帶有神經網絡控制的焊接電源的製作方法

2023-05-24 04:36:16 1

專利名稱：帶有神經網絡控制的焊接電源的製作方法
技術領域：
本發明主要涉及一種方法和設備，用以使用神經網絡控制模 型或者神經處理器控制用於焊接過程的電源。
背景技，、…、、、、？ i… 、、，口。、 、 — 、5
的工作表面。通過受控地施加強熱及應用中間材料，電弧焊接系統尤其 可以被用於將分離的工作表面強固地熔合或者合併成一體以形成合成 的焊接接頭(weld joint)。當在電弧焊接過程期間被存在的高溫電弧快 速地熔融的中間材料最終冷卻和固化時，形成強固的冶金接合。理想地， 合成的焊接接頭具有與起初分離的工作表面大致相同的總體強度和其 它材料性質。在電弧焊接過程中，可以在工作表面和當悍槍沿著焊接接頭 移動時被以可控方式進給到焊槍的自耗電極(例如焊絲段)之間形成電 弧，其中經由電弧屏蔽氣體的電離柱(ionized column)發射電弧。電弧 自身提供用於熔化自耗電極或者焊絲所必要的強熱水平。電極因此在焊 槍的頂端和工作表面之間傳導電流，其中熔融焊絲材料當被供應到焊接 接頭時用作填料。焊接過程控制器通常含有通用焊接特徵(weld signature), 該通用焊接特徵具有用於電弧電流、電壓和/或其它參數的反饋環路，並 且提供用以改變波形的特定部分的有限能力。用於為特定焊接過程生成 定製焊接特徵的專用軟體可能尚未達到最佳，這是由於用以生成波形所 需要的高等級專門知識，以及與在給定焊接過程中執行這種定製軟體相 關聯的大量測試和工藝驗證。

發明內容
因此，提供一種用於控制焊接設備的方法，包括通過將神經 網絡暴露於不同的訓練焊接特徵而訓練神經網絡識別可接受的焊接特 徵，然後監視瞬時焊接特徵。該方法使用神經網絡識別由瞬時焊接特徵呈現的樣式(pattern),並且當神經網絡確定該樣式不是可接受的焊接 特徵時，選擇性地修改該瞬時焊接特徵。在本發明的 一 個方面中，該方法通過連續地測量焊接設備的 焊接電壓、焊接電流和焊絲進給速度(WFS)而監視瞬時焊接特徵。在本發明的另 一個方面中，該方法通過選擇性地修改用於控 制焊接電壓、焊接電流和/或焊絲進給速度的至少 一個波形而選擇性地修 改瞬時焊接特徵。
〖0008]在本發明的另 一個方面中，該方法確定瞬時焊接特徵是否充 分地不同於多個不同訓練焊接特徵中的每一個，且隨後當該瞬時焊接特 徵充分地不同於所述不同訓練焊接特徵中的每一個時，使用該瞬時焊接 特徵訓練神經網絡。在本發明的另 一個方面中，該方法確定瞬時焊接特徵是否充 分地不同於不同訓練焊接特徵中的每一個，並且當確定該瞬時焊接特徵 並非充分地不同於不同訓練焊接特徵中的每一個時，拋棄該瞬時焊接特 徵。在本發明的另一個方面中， 一種方法通過監視描述焊接過程 控制變量(包括焊接電壓、焊接電流和焊絲進給速度(WFS))的焊接 特徵而在焊接過程期間控制焊接特徵。該方法通過神經網絡處理焊接特 徵以確定該焊接特徵是否具有與至少 一個訓練焊接特徵一致的樣式，並 且當該樣式與該至少 一 個訓練焊接特徵不 一 致時，連續地和自動地修改 至少一個焊接過程控制變量。在本發明的另 一個方面中，該方法4巴焊接特徵與在訓練特徵 資料庫中存儲的不同訓練焊接特徵相比較，並且確定該焊接特徵是否充
分地不同於在資料庫中存儲的訓練焊接特徵中的每一個。然後當該焊接 特徵充分地不同於所述不同訓練焊接特徵中的每一個時，該方法在數據 庫中記錄該焊接特徵。在本發明的另 一個方面中，該方法在分類之後測試焊接接頭 從而確定含有多個不同焊接接頭性質中每一個的數值的焊接數椐集合， 並且隨後將焊接特徵與該焊接數據集合相關聯以使得資料庫有效。在本發明的另 一個方面中，提供一種設備用於控制焊接過程， 並且包括用於形成焊接接頭的焊槍、用於供應焊接電壓和焊接電流從而 選擇性地為焊槍供電的電源，和用於探測多個不同焊接工藝變量的數值括焊接電壓、焊接電流和相應於在形成焊 接接頭時自耗的焊絲段的速度的焊絲進給速度(WFS)。該設備還包括 具有神經網絡的控制器，該神經網絡用於接收焊接工藝變量的數值並且 識別焊接特徵中的樣式，該樣式相應於焊接接頭的預測質量。當該樣式 未被識別時，該控制器連續地和自動地修改焊接工藝變量的數值中的至
少一個，從而《務改焊接特4正。在本發明的另一個方面中，該控制器與含有多個不同訓練焊 接特徵的資料庫通信，每一個訓練焊接特徵均對應於具有預定的可接受 的焊接質量的焊接接頭。在本發明的另一個方面中，該神經網絡具有帶不同輸入節點 的輸入層，每一個輸入節點均對應於焊接工藝變量中的不同的一個。結合附圖，根據下文對實施本發明的最佳方式的詳細說明， 易於清楚本發明的以上特徵和優點以及其它特徵和優點。


圖1是根據本發明的焊接設備和能夠被操作用於控制焊接過 程的控制器的示意圖；圖2A是焊接電流控制波形的圖解表示；圖2B是與圖2A的焊接電流控制波形相關的、焊滴轉移過程 的示意圖；圖3是圖1所示控制器能夠使用的人工神經元模型或者神經 網絡的示意圖；圖4是圖1的控制器能夠使用的焊接特徵的圖解表示；並且
圖5是描述用於使用圖3的神經網絡控制焊接過程的方法的 圖解流程圖。
具體實施例方式參考附圖，其中貫穿這幾個圖，同樣的附圖標記對應於同樣 的或者類似的構件，並且從圖l開始，在這裡提供一種設備和方法，用 於在焊接過程期間控制焊接特徵。可以在各種不同的焊接過程中使用該 方法和設備，包括但是不限於單個工件操作、將兩個或者更多工件或者 表面聯結到一起和/或用於將單個工件的兩端聯結到一起。因此，焊接設
7備10包括自動化或者人工焊接裝置或者焊槍18，它被可操作地連接到 機器臂或者人工可再定位臂21、到集成控制單元或者控制器17,和連 接到能夠被操作用於產生或者提供焊接電壓V和焊接電流i的電源12。 可以被可替代地配置成單個傳感器和/或被一起地容納在公共傳感器外 罩(未示出)中的多個傳感器14、 15和16，適用於感測、測量、探測 和/或以其它方式確定一個或者多個動態變化的焊接工藝變量隨時間變 化的數值，這些變量一起地定義總體的或者組合的"焊接特徵"，將在 下文中詳細地描述這個術語。焊槍18被配置用以選擇性地完成焊接操作，例如但是不限於 金屬惰性氣體(MIG)或者鴒極惰性氣體(TIG)電弧焊接或者適用於 在工件24的一個或者多個焊點或者接頭處或者沿所述焊點或接頭形成 高溫電弧22的其它焊接操作。焊槍18可以例如通過選擇性樞轉和/或旋 轉而以可再定位和可再定向的方式安裝到機器臂(未示出)。焊接設備 10包括可以是自耗焊絲段的至少一個電極20A以及電極20B,該電極 20B被示為在其上定位有工件24的板，其中當焊槍18工作時，電極20A、 20B基本上彼此相對地定位。電弧22能夠熔化電極20A的一部分，例 如自耗焊絲段，並且以此方式形成焊接接頭。根據本發明，控制器17包括能夠使用訓練特徵資料庫卯而 被訓練的神經網絡50 (也見圖3)，該資料庫聚集足夠數目的經驗證有 效的，即，預定的"可接受的，，或者"良好的"焊接特徵，如在下文中 所描述的。控制器17還包括如將參考圖5描述的自適應焊接過程控制 方法100,該方法用於^f吏用神經網絡50以實時地控制和/或調整活動的 或者瞬時的焊接特徵，即，對應於活動的和正在進行的焊接過程的焊接 特徵。以此方式，控制器17允許連續監視和修改焊接特徵以便符合已 經學習到的"可接受的"焊接特徵輪廓而不需要大量編程或者算法修改。 神經網絡50允許產生多種焊接特徵，包括能夠自動地和連續地適應於 焊接條件變化的焊接特徵。而且，最大程度地減少了為每一個不同焊接 過程生成獨特焊接特徵通常所需要的大量測試和驗證，並且優化了焊接 質量。根據本發明，下面討論的圖5的方法100利用神經網絡50(也 見圖3)作為信息處理範例，神經網絡50能夠實時地審視全部的或者組 合的可探測或者可測量焊接工藝變量集合，這些變量在下文中被一起稱作焊接特徵，並且根據 一套預定的焊接質量標準而確定或者識別由焊接 特徵呈現的特定樣式是否是可接受的、良好的、或者合格的，或者不可 接受的、差的或者不合格的。如本領域普通技術人員可以理解地，例如 通過使得神經網絡50經受或者暴露於多個訓練焊接特徵的處理，每一 個訓練焊接特徵均對應於可接受的焊接特徵，從而在受控訓練過程期間
對神經網絡50進行初始訓練。如將在下面描述的那樣，通過在一段時 間內將神經網絡50暴露於另外的可接受的焊接特徵，神經網絡50還能 夠:波連續地訓練從而進一 步改進和完善神經網絡50的樣式識別準確度。如本領域普通技術人員可以理解地，神經網絡例如圖3的神 經網絡50可以被用於預測具體結果和/或識別由尚非最佳的、不精確的 和/或比較複雜的輸入數據集合呈現的樣式。例如，這種輸入數據集合的 複雜集合可以由較典型的焊接工藝變量構成，即如上所述的焊接電壓V、 焊接電流i和焊絲進給速度(WFS),和/或如將在下面參考圖4描述的 其它的這種動態地變化的輸入變量。同樣地，控制器17可以使用神經 網絡50從而比照已經學習到的"可接受的"波形來連續地監視焊接特 徵，並且通過使用這種信息而連續地和自動地調整給定焊接特徵的一個 或者多個參數以使得焊接過程恢復到處於控制之下，即，使得焊接特徵 符合與已經學習到的可接受的波形相一致的波形。如上所述，經由反覆暴露於不同的訓練集合，例如任何受監 督或者不受監督的輸入數據集合，神經網絡能夠可操作地用於調整或者 "學習"，並且可操作地用於向構成輸入數據集合的各條不同信息中的 每一條動態地分配適當的權重和/或相對重要性數值。通常並不例如利用 各種控制算法而對神經網絡預編程以執行特定任務，所述控制算法可以 利用用於每一個不同的參數或者數值的預設max/min (最大/最小)閾值 極限而不以任何方式預測或者分類全部的或者總體的受監視焊接特徵。 相反，神經網絡，例如圖和3的神經網絡50，利用關聯記憶來對神經 網絡所接受過的組合輸入集合的全體或者總體進行有效地歸納，例如圖 4所示的焊接系統輸入集合'T，。這樣，被適當地訓練的神經網絡可以 是能夠根據經驗而能夠準確地和一致地預測未來狀態，根據需要對複雜 數據集合進行分類，如由圖3中的箭頭0所表示地，和/或識別由複雜 數據集合的全體所呈現的總體樣式，否則這可能需要大量時間和/或專業 知識以進行適當地解釋。
9
參考圖2A和2B，上述這種複雜輸入數據集合中的一個變量 可以在這裡被體現為圖2A的示例性焊接電流波形30。圖2A中的波形 30描述了單一焊接過程控制變量或者焊接控制波形的一個循環，在這種 情況下，焊接電流i(見圖)，和圖2B的示意圖描述了圖2A的波形 30可以如何影響從焊槍18的噴嘴或者頂端18A (見圖1 )轉移有關焊 滴。可以使用圖的傳感器M測量波形30。在圖2A中，線32代表基線或者背景安培數水平或者圖1的 焊接電流i的振幅，即AMIN。如在圖2B中所示，從t,開始，當焊接電 流i被保持為AvHN時，焊滴D仍然在焊絲的端部或者電極20A處部分 地形成並且與電弧22相接觸。然而，當圖2A的波形30達到t2時，線 33快速地斜行到線34的水平，即峰值安培數或者AMAX。當電極20A 被配置成焊絲時安培數中的這個斜坡引起電弧22液化或者熔化電極 20A的一個部分，並且焊滴D開始從電極20A分離。Amax然後被保持 直至t4，並且焊滴D從電極20A完全地分離 曲線35或者脫尾(tailout) 緊隨其後，其中曲線35的輪廓在很大程度上確定或者影響焊滴D在朝 向工件24降落時的動態行為。如以上所討論的那樣，圖2A和2B僅代表焊接過程控制變量 或者參數的一個實例，即焊接電流i。其它可能的焊接過程控制變量或 者參數包括焊接電壓V、焊絲進給速度(WFS)、圖1和2B的工件24 的物理組分、電弧屏蔽氣體組分等。在圖2A的波形30中，操作員應該 至少對線33的攀升率(ramp-up rate)、曲線35的脫尾時間、峰值安培 數或者Amax、背景安培數或者Am!n、線34的峰值時間或者持續時間、 線32的背景時間或者持續時間，和波形30的頻率進行編程。另外的變 量每一個均要求類似數目的被編程的控制參數，從而迅速增加了基於參
數的悍接過程控制的潛在複雜度。由於影響每一個特定焊接過程的獨特物理和環境影響，即使 對於相同型號或者類型的焊接設備10 (見圖1),用於給定焊接過程的 特定控制波形也可以是唯一的。因此，可能用典型控制器提供的預編程 波形在很大程度上是通用的，或者在一些情形中可以提供有限能力以選 擇性地修改一定數目的參數的數值，例如焊接電流i的振幅(見圖1), 但是在其它情形使用這種通用波形可能並沒有對於每一個坪接設備10 優化這種波形。
因此，參考圖3，主要在上面所述的神經網絡50被控制器17 (見圖1)編程、存儲在控制器17中或者能夠以其它方式被控制器17 訪問，並且能夠被方法100所使用(見圖l和5)以準確地預測、分類 或者以其它方式識別焊接特徵中的樣式，例如在圖4中所例示的那樣。 神經網絡50包括至少一個輸入層40,輸入層40具有多個不同的輸入神 經元或者輸入節點41,其每一個均被配置為從神經網絡50以外接收數 據、測量值和/或其它預定信息。如在圖3中所示，在一個實施例中，這 種信息或者輸入集合I包括但是不限於焊接電壓V、焊接電流i和焊絲 進給速度或者WFS，其每一個也在圖1中示出。根椐需要，至少一個另 外的輸入節點41可以被配置為接收如由變量X所代表的、另外的輸入 數據、測量值或者其它過程信息條目。例如，輸入變量X可以對應於在 電弧焊接過程中使用的電弧屏蔽氣體的特定組分。神經網絡50進一步包括至少一個"隱藏"層42,該隱藏層 42含有多個被隱藏的神經元或者被隱藏的節點43,其每一個均接收並 且傳遞從輸入層40的輸入節點41輸出的信息，其中被隱藏的節點43 將經過處理的信息傳遞到一個或者多個另外的隱藏層(未示出)(如果 被使用的話)的其它神經元或者節點，或者直接地傳遞到輸出層44。輸 出層44同樣地含有將信息傳達或者傳輸到神經網絡50以外的至少一個 輸出神經元或者輸出節點45,例如到指示器裝置11 (見圖1)和/或到 訓練資料庫90 (見圖1 ),這由方法100確定，在下面參考圖5對此進 行描述。在圖3的代表性實施例中，隱藏層42和輸出層44的每一個 神經元或者節點43、 45分別地可以採用如所示的Tan-Sigmoidal傳遞函 數或者激活函數，但是根據需要可以可替代地採用線性激活函數和/或其 它類型的Sigmoidal或者其它激活函數，和/或不同數目的隱藏層42和/ 或節點43、 44,從而根據所需的特定輸出(箭頭O)而實現所期的預測 性準確度水平。在 一 個實施例中，使用已知的Levenberg-Marquardt反向 傳播算法來對神經網絡50進行初始訓練，但是訓練並不受此限制，而 是本發明能夠使用任何其它適當的訓練方法或者算法。參考圖4,代表性焊接特徵60包括多個不同的跡線62、 64 和66,並且根據由圖1和3的神經網絡50所利用的特定輸入集合I(見 圖3)可以包括另外的跡線。跡線62代表如由圖1的傳感器16確定的焊絲進給速度(WFS)。跡線64代表如由圖1的傳感器15確定的焊接 電流i。跡線66代表如由圖1的傳感器14確定的焊接電壓V。如在圖4 中所示，為了示意的目的，焊接特徵60被簡化，並且根據具體應用可 以包括在跡線62、 64和66和/或另外的跡線中的顯著更多的變化。根據 本發明，在控制焊接過程時由控制器17 (見圖1 )和神經網絡50 (見圖 1和3)所使用的是總體的或者組合的焊接特徵60，而不是構成焊接特 徵60的單條跡線62、 64、 66,現在將參考圖5進行描述。參考圖5，本發明的方法IOO開始於步驟102。步驟102至少 包括初步神經網絡訓練過程，本領域普通技術人員會理解這個術語，其 中圖3的神經網絡50 ^皮訓練以快速地和準確地識別出相應於預測合格 的、良好的或者在其它情形中可接受的焊接的瞬時焊接特徵中的樣式。 首先通過驗證所合成的焊接接頭而確定可接受的焊接，即滿足如上所述 關於質量、強度、均勻性和/或其它所需的性質或者質量的預定標準集合 的焊接接頭。可以通過使得圖3的神經網絡50暴露於或者領受例如在 圖4中表示的、 一定數目的充分不同的或者改變的可接受的焊接特徵而 執行步驟102。通常，被呈送給神經網絡的訓練數據集合的數目越多， 並且這些數據集合彼此間的差異性越高，則利用神經網絡的分類或者樣 式識別和/或預測數值越為準確。在以此方式適當地訓練神經網絡50之 後，方法100前進到步驟104。在步驟104，方法IOO啟動焊接過程，其中圖1的電源12提 供焊接電壓V、焊接電流i,並且最終確定焊絲進給速度(WFS)以形 成特定的焊接接頭。 一旦已經啟動焊接過程，方法100便前進到步驟 106。在步驟106,確定焊接特徵WS的輸入數據集合I (見圖3 ) 被導入圖3所示神經網絡50的輸入層40中。神經網絡50然後動態地 向構成輸入數據集合I的各種變量分配權重，並且參考可能被神經網絡 50使用的訓練資料庫90 (見圖1 )的任何相關數據矩陣和/或訓練集合， 從而監視在圖5中簡稱為WS的瞬時焊接特徵。方法IOO然後前進到步 驟108。在步驟108,神經網絡50識別瞬時焊接特;f正WS中的樣式， 練質量:如果神經網^ 50 (見圖1和3 )識別出在焊接特徵中的^T接受樣式，即相對於在訓練波形資料庫90 (見圖1)中包含的各種訓練波形
的"可接受"焊接特徵一致f則;法ioo前進到步驟5110「否則,';法
100前進到步驟112。在步驟110,已經在步驟108確定瞬時焊接特徵WS的樣式並 非充分地接近於已經學習到的"可接受的"焊接特徵，方法100自動地 啟動閉環控制或者錯誤反饋環以使得焊接特徵WS受控。即，圖1的控 制器17在必要時自動地和連續地修改描述一個或者多個焊接過程控制 變量或者圖3的輸入數據集合I的數值中的至少一個，從而影響或者調 整瞬時焊接特徵WS。閉環控制繼續或者錯誤調節環連續地重複，直至 神經網絡50再次識別出對應於可接受焊接特徵的瞬時焊接特徵WS的 樣式，如在步驟102所確定的那樣。 一旦瞬時焊接特徵WS的樣式被確 定為可接受，方法IOO便前進到步驟112。在步驟112,方法100結束焊接或者完成焊接接頭，並且對 於這個焊接接頭，方法100結束。根據需要，方法100可以可選地前進 到步驟114,和/或在預計的或者取樣的基礎上結束步驟114。在步驟114,方法100包括對一組焊接接頭(未示出)進行 測試，例如通過破碎或者切削焊接接頭以準確地確定焊接接頭的強度、
均勻性和/或其它物理性質。然後在控制器n(見圖i)中記錄測試數椐
集合，並且方法100前進到步驟116。在步驟116,方法100將來自步驟114的測試數據與在控制 器17中存儲的特定焊接特徵WS相關聯。即，每一個焊接過程均優選 地在控制器17中被跟蹤並且被記錄從而每一個焊接特徵可以被跟蹤到 或者關聯到特定的焊接接頭。如果對應於測試數據集合的焊接特徵表明 該焊接接頭是可接受的，並且如果焊接特徵充分地不同於在訓練資料庫 90 (見圖1)中的現有訓練波形集合，則方法100包括在訓練資料庫90 中記錄相關焊接特徵從而改進神經網絡50 (見圖3)的準確度。根據本發明，圖1的控制器17和訓練資料庫90被用於控制 用於特殊應用的特定焊接設備10 (見圖1 )。訓練資料庫90將隨著時 間變化以準確地反映對於這個特定焊接設備10的獨特的焊接過程條件。 這樣，針對每一個焊接設備10,可以優化特定焊接過程的質量。雖然已經詳細描述了用於執行本發明的最好方式，熟悉本發明所涉及領域的人員可以認識到在所附權利要求的範圍內實踐本發明 的各種可替代的設計和實施例。
權利要求
1一種用於控制焊接設備的方法，所述方法包括通過將神經網絡暴露於多個不同的訓練焊接特徵而訓練該神經網絡識別可接受的焊接特徵；監視瞬時焊接特徵；使用所述神經網絡用於識別由所述瞬時焊接特徵呈現的樣式；和當所述神經網絡確定所述樣式並不對應於所述可接受的焊接特徵時，選擇性地修改所述瞬時焊接特徵。
2.根據權利要求1的方法，其中，所述監視瞬時焊接特徵包括連續地測量焊接設備的焊接電壓、焊接電流和焊絲進給速度。
3.根據權利要求2的方法，其中，所述選^H"生地修改所述瞬時焊接
4. 根據權利要求2的方法，其中，所述選擇性地修改所述瞬時焊接特徵包括選擇性地修改用於控制所述焊接電流的至少一個波形。
5. 根據權利要求2的方法，其中，所述選擇性地修改所述瞬時焊接特徵包括選擇性地修改用於控制所述焊絲進給速度的至少一個波形。
6. 根據權利要求1的方法，還包括確定所迷瞬時焊接特徵是否充分地不同於所述多個不同訓練焊接特徵中的每一個；和當確定所述瞬時焊接特徵充分地不同於所述多個不同訓練焊接特徵中的每一個時，使用所述瞬時焊接特徵訓練所述神經網絡。
7. 根據權利要求1的方法，還包括確定所述瞬時焊接特徵是否充分地不同於所述多個不同訓練焊接特4正中的每一個；和當確定所述瞬時焊接特徵並非充分地不同於所述多個不同訓練焊接特徵中的每一個時，拋棄所述瞬時焊接特徵。
8. —種用於在焊接過程期間控制焊接特徵的方法，所述方法包括在焊接過程期間監視焊接特徵，所述焊接特徵描述多個焊接過程控制變量，包括焊接電壓、焊接電流和悍絲進給速度；通過神經網絡處理焊接特徵以確定所述焊接特徵是否具有與至少一個訓練焊接特徵一致的樣式；和當所述樣式與所迷至少一個訓練焊接特徵不一致時，連續地和自動地修改焊接特徵的所述焊接過程控制變量中的至少 一個。
9. 根據權利要求8的方法，還包括當所述樣式與所述至少一個訓練焊接特徵一致時，中斷所述連續地和自動地^修改。
10. 根據權利要求8的方法，還包括將焊接特徵與在訓練特徵資料庫中存儲的所述多個不同訓練焊接特徵進行比較；訓練焊接特徵中的每一、個；和" ^ '、時，在所述資料庫中記錄焊接特徵。
11. 根據權利要求10的方法，還包括在所述分類之後測試焊接接頭從而確定含有多個不同焊接接頭性質中的每一個的數值的焊接數據集合；和將焊接特徵與所述焊接數據集合相關聯從而使得所述資料庫有效。
12. —種用於控制焊接過程的設備，包括可操作地用於形成焊接接頭的悍槍；被配置成用於供應焊接電壓和坪接電流從而選擇性地為所述焊槍供電的電源；至少一個用於探測多個不同焊接工藝變量的數值的傳感器，所述變量包括所述焊接電壓、所述焊接電流和對應於在形成悍接接頭時自耗的焊絲段的速度的焊絲進給速度；和具有神經網絡的控制器，所述神經網絡適於接收所述多個焊接工藝變量的所述數值以及適於識別焊接特徵中的樣式，所述樣式對應於焊接接頭的預測質量；其中，當所述樣式沒有被識別出時，所述控制器能夠可操作地用於連續地和自動地修改所述多個焊接工藝變量的所述數值中的至少 一 個，從而修改焊接特徵。
13. 根據權利要求12的設備，控制器與含有多個不同訓練焊接特徵的資料庫通信，每一個訓練焊接特徵均對應於具有預定的可接受的焊接質量的焊接接頭。
14. 根據權利要求12的設備，其中所述神經網絡具有輸入層，所述輸入層具有多個輸入節點，每一個輸入節點均對應於所述多個不同焊接 工藝變量中的不同的一個。
全文摘要
本發明涉及帶有神經網絡控制的焊接電源。提供一種方法通過使用神經網絡以識別可接受的焊接特徵而控制焊接設備。該神經網絡識別由瞬時焊接特徵呈現的樣式，並且當該樣式不是可接受的時，修改該瞬時焊接特徵。該方法測量焊接電壓、電流和焊絲進給速度，並且當瞬時焊接特徵不同於不同訓練焊接特徵中的每一個時使用該瞬時焊接特徵訓練神經網絡。提供一種用於控制焊接過程的焊接設備，包括焊槍、用於供應焊接電壓和電流的電源，以及用於探測多個不同焊接工藝變量的數值的傳感器。該設備的控制器具有用於接收焊接工藝變量和用於識別焊接特徵中的樣式的神經網絡。當該樣式不被識別時，該控制器修改該焊接特徵。
文檔編號G01M99/00GK101502907SQ20091000705
公開日2009年8月12日 申請日期2009年2月9日 優先權日2008年2月8日
發明者J·漢普頓 申請人:通用汽車環球科技運作公司