基于焊点表面图像处理的点焊质量监测

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.     

基于信号特征提取的电阻点焊质量在线评判

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。     

电阻点焊接头熔核面积的预测

以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接头质量无损检测方法。首先通过图像特征分析,将焊点表面图像划分为三个特征区域,提取三个同心圆的面积作为表征接头熔核面积的特征参量。其次,以提取的特征值作为输入向量,以接头横截面处的熔核面积作为评判标准,建立点焊接头熔核面积的SVM(支持向量机)等级分类模型。实验结果表明,该模型可以有效地对熔核面积进行预测分类,实现了对电阻点焊接头质量的无损评判,经验证其准确率可达96.667%。     

基于PCA-SVM方法的点焊质量评估

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.     

基于支持向量机的点焊质量分类

以点焊质量监控为目的,通过对点焊过程电极位移信号、动态电阻信号的同步采集和信号分析,从2种信号中提取12个有效的特征分量,构造点焊过程的监测数据集,以焊点的抗剪强度为指标,利用支持向量机(SVM)和RBF神经网络对焊点质量进行分类.测试结果表明,2种信号特征向量作为SVM的输入向量,在参数匹配的情况下,使用不同的核函数对喷溅和焊点质量分类均能取得较好的分类结果,分类器性能明显优于RBF神经网络模型.小样本情况下SVM具有较好的泛化能力,正确率仍保持在80%以上,据此认为提取电极位移和动态电阻的特征向量构筑输入向量,建立的SVM动态模型对点焊接头进行质量分类是可行的.     

图像处理在电阻点焊质量检测中的应用

现代制造业广泛使用电阻点焊技术,研究者长期致力于实现焊接质量快速无损检测技术的研究,本文以低碳钢为试验材料,在各种点焊工况下对焊点图像进行了采集与预处理,利用分形理论对焊点图像边缘进行检测,结果证明,利用分形几何可有效提取焊点边缘.文中研完了焊点图像特征区域面积与焊点强度之间的关系,结果表明,焊点表面图像面积与焊点强度之间呈正比例关系,可以利用焊点表面图像对点焊质量进行检测.     

基于贝叶斯图像模式识别技术的点焊质量评估

提出一种将点焊过程动态电极位移信号转化为二值图像的方法.基于图像特征分析,从焊点样本电极位移二值图像中提取出15个隐含特征.针对一系列对应不同焊接质量焊点样本电极位移二值图像特征,利用主成分分析消除图像特征间的互相关性,建立了基于最小风险贝叶斯图像识别技术的焊点质量分类器.分类器有效性测试结果表明,电极位移信号二值图像尽可能多的保留了焊点质量信息,特征提取算法简单、高效、易于实现;同时在小数据样本情况下,贝叶斯图像识别技术能够快速、准确地评判焊点质量,有较好的应用前景.     

基于贝叶斯图像模式识别技术的点焊质量评估

提出一种将点焊过程动态电极位移信号转化为二值图像的方法.基于图像特征分析,从焊点样本电极位移二值图像中提取出15个隐含特征.针对一系列对应不同焊接质量焊点样本电极位移二值图像特征,利用主成分分析消除图像特征间的互相关性,建立了基于最小风险贝叶斯图像识别技术的焊点质量分类器.分类器有效性测试结果表明,电极位移信号二值图像尽可能多的保留了焊点质量信息,特征提取算法简单、高效、易于实现;同时在小数据样本情况下,贝叶斯图像识别技术能够快速、准确地评判焊点质量,有较好的应用前景.     

基于信息融合技术的焊点质量评估

基于点焊焊接过程电极位移、动态电阻信号的同步采集和特征分析,从2种信号中提取若干特征参量,依据特征参量与焊点接头抗剪切力间的相关性分析结果,选取特征参量建立数据集,利用多元线性、非线性、支持向量机统计分析方法实现多信息融合,构建焊接过程监测参量与焊点强度之间的回归映射模型.进而实现对未知焊点样本强度的预测.交叉有效性检验结果表明以相关性显著的特征参量建立的多元线性回归、非线性回归、支持向量机回归预测模型,对于评估焊点质量是有效的,其中支持向量机回归预测有效性最为显著,可作为进一步研究和实现在线质量监测的方法.     

基于支持向量机(SVM)的点焊质量在线监测

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。