智能控制在焊接技术中的应用.doc

1、智能控制在焊接技术中的应用计算机技术的成熟和普及使得焊接电源的控制变得容易和灵活，既能对外特性进行控制，还可兼顾动特性。焊接电源的功能和操作也变得简单、丰富，可以实现人机对话、参数自动优化、存储、故障分析及焊机状态的自动监控，从而实现整个系统的协调运作，最终实现无人监控的自动化运行。智能电源已成为未来电源的发展方向，同时焊接电源的群控技术也被提上日程。实现多台焊机的集中监控。使焊机能够更有效、安全地运行。焊接电源是个多输入、多输出、强耦合、非线性的时变系统，很难建立准确的数学模型或用确定的物理参数来加以描述。经典控制和自适应控制对不确定因素和高度非线性问题的适应能力差，建模时使用很多的假设条件

2、，模型的精度、准确度和适应性较差。智能控制系统主要利用人的经验、知识和推理技术以及控制系统的某些信息和性能得出相应的控制动作，不需要精确的数学模型，因而在不确定性、非线性过程的控制中具有更好的鲁棒性。目前，运用得较成熟的智能控制方法有专家系统控制、模糊控制和神经网络控制等3 种。1 专家系统专家系统是在人工智能研究过程中产生的一门新兴学科。目前,专家系统和自然语言理解、 机器人学一起,并列为人工智能研究中最活跃的三大领域。专家系统是一种能够在专家水平上工作的计算机程序,专家系统所具有的专业知识和经验以及解决专门问题的能力能够达到甚至超过人类专家水平。因此这种系统能够在特定的领域和范围内,为解决

3、复杂问题进行“知识”服务,即利用领域专家的专门知识和推理能力,解决在通常情况下难以处理的问题。专家系统的研究工作开始于 1965 年,在焊接领域开展专家系统工作是从 1985 年才开始的。目前,许多国家在焊接领域的不同方面开展着计算机专家系统的研究工作,这已成为焊接工作者的研究热点之一。IIW 的统计资料表明:开展这方面研究工作的国家有英国、美国、日本、德国、法国、丹麦、瑞典等国家。其中英国、美国、德国、日本是比较早在焊接领域开展专家系统研究工作的国家。1.1 专家系统在焊接技术中的发展现状在英国焊接研究所( TWI) ,以弧焊部主任 Lucas 博士为首的研究小组 ,进行着专家系统的研究工作

4、 ,并同一些公司合作开发了一些系统( GasSelector、Weldcrack 等) 1。美国焊接研究所开发的 WeldSelector 专家系统能够为用户选择 SMAW,GMAW,FCAW 等焊接方法的焊条或焊丝 2。英国培尔法斯特皇家学院机械工程系 Taylor 博士研制了一个船舶用钢埋弧焊工艺制定专家系统 3。 该系统是用专家系统外壳-Savoir 构造的 ,适合于板厚为555mm 的对接和角接接头。系统可以制定出能够避免 HAZ 氢致裂纹、结晶裂纹及断裂韧性降低等缺陷的工艺规程。由英国焊接协会研制开发的 Weldcrack Expert 可以诊断焊接结构中的裂纹种类。系统首先询问用户

5、裂纹的位置和其主要特征 ,然后来判断是哪一种裂纹:凝固裂纹、再热裂纹、氢致裂纹、液化裂纹或层状撕裂 4,5。由 Stone & Webster 工程公司开发的 Weld Defect Diagnosis Expert System6。该系统可以帮助检验产生焊接缺陷的原因。假设焊工合格,用户先回答关于焊接过程中的焊接材料、焊接技术等问题,然后系统可推理出发生这些缺陷的可能原因。Costa S C 和Norrish J 开发了一个可以预测焊接缺陷的专家系统 7。该系统利用知识库对焊接工艺进行分析,预测产生焊接缺陷的可能性，该系统对减少氢引起的冷裂纹很方便,以后的工作是扩充知识库,增加可以预测的焊接

6、裂纹的种类。1.2 发展趋势专家系统的发展主要取决于两个方面:一是获取知识自动化；二是智能机的出现。专家知识的获取往往是枯燥而费时的过程,但至目前为止,知识获取自动化即机器学习的研究很大程度上还处于试验阶段,仅有少数一些专家系统能够实现部分知识的自动获取。有人断言,机器学习可能是解决专家系统中知识获取这个瓶颈问题的关键。建立各种实用学习系统或知识获取辅助工具,进而改善系统性能的知识获取子系统,这也是焊接专家系统工作者的研究方向。现在日本、美国等国家正致力于所谓第五代计算机的研究工作,这种智能机将会直接获取和处理自然信息,具有联想记忆、自动编程的功能。如果成功的话,将对焊接专家系统的发展起着革命

7、化的作用,那样焊接专家系统的建立就便得十分简单。然而现在的科研工作仅处于初级阶段,人们期盼着象人脑一样能够思考的新一代计算机的出现。有人预测明天专家系统的基础就是第五代计算机。2 模糊控制模糊控制是智能控制较早且应用比较成熟的分支1965 年美国自动控制专家 LAZa deh 发表了Fuzzy set之后，1966 年，ENMafions 发表了模糊逻辑的研究报告，严格意义上的模糊逻辑真正诞生了。1974 伦敦 Queen Mary 学院的 EHMamdanis 首次用模糊逻辑和模糊推理实现第一个实验性的蒸汽机控制，并取得了比传统的 DDC 控制更好的效果。它的成功标志着模糊逻辑用于工业控制的

8、开始。模糊控制的最大特征是将专家的控制经验、知识表示成语言控制规则，然后利用这些规则去控制系统。经过二十多年的发展，模糊控制已从简单模糊控制阶段发展到现在的自我完善模糊控制阶段。2.1 模糊控制在焊接技术发展中的现状在国外，D Lakov 研究了白适应弧焊机器人的模糊控制，实现焊缝的自动跟踪，日本学者将模糊逻辑用于电弧传感器的跟踪控制中，实现了控制焊缝的跟踪。SMurakami 等人研究弧焊焊缝自动跟踪系统的模糊控制 8，采用模糊滤波器和模糊控制器来设计焊缝跟踪系统。该系统可以根据焊枪的振幅位置及焊丝与工件之间的距离关系判别焊枪的二维位移， 由此确定焊枪的调整方向以及调整量。JWKim 等人在

9、 CO2气体保护焊的焊缝跟踪中 8，采用了简单的模糊控制和自组织模糊控制方法，通过试验证明了在焊枪的初始运动方向与焊缝的偏差角度为 1Oo时， 系统仍能保证很好的跟踪精度。ShimaKenji 等将模糊逻辑用于脉冲 MIG 焊接的熔宽控制， 建立一套弧焊机器人的模糊专家系统。LangariG 等采用自适应算法 ，建立了弧焊过程的自组织模糊控制系统。 GStartke 在 PC 微机平台上，采用模糊逻辑对弧焊机器人的焊接工艺参数进行优化研究。日本巳在 GMAW 设备中用微机对焊丝干伸长度产生的干扰进行模糊控制。T.Mita 等采用模糊逻辑来自动设置 CO2 焊机的电压。Panasonic 公司的

10、第二代机器人用智能型 IGBT 弧焊逆变器 AAII 一 350500，采用16 位的单片机，利用模糊逻辑，建立焊缝宽度或熔深与合适的送丝速度和输出电压之间的关系，从而稳定焊接质量其中 350A 实现恒定焊缝宽度控制，500A 实现恒定熔深控制。AAII 能自动识别焊接电流改变时。焊丝伸长的变化量，并通过工艺实验，对 CO2 焊短路过渡过程优化组合出 400 万种电流波形，作为模糊知识库保证输出最佳焊接规范，实现高速、高质量的焊接。在国内，西北工业大学采用 MB89850 单片机，取焊接电流偏差值和焊接电流变化率为输人语言变量，焊接电流校正量为输出语言变量，实现了逆变 TIG 焊接电源的模糊控

11、制。天津大学采用 8098 单片机用自适应模糊控制方法对脉冲 MIG、MAG 焊接的熔滴过渡进行实时控制，实现了 IGBT 弧焊逆变器的全数字控制和自适应模糊逻辑控制。华中科技大学采用 8 03I 单片机，取弧长为控制目标，电弧电压的偏差和偏差变化率为控制量,实现焊接电弧的模糊控制。清华大学的陈强教授系统地研究弧焊过程的模糊控制。华南理工大学将参数自调整模糊控制与 PID 控制结合，成功地用于埋弧焊和 GTAW 焊的熔宽控制。甘肃工业大学采用模糊逻辑设计埋弧焊的送丝系统，在焊接电流 300A-1000A 内，焊接过程稳定，控制系统的鲁棒性强。2.2 发展趋势目前，模糊神经网络技术在焊接过程控制

12、、焊接接头性能预测及缺陷检测方面的研究、应用工作已有长足的发展,并取得了可喜的成绩。但是，由于模糊神经网络理论、模型算法研究进展缓慢,以及国内焊接整体水平相对落后，模糊神经网络在焊接中的应用水平还有待于进一步的深入和提高。作为未来发展的主要趋势如下：（1）目前应用于焊接领域的模糊神经网络，其神经网络模型主要为 BP 模型，有必要研究模糊推理技术与其他的神经网络模型及网络训练算法相结合在焊接中的应用，建立新的更为合理的模型；（2）进一步扩大模糊神经网络在焊接中应用的范围，如将模糊神经网络应用于焊接接头缺陷预测等方面；（3）将模糊神经网络技术与计算机软件技术相结合，推出商业化的模糊神经网络在焊接过

13、程控制、焊接接头性能预测等方面应用的软件，加快国内焊接智能化技术的发展。3 神经网络控制神经网络控制是研究和利用人脑的某些结构和机理以及人的经验和知识对系统的控制。它具有很强的非线性映射功能；容错能力强，而且信息并行处理，控制速度快；有很强的自学习能力，甚至在数据不完备的情况下，仍能学习到模式的变化，这在经验、数据不完备的情况下，尤有意义，可建立控制“黑箱” 。神经网络技术在焊接过程中的应用，大多是将网络用于焊接过程的建模及控制，通过建立焊接电流、焊接速度、母材厚度与熔宽及熔深之间的关系，应用神经网络控制器对焊接规范进行动态控制。目前国内外专家研究的应用在焊接中的神经网络有 ART 网络、多层

14、感知网和误差反向传播网络模型(即 BP 网)。其中 BP 网最常见，且是应用最成功的。3.1 神经网络在焊接技术中的发展现状在焊接过程中，用比较成功的焊接实验数据作训练样本对 BP 网络进行训练。建立一个优化焊接参数的神经网络，其焊接参数可进行在线调节、自动优化，从而保证得到高质量的可靠焊缝。P Li，Msc 等人借助多层 BP 网络建立起不填充焊丝的 TIG 焊焊缝质量分类器，简称 TQN 网络 10。此网络分类器将直接对焊缝的溶深和轮廓形状进行分类。对于已经给定的焊接参数，它可以比较准确的预测所得到的焊缝质量。9O 年代初英国学者 Javed，M.A等人用经验数据对多层自组织特征映射网络进

15、行无教师指导训练，建立镀锌钢点焊质量预测模型，以此作为无损检测的手段，用于点焊机器人质量监测中 11；Osman,KA等人则利用多层感知网络建成铝台金胶接点焊工艺顺序(涂胶次数、先胶后点、先点后胶、焊接参数变化、涂胶放置时间)与焊点强度和尺寸间的关系模型，用于焊点质量分类和判别，并与多元线性回归的分析结果进行比较，获得满意的结果 12；日本学者 Tonika，Nobora 等人用工艺参数与薄壁点焊箱型粱的刚性间的有限元计算的模型数据，作为训练多级 BP 网络的样本，对网络进行离线训练，构造出电薄壁点焊箱型架的刚性预测模型 13。把模糊控制与人工神经网络建模相结合， 可提高控制系统的智能和建模的

16、准确性 。 美国学者 Mer-ster，Robert WJr 等人把神经网络建模与模糊控制相结合，研究出用于自动电阻点焊的闭环控制系统。神经网络离线训练成电极位移量与最大加热百分数和焊接时间的函数模型；训练好后接入控制系统，与模糊控制器一起构成闭环质量控制系统 14 。Sheng Chaichi 和 Li Changhsu 将基于模糊逻辑的 RBF 神经网络用于等离子弧焊接过程质量参数的预测，实验结果良好 15。文献16将 RBF 神经网络用于焊接过程，得到了一种非破坏性的摩擦焊接接头质量预测方法，实验结果较为理想。此外，其它算法的前向网络(如基于优化理论的 LM(Levenberg Marq

17、uardt)算法)在焊接中也有应用。KimIllsoo 和 Son Joonsik 以保护气种类、焊接速度、焊接电流、电弧电压为输入，以熔宽为输出，建立了熔化极气体保护焊过程的前向神经网络，并对比分析了B P 算法和 LM 算法，认为 LM 算法有较好的学习能力，且速度较快，误差较低，适于 GMAW焊接过程 17。Cho Yongjoon 和 Rhee Sehun 建立了点焊过程中的动态电阻 Hopfield 反馈网络模型， 用以预测点焊接头质量， 实验结果良好 18。Kohonen 网络是自组织特征映射神经网络，可用于解决分类问题和找出数据中的结构。它由输入层和竞争层组成，形成一个完全相互联

18、接的神经元组成的二维平面阵列。Kohonen网络根据其学习规则，对输入模式进行自动分类，即在无教师示教的情况下，对输入模式的反复学习，通过权向量的自适应变化更新选择最佳匹配神经元，实现自组织的目标。Daniel Vincent 和 John McCardle 建立了 1212 型 Kohonen 网络，用于 MIG 焊接过程三种熔滴过渡模型(喷射、球状、短路)的识别，实验结果精度分别为 100，991和989 19。Stroud R 和 Swallow S 将 Kohonen 网络用于埋弧焊接过程的超声检测及控制 20。3.2 发展趋势及展望尽管关于人工神经网络本身的研究还存在一些问题和困难，

19、但在焊接领域，神经网络的应用已经取得了令人鼓舞的进展。其未来的发展主要有以下几个重要趋势。 (1)神经网络将与各相关学科的人工智能技术有机结合应用于焊接领域。人工神经网络技术与模糊逻辑、遗传算法及专家系统相结合已取得明显的成果。在焊接领域，神经网络技术将会与更多相关的智能技术相结合，不断提高焊接智能化水平。(2)将各类神经网络模型相结合应用于焊接领域。为了适应焊接过程的复杂性，克服单一网络模型的缺陷，将各种综合型神经网络应用于焊接领域成为必然，焊接自动化整体水平及控制效果将会不断提高。(3)神经网络的硬件实现将进一步发展。目前，Intel、Motorola、Cypress、松下、日立、富士通等

20、公司均已推出自己的模拟或数字神经网络芯片，且在网络规模和运行速度上都已接近实用化的程度，这使得人工神经网络在焊接中应用的集成化进一步提高。(4)未来将出现人工神经网络综合系统。新型的人工神经网络将支持网络通信及多媒体技术， 综合图像处理、语音识别、人工智能的综合性智能焊接机器人控制系统将会出现，真正实现焊接智能控制。 展望未来，人工神经网络在焊接领域中的应用一定会取得蓬勃的进展，焊接自动化水平将会不断提高，其前景是乐观的。随着神经网络的应用，真正的焊接智能化一定会早日实现。 4 结论与展望专家系统、模糊控制和神经网络各有其优缺点。专家系统善于逻辑性推理，但学习比较慢，难以满足快速时变系统的控制

21、要求；模糊控制长于模糊信息处理和决策，但对复杂对象的控制精度不够；神经网络分布式存蓄信息，具有很好的自组织、自学习能力，但还需提高学习速度，避免局部最优而取得全局最优。随着智能控制研究的不断深入，神经网络、专家系统、模糊控制已经开始相互渗透和结合，智能控制技术在焊接中的应用越来越广泛。如神经网络与模糊控制的结合，专家系统和神经网络的结台，以及模糊专家控制系统的应用等等 普遍认为，将专家系统作为自适应单元，将模糊计算作为决策单元而把神经网络作为补偿单元是目前智能控制发展最有潜力的方法。三者的结合使得控制系统具有更强的自适应、自学习、自组织和更好的控品质。目前，在弧焊过程控制中，专家系统主要用于熔

22、深和熔宽控制、 电弧稳定性控制、焊缝跟踪和规范参数的专家知识优化等方面；模糊及其复台控制多用于电 弧稳定性控制：模糊控制和神经阿络结合多用于熔宽、熔深和焊缝跟踪上，神经网络利用其“学习”功能主要应用熔深和熔宽的检测，再与模糊控制器结合完成焊接质量和焊缝的跟踪。随着科学技术的不断发展，特别是计算机技术、自动控制理论、微电子技术和电力电子技术的发展。焊接技术不断吸收相关学科的先进成果，自动化、智能化的程度不断提高，尤其是以专家系统、神经网络、模糊控制为代表的智能控制理论在焊接过程酶应用，为焊接过程的智能化和获得高的焊接质量奠定了基础。参考文献1 Lucas W. Welding Engineeri

23、ng Expert System and Multimedia Computer Programs。 Welding & Metal Fabrication , 1995 (4) :1411482 Jone J . Expert System Matches Welding Electrodes to the Job。Welding Journal ,1987 (4) :52533 Taylor W A. Expert System to Generate Arc Welding Procedures. Metal Construction , 1986(7) :4264314 Lucas W

24、, Brightmore A D. Expert System for Welding Engineers. Metal Construction. 1987(5) :2542605 Lucas W. Microcomputers、Packages and Expert Systems for the Welding Engineer Welding & Metal Fabrication. 1990 (5) :2062126 Barborak D M. PCBased Expert System and Their Application to Welding. Welding Journa

25、l ,1991(1) :29387 Costa S C. Computer Prediction of Welding Defects at the Procedure stage. Welding Metal Fabrication ,1991(5) :1861908 Murakami S.Weldline tracking control of arc welding robot using fuzzy logic contr ollerJFuzzy Sets and Systems， 1989，32(2)：31369 Kim J W，Na S JA serf-organizing f-n

26、umber fuzzy control approach to arc sensor for weld joint tracking in gas metal.arc welding of butt jointsJWelding Research Supplement，1 993，(2) ：606610 P Li,Msc.et. A neural controller for TIG welding parameter generation,computer technology in welding.5th International Conference.Paris France.1994

27、11 Javed, M .Aand Sanders, S.A.C Neural networks baesd learning and adaptive control for manufacturing systems.Proc 91 IEEE RSJ Int Workshop Intell Robots Syst IROS9112 Osman,KAet al.Monitoring of resistance spot-welding using multi-layer perceptrons.Artificial Neural networks in Engineering-Proceed

28、ing(ANNIE94) 4.1994. P1109-111413 Tornioks，Noboru and Niisawa，Junetsu.Joint stiffness identification of body structureusing neural networks(for Tshape joint box beans)Nippon Kikai Gakkai RonbunshuA HenTransactions of the Japan Society of Mchanical Engineers, Part A V62 n 599 Jan 199614 Messler,Rober

29、t W.Jr and JouMinet. Intelligent control system for resistance spot welding using a neural networks and fuzzy logic.Conference Record-IAS Annual Meeting V2 199515 Sheng Chaichi, Li ChanghsuA fuzzy radial basis function neural network for predicting multipleIFSA World Congress and 20th NAFIPS Interna

30、tional Conference,2001：2812 28l 816 Zhu LingyumCao ChangxiuA novel approach based on support Vector machine to forecasting the quality of friction weldingProceeding of the 4th World Congress on Intelligent Control and Automation，2002，6：33534017 Illsoo Kim，Joonsik SonOptimal design of neural networks

31、 for control in robotic arc welding Robotics and Computer-Integrated Manufacturing，2004，20：576318 Cho Yongjoon，Rhee SehunQuality estimation of resistance spot welding by using pattern recognition with neural networkstransaction on instrumentation and measurement，2004， 53(2)：330-33519 Vincent DanielMcCardle JohnClassification of metal transfer mode using neural networksNeural NetworksIEEE International Conference1995：52252620 Stroud R R,Swallow SControlling 1000 AMPS using neural networksInternational Joint Conference on Neural Networks， 1993:l857l86l