共查询到10条相似文献,搜索用时 19 毫秒
1.
基于PCA-SVM方法的点焊质量评估 总被引:1,自引:1,他引:0
通过对电阻点焊过程电极位移和动态电阻信号的实时采集和时域特征分析,利用电阻信号动态特征刻画熔核形成不同阶段,从同步电极位移信号中提取9个特征参量建立输入样本数据集.以焊点接头抗剪强度作为焊点质量的评价指标,将PCA(主成分分析)方法与传统的SVM(支持向量机)回归分析相结合,利用PCA方法对支持向量机的输入样本数据集进行主成分分析,消除了输入特征参量间的自相关性,实现数据降维后作为支持向量机的输入,建立焊点质量映射模型.交叉有效性预测结果表明,基于PCA-SVM的算法增强了SVM的泛化能力,比传统的SVM算法具有更高的预测精度. 相似文献
2.
电阻点焊过程动态信号蕴含大量直接或间接反映焊点质量的动态信息,通过对焊接过程电极位移、动态电阻信号的同步采集和分析,从两种信号中提取了12个特征参量,建立表征点焊过程的数据集,以焊点抗剪强度作为焊点质量评价指标,利用支持向量机(SVM)统计学习方法,将焊点试样动态监测参量与焊点抗剪强度之间低维的复杂非线性映射关系,映射到一个高维的特征空间(Hilbert空间),原试样数据空间的非线性关系相应变化为高维特征空间的线性关系,在不增加计算复杂度的情况下,实现对未知焊点试样抗剪强度的分类及预测。SVM测试结果表明,支持向量机在小样本情况下具有较好的泛化能力,分类、预测速度快,准确率高,能较为满意地完成焊点强度的分类、预测任务,可以作为进一步研究的方法。 相似文献
3.
针对电阻点焊压痕深度的检测存在离线、滞后等问题,提出了一种基于电极位移信号特征提取的人工智能在线预测压痕深度的实现方法.首先,采用搭建的计算机激光测量系统探索了焊点压痕深度测量方法,确定了以多次测量的平均值hT作为压痕深度的实际评定值.其次,通过对熔核形成过程、电极位移信号与焊点压痕深度的相关性研究,确定了焊接电流I、电极压力F、以及从电极位移信号中提取的特征参量h作为压痕深度的表征参量.最后,采用压痕深度的表征参量作为输入向量,以测定的焊点实际压痕深度hT作为目标向量,建立了SVM(support vectormachine)回归预测模型.实际测试表明,模型输出的压痕深度预测值和实际测定值间的线性相关度达到了91.18%,通过实时监测熔核形成过程,可以实现焊点压痕深度的预测. 相似文献
4.
5.
以焊点接头强度作为焊点质量评判的指标,通过对点焊过程焊接电流、动态电阻、电极位移信号的同步采集和特征分析,提取若干特征参量监测点焊过程,依据特征参量与焊点接头抗剪强度间的相关分析结果,选取来自不同监测信号的7个特征参量建立了表征点焊过程的特征模式,并将此转化为计算机可以识别的模式矩阵,同时以焊接电流参数为模式分类的依据,建立不同模式矩阵类别和焊点接头抗剪强度之间的映射,将模式矩阵作为Hopfield神经网络的记忆样本存储于网络,利用网络联想记忆的功能实现对未知样本点焊过程的模式识别,进而实现点焊质量的评判。网络测试结果表明,利用Hopfield网络进行焊点质量在线评判可以得到满意的效果。 相似文献
6.
以采集的电阻点焊接头表面的数字图像作为信息源,探索了一种新的点焊质量无损监测方法.首先,通过图像特征分析,焊点表面图像被划分为4个环形特征区域,提取环形特征区域面积作为表征焊点质量的特征参数.其次,根据特征区域面积与焊点抗剪强度的相关性分析结果,选择了相关性显著的3个特征参数作为输入向量,焊点抗剪强度作为输出向量,建立了点焊质量的RBF神经网络监测模型.仿真分析和验证结果表明,基于焊点表面图像特征信息处理监测点焊质量的方法是可行的. 相似文献
7.
8.
利用高碳当量灰铸铁组织强度试验数据,提出了一种基于支持向量机理论的灰铸铁强度预测模型。与多元线性回归、模糊回归和自适应模糊神经网络相比,该模型学习精度高且具有较好的泛化能力,能取得较好的预测效果。 相似文献
9.
利用线性预测(LPC)分析方法建立电弧声信号数学模型并提取声音频域特征,分别用电弧声的LPC预测系数及反射系数作为输入向量构造样本集,建立CO2焊接过程支持向量机模型,对焊接过程保护气体流量进行了识别和分类.测试表明:利用电弧声建立的SVM模型能对焊接气流量进行有效识别. 相似文献
10.
利用虚拟仪器技术,以多元线性回归和多元非线性回归模型为核心算法来准确预测CO2焊的飞溅量,从而实现对CO2短路过渡焊接弧焊品质的定量评价.试验证明,该回归模型具有很高的精度和较强的实用性,为保证CO2全自动焊接质量的可靠性提供了依据. 相似文献