|
模糊神经网络在焊接中的应用
随着电子技术、计算机技术以及人工智能技术的迅速发展，传统的机械制造业正在经历着一场革命。焊接技术作为机械制造业中一个必不可少的加工工艺同样也经受着来自电子技术、计算机技术和人工智能技术的巨大冲击，使得焊接过程控制、性能预测及缺陷检测等方面产生了飞跃性的变化。
模糊神经网络是取模糊推理系统与神经网络二者之所长融合而成的新技术，在焊接领域有着广泛地应用，是目前研究的一个热点。虽然模糊推理和神经网络技术在焊接中也有一定的应用成果[1,2]，但是其自身固有的缺点限制了在焊接领域的广泛应用。
1 模糊神经网络在焊接过程控制方面的应用
焊接过程是一个复杂的变化过程，具有高度非线性和时变的特点，采用经典控制理论，通过对焊接过程建立精确数学模型进行控制，很难取得最佳的控制效果。模糊控制吸收了人的经验思维的特点，神经网络则对信息的处理具有自组织、自学习的特点。两者的优缺点具有明显的互补性，将二者结合起来的模糊神经网络控制器不仅克服了各自的缺点，而且在实际生产控制过程中受到了广泛的关注。
1.1 模糊神经网络控制技术在气体保护电弧焊中的应用
1.1.1 模糊神经网络控制技术在GTAW中的应用
GTAW（钨极气体保护电弧焊）是一种能够很好控制线能量，进行高质量薄板焊接的方法。GTAW过程是一个复杂的、多参数藕合的高度非线性系统，在实际焊接过程中利用传统控制方法难以实现实时、有效的在线控制。
文献[3]应用神经网络－模糊控制技术对GTAW过程熔深建模和控制进行了研究。通过视觉传感器CCD获取电弧区图像和熔池表面形状，利用神经网络自适应共振理论模型算法从CCD图像中提取出熔宽和焊缝间隙信息，连同焊接电流一起输入三层BP神经网络，推算得到熔深量，然后将实际熔深与期望熔深的差值（ ）及差值变化率（ ）作为控制量输入给模糊控制器，用以调整焊接电流，从而达到调整熔深的目的。熔深控制系统见图1所示，图中U：电流调节量，G：焊缝间隙，W：熔宽，D：熔深.
遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法，适用于处理传统搜索方法难以解决的、复杂的和非线性的问题，是智能计算中的关键技术之一。
文献[4]在模糊神经网络控制器的基础上，协调利用模糊控制、神经网络和遗传算法三者的优势设计了一种新型的模糊控制器。利用预先取得的大量手工焊工艺数据，通过对GTAW焊缝进行控制，建立了基于遗传算法的模糊神经网络控制器，通过自学习、训练，及时地反馈焊接的质量，实现了在线监控焊接质量的目的，取得了较好的控制效果，并证明该新型模糊神经网络控制器比传统的模糊控制器具有一定的优越性。
1.1.2 模糊神经网络控制技术在钨极氩弧焊中的应用
钨极氩弧焊（TIG）方法几乎可对任意金属材料进行全位置焊接，也是实现单面焊双面成型的理想方法，在重要产品结构的制造过程中得到了广泛应用。
文献[5]对脉冲TIG焊熔宽动态过程控制设计了模糊神经网络控制系统。该文研究的模糊神经网络以电流误差 为输入参数，以电流调节的模糊量 为输出参数，使用3层BP神经网络记忆调节电流的模糊规则。脉冲TIG焊熔宽模糊神经网络控制系统见图2。Fuzzier的作用是将误差e限幅并模糊化为模糊神经网的输入变量，ANN是用于记忆模糊规则的3层BP网络，输出经Defuzzier清晰化得到焊接电流调节量的实际值 。 为焊接熔宽过程，MS为检测及图象处理环节。
文献[6]采用改进的模糊神经网络控制器对TIG背面熔池控制进行了研究。利用CCD摄像机摄取熔池的正面图像，提取出熔池的正面几何参数，利用熔池正面几何参数与背面熔宽的关系模型，计算出背面实际熔宽，然后将背面理想熔宽与背面实际熔宽之差作为调节量输入模糊控制器，经过模糊规则推理后，输出焊接电流的调节量。熔池正面几何参数与背面熔宽的关系模型用单层神经网络来表达，这个神经网络的输入为熔池的正面几何尺寸、调节后的焊接电流（即原焊接电流加上焊接电流调节量），输出为熔池背面熔宽。文中对采用上述结构的模糊神经网络控制器与采用常规PID控制器时背面熔宽的变化做了比较，见图3，4所示。
从图中可以明显地看出：模糊神经网络控制器对熔池背面熔宽的控制效果优于常规PID控制器。仿真及试验结果表明，该控制器具有良好的控制性能和控制效果。
1.1.3 模糊神经网络控制技术在MIG焊中的应用
CO2短路过渡焊被广泛应用于中、薄板钢结构焊接中，是一种高效节能的焊接方法，但同时也存在飞溅较大和成形欠佳的缺点。文献[7]设计了一种能稳定CO2短路过渡焊焊接电流的自适应模糊神经网络控制系统。控制系统把模糊控制的抽象经验规则转化为神经网络的一组输入、输出样本，利用BP神经网络训练算法对学习样本对进行训练。之后，对于控制过程的输入，便可以输出相应的控制量，达到控制电流、电压的目的。通过软件仿真和工艺试验证明：在实验电流范围内，平均电流的最大偏差不超过7A，平均电流相对误差小于5%，而控制前平均电流的偏差不小于12A，相对误差不小于9%。该神经模糊控制器可消除因电弧电压调节、网络电压波动、保护气纯度、流量以及焊炬高度变化等随机因素引起的焊接电流偏差。
文献[8]使用神经网络和模糊系统并列的模糊神经网络结构对不锈钢CO2激光焊过程的熔宽和熔深控制进行了研究。将激光能量、扫描速度和板厚经C－模糊聚类处理后神经网络的输入，以焊接效率（输入能量和熔化金属体积的比值）、熔宽和熔深作为神经网络的输出，将神经网络的输出输入到模糊推理系统中，经模糊推理后作出好或是不好的模糊评判。实验结果表明给系统能对CO2激光焊过程进行有效的控制。
1.2 模糊神经网络控制技术在电阻点焊中的应用
电阻点焊过程是一个动态变化过程，尤其是点焊过程的瞬时性和焊接熔核形成的不可见性，给点焊过程质量的控制带来了较大的困难。随着智能控制方法的逐渐成熟，把模糊神经网络技术引入到点焊控制领域的研究工作也越来越多。
文献[9]研制了一个神经网络同模糊控制技术结合的点焊质量控制系统，通过神经网络模块把时间映射为电极位移、电极位移速率，并把电极位移作为模糊控制器的模糊偏差输入量，把提供给熔核的能量作为输出控制量。计算机模拟结果显示该系统抗干扰能力强，而且能够对在线工艺扰动进行补偿，能够得到满意的点焊接头。
文献[10]将模糊神经网络控制技术引入电阻点焊质量控制系统中，以没有飞溅情况下的与点焊电极位移相关的电极位移及其变化率等参变量和在产生飞溅条件下的不同焊接周期的动态电阻作为模糊逻辑的输入参数，以点焊熔核的强度特性作为输出构造了一个模糊系统。采用神经网络学习算法作为模糊输入的前处理，提高了系统的学习能力和智能性。模糊推理采用Takagi-Sugeno为内核，实验结果反映出系统具有较小的预测误差，能以较高效率推断出有、无飞溅条件下的电阻点焊接头拉伸剪切强度。
1.3 模糊神经网络控制技术在焊缝跟踪中的应用
在焊接生产中，焊缝跟踪是实现焊接自动化的关键技术之一。早期采用的方法是通过电弧传感器、电涡流传感器、超声传感器等实现对焊缝的跟踪。
文献[11]使用CCD摄像机摄取近弧区图象，图象处理后计算焊枪和焊缝之间的偏差，以偏差量和偏差变化率为网络的输入参数，纠偏量为网络的输出。将网络计算出的纠偏量作为机器人摆动弧焊的的校正量，从而达到纠偏的作用。实验结果证明通过模糊神经网络控制焊接过程中机器人与焊缝的偏差是可行的。
文献[12]将模糊神经网络应用到焊缝跟踪系统中，采用经典的五层模糊神经网络结构，以焊缝偏差量和偏差变化率作为输入参数，以焊枪的方向改变量作为输出参数。由于焊枪的实际轨迹左偏目标轨迹或右偏目标轨迹，所以网络的输出参数－焊枪方向改变量分为五个模糊隶属度：{左偏，微左偏，对中，微右偏，右偏}。实验结果表明，基于模糊神经网络的焊缝跟踪系统对于直线焊缝和平滑过渡的弯曲焊缝轨迹跟踪效果令人满意。
文献[13]设计了一套焊缝跟踪神经网络模糊控制系统，利用CCD摄像机获得熔池及焊缝照片，并将其转变为256级灰度图像送入计算机。文献中介绍了一种新的提取焊缝偏差和熔透信息的方法。焊缝偏差是焊炬与焊缝之间的相对位置差。在提取焊炬位置信息时，根据传热学理论，电弧中心位置（即焊炬位置）的温度应该是最高的，温度越高意味着热图像上相应点的灰度越大。作者利用这一点成功的提取了焊炬的位置。试验结果表明控制效果良好，新的焊缝偏差信息提取方法优于传统的梯度法。
2 模糊神经网络在焊接接头性能预测方面的应用
焊接接头在焊后及服役过程中易出现接头强度下降，产生裂纹、接头变形等缺陷，这些问题常给焊接结构造成各种破坏事故[14]。因此，进行焊接接头性能预测是很有必要的。
文献[15]对焊接钢结构中常见的梁柱接头在地震作用下的断裂失效进行了分析，并对模糊神经网络应用在含缺陷梁柱接头在地震载荷作用下的安全评定中的应用做了研究。结果表明，模糊神经网络方法能够对梁柱接头中的缺陷，在地震作用下进行可靠性评定；能够针对地震的随机性、突发性、钢结构及焊缝的位置、重要程度，对焊缝中存在的缺陷给出在随机地震动载荷作用下的明确处理方法：返修、忽略以及报废的处理意见。
文献[16]利用MATLAB提供的神经网络和自适应神经网络模糊推理工具箱，对低温情况下的焊缝裂纹张开位移试验数据进行了预测。网络的输入为温度，输出为相应材料的COD试验数据。试验表明采用神经网络和自适应神经网络模糊推理系统均能得到满意的结果。
3 模糊神经网络在焊接接头缺陷检测方面的应用
焊接缺陷检测是保证焊接产品质量的重要环节。以前，焊接缺陷检测是通过X射线探伤机拍取底片，然后由有经验的专业评片人员通过肉眼观察底片来评判焊接质量，效率较低且检验水平受检验者主观因素的影响而不稳定。随着计算机技术、图像处理及人工智能技术的发展，利用计算机进行缺陷智能评判已成为可能。
文献[17]建立了一种计算机辅助识别系统，利用射线底片识别不同类型的焊接缺陷。首先利用图像处理技术从背景中分离出缺陷图像，然后使用K-Nearest Neighbor算法的模糊神经网络进行缺陷类型识别，并与统计学的自助法（bootstrap）做了比较。
文献[18]进行了模糊神经网络实时射线照相底片焊缝缺陷识别的研究。首先对原始图像进行去噪等处理，以缺陷的周长与面积比、与焊缝方向倾角、质心坐标相对焊缝中心的位置等特征参数和相对灰度参数作为缺陷识别网络的输入参数，并运用轮廓跟踪法提取各类焊接缺陷的特征，利用模糊神经网络进行识别分析，识别结果用缺陷代码给出。用52个典型缺陷样本训练该模型后，对8个缺陷样本进行识别试验。试验结果表明，该方法能够对焊缝缺陷进行有效识别，且效果优于传统分类识别法。
文献[19]提出了基于BP神经网络的焊接缺陷对结构疲劳性能影响的模糊评判方法，弥补了用模糊推理方法来评判焊接缺陷对结构疲劳强度的影响时存在缺陷评定规则提取困难、对专家经验依赖强等问题。评判时将缺陷类型、缺陷大小、缺陷相对位置和缺陷间的干涉作为输入参数，缺陷对结构疲劳性能危害程度作为输出参数，使用40组数据对神经网络进行训练，网络预测结果与实验结果一致，说明文献采用的评判方法可行。
4 发展趋势
目前，模糊神经网络技术在焊接过程控制、性能预测及缺陷检测方面的研究、应用工作已有长足的发展，并取得了可喜的成果。但是，由于模糊神经网络理论、模型算法研究进展缓慢，以及国内焊接整体水平相对落后，模糊神经网络在焊接中的应用水平还有待于进一步的深入和提高。作为未来发展的主要趋势如下：（1）目前应用于焊接领域的模糊神经网络，其神经网络模型主要为BP模型，有必要研究模糊推理技术与其它的神经网络模型及网络训练算法相结合在焊接中的应用，建立新的更为合理的模型；（2）进一步扩大模糊神经网络在焊接中应用的范围，如将模糊神经网络应用于焊接接头缺陷预测等方面；（3）将模糊神经网络技术与计算机软件技术相结合，推出商业化的模糊神经网络在焊接过程控制、性能预测等方面应用的软件，加快国内焊接智能化技术的发展。
文献
[1]王玉，高大路，张光．人工智能新技术在焊接中的应用及发展趋势[J]．机械科学与技术，2002，21（3）：494－496
[2]宋东风，胡绳荪．模糊控制技术的发展及其在焊接领域的应用[J]．电焊机，2005，35（8）：23－25
[3]高向东，黄石生，吴乃优．GTAW神经网络－模糊控制技术的研究[J]．焊接学报，2000，21（1）5－8
[4]雷玉成，张成，程晓农．基于遗传算法的模糊神经网络控制器在GTAW中的应用[J]．焊接学报，2003，24（4）：47－49
[5]陈善本，吴林，王其隆等．脉冲TIG焊熔宽动态过程模糊推理－神经网络控制方法[J]．焊接学报，1997，18（3）：159－164
[6]高进强，武传松，刘新峰．TIG焊背面熔宽的神经网络模糊控制[J]．焊接学报，2001，22（5）：5
[7]王雅生，戴风雷，蔡本华．二氧化碳短路过渡焊接电流神经模糊控制系统[J]．西安交通大学学报，2003，37(3)：283－285
[8]G Casalino，F Memola Capece Minutolo．A model for evaluation of laser welding efficiency and quality using an artificial neural network and fuzzy logic[J]．J.engineering Manufacture，2004，218：641
[9]Jou，Min．An Intelligent Control System for Resistance Spot Welding Using Fuzzy Logic and Neural Network[J]．Rensselaer Polytechnic Institute．1994
[10]Lee S.R，Choo Y.J，Lee T.Y，et al．A quality assurance technique for resistance spot welding using a neuro-fuzzy algorithm[J]，Journal of Manufacturing Systems，2001，(5)：320~328
[11]王刚，徐颖，张传英．机器人摆动弧焊纠偏的模糊神经网络控制系统[J]．基础自动化，2000，7（4）：17－19
[12]孙华，徐松源，姜艳珠．基于模糊神经网络的焊缝跟踪算法[J]．哈尔滨理工大学学报，2001，6（4）：67－70
[13]张华，胡静，皱春华等．焊缝偏差和熔深识别及其集成智能控制系统[J]．焊接学报，2003，24（4）：51－54
[14]印有胜．金属焊接缺陷及其防止[M]．哈尔滨：黑龙江科学技术出版社．1995：574－633
[15]李杰，张玉凤等．梁柱接头在地震载荷作用下的可靠性模糊安去评定研究[C]．第十次全国焊接会议论文集．2001（2）：291－293
[16]刘长虹，陈求．低温裂纹张开位移预测方法的讨论[J]．Welding Technology．2005，34（4）：7－8
[17]Gang Wang，T.Warren Liao．Automatic identification of different types of welding defects in radiographic images[J]．NDT&E International，2002，35：519－520
[18]张晓光，林家骏．基于模糊神经网络的焊缝缺陷识别方法的研究[J]．中国矿业大学学报，2003，32（1）：91－94
[19]俞树荣，何世权，李尔国等．焊接缺陷对结构疲劳性能影响智能综合评判[J]．石油化工设备，2001，30（3）：1－4
| |
| • 焊接机器人及其柔性夹具控制系统 |
| • 焊接工艺设计数据库系统软件的开发 |
| • 金属焊接性评价的专家系统 |
| • VCR弧焊机器人系统构成 |
| • 基于ObjectARX的焊接符号标注系统开发 |
| • 焊接模拟软件SYSWELD的技术特点 |
|
|
