本發(fā)明屬于汽車焊接設備自動化技術領域，具體為一種用于汽車焊接的焊縫偏差及熔透狀態(tài)監(jiān)測方法。

背景技術：

汽車已經(jīng)成為當前國內(nèi)人民生活一種不可缺少的交通工具，其車身、底盤、后橋、副車架等關鍵部件均是靠焊接連接在一起的受力零部件。這些零件主要是沖壓焊接件，板厚為1.5mm～4mm的薄板，焊縫拼接緊密。焊接結構以搭接、角接接頭為主。焊接質(zhì)量的好壞，直接關系整車的質(zhì)量乃至行車安全。

焊接是依靠外加的熱源(例如激光、等離子、電弧)等手段將外部的介質(zhì)(例如焊絲、焊條或者焊接件本身)融化，來實現(xiàn)工件的連接。對于汽車焊接件而言，要得到良好的效果，對焊接過程的控制是關鍵。焊接過程控制包括了焊縫跟蹤以及最終的焊縫成形控制兩大方面。

焊縫跟蹤，即焊縫偏差跟蹤，主要是要確保在焊接過程中，熱源即電弧能夠始終對準焊縫。而焊縫跟蹤目前使用較多的是焊前示教法以及傳感器跟蹤法，對于焊前示教法，由于焊接前的焊件夾裝存在誤差和焊接過程中的焊件存在熱變形，熱源如果仍按照預先固定的路徑運動，就往往會偏離焊縫，該方法無法克服焊接熱變形所產(chǎn)生的跟蹤誤差。而對于傳感器跟蹤法，主要是通過外加傳感器(例如機械探針、超聲波、電弧傳感器等)實現(xiàn)焊縫跟蹤，機械探針式跟蹤法中，探針容易磨損；而超聲波及電弧傳感器法受焊接工藝影響較大。對于一些新興的焊接工藝，例如激光焊接，熱源非常的小(最小可達160m)，激光束與焊縫之間的偏差超過0.2mm時即可導致工件報廢。而傳統(tǒng)的跟蹤法的效果更無能為力。其中視覺跟蹤法因其獲取信息量大、非接觸等優(yōu)點，在焊縫跟蹤領域得到廣泛應用，但其往往需要經(jīng)過一系列復雜的算法運算，實時性有待提高。

焊縫成形，主要反映了焊縫的熔透狀態(tài)情況，直接關系到焊縫以及周邊焊接熱影響區(qū)的金屬組織與性能，進而決定了最終焊接件的受力特性，對最終產(chǎn)品的可靠性影響巨大。對于焊縫成形目前還是依靠焊工的經(jīng)驗、通過觀察焊接區(qū)域的X光圖像，或者對焊接件進行抽樣，剖開焊接區(qū)域進行控制?？刂品椒ú槐憬?。

技術實現(xiàn)要素：

為了克服現(xiàn)有技術中存在的缺點和不足，本發(fā)明的目的在于提供一種用于汽車焊接的焊縫偏差及熔透狀態(tài)監(jiān)測方法，以獲取的熔池圖像的信息為引導，形成多信息融合的針對焊接過程監(jiān)測的方法。通過視覺傳感器和電流傳感器采集到的信息，提取影響焊縫偏差以及熔透狀態(tài)的焊接過程特性參量，并提取整個焊接過程的焊接狀態(tài)測量量，構建出集焊接偏差及熔透狀態(tài)預測于一體的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型，保證焊接過程中實現(xiàn)電弧對準焊縫，以及實現(xiàn)焊縫熔透的效果，對整個焊接過程進行預測和監(jiān)控，實現(xiàn)汽車焊接過程自動化。

本發(fā)明的技術方案如下：一種用于汽車焊接的焊縫偏差及熔透狀態(tài)監(jiān)測方法，包括以下步驟：

S1：獲取熔池圖像，并截取待處理的區(qū)域；

S2：從待處理的區(qū)域中提取信息；

S3：以信息中的熔池灰度重心C、外熔池寬度W、內(nèi)熔池寬度N及焊接電流I作為焊接過程特性參量，輸入到焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型，計算得出焊縫偏差e以及熔透狀態(tài)p；

S4：通過焊縫偏差e以及熔透狀態(tài)p對焊接過程進行預測。

進一步的，焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型的獲取方法具體為：

S3.1：獲取熔池圖像信息，并截取待處理的區(qū)域；

S3.2：從待處理的區(qū)域中提取信息，信息作為焊接過程特性參量，所述信息包括熔池灰度重心C、外熔池寬度W、內(nèi)熔池寬度N及焊接電流I；

S3.3：從待處理的區(qū)域中測量出焊縫偏差e₀以及熔透狀態(tài)p₀；

S3.4：針對熔池灰度重心C、外熔池寬度W、內(nèi)熔池寬度N及焊接電流I和對應的焊縫偏差e₀及熔透狀態(tài)p₀建立若干組樣本；

S3.5：建立焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型：其中，所述焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型的輸入層包括熔池灰度重心C、外熔池寬度W、內(nèi)熔池寬度N及焊接電流I共4個神經(jīng)元，輸出層包括焊縫偏差e以及熔透狀態(tài)p共2個神經(jīng)元，隱含層包括20個神經(jīng)元，隱含層以tansig()作為傳遞函數(shù)，輸出層以purelin()為傳遞函數(shù)，并對焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型進行訓練。

進一步的，熔池灰度重心C在i方向上的值為：其中，i,j為所述待處理的區(qū)域的兩個方向，K,L分別為i,j方向像素的數(shù)量，g(i,j)為像素點(i,j)處的灰度值。

進一步的，獲取熔池圖像信息的處理方法為采用窄帶濾光加中性減光處理。

進一步的，在獲取熔池圖像的過程中，判斷電弧是否對準焊縫的具體步驟為：

S1.1：通過CCD攝像單元以及窄帶濾光加中性減光處理獲取溶池圖像信息；

S1.2：在所述溶池圖像信息上截取處理區(qū)域信息，通過測量和計算處理區(qū)域信息，得出灰度均勻度、電流情況和焊縫周圍熱量狀態(tài)；

S1.3：若整個焊接件處于一種平衡的狀態(tài)，具體為：熔池及電弧形態(tài)規(guī)則、灰度均勻、電流平穩(wěn)以及焊縫周圍熱量處于平衡態(tài)，則可以判斷為電弧對準焊縫；

S1.4：若整個焊接件處于一種不平衡的狀態(tài)，具體為：熔池及電弧形態(tài)不規(guī)則、灰度不均勻、電流不平穩(wěn)以及焊縫周圍熱量不平衡，則可以判斷為電弧不對準焊縫。

本發(fā)明的有益效果：本發(fā)明的目的在于提供一種用于汽車焊接的焊縫偏差及熔透狀態(tài)監(jiān)測方法，以獲取的熔池圖像的信息為引導，形成多信息融合的針對焊接過程監(jiān)測的方法。通過視覺傳感器和電流傳感器采集到的信息，提取影響焊縫偏差以及熔透狀態(tài)的焊接過程特性參量，并提取整個焊接過程的焊接狀態(tài)測量量，構建出集焊接偏差及熔透狀態(tài)預測于一體的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型，保證焊接過程中實現(xiàn)電弧對準焊縫，以及實現(xiàn)焊縫熔透的效果，對整個焊接過程進行預測和監(jiān)控，實現(xiàn)汽車焊接過程自動化。

附圖說明

圖1是本發(fā)明的流程圖。

圖2是本發(fā)明的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型示意圖。

圖3是本發(fā)明的焊縫偏差驗證情況對比圖。

圖4是本發(fā)明的熔透狀態(tài)驗證情況對比圖。

圖5是本發(fā)明的普通處理所得圖像的示意圖。

圖6是本發(fā)明的窄帶濾光加中性減光處理所得圖像的示意圖。

圖7是本發(fā)明的截取待處理的區(qū)域的示意圖。

圖8是本發(fā)明的電弧對準焊縫時的示意圖。

圖9是本發(fā)明的電弧偏離焊縫時的示意圖。

具體實施方式

為了便于本領域技術人員的理解，下面結合具體實施例及附圖對本發(fā)明作進一步的說明，實施方式提及的內(nèi)容并非對本發(fā)明的限定。

本實施例中，設定若干個焊接電流I，針對設定的每個焊接電流I進行每組焊接實驗，其中，所述焊接電流I通過電流傳感器測出，所述焊接實驗需要設定具體的焊接工藝參數(shù)，具體為：

a：實驗工件設定為45#鋼，尺寸為：200mm×150mm×2mm；b：實驗采用氬氣，氬氣流量為：9L/min；c：焊接電流I的取值范圍為：70A-80A；d：焊接實驗的焊接速度為：0.6m/min-1.2m/min；e：CCD攝像單元采用的周期為：40ms。

在每組焊接實驗進行的過程中，通過CCD攝像單元，即視覺傳感器，以及采用窄帶濾光加中性減光處理獲取熔池圖像。因為在焊接實驗進行時，發(fā)出的弧光非常強烈，若采用普通處理，則如圖5所示，由于汽車的焊接過程是一個典型的非線性過程，往往伴隨有弧光、煙塵、飛濺等干擾，熔池圖像里面的信息往往被強烈的弧光所覆蓋而無法獲取。而采用窄帶濾光加中性減光處理，則如圖6所示，就能夠減少獲取的熔池圖像中被覆蓋的信息，增加獲得的熔池圖像中的信息。

本實施例中，獲取的熔池圖像需要包括以下情況：a：電弧1正對焊縫4的情況；b：電弧1偏離焊縫4的情況；c：焊縫4熔透的情況；d：焊縫4未熔透的情況；e：焊縫4過透的情況。這樣能夠獲取焊接過程中遇到的多種情況的信息，使得預測更加準確。

本實施例中，如圖7所示，在所述溶池圖像上截取待處理的區(qū)域5，從待處理的區(qū)域5的中提取信息，得出焊接過程特性參量，具體為每組焊接實驗相對應的熔池灰度重心C，外熔池寬度W、內(nèi)熔池寬度N以及焊接電流I。

所述待處理的區(qū)域5的信息具體需要截取到：電弧1的圖像信息、外熔池3的圖像信息，內(nèi)熔池2的圖像信息以及前端部分的焊縫4等圖像信息。

所述熔池灰度重心C在i方向上的值為：

其中，i,j為所述待處理的區(qū)域5的兩個方向，式(1)中的K,L分別為i,j方向像素的數(shù)量，g(i,j)為像素點(i,j)處的灰度值，灰度值可以直接在待處理的區(qū)域5的信息中直接讀取。針對平面焊接，由于j方向是一個進給方向，不產(chǎn)生糾偏現(xiàn)象，對偏差作用不大，故熔池灰度重心C省略j方向的作用。

所述外熔池寬度W的獲取方法具體為：在所述待處理的區(qū)域5的信息中直接測量外熔池3的寬度，作為外熔池寬度W。

所述內(nèi)熔池寬度N的獲取方法具體為：在所述待處理的區(qū)域5的信息中直接測量內(nèi)熔池2的寬度，作為內(nèi)熔池寬度N。

本實施例中，從待處理的區(qū)域5中測量出焊縫偏差e₀以及熔透狀態(tài)p₀。具體為：在所述待處理的區(qū)域5以及每組焊接實驗后的實驗工件中，得到焊接狀態(tài)測量量，具體為焊縫偏差e₀以及熔透狀態(tài)p₀，并且焊縫偏差e₀以及熔透狀態(tài)p₀作為期望輸出信號。

所述焊縫偏差e₀的獲取方法具體為：從所述待處理的區(qū)域5的信息中獲得電弧信息和焊縫信息，并得出電弧信息和焊縫信息的偏離量，偏離量為焊縫偏差e₀。

所述熔透狀態(tài)p₀的獲取方法具體為：從每組焊接實驗后的實驗工件背面測量出熔透狀態(tài)p₀。

本實施例中，針對熔池灰度重心C、外熔池寬度W、內(nèi)熔池寬度N及焊接電流I和對應的焊縫偏差e₀及熔透狀態(tài)p₀建立若干組樣本。

本實施例中，建立焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型。如圖2所示，焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型構建為三層，包括輸入層、隱含層以及輸出層，以焊接過程特性參量，即每組焊接實驗獲取的熔池灰度重心C，外熔池寬度W、內(nèi)熔池寬度N以及焊接電流I作為輸入層的4個神經(jīng)元；隱含層包含30個神經(jīng)元；以焊接狀態(tài)預測量，即焊縫偏差e以及熔透狀態(tài)p作為輸出層的2個神經(jīng)元，并且焊縫偏差e以及熔透狀態(tài)p作為實際輸出信號。隱含層以tansig()作為傳遞函數(shù)，如式(2)所示；輸出層以purelin()為傳遞函數(shù)，如式(3)所示：

f(x)＝x (3)

對建立的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型進行訓練，通過訓練和迭代計算，得出最優(yōu)權系數(shù)，從而得出最優(yōu)的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型。

本實施例中，首先假設輸入層共有M個輸入信號，任何一個輸入信號用m表示(m＝1,2,3,4)；隱含層共有I個神經(jīng)元，任一個神經(jīng)元用i表示(i＝1,2,...，30)；輸出層為共有J個神經(jīng)元，其中任意一個神經(jīng)元用j表示(j＝1,2)。輸入層與隱含層的連接權值用W_mi表示，隱含層與輸出層的連接權值用W_ij表示。

另外，設定神經(jīng)元的輸入用u表示，激勵輸出用v表示，u，v的上標表示層，下標表示層中的神經(jīng)元，如表示隱含層的第i個神經(jīng)元的輸入；設定f(x)為神經(jīng)元的傳遞函數(shù)；設定輸入信號為X＝[x₁,x₂,x₃,x₄]^T，設定輸出信號為Y＝[y₁,y₂]^T；設定期望輸出信號為：k＝[k₁,k₂]^T，n為迭代進行的次數(shù)。

所述訓練的整個過程為：

a：輸入信息的正向傳遞。具體為：輸入信號從輸入層輸入，經(jīng)過隱含層，在輸出層產(chǎn)生實際輸出信號，此過程中各層網(wǎng)絡的連接權值保持不變，如式(4)、式(5)、式(6)及式(7)所示：

b：誤差反向傳播。本實施例中，誤差信號，即實際輸出信號與期望輸出信號之差，從輸出層開始逐層向輸入層反向傳播，在傳播過程中，神經(jīng)網(wǎng)絡的權系數(shù)自動地進行反饋修正，使得實際輸出信號越來越逼近期望輸出信號。

具體為：定義輸出層第j個神經(jīng)元的誤差信號為：

第j個神經(jīng)元的實際輸出信號為：

y＝[y₁,y₂]^T (9)

第j個神經(jīng)元的期望輸出信號為：

定義神經(jīng)元j的誤差能量函數(shù)為：

輸出層所有神經(jīng)元的誤差總能量函數(shù)為E，則：

輸出層到隱含層權值修正推導如下:

其中：

得出：

式(13)中，η為網(wǎng)絡學習率，Δw_ij(n)為權值的更新量。將式(14)代入到式(13)，得出：

Δw_ij(n)＝-η×e_j(n)×v_i^H(n) (15)

則可得第n+1時刻的輸出層到隱含層的網(wǎng)絡權系數(shù)更新為：

w_ij(n+1)＝w_ij(n)+Δwi_j(n) (16)

隱含層到輸入層的權值修改過程推導如下：

其中：

又因為：

得出：

將式(20)、式(21)代入式(19)中，可得：

將式(21)代入式(17)中，可得：

Δw_mi(n)＝-η×f'(u_i^H(n))×e_j(n)×f'(u_j^O(n))×wij×x_m (23)

從而得第n+1時刻隱含層到輸入層的權系數(shù)更新為：

w_mi(n+1)＝w_mi(n)+Δw_mi(n) (24)

各層網(wǎng)絡權系數(shù)的初始值取值為1，通過輸入訓練樣本數(shù)據(jù)，經(jīng)過一系列的迭代運算，即如從式(4)至式(24)所示，得到最優(yōu)的權系數(shù)，由此可以構建最優(yōu)的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型：

式(25)中，X^T＝[C,W,N,I]為輸入向量(即熔池灰度重心C、熔池外熔寬W、熔池內(nèi)熔寬N與焊接電流I)；u^H為隱含層輸入量；w^H為隱含層權系數(shù)；b^H代表隱含層閾值；v^H為隱含層的輸出向量；u^o為輸出層輸入量；w^o為輸出層權系數(shù)；b^o為輸出層閾值；y＝[e,p]代表輸出向量，即焊縫偏差e與熔池熔透狀態(tài)p；δ為補償向量，對預測模型的建模誤差進行補償。這樣就可以通過式(25)對汽車的焊接過程進行準確的預測和監(jiān)控，實現(xiàn)汽車焊接自動化。

本實施例中，對最優(yōu)的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型進行驗證。具體步驟為：

a：選取另外400對輸入向量，輸入到最優(yōu)的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型中，得出對應的焊縫偏差的預測值以及熔透狀態(tài)的預測值；通過實際測量得出焊縫偏差的實際值與熔透狀態(tài)的實際值。

b：對焊縫偏差的預測值與焊縫偏差的實際值進行圖點分布分析，并計算出焊縫偏差的平均值、絕對誤差以及相對誤差。

如圖3所示，圖中的圓點代表，圓點代表焊縫偏差的實際值，實線部分代表焊縫偏差的預測值。由圖可以看出，圓點基本分布于實線部分的兩側，且波動幅度不大，說明模型的焊縫偏差預測情況理想，部分焊縫偏差的預測值及焊縫偏差的測量值如表1所示。焊縫偏差的平均值為0.011mm，其中焊縫偏差的平均值定義如式(26)下：

式(26)中，N為采樣點個數(shù)，y為焊縫偏差的實際值，y'為焊縫偏差的預測值,相對誤差為絕對誤差除以焊縫偏差的實際值后取百分比得出的值，步驟a以及步驟b得出的部分數(shù)據(jù)如下表所示：

c：對熔透狀態(tài)的預測值與熔透狀態(tài)的實際值進行圖點分布分析，并計算出準確率。

熔透狀態(tài)的驗證情況如圖4所示，圖中圓點代表熔透狀態(tài)的實際值，星號部分代表熔透狀態(tài)的預測值。由圖4可以看出，絕大部分數(shù)據(jù)中熔透狀態(tài)的實際值與熔透狀態(tài)的預測值是吻合的，少數(shù)數(shù)據(jù)預測不準確，最終的準確率為95％，說明模型具有一定的準確性。其中模型準確率定義如下：

式(27)中，N為檢測點個數(shù)，本實施例中N＝400，n為預測正確的點個數(shù)，本實施例中n＝380。

本實施例中，在獲取熔池圖像的過程中，判斷電弧1是否對準焊縫4的具體步驟為：

S1.1：通過CCD攝像單元以及窄帶濾光加中性減光處理獲取溶池圖像信息；

S1.2：在所述溶池圖像信息上截取處理區(qū)域信息，通過測量和計算處理區(qū)域信息，得出灰度均勻度、電流情況和焊縫4周圍熱量狀態(tài)；

S1.3：若整個焊接件處于一種平衡的狀態(tài)，如圖8所示，具體為：熔池及電弧1的形態(tài)規(guī)則、灰度均勻、電流平穩(wěn)以及焊縫4周圍熱量處于平衡態(tài)，則可以判斷為電弧1對準焊縫4，此時焊縫4左右兩側的熔池灰度分布基本對稱,這樣的焊接狀態(tài)能夠滿足工藝要求；

S1.4：若整個焊接件處于一種不平衡的狀態(tài)，如圖9所示，具體為：熔池及電弧1的形態(tài)不規(guī)則、灰度不均勻、電流不平穩(wěn)以及焊縫4周圍熱量不平衡，則可以判斷為電弧1不對準焊縫4，此時會出現(xiàn)焊穿6的現(xiàn)象，需要及時對電弧1進行調(diào)整。

以上步驟能夠在焊接的過程中對電弧1是否對準焊縫4進行監(jiān)測，保證電弧1能夠?qū)屎缚p4，減少產(chǎn)生焊穿的情況發(fā)生。

綜上所述，本發(fā)明的目的在于提供一種用于汽車焊接的焊縫偏差及熔透狀態(tài)監(jiān)測方法，以獲取的熔池圖像的信息為引導，形成多信息融合的針對焊接過程監(jiān)測的方法。通過視覺傳感器和電流傳感器采集到的信息，提取影響焊縫偏差以及熔透狀態(tài)的焊接過程特性參量，并提取整個焊接過程的焊接狀態(tài)測量量，構建出集焊接偏差及熔透狀態(tài)預測于一體的焊縫偏差及熔透狀態(tài)一體神經(jīng)網(wǎng)絡模型，保證焊接過程中實現(xiàn)電弧對準焊縫，以及實現(xiàn)焊縫熔透的效果，對整個焊接過程進行預測和監(jiān)控，實現(xiàn)汽車焊接過程自動化。

最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質(zhì)和范圍。