蹤[J].機械工程學報，2009，45(9)：64－71.

[3]薛海濤，李俊岳，張曉囡，等.焊接電弧信息測試分析系統[J].焊接學報，2003，24(1)：19－22.

[4]劉立君.基于神經網絡熔透電弧聲特征參數評價與選擇[J].焊接學報，2010，31(3):25－28.

[5]胡慶賢，武傳松，孫俊生.Kohonen神經網絡在熔化極氣體保護焊接質量監測中的應用[J].無損檢測，2002，24(4)：159－161.

[6]聞 新.MATLAB神經網絡應用設計[M].北京：科學出版社，2000.

[7]施 陽，李 俊.MATLAB語言工具箱—TOOLBOX實用指南[M].西安：西北工業大學出版社，1997.

Application of ANN on real-time monitor in CO2welding

XIAO Bing1，DONG Tian-wen2
(1.School of Mechanical and Electrical Engineering，Nanchang Institute of Technology，Nanchang 330099，China；2.Department of Physics，Shangrao Normal College，Shangrao 334001，China)

The results trained by artifical neural network could be used to evaluate feature parameters in welding.Based on the probability density distributions(PDD)of welding voltage and current，and the class frequency distributions(CFD)of short-ciruiting time and burningarc time,this paper developed a welding ANN identifier by ANN toolbox in MATLAB by the LVQ neural network model.The welding ANN identifier could recognize and classify the process disturbances during welding.The experimental results showed that general recognition rate of the LVQ identifier was high in identifying the welding process disturbances，wich reached 92.5 percents.The results indicated the feasibility of the LVQ identifier，wich could be used for the welding quality monitor.

CO2welding；artifical neural network(ANN)；process disturbances identifying；real time monitor

TG444＋.73

A

1001－2303(2011)03－0001－04

2010－09－26

肖 兵(1975—)，男，湖北羅田人，講師，碩士，主要從事焊接工藝及焊接自動化控制方面的研究工作。