GMAW自动焊熔透影响因素分析及多元回归预测

GMAW自动打底焊易出现未焊透及焊漏现象,成为焊接自动化的瓶颈问题。以焊缝背面熔宽作为表征熔透状态的参考信息,探究对打底焊接质量影响较大的焊接电流、焊接速度、坡口间隙及坡口角度4个焊接工艺参数对背面熔宽的影响规律。开展GMAW打底焊接试验研究,分析背面熔宽随上述焊接参数的变化趋势。试验结果及分析表明:随着焊接电流的增大,背面熔宽呈上升趋势,熔透状态由"未熔透"过渡到"过熔透";随着焊接速度的增大,背面熔宽呈下降趋势,熔透状态由"过熔透"过渡到"未熔透";背面熔宽随着坡口间隙与坡口角度的增大而增大,过小的坡口间隙与角度易产生"未熔透"。鉴于背面熔宽随4个焊接工艺参数增加而单调增加或单调减少,采用多元线性回归方法建立4个参数与焊缝背面熔宽的数学模型,该模型通过了回归模型的拟合优度检验、整体检验及回归系数检验。通过GMAW试验对数学模型进行了验证,结果表明建立的回归模型数学表达式能够对焊缝背面熔宽尺寸进行较为准确的预测,为GMAW自动打底焊参数调节提供指导。     

基于正面焊接多信息融合的GMAW熔透控制

对气体熔化极弧焊(Gas metal arc welding, GMAW)过程中采集的正面熔池图像和温度信息通过多传感器定量信息融合技术,实现熔池图像的有效性判别。将熔滴热焓对温度场的影响考虑在内,对半椭球热源温度场进行修正,得到新型的三维温度场解析模型。借助信息融合后有效的熔池图像可获得无数个熔点温度的位置信息,通过阻尼最小二乘法求解新型温度场模型超定方程、辨识模型中椭球热源系数及熔滴热焓4个时变参数,从而得到实时修正的三维温度场动态解析模型。借助该模型通过PID控制实现了利用正面传感信息对GMAW焊接过程中背面熔宽的闭环控制,取得了满意效果。     

基于卷积神经网络的GTAW熔透预测

焊接熔池信息能反映熔透状态,但建立熔池与熔透状态的关系十分困难。针对该问题,提出一种基于卷积神经网络(Convolution neural networks,CNN)的GTAW背面熔透预测模型。通过基于被动视觉的熔池二维图像采集,建立了用于CNN网络训练和测试的训练集和测试集。其次建立了CNN背面熔透预测模型,优化了学习率、batch-size、迭代次数等网络参数。研究发现:第一层卷积核尺寸为9×9,最后一层含有64个卷积核使模型在预测准确率和训练时间上综合表现达到最佳。使用训练集数据训练模型,将训练完成的模型在测试集上对背面熔透进行预测,取得了高于96%的预测准确率。通过对预测模型的特征映射进行可视化分析,模型是通过熔池边缘,反光点位置和熔池尾部等特征来预测背面熔透情况。     

大功率盘形激光焊焊缝背面宽度预测

提出了通过视觉传感获取焊接过程中的焊接特征信息并利用神经网络模型预测焊缝背面宽度的方法。利用大功率盘形激光器焊接了低碳钢SS400焊件,在焊接过程中改变焊接功率、焊接速度和焊接路径,并利用两台高速摄像机同步获取焊件正面和侧面出现的焊接特征信息。对获取的图像进行色彩空间转换、分层、滤波去噪和空域图像处理,提取飞溅、熔池和金属蒸气等焊接特征信息,观察焊接路径对各个特征的影响。最后,建立了一个三层的LMBP(LevenbergMarquardt Back Propagation)神经网络模型,将提取的特征信息作为输入量,预测焊缝的背面宽度。结果显示:当熔透不稳定或出现未熔透状态时,LMBP神经网络拟合度大于0.83,最大训练误差均值为0.002 8mm,最大实际误差均值为0.225 6mm。试验结果表明所建立的预测模型具有良好的准确性和稳定性。     

电弧焊焊接过程数据快速提取方法

为了获取全熔透情况下建立焊缝熔透人工神经网络预测模型所需的大量数据，提出了一套获取焊接熔池正面几何参数和焊缝背面熔宽的方法，并在Windows环境下采用VC 开发了相应的软件。在小电流薄板脉冲TIG焊接全熔透的试验条件下进行了试验，并获得了所需数据。试验证明这种方法高效便捷，是可行的，它为建立全熔透情况下的焊缝熔透的人工神经网络预测模型奠定了基础。     

基于区域生长算法激光深熔焊监测图像处理研究

根据同轴监测系统采集到的熔池和小孔的同轴视觉传感原始图像特点,分析了数字图像处理的方法并提出相应图像处理的流程。通过监测沿垂直速度方向熔池灰度分布实现了对熔宽的监测,通过对小孔顶部和底部尺寸的监测实现对熔透状态的监测。经过图像处理后的焊接区域同轴监测图像可以清晰的获得熔池轮廓及小孔尺寸,为实现焊接过程中熔池宽度和小孔的穿透状态的监测做准备。针对激光对接焊,提出焊缝跟踪的处理算法,不仅实现了焊接质量包括熔宽与熔透状态的监测,还实现焊接质量与焊缝跟踪一体化监测。     

激光焊匙孔特征的近红外与X射线传感分析

由于多传感匙孔特征参数可以有效地反映大功率激光焊接质量状态,本文研究了匙孔特征信息的提取方法并建立了焊缝成形预测模型。以大功率盘形激光焊接304不锈钢为试验对象,应用近红外高速摄像机和X射线视觉成像系统同时提取了焊接过程中的熔池动态图像,并分割出匙孔区域。针对近红外图像,应用矩方法导出匙孔的不变矩特征,同时定义并提取匙孔面积和最前端点纵坐标两个特征;针对X射线图像则提取匙孔深度和熵两个特征。在不同激光功率条件下得到匙孔特征并进行特征融合分析,然后建立了3个BP神经网络焊缝成形预测模型。探索了匙孔形态、焊接条件和焊接状态三者之间的联系,实现了对焊接过程的在线监测。试验结果表明,将两个传感器获取的匙孔特征信息融合并进行主成分分析变换后,熔宽和熔深的预测绝对误差平均值分别为0.18mm和0.57mm,比基于单个传感器获取匙孔特征建立的BP神经网络分别减小了0.03mm和0.31mm,显示提出的方法能够有效在线监测大功率盘形激光焊接状态。     

基于焊缝熔透检测的机器人深熔K-TIG焊接系统

开发了一套基于熔透检测的机器人深熔锁孔非熔化极惰性气体保护焊接(Keyhole tungsten inert gas, K-TIG)系统,实现焊接高度(Contact tip-to-work distance, CTWD)自动调节与熔透状态的在线检测。利用电弧电压与焊接高度的对应关系,通过弧压传感器实时采集电弧电压信号并换算成焊接高度值,然后将实际高度值与预设高度值之间的差值经由过程控制对象连接与嵌入协议(OLE for process control, OPC)通信系统反馈给机器人控制系统,从而控制机器人实现焊接高度的自动调节。同时,构建了熔透检测系统,使用电荷耦合器件(Charge coupled device, CCD)相机采集熔池与小孔图像,从中提取熔池-小孔特征,并建立熔池-小孔特征与熔透状态之间的相关性,在此基础上建立识别熔透状态的反向传播(Back propagation, BP)神经网络,实现不同焊接高度下熔透状态的间接检测,最后根据该检测结果得到最佳的焊接高度。经过试验验证,整个系统可靠稳定,能准确检测焊缝的熔透程度,并实现焊接高度自动调节,从而提高了焊接质量。     

连续脉冲GTAW不同熔透状态熔池振荡 频率特征及分析*

熔池振荡频率与熔池尺寸具有直接物理对应关系,但常规弧压、弧光方法很难实现连续焊接振荡频率提取。提出一种激光视觉测量方法用于连续焊接振荡频率检测。对连续焊接条件下部分、临界及全熔透状态下的熔池振荡激光条纹进行采集,通过图像处理算法提取不同熔透状态下的频率特征,并从激光条纹变化形态、熔池表面振荡和液态金属内部流动对不同频率特征进行分析。结果表明,激光视觉法能够精确检测熔池表面金属轴向及横向的流动;在部分和全熔透状态下熔池表面及内部金属以单一模式进行振荡,存在单一特征频率;在临界熔透状态下由于熔池约束条件的变化,使其表面振荡及内部金属振荡具有部分和全熔透的振荡特征,表现出两种特征频率;不同熔透状态的振荡频率特征可为精确检测不同熔透状态提供依据。     

熔透状态识别预测与控制技术研究现状

焊接过程中,熔透是保证焊缝质量的前提,实时监控焊缝熔透状态对实现自动化焊接和保证焊接质量具有重要的工程意义.在焊接过程中,可以通过分析熔池动态特征参数、焊接电参数、电弧声信号等识别预测熔透状态,从而实现控制熔透.近几年来,国内外专家学者在焊缝熔透方面取得了大量的研究成果.本文综述了较前沿的基于学习模型、数学建模、神经网...     

基于激光视觉的脉冲GTAW熔池振荡检测与分析

熔池振荡频率与焊缝全熔透状态有较为直接的物理对应关系,但熔池振荡频率的检测十分困难。针对该问题提出一种基于激光视觉的熔池振荡特征频率检测传感新方法。在介绍激光视觉法原理基础上,设计脉冲非熔化极气体保护焊(Gas tungsten arc welding, GTAW)熔池振荡激光视觉传感试验系统。采集反映熔池振荡变化的视频图像,提出激光特征条纹的图像处理算法,并利用Matlab软件编写相应的程序获得熔池振荡波形,利用快速傅里叶变换提取出熔池振荡特征频率。试验结果表明,激光视觉法不仅成功实现脉冲GTAW熔池振荡信号的检测传感,而且克服了已有的脉冲GTAW熔池振荡检测法不能被用于连续焊接的缺陷。软件系统能够较准确地提取出熔池振荡特征频率、处理时间为20 ms,满足熔池振荡信号的实时检测要求,为连续脉冲GTAW熔透控制奠定了基础。     

基于弧焊温度场正面信息的熔透控制——三维温度场熔透解析模型及验证

应用累积原理和镜像法建立了电弧热源为高斯分布、工件为有限尺寸的三维焊接温度场解析表达式,并介绍了利用这个解析式和获取得正面温度场信息来推断背面熔透的方法,通过试验验证了这个解析模型的有效性,为后续基于正面温度场信息进行背面熔透成形的实时控制打下基础。     

弧焊机器人熔化及气体保护焊熔池视觉自适应检测

采用新型互补金属氧化物半导体(Complementary metal oxide semiconductor, CMOS)视觉传感器对弧焊机器人熔化及气体保护焊(Gas metal arc welding, GMAW)熔池图像的提取技术进行研究,通过对CMOS视觉传感器的硬件电路改造,实现GMAW熔池图像的自适应采集.首先对触发电路进行改造,实现熔池图像高速采集的可控化.对GMAW脉冲焊不同时刻采集的熔池图像进行比较,定性得到最佳的采集时刻.对硬件控制电路进行改进,实现熔池图像曝光量的可控化.研究GMAW在送丝速度协同控制模式下,不同送丝速度与曝光量的定量关系.通过对硬件控制电路进行改进,实现熔池图像灰度压缩的可控化.比较CMOS视觉传感器工作在不同模式下对GMAW脉冲和短路焊时采集的熔池图像,得出CMOS视觉传感器工作在线性-对数模式下能更好地适应GMAW熔池图像采集.最后综合运用以上3种技术对GMAW脉冲焊和短路焊的熔池图像进行试验,均获得了清晰的熔池图像,为下一步熔池图像处理和焊接质量控制打下了基础.     

铝合金MIG焊正面熔池图像视觉传感与处理

建立了铝合金脉冲MIG焊熔池图像检测CCD视觉传感系统。应用窄带滤光的方法成功地解决了强弧光干扰，通过大量试验，在获取清晰焊接熔池区图像的基础上，分析了铝合金焊接熔池图像的特征，研究了适合铝合金MIG焊熔池图像处理方法和熔池几何尺寸的边缘检出方法，获得了满意的熔池边缘特征图像，为进一步实现铝合金MIG焊接熔透智能控制奠定了基础。     

基于视觉的机器人智能化焊接技术现状与发展

针对机器人自动焊接技术快速发展的现状,结合机器视觉技术、智能控制技术和信息技术在焊接技术领域应用的特点,归纳综合了弧焊视觉传感技术、激光接缝跟踪技术、熔池视觉形态特征传感与提取技术、熔透与熔深智能控制技术、缺陷监测及控制技术和基于网络的数字化焊接技术的研究现状,分析了激光跟踪传感器结构、熔池与接缝计算机图像处理方法、熔池视觉几何特征提取方法、熔深熔透视觉传感与判断技术、基于网络的焊接信息远程传输与品质评价技术,给出了弧焊机器人智能化和数字化焊接技术优质、高效、柔性、快速、适应性强的特点,探讨了的智能化、数字化焊接技术的主要发展方向。     

全熔透钨极惰性气体保护电弧焊熔池表面变形动态过程的数值分析

基于能量守恒和质量守恒原理,并依据能量最小化理论,推导出全熔透钨极惰性气体保护电弧焊(Gas tungsten arc welding,GTAW)熔池自由上、下表面变形的控制方程组,并探讨与文献给出的熔透熔池上、下表面变形控制方程组的异同,给出控制方程组中将熔池上表面变形和下表面变形耦合为一个统一整体的拉格朗日参数的求解方案。分别对GTAW焊接不锈钢和低碳钢薄板从引弧到熔透并达到准稳态的全过程中熔池上、下表面变形的动态演变进行预测和分析,从中提取出了可用于表征工件熔透与否的参数,为基于正面视觉检测的背面熔透智能控制提供了依据。     

钨极氩弧焊熔池动态行为和焊工调控特征信息检测与分析

深入理解熟练焊工经验和操作技能对实现复杂环境下的机器人智能化及高精度焊接具有重要理论意义和工程应用价值。然而,如何检测传感焊工与熔池交互过程中熔池动态变化特征信息是一个难题。针对该问题基于激光视觉传感原理建立动态熔池和焊工实时调控特征信息同步采集试验系统,研究熔透连续变化时焊工对熔池形态及流态的调控行为,并获得了相应的调控参数(焊接速度、焊接电流、焊接弧长)和焊枪姿态与熔池特征参数之间的关系。通过对比分析焊接规范参数与焊枪姿态调整时的熔池形态和流态变化发现:焊接速度、焊接电流和焊接弧长的调整主要是基于熔池输入能量的调控,表现出熔池形态变化剧烈,易出现焊塌缺陷,焊工调控过程呈现出单一、盲目性。焊枪姿态的调整表现出焊工对熔池形态和液态金属流动状态的多元化和指向性调控,可避免焊接缺陷的产生。     

铝合金脉冲GTAW焊熔池表面反射模型研究

熟练焊工能够通过观察熔池表面的凸凹信息获取熔池的成形,在机器人智能化焊接过程中,采用视觉传感方式模拟焊工视觉获取熔池的形状信息。图像的灰度值决定于光源特性、物体表面形状、反射特性和摄像机特性。熔池图像隐含熔池的形状信息,为了从图像中提取熔池的形状信息,分析了铝合金脉冲GTAW焊的熔池表面反射特性,熔池表面由漫反射表面、镜面反射表面和互反射表面组成,建立了熔池表面反射模型。     

用于焊缝位置识别的视觉模型设计与试验

理论与试验研究用于焊缝位置识别的视觉模型,该模型主要由弹性梯度下降训练法BP神经网络组成.在焊接工艺条件下,使用视觉传感器获取焊接区熔池图像,并选取特定区域进行中值滤波与图像灰度变换处理以增强被测对象的特征.在此基础上,计算和处理熔池特性参量(熔池图像质心差值、质心位移、质心移动速度)以及相对应的焊缝与电弧之间的偏差值,将其输入所设计的神经网络进行网络权值参数训练和推理学习,从而建立基于BP神经网络、具有一定认知和环境适应能力的焊缝位置识别视觉模型.对该模型进行通用性检验,试验结果表明该模型通过熔池特性参量可以较精确地识别焊缝位置.     

基于区域粗定位与Chan-Vese主动轮廓模型的MAG焊视觉图像熔池边缘提取

对基于熔化极气体保护(Metal active gas,MAG)焊的管道打底焊过程中通过电荷耦合器件(Charge-coupled device,CCD)摄像机与复合滤光技术组成的光学系统实时采集的正面焊缝区域图像进行分析,实现熔池图像边缘提取.对获取的焊缝区域图像,经过高斯平滑后,考虑到初始轮廓对Chan-Vese主动轮廓模型提取边缘效率的影响,使用基于阈值的方法,用矩形标出熔池的初始区域,即实现熔池区域粗定位,求取矩形区域中心,以该中心设定一椭圆作为熔池初始轮廓,使用Chan-Vese 主动轮廓模型提取熔池边缘.借助该模型实现了MAG管道打底焊焊缝区域图像的熔池边缘提取,与Sobel变换等方法比较,该方法提高了熔池边缘提取的精度.