GTAW焊接过程声音信号的分析

研究分析钨极氩弧焊（GTAW）时焊接气流,焊接速度,电弧长度和声音信号采集角度对采集到的声压信号的影响。结果表明：速度对声压影响最小;焊接声音随气体流增加而增加,当流量大于15L／min,声压信号趋于恒定;电弧长度在3．5—5mm之间时,声压随弧长变化显著,当超过5mm时变化不明显;声压随麦克风采集角的增加而增加,当大于60°时声压值变化不大,焊接声压强度在空间的分布近似于声源模型中的偶极子模型。     

一种基于图象的无标定视觉伺服方法的研究

采用基于图象的视觉伺服方法，绕过了3D空间的重建，直接利用图象特征来控制机器人的运动、给出了一种基于图象的无标定的视觉伺服控制方法，通过动态估算图象雅可比矩阵来代替实际的雅可比矩阵，消除了工业应用中标定的繁琐和由此引起的误差，特别避免了基于位置控制方法成像过程的非线性和图象匹配等带来的视觉重建困难。     

脉冲GTAW焊缝成形智能控制方法

在作者前期工作的基础上,进一步展示了模糊神经网络与专家系统等智能化方法在 电弧焊动态过程与焊缝成形控制中的应用结果.在模糊推理与神经网络结合的单人单出焊接电 流控制器FNNC设计的基础上,设计了专家系统控制器用于调节焊接速度,完成了焊接熔池动 态过程双人双出智能控制器的设计,实现了脉冲GTAW正反面熔宽与焊缝成形的同时智能控 制.与前期工作一并构成了对电弧焊接熔池动态过程和焊接质量智能控制途径的成功探索.     

脉冲GTAW熔池动态过程模糊神经网络建模与控制

展示了模糊推理与神经网络结合在脉冲GTAW熔池动态过程智能控制中的应用研究 结果.建立了脉冲GTAW平板对接动态过程特征:正反面熔池的最大宽度、长度与面积等参数 的神经网络模型,基于实验数据采用模糊辨识方法提取焊接过程的模糊控制规则,进而设计了 具有自学习适应能力的模糊神经网络控制器.建立了脉冲GTAW熔池动态过程智能控制系统, 焊接实验验证了所设计的模糊神经网络控制器具有智能控制效果.     

控制理论中的频率定理 (Kalman-Yakubovich引理)*

频率定理（Ｋａｌｍａｎ－Ｙａｋｕｂｏｖｉｃｈ）是控制理论中的重要结果之一，它给出了Ｌｕｒ’ｅ方程和Ｒｉｃｃａｔｉ方程可解的一个充分必要条件，本文简要叙述了频率定理建立和发展的历史，描述了它在非线性系统绝对稳定性理论，线性二次型最优控制和自适应控制理论中的部分应用。     

弧焊机器人焊枪姿态的简便示教

弧焊机器人焊接空间搭接焊缝时,对于焊枪姿态的示教往往占据了大量的示教时间。为此,提出一种焊枪姿态的简便示教方法。该方法采用根据几何约束计算焊接时焊枪姿态的思路完成焊枪姿态的示教。先以任意焊枪姿态对焊缝进行位置示教,然后根据焊缝的切向矢量和焊接工艺要求的焊枪角度计算出焊接时的焊枪姿态。对于三维曲线焊缝,只有当局部焊接平面与基坐标系的Oyz平面不垂直时,需要进行简单的焊枪姿态示教,示教时只须调整机器人绕工具坐标系一个轴转动的角度即可完成。使用该方法可以显著地减少示教难度和示教时间,提高姿态示教的精度。详细介绍焊枪姿态的描述方法、焊接方向角的计算方法和焊枪姿态的调整方法等关键技术。使用搭接曲线焊缝进行试验验证,证明了该方法的可行性。     

基于OpenCV的移动焊接机器人视觉系统自主标定方法

标定工作是实现机器人视觉计算的前提.根据移动焊接机器人工作场合的特殊性,基于OpenCV,提出一套针对手眼双目视觉系统的自主标定方法.自动提取角点,自主筛选有效标定图像序列,由亚像素角点提取结果求取相机内参数,由同时刻获取的标定图像对估算双目间几何矩阵,由标定板面在摄像机坐标系下位姿矩阵改变量间接求取摄像机运动矩阵,用最小二乘法快速计算出手眼关系.标定试验结果表明,相对于传统的Matlab标定工具箱,该方法能够满足用于机器人焊接的视觉系统所需标定精度,同时因无人为参与可很大程度地提高移动焊接机器人的自主性.     

我国机器人焊接技术研究与应用概况（上）

考察了我国机器人焊接领域的学术研究与技术应用的现状，概略分析了某些存在的问题，人总体发展我国机器人焊接技术的角度探讨了地一步发展的策略，并从机器人焊接专业委员会的工作角度提出了促进中国机器人焊接行业发展的构想及措施。     

喷射沉积过程中实时检测技术研究的新进展

综述了喷射沉积过程的多种状态参量实时检测技术，着重介绍了这些检测技术的最新进展情况，并对其发展和应用作出了评价和展望。     

具有时滞的不确定性系统神经网络模型自学习控制

本文对具有时滞的不确定性控制对象提出了一种神经网络时滞补偿模糊自学习控制方法，模糊控制器采用误差、误差变化及误差加速度的加权和的解析描述形式，利用人工神经网络直接对过程建模，实现对时滞补偿预报以及对模糊加权因子的自学习优化调整，将上述方法用于焊接熔池动态过程控制试验，结果表明本文提出的自学习神经网络时滞补偿模糊控制方案有效。