人工神经网络在CO2气体保护焊实时监测中的应用

肖 兵，董添文

(1.南昌工程学院 机械与电气工程学院，江西 南昌 330099；2.上饶师范学院 物理系，江西上饶334001)

人工神经网络在CO2气体保护焊实时监测中的应用

肖 兵1，董添文2

(1.南昌工程学院 机械与电气工程学院，江西 南昌 330099；2.上饶师范学院 物理系，江西上饶334001)

利用人工神经网络的训练结果可以对焊接过程的各类特征参数进行合理评价。利用LVQ神经网络模型，根据实验采集分析得到的CO2气体保护焊不同焊接工艺条件下焊接电流和焊接电压的概率密度分布曲线以及短路过渡时间和燃弧时间等的时间频数分布曲线，在Matlab神经网络工具箱中开发出焊接过程神经网络识别器，可以自动识别焊接过程中各种干扰因素。识别实验结果表明，利用LVQ神经网络构造的干扰因素识别器识别成功率达到92.5%，识别率高。实验验证了该网络识别器的可行性，可以用于焊接质量的实时监测。

CO2气体保护焊；人工神经网络；干扰因素识别；实时监测

0 前言

CO2气体保护焊具有生产率高、成本低、能耗低、适用范围广等优点，在现代焊接生产中占有重要的地位。随着对焊接质量的要求越来越高，焊接过程的自动化、机器人化、智能化已经成为焊接技术的发展趋势。利用各种传感技术对焊接过程中产生的各种干扰因素进行实时监测和控制，是焊接界研究的重要方向[1－3]。

利用电弧传感实时采集焊接电压、电流信号，应用概率密度分布曲线和时间频数分布曲线等统计方法对焊接电参数进行处理，可以确认焊接过程中的各种干扰因素。但是只有具备全面专业知识的人士才能完成这项工作。为了解决这一问题，需要利用人工智能技术。人工神经网络通过模拟人脑所建立起来的模型能像人一样，具备学习、联想、推理等能力。利用人工神经网络能自动识别出焊接过程的特征参数[4－5]。但人工神经网络理论性强，需要进行繁琐的数学推导与编程，一般研究人员难以快速掌握和运用。

Matlab中的神经网络工具箱是在Matlab环境下所开发出来的许多工具箱之一，它以人工神经网络理论为基础，使用Matlab编写出各种神经网络设计与训练的子程序，设计者则可以根据自己的需要调用工具箱中有关神经网络的设计训练程序，简单有效，使研究人员只需掌握神经网络理论，从繁琐的数学推导与编程中解放出来，因此它越来越受到人们的青睐[6－7]。

在此针对CO2气体保护焊焊接过程中实时采集的电弧电信号，在对电流、电压信号进行统计分析处理得到的电流、电压概率密度分布(PDD)和熔滴过渡短路时间频数分布(CFD)曲线基础上，利用Matlab神经网络工具箱编程，设计出针对焊接过程中各种干扰因素的神经网络识别器，来实现对焊接过程中随机干扰因素的自动识别。

为设计神经网络识别器并验证其有效性，本研究人为设定干扰因素，通过焊接工艺实验采集数据来为训练神经网络识别器提供输入特征向量，并对开发的神经网络识别器进行实验验证。

1 工艺实验

CO2气体保护焊工艺实验条件为：短路过渡，φ(CO2)100%保护气体，流量15 L/min；试件选用Q235低碳钢板，试板尺寸200 mm×50 mm×6 mm；送丝速度 5.6 cm/s，焊接电压 20 V，焊接速度 4.0 mm/s；平板堆焊。

除上述正常工艺参数条件工艺实验外，还人为设定了四种情况的干扰信号，分别编号为：①正常；②焊道尺寸改变；③送保护气流量减半；④送丝速度降低10%；⑤有油污。每种情况重复实验八次。用前四组数据的概率密度分布曲线中提取出的特征向量对神经网络进行训练，用后四组的数据来仿真检验经训练的神经网络的可靠性。

实验利用霍尔电压传感器、霍尔电流传感器和数据采集卡实时采集焊接电压电流信号，并进行数据处理，得到PDD曲线和CFD曲线。

图1是从正常焊接条件下所采集的数据中任意挑选的1 s的数据(电流、电压各4 000个)进行统计分析得出的概率密度分布曲线。图中四条曲线从上至下分别是焊接电流的概率密度分布PDD曲线、电弧电压的概率密度分布PDD曲线、短路时间的频数分布CFD曲线、燃弧时间的频数分布CFD曲线。表1为从正常情况下的工艺实验数据中提取的，作为网络训练之用的输入向量的部分数据。

图1 正常焊接条件下的电弧电信号统计曲线

表1 神经网络干扰因素识别器训练用输入特征向量

2 LVQ网络识别器的设计

学习向量量化神经网络LVQ(Learning Vector Quantization)是Kohonen网络方法的有监督学习的扩展形式，LVQ网络与Kohonen网络的最主要区别是其输出层的每个神经元被指定为属于几个类别之一。其结构如图2所示：输入层由M个神经元组成，输出层的神经元被分为N类，每个类别分得几个输出神经元。输入层的神经元到输出层神经元是全互连的。对于已给定输出单元的权值向量，它代表在输出端的响应最大的输入向量样本。当一个输入模式向量X输入到网络时，有最近(欧氏范数)的权值向量的神经元被选定为获胜者。训练过程的学习规则是只有获胜的神经元被修改：当获胜神经元属于正确的分类时，它的权值向量将朝着输入向量的方向移动；反之，它将被迫向远离输入向量的方向移动。

图2 一维LVQ网络结构

训练好的神经网络能记住每对互连神经元之间的权值，从而按照给出的分类模式进行回想。当给它输入新的模式X′时，输出层中与它的欧氏距离最近的获胜神经元所在的类别即是网络的输出结果。

用Xi代表第i个训练模式向量，Ti代表Xi所属的类别，令Wj为第j个输出神经元与输入模式向量的权值，令Cj为第j个输出神经元代表的类别。LVQ算法可用下面的步骤来表达：

(1)初始化权值向量。权值向量可随机初始化，同时初始化学习率。

(2)对训练集合中的每个输入模式向量Xi执行步骤①和②。

①寻找获胜神经元k

②修改权值Wk为

(3)调整学习率，学习率作为一迭代函数减小。

(4)检查终止条件，如果满足终止条件就退出，否则返到步骤(2)。

本研究利用Matlab中的神经网络工具箱进行编程设计，设计好的神经网络识别器工作程序如上述LVQ算法步骤所示。

输入向量(x1，x2，…，xm）对应于焊接电流、电压PDD曲线和短路过渡时间CFD曲线上的数据。

所以提取的138×1维的列向量是分别从焊接过程电流PDD、电弧电压PDD、短路时间CFD、燃弧时间CFD四条分布曲线上提取的(见表1和图1)。其中，从电流PDD取40个概率密度值，电压PDD取50个概率密度值，每一个电流、电压概率密度值分别对应着一个焊接电流与电弧电压值。短路时间CFD中取15个频数密度值，燃弧时间CFD中取33个频数密度值，同样每一个短路燃弧时间频数密度值对应着一个时间值。为了降低计算误差的影响，电流、电压概率密度值乘以1 000，频数分布乘以100。

3 识别结果

根据前面的工艺实验，利用开发的干扰因素识别器，将经训练的神经网络对每组实验条件下后三次实验用于网络的验证。表2为网络识别器的识别结果。

分析表2可知，①～④四种干扰因素被LVQ很好地分类出来，前四组数据中仅发生了两组错误，且送保护气减半与正常情况识别完全正确。出现分类错误较多的在对有油污情况的识别上，其主要原因可能是因为油污在焊道后部很容易被前部已经处于高温的焊道加热蒸发掉。从结果中可得出，识别总的成功率为92.5%。可见，利用LVQ神经网络对焊接过程干扰因素识别，是一种可行的方法。

表2 LVQ神经网络对检验数据的识别结果

4 结论

(1)在介绍LVQ网络的基础上，利用Matlab神经网络工具箱编程，设计了LVQ神经网络两种焊接干扰因素识别器。

(2)实验结果显示，LVQ神经网络焊接干扰因素识别器对焊接过程干扰因素识别成功率达到92.5%。结果表明，LVQ神经网络构造的识别器具有较高的识别性能，可以用于焊接过程中干扰因素的在线识别。

[1]王振民，张丽玲，薛家祥.基于视觉处理的焊缝质量检测与控制系统[J].焊接技术，2007，36(3)：60－62.

[2]高延峰，张 华，毛志伟.以旋转电弧为传感器的移动机器人角焊缝跟踪[J].机械工程学报，2009，45(9)：64－71.

[3]薛海涛，李俊岳，张晓囡，等.焊接电弧信息测试分析系统[J].焊接学报，2003，24(1)：19－22.

[4]刘立君.基于神经网络熔透电弧声特征参数评价与选择[J].焊接学报，2010，31(3):25－28.

[5]胡庆贤，武传松，孙俊生.Kohonen神经网络在熔化极气体保护焊接质量监测中的应用[J].无损检测，2002，24(4)：159－161.

[6]闻 新.MATLAB神经网络应用设计[M].北京：科学出版社，2000.

[7]施 阳，李 俊.MATLAB语言工具箱—TOOLBOX实用指南[M].西安：西北工业大学出版社，1997.

Application of ANN on real-time monitor in CO2welding

XIAO Bing1，DONG Tian-wen2
(1.School of Mechanical and Electrical Engineering，Nanchang Institute of Technology，Nanchang 330099，China；2.Department of Physics，Shangrao Normal College，Shangrao 334001，China)

The results trained by artifical neural network could be used to evaluate feature parameters in welding.Based on the probability density distributions(PDD)of welding voltage and current，and the class frequency distributions(CFD)of short-ciruiting time and burningarc time,this paper developed a welding ANN identifier by ANN toolbox in MATLAB by the LVQ neural network model.The welding ANN identifier could recognize and classify the process disturbances during welding.The experimental results showed that general recognition rate of the LVQ identifier was high in identifying the welding process disturbances，wich reached 92.5 percents.The results indicated the feasibility of the LVQ identifier，wich could be used for the welding quality monitor.

CO2welding；artifical neural network(ANN)；process disturbances identifying；real time monitor

TG444＋.73

A

1001－2303(2011)03－0001－04

2010－09－26

肖 兵(1975—)，男，湖北罗田人，讲师，硕士，主要从事焊接工艺及焊接自动化控制方面的研究工作。