如何电焊 基于支持向量机的点焊质量分类
时间:2020-02-15 08:58:16 来源:柠檬阅读网 本文已影响 人
征分量,构造点焊过程的监测数据集, 以焊点的抗剪强度为指标,利用支持向量机(SVM)和RBF神经网络对焊点质量进行分类。测试
结果表明,2种信号特征向量作为SVM的输入向量,在参数匹配的情况下,使用不同的核函数对喷溅和焊点质量分类均能取得较好的分
类结果.分类器性能明显优于RBF神经网络模型。小样本情况TSVM具有较好的泛化能力,正确率仍保持在80%以上,据此认为提取电
极位移和动态电阻的特征向量构筑输入向量.建立的svM动态模型对点焊接头进行质量分类是可行的。
关键宇:电阻点焊;
SVM;
质量分类;
泛化能力;
特征提取
中圄分类号:TG438.2 文献标识码:A
电阻点焊自产生以来,以其高效率、低成本、易于实现自
动化的优点广泛应用于大量薄板焊接结构生产中,但点焊过程
的非线性及多变量耦合使得焊接过程难以控制。现代信号处
理、模式识别技术的发展,使得点焊过程质量监控技术有了长
足的进步,Javedt1]以焊接电流、时间、电极压力为输入参数,
焊点质量为输出参数,利用BP网络建立输入与输出的映射;
Hao利用线性回归分析建立监控参量与铝合金焊点强度及熔核
直径之间的映射模型【2]。基于概率统计模型得到的各类别特征
向量分布的统计分类方法正逐渐在电阻点焊领域中得到广泛应
用。统计分类方法很多,如:决策树和决策表等。
本文提供一种利用动态电阻和电极位移信号.提取特征向
量构建数据集,建立基于SVM的点焊质量分类模型。
1 支持向量机
支持向量机(SVM)是数据挖掘的一项新技术.是借助最
优化方法解决机器学习问题的新工具:是克服“维数灾难”和
“过学习” 等困难的有力手段 。其基本原理是通过定义适当的
内积函数。将训练数据集从输入空间非线性的映射到一个高维
特征空间(Hilbert空间), 使样本在该空间线性可分.然后求
取新空间中的最优线性分类面。
假定训练数据可以被一个超平面正确地分开.则最优超平
面将由离它最近的少数样本点决定.这些决定最优超平面的样
本点就称为支持向量。
设线性可分样本集(毛, ), =1,⋯ ,/Z,X∈Rd,Y∈{+1,一1),
d维空间中线性判别函数:
收稿日期:2007—03—29
·xr-b, (1)
SVM是通过对拉格朗日算子的最大化来确定最大分类间隔
的解。构造拉格朗日函数为:
L(w,。,6)= 1 I z_Σoei( 伽+6)+Σa/,
厶 i=1 /=1
嘶≥0,i=1,2,⋯ ,n, (2)
其中,嘶是拉格朗日算子,并且满足下式:
1.1
0≤嘶≤c和 n 0, (3)
i=1
则在上面2个条件下最大化上述构造拉格朗日函数的对偶形式,
就可得出由嘶所决定的支持向量。即:
Max L Σ啦一 1Σ嗍 辑, (4)
i=1 - i。j=l
优化 D牛苷取决于变换后的特征向量之间的数乘,若用一个核函
数K(x,y)来代替数乘,就可以避免计算变换 ,此时判别函数
就可以写成Σ ( )+6。使用核函数来代替数乘就不需要明
确知道,这对于高维特征空间可以有效避免“维数灾难” 的问
题。核函数类型的选择,或者说一种变换的选择,对于支持向
量机非常重要,它决定对分类中相似性和相似程度标准的选
择。由于分类问题可以看成一个相似问题。相似性又可以由向
量的内积来描述,因此,选择映射或者说选择核函数将直接影
响分类的结果。
常用核函数有如下形式:
线性核函数:K(x,置) ·
多项式核函数:K(x,鼍)=( · ) )p
RBF(Radial Basis Function)核函数:K( ,xi)=exp(--T l 一
置I )
Sigmoid核函数:K(x, i)=tanh(s( · i)+g)
50 ·焊接设备与材料· 焊接技术 第36卷第5期20o7年10月
2 试验数据集
点焊试验系统由恒流控制交流点焊机唐山松下YF一
0201Z2、传感器、数据采集卡以及计算机组成,对焊接电流、
焊接电压、电极位移信号进行实时采集。利用Rogowski 流传
感器测取电流、焊接电压取自电极头两端电压,DA一5型直流
差动位移传感器采集电极位移信号,数据采集系统由12位的
AC6115 A/D转换卡以及基于该卡用VB开发的数据采集软件构
成,同步采样率可达40 kHz。信号分析和特征提取建立在
Madab软件平台上,通过构筑特征向量建立SVM点焊质量分类
模型。图1为厚1.0 mm低碳钢板标准试样搭接试验,给定焊接
电流5.7 kA。电极压力3.1 kN,焊接时间20周波的信号采样图。
之
脚
:i 一
0占———— ———1 ——— ——
(b)周渡
图1 采集信号
2.1 检测信号选择
影响熔核生长的主要因素有焊接电流和电极压力[5]。动态
电阻和电极位移信号能够较好地反映焊接电流、电极压力的变
化. 以及如表面状态、网压波动等因素对接头质量的影响。因
此.选择动态电阻、电极位移为质量检测信号,其中动态电阻
的计算采用峰值法, 即半周波峰值电流时刻的电压除以峰值电
流,峰值法计算的动态电阻能够消除电路中交流互感影响。
2.2 特征向量
图2为厚1.0 mm低碳钢板标准试样搭接试验,给定焊接时
间20周波、电极压力3 150 N,不同焊接电流的动态电阻和电
极位移信号图,可以看出:① 点焊过程动态电阻初值不同,初
值反映了工件的表面状态,提取动态电阻初值R 为一个特征分
量;
② 动态电阻峰值不同,峰值能够反映曲线斜率符号的改
变.提取动态电阻峰值R:为特征分量;
③动态电阻终值能够反
映熔核大小,因此提取终态电阻R 为一个特征分量;
④ 曲线的
峰值上升速度可以表明形成熔核的速度, 因此取动态电阻曲线
上升速度R 为一个特征分量;
⑤ 动态电阻曲线均值能够反映点
焊过程中熔核的尺寸,提取动态电阻曲线均值R 为一个特征分
量;
⑥ 动态电阻曲线上各点的离散程度能够用统计学中的方差
描述,因此,提取曲线上各半周波峰值的方差R 为一个特征分
量。
薯
童
脚
蔷。
三;
等三三三三三
00L — — — — — — — — — — —
(b)周渡
图2 对应于不同焊接电流下的动态电阻和电极位移信号曲线
电极位移是点焊过程接头弹塑性变形的结果。图2b为对应
于图2a的电极位移曲线。可以看出:①位移曲线峰值不同,提
取位移曲线峰值D1为一个特征分量, 曲线峰值能够描述熔核纵
向膨胀的最大值;
②提取位移曲线峰值上升率D:为一个特征分
量,位移峰值上升率能够描述熔核纵向膨胀速度;
③位移峰值
下降率 能够描述熔核生长过程,因此提取D]为一个特征分
量;
④终态位移能够描述压痕的大小,提取终值D4为一个特征
分量:⑤ 曲线均值能够描述熔核焊接过程接头弹塑性变形的程
度,提取均值D 为一个特征分量;
⑥ 提取曲线方差D6为一个特
征分量, 曲线方差能够描述曲线的离散程度。
薯
童
脚
基
潍
坦
(a)周波
(b)周波
图3 特征参量提取
堰脚
Weldinz TechnolOkay Vo1.36 No.5 Oct.2007 ·焊接设备与材料· 51
3 建立SVM分类模型
3.1 SVM的算法
支持向量机是把分类问题和回归问题归结为一个约束最优
化问题,能够解决这样的约束问题,就能够完成分类。原则上
说,求解这样的约束问题可以采用很多算法,比如:基本无约
束算法、牛顿一条件预优共轭梯度法以及一些内点算法等等,
但在实际处理中由于存储和计算量两方面的要求,这些算法往
往会失效 。针对大规模的原问题分解成若干个小规模的子问
题,按照某种迭代策略.反复求解子问题,构造出原问题的近
似解.并使该近似解逐渐收敛到原问题的最优解,按照子问题
的选取和迭代策略不同,可以有以下不同的算法:块分法、分
解算法和序列最小最优化方法[ 。
块分法是从任意数据子集出发,使用传统的二次规划算法
求解子问题,保留支持向量而舍弃其它点,用获得的支持向量
监测全部剩余数据,将其中 ( 是算法中事先给定的参数)
个违背KKT条件最严重的点加到新块中,在新块中求解对偶问
题。重复以上过程,直到满足停止要求。这种方法对于支持向
量数目远小于训练样本数目时能提高运算速度,在支持向量个
数本身比较多时,就变得比较缓慢。
分解算法是在块分法中只更新若干个Lagrange乘子,而其
它的乘子保持不变,所以每次将一个样本点加到工作区中去就
要去掉另外一个样本点。迭代过程就是将工作集之外的样本点
中的一部分样本点与工作集中的另一部分样本点进行等量交
换.算法迭代直到满足条件为止。
序列最小最优化算法,建立在块分法的基础上,即工作集
的规模减少为2个,一个直接的后果就是迭代次数的增加,然
而该算法的优点是2个变量的最优化问题可以解析求解,每次
迭代只需选择2个变量进行调整,同时固定其它变量,通过求
解最优化问题。该算法常表现出整体的快速收敛性质,没有矩
阵运算,容易实现,是一种简单、高效、实用的分类方法。
3.2 SVM分类模型
针对板厚1.0 mm的低碳钢标准试样进行搭接点焊.焊接电
流从3_3~6.O kA,按O.3 kA分档;
电极压力从2.1~5.1 kN按1 kN
分档,焊接时间取20个周波;
每种焊接参数下焊接3个样本,
共获得120个样本数据,建立样本空间。对焊接试样进行拉伸
试验,获取接头抗剪强度作为质量评判指标。基于样本空间提
取特征向量构筑分类模型的输入向量。
表1为给定焊接电流6.0—3.3 kA, 电极压力3 150 N,焊接
时间20周波的一组数据分散性描述。基于SVM数据挖掘方法.
以原始特征向量数据集为基础。挑选具有代表性的特征, 以便
在特征空间中增加不同模式之间的差别。对板厚1.0 mm的低碳
钢板,按照抗剪强度是否大于3.89 kN将接头质量分为合格以及
不合格。通过测试得到表2中的最佳核函数参数,测试条件为:
每种焊接参数下一个样本,共40个样本作为训练样本。每种规
范下一个样本,共40个样本作为测试样本。
表1 数据分散性描述
焊接电流/kA 抗剪强度均值
6.0 5 288.7
5.7 5 069.6
5.4 4 801.7
5.1 4 958.4
4.8 4 749
4.5 4 628.8
●
4.2 4 537
、3.9 4 661.5
3.6 4 243.6
3.3 3 694.6
表2 不同样本集核函数的最佳参数
核函数 正确率(%) C g d p q
线性核 97.5 10-5
多项式核 92.5 l0 l0 2 0.1
RBF核 95 l l
Sigmoid核 95 10 l l0
训练样本选择每种焊接参数一个样本,共40个样本。测试
样本选择每种焊接参数下一个样本,共40个样本;
每种参数下
一个样本,同时每隔一种参数取一个样本。共60样本;
每种参
数取2个样本,共80个样本。相同条件下对比4种核函数与RBF
神经网络模型的分类结果,测试不同核函数的泛化能力.测试
结果见表3 ‘
表3 不同测试集的S、 与RBF神经网络分类正确率
训练样本集,个 线性棱(%) 多项式核(%) RBF核(%) Sigmoid~ (%) RBF~ h(%)
40 97.5 95 97.5 97.5 85
60 93.33 86.67 98.33 88.3 83.3
80 93.75 85 98.75 87.5 81.25
从SVM对样本分类结果可以看出:
(1)不同核函数在匹配参数下均能实现点焊质量分类,构
筑2种信号的特征向量,通过对80个样本的分类测试,最小准
确率为88.3% ,性能优于RBF神经网络。
(2)相同{』ll练样本集下,增加测试样本数,RBF核函数的
接头质量分类准确率没有下降.当测试样本数大于训练样本数
时,多项式核函数分类正确率仍保持在80%以上,4种核函数
对~LRBF神经网络具有明显的优势。
4 结论
(1)电极位移和动态电阻信号能够表征焊接过程中熔核生
长状况,对动态电阻、电极位移信号提取特征分量能够反映熔
核形成过程,可以作为检测焊点质量的信号。
(2)对电极位移和动态电阻信号提取12个特征向量, 曲线
52 -焊接质量控制与管理· 焊接技术 第36卷第5期2007年lO月
文章编号:1002—025X{2007)05—0052—02
铝合金部件焊接变形的产生及控制
刘志平。王立夫
(中国北车集团唐山轨道客车有限责任公司焊接中心,河北唐山063035)
摘要:铝合金在焊接后会产生变形,这在很大程度上增加了焊后调修量,浪费了很多工时,严重时会导致生产进度延期。为了进一步
解决铝合金焊接变形的1"-3题,通过对焊接变形的影响因素进行分析,提出了防止焊接变形的方法及焊接顺序制定原则.对今后铝合金
的焊接起到了一定的借鉴作用。
关键词:铝合金;
焊接变形;
焊接顺序
中图分类号:TG404 文献标识码:B
铝合金广泛应用于航天、造船、铁道车辆等工业领域。随
着我国经济的迅速增长,高速铁路的发展已是大势所趋。开发
制造铝合金动车组项目已经作为国家“十一五” 的重点规划项
目。近年来,北车集团的几家大型客车制造企业先后与国外知
名企业合作,共同生产时速达到200 knrlh以上的铝合金高速动
车组。青岛四方与庞巴迪公司合作生产的时速200 knrlh CRH1
动车组已经开始在沪杭线上运行:长客与阿尔斯通公司合作生
产的时速200 km/h CRH5动车组也已经在京哈线上运行:唐车
与西门子公司合作生产的时速300 knrlh CRH3动车组正在制造
中。铝合金动车组的出现已经成为国家铁路第六次大提速的主
导力量,标志着中国铁路已经迈进了高速铁路时代。
l 焊接变形产生的原因
铝合金在焊接过程中.不均匀的加热使得焊缝及其附近的
收稿日期:2oo7一O6—2O
温度很高,冷却后,焊缝就产生了不同程度的收缩和内应力
(纵向内应力和横向内应力),致使焊接结构产生各种变形。由
于铝的热导率是钢的3倍。因此铝合金焊接变形的控制要比碳
钢结构难度大。铝合金内部发生晶粒组织的转变所引起的体积
变化也可能引起焊件的变形,这是产生焊接应力与变形的根本
原因
2 焊件的残余变形和应力的危害性
在一般铝合金焊接结构中,残余变形的危害性比残余应力
大得多,它使焊接部件的尺寸改变而无法组装,使整个构件丧
失稳定性而不能承受载荷,使产品质量大大降低。而矫正却要
消耗大量的人力和物力,有时甚至会导致产品报废。同时焊接
裂纹的产生往往也和焊接残余变形和应力有着密切的关系。因
此。在制造铝合金焊接结构时。必须充分了解焊接时内应力发
生的机理和焊后决定工件变形的基本规律, 以控制和减小其危
害性
特征分量具有明显的物理意义,测试结果表明:提取的特征分
量能够描述接头形成过程。可以映射接头质量。
(3)构筑SVM输入向量,对比4种核函数及不同样本数的
样本集训练SVM分类器均可实现点焊接头的质量分类,参数匹
配的情况下4种核函数均能得到较好的分类结果;
测试样本数
大于训练样本数时,SVM仍能得到较好的分类结果;
采用线性
核函数、RBF核函数在参数匹配条件下分类性能优于多项式核
函数以2~:Sigmoid核函数.分类性能明显优于RBF~@经网络模
型。
参考文献:
[1]Javed MA,Sanders SAC.Neuml networks based learning and adoptive
control for manufacturing sy~ems[J].Proceeding of the 91 [EEE/
RJS.Intemationa]Workshop on Intefigent Robots Systems,1991:242-
246.
[2]HAO M OSMAN,BOOMER K A and NEWTON C J.Developmems
in characterization of resistance spot welding of aluminum [J].
W elding Journal,1996,I:IS一8S.
[3]Lee S R,CHOO Y J,Lee T Y.A quality assurance technique for
resistance spot welding using a neuro-fuzzy algorithm ].2001,320-
328.
[4]ANDREW R.WEBB Statistical Pattern Recognition Second Edition
[Z].
[5]中国机械工程学会焊接学会.电阻焊理论与实践[M].北京:机械工
业出版社。1994.12—25。328.
[6]邓乃扬.数据挖掘中的新方法[M].北京:科学出版社, 2004.196.
[7]边肇祺.模式识别[M].北京:清华大学出版社, 1999.