一種用於汽車焊接的焊縫偏差及熔透狀態監測方法與流程

2023-04-23 21:48:06

本發明屬於汽車焊接設備自動化技術領域，具體為一種用於汽車焊接的焊縫偏差及熔透狀態監測方法。

背景技術：

汽車已經成為當前國內人民生活一種不可缺少的交通工具，其車身、底盤、後橋、副車架等關鍵部件均是靠焊接連接在一起的受力零部件。這些零件主要是衝壓焊接件，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。焊接質量的好壞，直接關係整車的質量乃至行車安全。

焊接是依靠外加的熱源(例如雷射、等離子、電弧)等手段將外部的介質(例如焊絲、焊條或者焊接件本身)融化，來實現工件的連接。對於汽車焊接件而言，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，對於焊前示教法，由於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生的跟蹤誤差。而對於傳感器跟蹤法，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。對於一些新興的焊接工藝，例如雷射焊接，熱源非常的小(最小可達160m)，雷射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、非接觸等優點，在焊縫跟蹤領域得到廣泛應用，但其往往需要經過一系列複雜的算法運算，實時性有待提高。

焊縫成形，主要反映了焊縫的熔透狀態情況，直接關係到焊縫以及周邊焊接熱影響區的金屬組織與性能，進而決定了最終焊接件的受力特性，對最終產品的可靠性影響巨大。對於焊縫成形目前還是依靠焊工的經驗、通過觀察焊接區域的X光圖像，或者對焊接件進行抽樣，剖開焊接區域進行控制。控制方法不便捷。

技術實現要素：

為了克服現有技術中存在的缺點和不足，本發明的目的在於提供一種用於汽車焊接的焊縫偏差及熔透狀態監測方法，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測的方法。通過視覺傳感器和電流傳感器採集到的信息，提取影響焊縫偏差以及熔透狀態的焊接過程特性參量，並提取整個焊接過程的焊接狀態測量量，構建出集焊接偏差及熔透狀態預測於一體的焊縫偏差及熔透狀態一體神經網絡模型，保證焊接過程中實現電弧對準焊縫，以及實現焊縫熔透的效果，對整個焊接過程進行預測和監控，實現汽車焊接過程自動化。

本發明的技術方案如下：一種用於汽車焊接的焊縫偏差及熔透狀態監測方法，包括以下步驟：

S1：獲取熔池圖像，並截取待處理的區域；

S2：從待處理的區域中提取信息；

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一體神經網絡模型，計算得出焊縫偏差e以及熔透狀態p；

S4：通過焊縫偏差e以及熔透狀態p對焊接過程進行預測。

進一步的，焊縫偏差及熔透狀態一體神經網絡模型的獲取方法具體為：

S3.1：獲取熔池圖像信息，並截取待處理的區域；

S3.2：從待處理的區域中提取信息，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、內熔池寬度N及焊接電流I；

S3.3：從待處理的區域中測量出焊縫偏差e0以及熔透狀態p0；

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

S3.5：建立焊縫偏差及熔透狀態一體神經網絡模型：其中，所述焊縫偏差及熔透狀態一體神經網絡模型的輸入層包括熔池灰度重心C、外熔池寬度W、內熔池寬度N及焊接電流I共4個神經元，輸出層包括焊縫偏差e以及熔透狀態p共2個神經元，隱含層包括20個神經元，隱含層以tansig作為傳遞函數，輸出層以purelin為傳遞函數，並對焊縫偏差及熔透狀態一體神經網絡模型進行訓練。

進一步的，熔池灰度重心C在i方向上的值為：其中，i,j為所述待處理的區域的兩個方向，K,L分別為i,j方向像素的數量，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採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域信息，通過測量和計算處理區域信息，得出灰度均勻度、電流情況和焊縫周圍熱量狀態；

S1.3：若整個焊接件處於一種平衡的狀態，具體為：熔池及電弧形態規則、灰度均勻、電流平穩以及焊縫周圍熱量處於平衡態，則可以判斷為電弧對準焊縫；

S1.4：若整個焊接件處於一種不平衡的狀態，具體為：熔池及電弧形態不規則、灰度不均勻、電流不平穩以及焊縫周圍熱量不平衡，則可以判斷為電弧不對準焊縫。

本發明的有益效果：本發明的目的在於提供一種用於汽車焊接的焊縫偏差及熔透狀態監測方法，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測的方法。通過視覺傳感器和電流傳感器採集到的信息，提取影響焊縫偏差以及熔透狀態的焊接過程特性參量，並提取整個焊接過程的焊接狀態測量量，構建出集焊接偏差及熔透狀態預測於一體的焊縫偏差及熔透狀態一體神經網絡模型，保證焊接過程中實現電弧對準焊縫，以及實現焊縫熔透的效果，對整個焊接過程進行預測和監控，實現汽車焊接過程自動化。

附圖說明

圖1是本發明的流程圖。

圖2是本發明的焊縫偏差及熔透狀態一體神經網絡模型示意圖。

圖3是本發明的焊縫偏差驗證情況對比圖。

圖4是本發明的熔透狀態驗證情況對比圖。

圖5是本發明的普通處理所得圖像的示意圖。

圖6是本發明的窄帶濾光加中性減光處理所得圖像的示意圖。

圖7是本發明的截取待處理的區域的示意圖。

圖8是本發明的電弧對準焊縫時的示意圖。

圖9是本發明的電弧偏離焊縫時的示意圖。

具體實施方式

為了便於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明作進一步的說明，實施方式提及的內容並非對本發明的限定。

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，具體為：

a：實驗工件設定為45#鋼，尺寸為：200mm×150mm×2mm；b：實驗採用氬氣，氬氣流量為：9L/min；c：焊接電流I的取值範圍為：70A-80A；d：焊接實驗的焊接速度為：0.6m/min-1.2m/min；e：CCD攝像單元採用的周期為：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，以及採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，發出的弧光非常強烈，若採用普通處理，則如圖5所示，由於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、飛濺等幹擾，熔池圖像裡面的信息往往被強烈的弧光所覆蓋而無法獲取。而採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域5，從待處理的區域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、內熔池寬度N以及焊接電流I。

所述待處理的區域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為所述待處理的區域5的兩個方向，式(1)中的K,L分別為i,j方向像素的數量，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域5的信息中直接讀取。針對平面焊接，由於j方向是一個進給方向，不產生糾偏現象，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。

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

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

所述焊縫偏差e0的獲取方法具體為：從所述待處理的區域5的信息中獲得電弧信息和焊縫信息，並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p0的獲取方法具體為：從每組焊接實驗後的實驗工件背面測量出熔透狀態p0。

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

本實施例中，建立焊縫偏差及熔透狀態一體神經網絡模型。如圖2所示，焊縫偏差及熔透狀態一體神經網絡模型構建為三層，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、內熔池寬度N以及焊接電流I作為輸入層的4個神經元；隱含層包含30個神經元；以焊接狀態預測量，即焊縫偏差e以及熔透狀態p作為輸出層的2個神經元，並且焊縫偏差e以及熔透狀態p作為實際輸出信號。隱含層以tansig作為傳遞函數，如式(2)所示；輸出層以purelin為傳遞函數，如式(3)所示：

f(x)＝x (3)

對建立的焊縫偏差及熔透狀態一體神經網絡模型進行訓練，通過訓練和迭代計算，得出最優權係數，從而得出最優的焊縫偏差及熔透狀態一體神經網絡模型。

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個神經元，任一個神經元用i表示(i＝1,2,...，30)；輸出層為共有J個神經元，其中任意一個神經元用j表示(j＝1,2)。輸入層與隱含層的連接權值用Wmi表示，隱含層與輸出層的連接權值用Wij表示。

另外，設定神經元的輸入用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元，如表示隱含層的第i個神經元的輸入；設定f(x)為神經元的傳遞函數；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。

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，經過隱含層，在輸出層產生實際輸出信號，此過程中各層網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，神經網絡的權係數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個神經元的誤差信號為：

第j個神經元的實際輸出信號為：

y＝[y1,y2]T (9)

第j個神經元的期望輸出信號為：

定義神經元j的誤差能量函數為：

輸出層所有神經元的誤差總能量函數為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為網絡學習率，Δwij(n)為權值的更新量。將式(14)代入到式(13)，得出：

Δwij(n)＝-η×ej(n)×viH(n) (15)

則可得第n+1時刻的輸出層到隱含層的網絡權係數更新為：

wij(n+1)＝wij(n)+Δwij(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：

Δwmi(n)＝-η×f'(uiH(n))×ej(n)×f'(ujO(n))×wij×xm (23)

從而得第n+1時刻隱含層到輸入層的權係數更新為：

wmi(n+1)＝wmi(n)+Δwmi(n) (24)

各層網絡權係數的初始值取值為1，通過輸入訓練樣本數據，經過一系列的迭代運算，即如從式(4)至式(24)所示，得到最優的權係數，由此可以構建最優的焊縫偏差及熔透狀態一體神經網絡模型：

式(25)中，XT＝[C,W,N,I]為輸入向量(即熔池灰度重心C、熔池外熔寬W、熔池內熔寬N與焊接電流I)；uH為隱含層輸入量；wH為隱含層權係數；bH代表隱含層閾值；vH為隱含層的輸出向量；uo為輸出層輸入量；wo為輸出層權係數；bo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控，實現汽車焊接自動化。

本實施例中，對最優的焊縫偏差及熔透狀態一體神經網絡模型進行驗證。具體步驟為：

a：選取另外400對輸入向量，輸入到最優的焊縫偏差及熔透狀態一體神經網絡模型中，得出對應的焊縫偏差的預測值以及熔透狀態的預測值；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，並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，圓點基本分布於實線部分的兩側，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為採樣點個數，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後取百分比得出的值，步驟a以及步驟b得出的部分數據如下表所示：

c：對熔透狀態的預測值與熔透狀態的實際值進行圖點分布分析，並計算出準確率。

熔透狀態的驗證情況如圖4所示，圖中圓點代表熔透狀態的實際值，星號部分代表熔透狀態的預測值。由圖4可以看出，絕大部分數據中熔透狀態的實際值與熔透狀態的預測值是吻合的，少數數據預測不準確，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，本實施例中N＝400，n為預測正確的點個數，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域信息，通過測量和計算處理區域信息，得出灰度均勻度、電流情況和焊縫4周圍熱量狀態；

S1.3：若整個焊接件處於一種平衡的狀態，如圖8所示，具體為：熔池及電弧1的形態規則、灰度均勻、電流平穩以及焊縫4周圍熱量處於平衡態，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,這樣的焊接狀態能夠滿足工藝要求；

S1.4：若整個焊接件處於一種不平衡的狀態，如圖9所示，具體為：熔池及電弧1的形態不規則、灰度不均勻、電流不平穩以及焊縫4周圍熱量不平衡，則可以判斷為電弧1不對準焊縫4，此時會出現焊穿6的現象，需要及時對電弧1進行調整。

以上步驟能夠在焊接的過程中對電弧1是否對準焊縫4進行監測，保證電弧1能夠對準焊縫4，減少產生焊穿的情況發生。

綜上所述，本發明的目的在於提供一種用於汽車焊接的焊縫偏差及熔透狀態監測方法，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測的方法。通過視覺傳感器和電流傳感器採集到的信息，提取影響焊縫偏差以及熔透狀態的焊接過程特性參量，並提取整個焊接過程的焊接狀態測量量，構建出集焊接偏差及熔透狀態預測於一體的焊縫偏差及熔透狀態一體神經網絡模型，保證焊接過程中實現電弧對準焊縫，以及實現焊縫熔透的效果，對整個焊接過程進行預測和監控，實現汽車焊接過程自動化。

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