弧焊机器人摆动跟踪时摆幅与频率的模糊模式识别.pdf

《弧焊机器人摆动跟踪时摆幅与频率的模糊模式识别.pdf》由会员分享，可在线阅读，更多相关《弧焊机器人摆动跟踪时摆幅与频率的模糊模式识别.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第引卷第期年月机械工程学报刀 又弧焊机器人摆动跟踪时摆幅与频率的模糊模式识别段晓宁武传松胡家棍贾传宝山东大学材料连接技术研究所济南摘要针对厚钢板形坡口接头的弧焊机器人摆动跟踪焊接,实时测量 电弧电压和焊接电流的瞬时值,对其进行两次统计处理,构建不同摆幅和摆动频率时的焊接电参数特征矢量,采用模糊模式识别技术,建立了焊接电参数特征矢量与摆动焊接摆幅和频率的内在联系,为定量研究摆幅和频率对形坡口焊缝成形的影响提供依据。关键词摆动焊接弧焊机器人摆动幅度摆动频率模式识别中图分类号工作主要是针对薄板搭接接头,没有涉及厚板开坡前言口摆动焊接的情况。结合幻。以厚钢板形坡口接头的弧焊机器人对于厚板的开坡口焊接,

2、坡口加工和装配尺寸及位置误差对焊接质量存在较大的影响,必须通过焊缝跟踪技术以保证熔深川。弧焊机器人一配备有摆动式电弧跟踪传感器。当焊枪沿坡口接缝做横向摆动时,通过检测焊接电流的偏差来控制焊枪的运动以便其消除位置偏差。焊接过程 中,焊枪的摆动频率和幅度是重要的焊接工艺参数,对焊缝成形有着很大的影响【,。因此,弧焊机器人摆动跟踪过程中,实时识别出包括摆幅与频率在内的各种焊接工艺参数,对于得到 良好的焊缝成形和焊接质量有重要的实际意义。不 同的摆幅和频率对应着不同的电弧电压和焊接电流。可 以根据焊接电参数的瞬时变化来识别摆动焊接的摆幅和频率。但是,焊接 电参数的瞬时值数据量庞大,必须对其进行数据处理

3、和特征提取。其中,统计处理是有效 的方法。发明的汉诺威焊接过程分析仪,对实时检测出的大量原始数据 如 电弧 电压和焊接电流 的瞬时值进行压缩和统计处理,绘 出电弧 电压和焊接电流信号的概率密度分布曲线。不同的焊接工艺条件对应着相应的 焊 接 电参数值。武传 松等研制出熔化极气体保护 电弧焊 焊接过程监测神经网络系统和模糊神经网络系统,通过对焊接 电参数数值的进一步处理,建立起相应 的特征矢量,利用人工智能技术识别焊接过程 中的各种不同干扰信号 如送丝速度增加或减少,试板有缺口或间隙突变等。但是,这些研究摆动跟踪焊接,实时测量 电弧电压和焊接电流的瞬时值,对其首先进行一次统计处理,得出电弧电压和

4、焊接电流的数值,然后对数值进行二次统计处理,构建不同摆幅和摆动频率时的电弧电参数特征矢量,采用模糊模式识别技术,建立焊接电参数特征矢量与摆动焊接摆幅和频率的内在联系,为研究摆幅和频率对形坡口熔深的影响奠定基础。试验系统与方法试验系统如图所示。所用焊接设备是弧焊机器人。采用有源霍尔效应电流传感器采集焊接电流信号,在焊枪与工件之间通过分压方式采集电弧电压信号,并经过低通滤波处理。实时采集的电弧 电压和焊接电流瞬时信息输入到汉诺威分析仪,进行分析处理。摆动焊接工艺试验条件见表。坡口形式见图。电电流传感器图表弧焊机器人试验系统框图摆动焊接工艺试验条件蔽植王艺参矿数值一,、工艺参数钢板厚度夕焊丝直径叨焊

5、接电流刀加收到初稿,收到修改稿电弧电压之刀焊接速度气体流量砂年月段晓宁等弧焊机器人摆动跟踪时摆幅与频率的模糊模式识别图坡口形式作为特征值。平均值反映了波形中心的偏离大小夕标准方差表示了波形 图波动的大小。这样反映摆动焊接过程电压和 电流信号的分布的特征值共维,二,仇,姚,伪,图。其中数字为特征信号段,为平均值,为标准方差。厂罗飞价壕电弧电参数的采集及曲线的一次处理是由汉诺威分析仪来完成的。使用汉诺威焊接过程分析仪测量电弧电压和焊接电流,并进行数据处理。每一次试验测量,获得个电弧电压和焊接电流的瞬 时值,并将其实时处理为曲线。试验过程中,设定五种差别相对较大的摆动频率和摆动幅度的焊接工艺条件,各

6、个工艺参数见表。上述种不 同摆动频率和摆动幅度的焊接工艺条件,每种情况重复次进行试验测量和数据处理。表种不同摆动幅度和摆动频率的焊接工艺条件序号摆动频率旧摆动幅度。石,命石二,分焊接电流图焊接电流的曲线毋轰。一鬓尹一。一分,分特征分析与提取电弧电压动图电弧电压的曲线电弧电压、焊接电流是由长时低频成分和短时高频成分组成的非平稳的随机信号,包含有反映弧焊工艺性能 的信息。其中也包含了反映摆动幅度和摆动频率的特征和规律。为了得到 反 映这些信息的数据 的特征和规律,需对采样数据进行 处理。统计分析方法是对 随机数据的一种有效处理方法。将电弧 电压、焊接 电流在幅值域和时间域内进行统计分析,可以获取电

7、弧 电压、焊接电流的概率密度分布 曲线。利用上述统计分析结果,可以初步看到不 同摆动频率和摆动幅度的焊接过程存在的差别,但其细微差别很难识别图、。因此需对焊接电流、电弧电压的数值进行二次处理。试验所获得的焊接电流数值图 图有维,电弧电压数值图 图有维,共维。对曲线根据其特征信号进行分段压缩处理焊接电流曲线压缩为个特征信号段,电弧电压曲线压缩为个特征信号段图、。然后利用每个特征信号段的平均值和标准方差电电流概概概概概率率密度度度特特征征征征征征征征提提提提提提提取取取取取取取取取维维电电压概概概概概概概概概概概概概概特征征率率密度度度度度一,一一一矢量量图数据处理过程示意图为了进一步突出各特征值

8、之间的差异,便于分析比较,利用式将特征信号的幅值量纲一化到,之间处理。弋。一尤而一几式中特征值方补切特征值中最小值方耘“特征值中最大值进行量纲一化处理后,标准样本的幅值包络曲线见图。图、和图比较可见,此方法突出了不 同摆动幅度和摆动频率之间的差别,可 以识别摆动焊接过程摆动幅度和摆动频率的变化。机械工程学报第引卷第期模糊模式识别一匕,仓仓一寸一不片一若、气划理赛喇喇水岁李特征矢量。石,口众,白,一。亨一找一代、,玛理赛喇朝水甲卑特征矢量。石,月。一、炭划理薪喇喇水肖非特征矢量。石习,摆动幅度和摆动频率的识别,是将未知摆动幅度和摆动频率的特征参数与数据库中已知摆动幅度和摆动频率的特征参数进行比较

9、,来确定未知摆动幅度和摆动频率的类型。假设某类未知摆动幅度和摆动频率的特征参数有个,在不同次所获得的特征参数,一般在各 自对应的某一平均值附近摆动,从而形成无法精确判断该未知摆动幅度和摆动频率究竟属于哪一类的模糊情况。因此,可以认为该类摆动幅度和摆动频率的个特征参数组成的集合是模糊集。在模糊模式识别方法中,这里采用贴近度的计算方法来识别不 同的摆动幅度和摆动频率。首先必须建立起个供比较用的已知的标准型模糊子集,即鸿“,二,式中,第个己知标准型的第个特征量,同时还要建立未知摆幅和频率的模糊子集 戈,即,、式中未知摆幅和频率的第个特征量,二,二,采用欧氏距离公式,得到未知摆动幅度和摆动频率与各种已

10、知摆动幅度和摆动频率的距离令,、卜鑫一 一么,助气,凡二气那么,可得到未知摆动幅度和摆动频率对各已知摆动幅度和摆动频率的贴近度。呱,助一卜三三竺兰、又玛理薪喇喇以岸黛特征矢量及。石,。最后,根据贴近度择近原则来判别未知摆动幅度和摆动频率属于已知摆动幅度和摆动频率 中的哪一种。显然,贴近度越大的两个模糊子集越贴近,被识别为同一模式的可能性越大。凡试验结果与结论特征矢量况。石二,通过控制焊接工艺参数及焊接条件,使焊接过程在不同的摆动幅度和摆动频率下进行。取试验数据的前组作为第一部分测试数据,其平均值作为己知干扰信号的特征指标 标准样本,剩余的组测试数据、,匆,作为未知干扰信号的特征指标测试样本。然

11、后求测试样本与标准样本的贴岁,、阅恻理赛搁啊水岸非图不同摆幅和频率下的特征包络曲线年月段晓宁等弧焊机器人摆动跟踪时摆幅与频率的模糊模式识别近度表。若把测试样本与标准样本贴近度最大值作为判定不 同摆幅和频率的依据,可以很好地识别。焊接过程中摆幅和频率的变化见表。经过模糊模式识别,个试验条件中,能够正确识别个,识别正确率。可以看出通过对电参数电弧电压和焊接电流 的二次统计处理,然后利用模糊模式识别的方法,可以识别不同摆动幅度和摆动频率下的焊接过程。另外,注意到摆动频率的变化对特征信号的影响相对较小,识别错误的一个试验 如就是 由此引起的。表测试样本与标准样本的贴近度标准样本一一一止暨进主一一一一一

12、一一胡特生电弧焊北京机械工业出版社,一邪,丛,一,七帅,一武传松,焊接过程监测神经网络系统机械工程学报,一武传松,胡庆贤,孙俊生基于维统计矢量的焊接过程监测模糊神经网络系统机械工程学报,一万夕标准样本测试样本伪碗伪碗,丫】、乡乃石石乃石肠“扮刀人勿,妙,结论采用二次统计处理 的结果作为特征值方法的特征值只有个,压缩了原始数据,大大减少了定性识别中数据处理的工作量。同类摆幅和频率之间的贴近度最大,说明采用二次统计处理的结果作为特征值代表了摆幅和频率的特征,采用此方法提取特征值是切实可行 的。采用模糊模式识别方法构造了模糊模式分类器,对不同摆幅和频率的弧焊过程,识别正确率达。参考文献陈武柱 焊缝 自动跟踪技术的现状及新发展焊管,一王刚基于的机器人摆动焊接视觉跟踪模糊控制天津大学学报,一高向东弧焊过程焊缝熔深控制技术的研究华南理工大学学报 自然科学版,一一一一,月七,勺刃州七七已作者简介段晓宁,男,年出生,硕士研究生。主要研究方向为材料连接工艺与控制。一甜刀