论文部分内容阅读
点焊技术因其效率高、成本低、自动化程度高等优点,在金属板连接工艺中有着广泛的应用。因此,保证点焊质量的合格率对工业生产安全和节约生产成本有着重要的社会和经济意义。然而,点焊质量因熔核形成过程的不可观察性和瞬时性而难以直接监测,为此只能通过监测与焊接质量密切相关的各种电和物理参量来间接地监测焊接质量。同时,由于点焊过程的高度非线性和多参数耦合作用的特点,难以用精确的数学模型来描述过程参量与点焊质量之间的关系。因此,如何全面分析点焊质量的影响因素,并建立其与焊点质量之间的映射关系是该领域的一个研究热点。基于此,本论文从影响点焊质量的因素入手,研究其与焊点质量之间的映射关系,并通过建立时序模型的方式来实现点焊质量的判断,进一步为点焊质量监控提供技术支持。本论文的主要研究工作如下:(1)点焊质量的影响因素分析及建立其与焊点质量之间的映射关系模型。首先分析点焊质量的影响因素,并归纳出其中的主要因素:工艺参数和点焊机在执行工艺参数时的状态变化。然后,通过试验获取焊点质量不同状态时的监测波形曲线,分析表明,基于波形曲线的点焊质量判断方法无法深入地分析不同焊点质量间的差异,因此,本文提出利用HMM来分析焊点质量不同状态对应时间序列的差异。进一步,利用采集到的离线数据,基于改进遗传算法(IGA)和HMM来建立点焊机在执行工艺参数时焊接电流、电极间电压、电极压力等信号随时间变化的规律与焊点质量之间的映射关系模型,其中IGA用于优化HMM的初始模型,而HMM则为分类器。(2)利用时序模型,根据点焊机在执行点焊任务时的焊接电流、电极间电压、电极压力等信号的实时波形曲线,实现加工质量的判断。首先分析点焊质量变化的实时性,然后阐述传统EM算法应用于点焊质量实时判断过程存在的不足:算法在迭代过程中均以相同的步长沿负梯度方向进行搜索,无法以较快的速度收敛到全局最优解。进一步,在上文建立时序模型的基础上,提出一种基于Aitken-IEM和HMM相结合的点焊质量实时信息的判断方法,其中Aitken-IEM算法用于改善HMM的模型参数训练速度。最后利用采集到的实时数据,并通过对比分析,验证所提出算法的可行性。(3)通过建立时序模型的方式,来监控点焊机在执行点焊任务时是否按照最优的方式来执行加工工艺。首先分析点焊质量监控方法,然后阐述点焊机在执行工艺参数时的状态变化影响焊接质量的方式。进一步,针对传统HMM增量学习算法在观察序列更新时,算法需要重新估计模型参数的问题,利用采集到的实时数据,基于上文建立时序模型的方式,提出一种基于改进HMM增量学习算法的点焊机状态识别方法,并通过对比分析,验证所提出算法的有效性。最后,将状态识别结果应用于点焊质量监控过程中,根据香农采样定理对采样信号进行恢复,同时基于上一章提出的点焊质量判断方法,实现点焊质量的判断,为提升焊点合格率提供技术支持。