论文部分内容阅读
随着焊接自动化的发展,对焊接过程中各种随机干扰因素进行自动识别与监测是亟待解决的问题。本文以CO2 气体保护焊电弧自身的动态电信号为信息源,从中提取导致产生焊接质量问题的干扰因素的特征,利用近年来人工智能领域中发展较为成功的人工神经网络开发了焊接过程干扰因素计算机识别系统。该系统能及时识别影响焊接质量的干扰因素,如送保护气量不正常、送丝速度波动、焊道上有油污等情况,对于保证焊接质量、降低材料与能源的浪费、提高焊接生产效率、具有很重要的现实意义。在研究中,利用正交试验方法确定了本课题实验条件下的正常焊接参数,在此基础上,通过人为设置各种干扰因素来模拟,实际焊接过程中出现的随机干扰因素情况。利用PCI-9112多功能数据采集卡并结合Visual C++ 6.0中的多线程技术开发了焊接电弧电信号采集模块,该模块能实时、准确、完整地采集到焊接过程中的电弧电信号数据。通过实验采集了大量各干扰因素条件下的焊接电流及电弧电压样本数据。对所采集的样本数据分别在时域进行了波形分析与概率统计分析,在频域进行了功率谱分析,确定利用概率统计分析方法提取各干扰因素条件下的电弧电信号样本数据的特征向量。本文在MATLAB 平台所提供的神经网络工具箱上,分别利用SOM（自组织特征映射）神经网络与LVQ（学习向量量化）神经网络,开发了两种焊接干扰因素识别器。利用所提取的各干扰因素焊接条件样本数据的特征向量分别对两种神经网络干扰因素识别器进行了训练和仿真。仿真结果分析表明LVQ 网络干扰因素识别器对各干扰因素总的识别率达92.5%,且LVQ 网络干扰因素识别器较SOM 网络干扰因素识别器具有更快的学习工作速度和更高的识别精度,更利于在线识别。利用Visual MATCOM 将上述用Visual C++ 6.0 语言开发的信号采集模块与用MATLAB 语言开发的神经网络干扰因素识别器程序无缝地集成为CO2 气体保护焊干扰因素的计算机识别系统。该系统能实时识别出造成焊接质量问题的焊接过程干扰因素,识别正确率高,识别效果好,具有较高的应用价值。本课题成功地将LVQ 神经网络应用于焊接过程干扰因素的识别,具有一定的创新性和较高的理论价值。