论文部分内容阅读
锁孔效应TIG(K-TIG)焊可不开坡口、一道焊透中厚金属板材、单面焊双面成形、焊接效率高,在中厚板焊接领域具有较大优势。但对K-TIG焊接过程的实时监测目前还有待深入研究。本文对K-TIG焊接焊缝偏差与熔透状态识别进行了研究,可为实现实时焊缝跟踪与熔透状态控制奠定基础,具有重要的研究意义和应用价值。本研究分别搭建了基于视觉传感的焊缝偏差识别系统以及基于声传感的熔透状态识别系统。在此基础上,通过试验确定适合的系统参数,并分别进行相机与传声器的标定。同时,开发了一套基于LabVIEW和MATLAB混合编程的K-TIG焊接电弧声信号采集与焊缝熔透状态识别软件。为识别焊缝偏差,使用高动态(HDR)CCD相机捕获清晰的焊接图像。针对K-TIG焊接强弧光干扰与窄间隙的特点,提出改进区域生长法提取电弧中心,提出抽样判定的边缘拟合算法提取焊缝中心线,然后将二者距离作为焊缝偏差。经试验验证,焊接轨迹沿焊缝中心线或沿与焊缝中心线成一定夹角的斜线时,焊缝偏差识别算法的精度均在±0.30mm范围内,满足工业生产需求。为识别焊缝熔透状态,设计试验,获得不同焊接电流、焊接速度及钨针尖端与工件的距离(CTWD)下的K-TIG焊接电弧声信号库,并通过锁孔出口图像分析电弧声信号与焊缝熔透状态变化的关系。从时域、频域以及时频域角度分析了电弧声信号,研究了36维不同声信号特征对焊缝熔透状态的表征能力。大量数据分析表明,某些声信号特征如2.5~5.0kHz频率段的小波包相对能量能够较好表征K-TIG焊熔透状态。提出融合过滤法与包装法的特征选择方法,最终获得能够较好表征熔透状态的12维最优特征子集。以K-TIG焊接电弧声信号最优特征子集为输入,以三种焊缝熔透状态为输出,建立支持向量机(SVM)熔透状态识别模型,经参数优化后模型的识别准确率可达92.21%。将该模型与极限学习机(ELM)及反向传播神经网络(BPNN)比较,结果表明在本文的数据集上SVM模型具有较好的识别能力。经试验验证,基于所开发的软件与SVM模型,可在线识别K-TIG焊接焊缝熔透状态。