用电弧声信号监测GMAW焊丝干伸长的SVM模型

为了探索电弧声在焊接质量监控中的应用途径,在对短路过渡GMAW电弧声信号频谱分析的基础上提出电弧声道概念,认为声道是受焊接参数、电弧形态等众多因素影响的分布参数系统.电弧声的LPC(线性预测)模型是声道传输特性的一个参数化估计.电弧声频谱与焊丝干伸长密切相关,但呈现出高度复杂性和非线性.利用电弧声LPC预测系数和反射系数构造输入向量,建立了支持向量机(SVM)的焊丝干伸长分类模型.训练和测试结果表明,采用不同形式核函数的SVM(支持向量机)分类器均能实现干伸长的正确分类,其性能明显优于相同条件下的RBF(径向基函数)神经网络分类模型,小样本情况下仍具有较好的推广能力.其中,用反射系数作为输入向量训练三次多项式核函数的SVM分类器性能最优,测试正确率在98%以上.据此认为,利用LPC分析提取电弧声的特征向量,建立SVM模型是一种焊接动态参数监控的可行方法.     

基于线性预测分析MIG焊电弧声信号特征提取

以不同焊接状态电弧声信号识别为目的,从MIG焊平板对接射流过渡电弧声信号入手,探寻了电弧声的产生机理和传播特性.提出电弧声是气体放电的伴生物,是等离子体集体振荡以波形方式传播的结果,也是声源和声道共同作用的产物,其频谱特性主要取决于声道的频率响应.在此基础上,建立了电弧声线性产生模型,采用Levin-son-Durbin递推算法提取了电弧声信号的线性预测系数(LPC)、反射系数和对数面积比系数,并构建了电弧声信号的联合特征向量.     

基于电弧声的超窄间隙焊接熔合状态识别

超窄间隙焊接坡口深而窄,极易产生电弧攀升风险,导致底部侧壁出现熔合不良现象.针对焊剂片约束电弧超窄间隙焊接熔合状态难以在线监测的问题,提出一种基于电弧声的底部侧壁熔合状态识别方法.建立超窄间隙焊接过程电弧声信号采集系统,在分析电弧声产生机理和人耳辨识行为的基础上,提取有效表征焊接过程的短时能量、平均振幅、Moore响度、梅尔倒谱系数及其一阶、二阶差分等特征参量,基于粒子群优化最小二乘支持向量机的方法(PSO-LSSVM)建立超窄间隙焊接底部侧壁熔合状态识别模型.研究结果表明,此方法可以实现未熔合、临界熔合及熔合良好三类状态的识别,准确率可达91.7％,为超窄间隙焊接熔合状态的在线监测提供了一种新的途径.     

基于支持向量机的焊缝尺寸预测

焊缝尺寸是决定焊接接头强度及有关性能的重要因素,因此也是焊接质量控制的重要内容.分别以焊接电流、电弧电压以及焊接速度作为输入向量构造样本集,建立CO2焊接焊缝尺寸支持向量机模型,分别运用线性核函数,多项式核函数、高斯径向基核函数以及指数径向基核函数对焊缝熔宽、焊缝熔深以及焊缝余高进行预测.结果表明,采用指数径向基核函数所建立的支持向量机模型可以有效地对焊缝尺寸进行预测,为进一步实现焊缝质量的在线控制提供依据.     

电弧声与铝合金脉冲MIG焊熔滴过渡的相关性

对铝合金脉冲MIG焊过程中电弧声信号与熔滴过渡之间的相关性进行了研究.建立了焊接电弧声信号的计算机采集系统,在此基础上分别利用小波去噪、功率谱密度分析和ARMA(auto regressive and moving average,自相关滑动平均模型)双谱估计等信号处理方法对不同熔滴过渡方式下的电弧声信号进行了分析.三种方法的分析结果均表明熔滴过渡为短路过渡、大滴过渡、射滴过渡、和射流过渡时焊接电弧声具有不同的特征,证明利用电弧声能够对铝合金脉冲MIG焊过程中出现的不同熔滴过渡进行有效地区分.为铝合金脉冲MIG焊熔滴过渡稳定性实时控制和检测提供了一种有效的手段.     

基于电弧声波特征的CO2焊接飞溅预测

在对短路过渡CO2 焊电弧声波信号的时频特征及其与过渡过程、焊接飞溅的相关性分析的基础上 ,利用小波变换的分析方法提取不同频段上的声波能量作为表征飞溅大小的特征向量 ,通过神经网络模型建立特征向量到飞溅量的映射模型 ,从而对CO2 焊接飞溅量的预测。结果表明 ,利用电弧声波信号能够正确地预测焊接飞溅 ,是实现焊接质量在线监控的新途径     

铝合金P-MIG焊稳定性近似熵神经网络预测

通过对不同焊接过程的电压信号进行近似熵计算与分析,得到了能够反映焊接过程稳定性的不同工艺参数与近似熵值的匹配模型和样本数据.在此基础上提出了运用广义回归神经网络(GRNN)对电弧电压信号近似熵进行预测的方法进而对铝合金脉冲MIG焊过程稳定性进行了识别.介绍了铝合金脉冲MIG焊过程稳定性近似熵广义回归神经网络预测模型的结构和算法,并对样本数据进行了预测试验.结果表明,该神经网络电弧电压近似熵预测的平均误差为9.08%,准确率为90.92%,满足用来评价铝合金脉冲MIG焊接过程稳定性的精度要求.     

基于声发射多特征融合的搅拌摩擦焊缺陷监测

搅拌摩擦焊(friction stir welding, FSW)是一个多物理场耦合过程,焊接过程中声发射信号与焊接缺陷具有关联性. 基于声发射检测与多特征融合研究FSW缺陷监测方法,实时检测固态介质中的声发射信号,利用短时傅里叶变换、小波变换、梅尔频谱对声发射信号进行分析,确定焊接缺陷与声发射信号之间的相关性,最后通过concat融合方法构建多特征向量. 结果表明,FSW在预制缺陷处具有不同的声发射信号特征. 短时傅里叶、小波变换的主要频段集中在20 kHz,出现缺陷时功率分别达到?40,0.8 dB以上,梅尔频谱的主要频段集中在3.5 kHz出现缺陷时功率达到?40 dB以上. 应用多层神经网络分别建立基于单特征、多特征向量的焊接缺陷识别模型,多特征向量的焊接缺陷识别模型在数据集中的平均识别率达到97%,比基于单一特征缺陷识别模型提高18%. 研究的多特征缺陷识别模型能更准确地对焊接状态进行识别与监测.     

水下湿法焊条电弧焊接过程稳定性评价

焊接电参数(电弧电压、焊接电流)包含着丰富的焊接过程信息.针对水下湿法焊条电弧焊工艺,在不同焊接工艺条件(不同水深、不同焊条)时在线采集焊接电弧电压瞬时值,然后对其进行统计处理.利用电弧电压标准差σU以及电弧电压瞬时值与电弧电压平均值差值H的频率对比和焊接过程稳定性指数W相结合的方式,对水下湿法焊条电弧焊接过程的稳定性进行直观分析和定量评价.结果表明,利用W可以很好地识别不同焊接过程的稳定性,为水下焊接工艺稳定控制提供了新的方法,具有重要的理论意义.     

水下湿法药芯焊丝焊接气泡动态演变与其声脉冲分析

水下湿法药芯焊丝焊接(FCAW)以操作适用性好等优点在海洋设施维修中占有重要地位,焊接区域周围动态变化的气泡生长会影响焊接电弧的稳定性. 文中通过搭建水下湿法焊接试验平台,进行了湿法药芯焊丝焊接试验,利用传感器对焊接过程中的电弧电流电压信号,气泡声信号以及气泡高速图像进行了同步采集;研究了气泡声信号与气泡高速图像的对照关系,并对气泡声信号与电弧电流电压信号进行同步分析,获得了不同电弧燃烧状态下的气泡演变行为,以气泡声信号的变化来反映气泡演变对水下湿法焊接电弧燃烧的稳定状态的影响. 结果表明,气泡声信号可以清晰地反映焊接电弧燃烧的各种状态,能对不同气泡演变模式进行分类,并可从中分析其与电弧燃烧特性的对应关系.     

Characteristics analyzing and parametric modeling of the arc sound in CO2 GMAW for on-line quality monitoring

For on-line monitoring of welding quality, the characteristics of the arc sound signals in short circuit CO2 GMAW were analyzed in the time and frequency domains. The arc sound presents a series of ringing-like oscillations that occur at the end of short circuit i. e. the moment of arc re-ignition, and distributes mainly in the frequency band below 10 kHz. A concept of the arc tone channel and its equivalent electrical model were suggested, which is considered a time-dependent distributed parametric system of which the transmission properties depend upon the geometric and physical characteristics of the arc and surroundings, and is excited by the sound source results from the change of arc energy so that results in arc sound. The linear prediction coding （ LPC ） model is an estimation of the tone channel. The radial basis function （ RBF ） neural networks were built for on-line pattern recognition of the gas-lack in welding, in which the input vectors were formed with the LPC coefficients. The test results proved that the LPC model of arc sound and the RBF networks are feasible in on-line quality monitoring.     

基于信号分形与支持向量机的点焊检测方法

鉴于分形维数对数据样本集复杂程度的定量描述特点及支持向量机在小样本集合分类和回归方面所具有的显著优势，采用信号数据序列的分形维数作为特征值，提出一种基于信号分形维数及支持向量机的点焊信号检测方法。分别对点焊飞溅缺陷和熔核尺寸缺陷建立两类支持向量机检测模型，构成支持向量机阵列，利用该阵列模型进行点焊飞溅和小尺寸熔核两种缺陷的综合检测。结果表明，该阵列对点焊缺陷的无损检测是比较精确的，能较好地无损检测到点焊过程中飞溅及小尺寸熔核两种缺陷。为点焊的无损检测提供了一种新的方法。     

基于MFCC特征和GWO-SVM的托辊故障诊断

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数（MFCC)作为特征,利用灰狼优化算法（GWO）优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95%以上。与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快。     

高维小样本数据环境下基于SOA-SVM的机械故障分类研究

针对现有SVM分类算法在高维小样本故障特征分类、适应度函数选择及核心参数优化方面存在的不足，提出一种基于SOA-SVM的机械故障分类算法。利用小波阈值函数对原始故障信号做降噪预处理，基于SOA算法模拟人群的几种随机行为，选择故障数据点最优的移动方向和移动步长，最后寻找到距离SVM分类器超平面几何距离最佳的位置，提升经典SVM分类器的故障数据分类性能。仿真结果表明：提出的故障分类算法具有更强的参数优化性能，在对多个高维小样本数据集的分类中可以获得更高的分类精度。     

Artificial immune system based on adaptive clonal selection for feature selection and parameters optimisation of support vector machines

Artificial immune system (AIS) algorithm based on clonal selection method can be defined as a soft computing method inspired by theoretical immune system in order to solve science and engineering problems. Support vector machine (SVM) is a popular pattern classification method with many diverse applications. Kernel parameter setting in the SVM training procedure along with the feature selection significantly impacts on the classification accuracy rate. In this study, AIS based on Adaptive Clonal Selection (AISACS) algorithm has been used to optimise the SVM parameters and feature subset selection without degrading the SVM classification accuracy. Several public datasets of University of California Irvine machine learning (UCI) repository are employed to calculate the classification accuracy rate in order to evaluate the AISACS approach then it was compared with grid search algorithm and Genetic Algorithm (GA) approach. The experimental results show that the feature reduction rate and running time of the AISACS approach are better than the GA approach.     

电压近似熵-SVM铝合金双丝PMIG焊过程稳定性评价

提出了弧压信号近似熵-支持向量机（support vector machine，SVM）算法来评价铝合金双丝脉冲熔化极惰性气体保护（pulse metal insert gas，PMIG）焊焊接过程稳定性，并经试验验证该方法具有可行性和一定的可靠性.铝合金双丝PMIG焊电流、电压信号近似熵值越大对应焊接过程越不稳定，且相比于电流近似熵值，电压近似熵值能更加明确的表现焊接过程稳定性的差异，所以选取电压近似熵值进行SVM分类.结果表明，文中数据情况下，训练数据集在20%以上时分类准确率均在90%以上，且训练数据越充足分类结果越准确.     

Imbalanced data classification via support vector machines and genetic algorithms

Many real data sets are imbalanced and contain a large number of a certain type of patterns, but a very small number of another type of patterns. Normal classification methods, such as support vector machine (SVM), do not work well for these imbalanced data sets (IDS). It is difficult for SVMs to get the optimal separation hyperplane when they are trained with imbalanced data. In this paper, we propose a genetic algorithm (GA)-based classification method. A draft hyperplane and support vectors are first generated by SVMs. Then, GA is applied to compensate the imbalanced data. Finally, SVM is used again to find the best hyperplane from the generated data points. Compared with the other popular classification algorithms, our method has better classification accuracy for several IDS.     

Thermal error measurement and modelling in machine tools. Part II. Hybrid Bayesian Network—support vector machine model

Prediction accuracy of machine tool thermal error significantly depends on the structure of the error model. Machine tool thermal error varies considerably depending upon the specific operating parameters adopted. Most error models developed thus far generally employ neural networks to map temperature data against thermal error. However, it is very important to account for the specific conditions as well within the model. This paper presents a hybrid Support Vector Machines (SVM)–Bayesian Network (BN) model that seeks to address this issue. The experimental data is first classified using a BN model with a rule-based system. Once the classification has been effected, the error is predicted using a SVM model. The hybrid thermal error model thus predicts the thermal error according to the specific operating conditions. This concept leads to a more generalised prediction model than the conventional method of directly mapping error and temperature irrespective of conditions. Such a model is especially useful in a production environment wherein the machine tools are subject to a variety of operating conditions.