机器人焊接电弧摆幅与频率的模糊模式识别.pdfVIP

机器人焊接电弧摆幅与频率的模糊模式识别 段晓宁武传松胡家琨贾传宝 (山东大学材料连接技术研究所，济南250061) 摘要：针对10mm厚钢板v型坡口接头的弧焊机器人摆动跟踪焊接，实时测量焊接电压和焊接电流的瞬 时值，对其进行两次统计处理，构建不同摆幅和摆动频率时的焊接电参数特征矢量，采用模糊模式识别技 术，建立焊接电参数特征矢量与摆动焊接摆幅和频率的内在联系，为定量研究摆幅和频率对V型坡目熔深 的影响提供依据。 关键词：摆动焊接弧焊机器人摆动幅度摆动频率模式识别 O前言 对于厚板的开坡口焊接，坡口加工和装配尺寸及位置误差对焊接质量存在较大的影响，必须通 过焊缝跟踪技术以保证熔深【11。弧焊机器人uP．6配备有摆动式电弧跟踪传感器。当焊枪沿坡口接 缝做横向摆动时，通过检测焊接电流的偏差来控制焊枪的运动以便其消除位置偏差【2J。焊接过程中， 焊枪的摆动频率和幅度对熔深有着很大的影响，而熔深是重要的焊接质量指标【3“1。因此，弧焊机 器人摆动跟踪过程中，实时识别出摆幅与频率，有重要的实际意义。 不同的摆幅和频率，对应着不同的电弧电压和焊接电流(焊接电参数)。可以根据焊接电参数 的瞬时变化来识别摆动焊接的摆幅和频率。但是，焊接电参数的瞬时值数据量庞大，必须对其进行 数据处理和特征提取。其中，统计处理是有效的方法。Rehfeldt发明的汉诺威焊接过程分析仪【5、61， 对实时检测出的大量原始数据(电弧电压和焊接电流的瞬时值)进行压缩和统计处理，绘出焊接电 压和焊接电流信号的概率密度分布曲线(PDD)。不同的焊接工艺条件，对应着相应的焊接电参数 PDD值。武传松等研制出GMAW焊接过程监测神经网络系统【7】和模糊神经网络系统【81，通过对 GMAW焊接电参数PDD数值的进一步处理，建立起相应的特征矢量，利用人工智能技术识别GMAW 焊接过程中的各种不同干扰信号(如送丝速度增加或减少10％；试板有缺口或间隙突变等等)。但 是，这些研究工作主要是针对薄板搭接接头，没有涉及厚板开坡口摆动焊接的情况。 本文结合10mm厚钢板V型坡口接头的弧焊机器人摆动跟踪焊接，实时测量焊接电压和焊接电 流的瞬时值，对其首先进行一次统计处理，得出焊接电压和焊接电流的PDD数值，然后对PDD数 值进行二次统计处理，提取特征，构建不同摆幅和摆动频率时的焊接电参数特征矢量，采用模糊模 式识别技术，建立焊接电参数特征矢量与摆动焊接摆幅和频率的内在联系，为研究摆幅和频率对v 型坡口熔深的影响奠定基础。 1试验系统与方法 试验系统使用焊接设备是UP6弧焊机器人。采用有源霍尔效应电流传感器采集焊接电流信号； 在焊枪与工件之间通过分压方式采集焊接电压信号，并经过低通滤波处理。实时采集的焊接电压和 电流瞬时信息由汉诺威分析仪分析处理。摆动焊接工艺试验条件见表1。 表1摆动焊接工艺试验条件 电弧电参数的采集及PDD曲线的一次处理是由汉诺威分析仪来完成的。将获得的1,000,000个 电弧电压和焊接电流的瞬时值处理为PDD曲线。 试验过程中，设定了五种差别相对较大的摆动频率L、摆动幅度b。的焊接工艺条件，即(a) 5次进行试验测量和数据处理。 2特征分析与提取 电弧电压、焊接电流是由长时低频成分和短时高频成分组成的非平稳的随机信号，包含有反映 弧焊工艺性能的信息。其中也包含了反映摆动幅度、摆动频率的特征和规律。为了得到反映这些信 息的数据的特征和规律，需对采样数据进行处理。统计分析方法是对随机数据的一种有效处理方法。 通过在幅值域和时间域统计分析电弧电压、焊接电流，可以获取电弧电压、焊接电流的概率密度分布 (PDD数值)。利用上述统计分析结果，可以初步看到不同摆动频率、摆动幅度的焊接过程存在的差 别，但其细微差别很难识别(见图l、2)。因此需对焊接电流、电压的PDD数值进行二次处理。 PDD曲线根据其特征信号进行分段压缩处理(焊接电流PDD曲线压缩为2个特征信号段，焊接电 压PDD曲线压缩为3个特征信号段)(见图l、2)。然后利用每个特征信号段的平均值、标准方差 作为特征值。平均值反映了波形中心偏离波形均值的大小。标准方差表示了波形图波动的大小。这 样反映摆动焊接过程电压和电流信号的PDD分布的特征值共10维，S10=(，M，，∞，，肼，，呦， UI村，Ul∞，UⅡM，U呦，UⅡM，UⅢ∞)。 图l 焊接电流的PDD曲线 图2焊接