文德沐,胡曉兵,張雪健,毛業(yè)兵,陳海軍

(1.四川大學(xué)機械工程學(xué)院,成都 610065;2.四川大學(xué)宜賓園區(qū),宜賓 644000)

0 引言

隨著機器視覺、智能控制、機器學(xué)習(xí)等新興數(shù)字與信息化技術(shù)的飛速發(fā)展,激光焊接機器人智能化和自動化升級改造也出現(xiàn)了新的發(fā)展思路,首先,以各種傳感器和工業(yè)相機為基礎(chǔ)的激光焊接焊接過程控制的改造升級[1]。目前,應(yīng)用最為廣泛的焊接狀態(tài)的獲取方式就是基于工業(yè)相機的焊接工件圖像采集?；诓杉降膱D像,人們可以準確識別焊縫位置并提取特征。激光焊接機器人視覺系統(tǒng),因其使用方式簡單、數(shù)據(jù)易于處理等優(yōu)點,是激光焊接焊縫識別和焊縫追蹤技術(shù)的研究熱點;其次,是以專家系統(tǒng)和模糊推斷為基礎(chǔ)的焊接工藝控制智能升級[2]。

傳統(tǒng)的焊接工藝,絕大多數(shù)是基于人工經(jīng)驗與工程手冊獲得的[3]。因此,激光焊接機器人智能化改造的重要一個環(huán)節(jié)就是如何讓機器人具有人的“經(jīng)驗”,并可以基于這種“經(jīng)驗”完成焊接工藝的推定。而以視覺系統(tǒng)和各種類型的傳感器為引導(dǎo),以神經(jīng)網(wǎng)絡(luò)、模糊控制和專家系統(tǒng)等技術(shù)為決策核心的新型智能焊接控制系統(tǒng)以逐漸成為了發(fā)展的重點[4]。該種方案,可實現(xiàn)完全的焊接機器人自主作業(yè)而最大程度減少人工干預(yù)和主觀干擾[5]。因此,基于提出的激光焊接機器人智能化和自動化改造方向[6],搭建出一套基于機器視覺、神經(jīng)網(wǎng)絡(luò)和模糊控制的智能激光焊接機器人系統(tǒng),對我國激光焊接機器人的智能化和自動化改造提供了新的設(shè)計思路和發(fā)展方向,具有很強的實際意義。

通過調(diào)研,發(fā)現(xiàn)常見的焊接質(zhì)量的評估分為兩種:一類是以傳統(tǒng)的破壞性或機器檢測方式對焊接件焊縫進行檢測,該種檢測方式需要較長的周期,同時也較為浪費人力、物力和財力,一般情況下只會在月度檢查或抽檢中使用;另一種方式就是生產(chǎn)技術(shù)人員目視檢測,通過肉眼或一些觀測儀器通過分析焊接件的焊縫圖像特征去人為依靠于人工經(jīng)驗去判定該種工藝的焊接質(zhì)量,該種方式具有很強的主觀性和經(jīng)驗主義,無法進行復(fù)現(xiàn)和標準化表達。本文從實際應(yīng)用場景出發(fā),對304不銹鋼的激光焊接質(zhì)量評價提出了一種新的質(zhì)量評價標準和實現(xiàn)方案,并建立一個完整的304不銹鋼薄板激光焊接質(zhì)量評價體系。

基于該建立的激光焊接質(zhì)量評價標準和焊接工藝參數(shù)與焊接質(zhì)量之間的影響關(guān)系,本文建立了一個激光焊接質(zhì)量推斷專家系統(tǒng)模型[7-8],該模型可以通過輸入激光焊接工藝參數(shù),智能推斷該工藝參數(shù)帶來的激光焊接質(zhì)量,進而簡化焊接工藝的選擇和優(yōu)化過程。為實現(xiàn)激光焊接質(zhì)量的智能預(yù)測,本文采用模糊推斷[9-10]、改進專家系統(tǒng)[11-12]和BP神經(jīng)網(wǎng)絡(luò)[13]相結(jié)合的方法,基于焊接規(guī)律對304不銹鋼激光焊接質(zhì)量進行推斷,然后通過仿真實驗驗證該推斷系統(tǒng)的準確性。

1 質(zhì)量評價體系

將焊縫圖像的評價標準數(shù)值化時,采用表1所示規(guī)則。

表1 焊縫圖像質(zhì)量評分規(guī)則

對焊接件平面度的質(zhì)量評價主要就是對焊前母材和焊后焊接件的平面度差值Δx。

2 智能推斷模型的搭建

2.1 系統(tǒng)整體方案

本文基于板材厚度、焊接速度、焊接功率、離焦量、占空比和峰值功率設(shè)計304不銹鋼焊接質(zhì)量智能推斷模型,該模型的輸出預(yù)測參數(shù)為平面度和焊接質(zhì)量評分,預(yù)測系統(tǒng)整體結(jié)構(gòu)流程如圖1所示。

圖1 預(yù)測系統(tǒng)整體結(jié)構(gòu)

預(yù)測方案的實現(xiàn)過程為:

步驟1:數(shù)據(jù)分類。對實驗測試數(shù)據(jù)進行分析,匹配,然后基于匹配結(jié)果,人為將板材按照厚度劃分為“薄板”,即板材厚度為0.3 mm、0.4 mm、0.5 mm,和“厚板”,即板材厚度為0.8 mm、1.0 mm、1.5 mm、2.0 mm、3.0 mm,然后基于兩類板材厚度建立不同的模糊規(guī)則庫和模糊推斷模型;

步驟2:模糊預(yù)測。基于焊接速度、焊接功率和離焦量3個輸入?yún)?shù)對于焊縫圖像質(zhì)量評分和焊接件平面度差值的影響,采用TSK模糊系統(tǒng),建立各厚度下各輸入?yún)?shù)的隸屬度函數(shù)與模糊規(guī)則庫,進而基于模糊規(guī)則庫推斷焊接件平面度差值和焊縫質(zhì)量評分的觀測值;

步驟3:預(yù)測值修正。本文基于板材厚度、峰值功率、占空比和觀測值,建立了一個BP神經(jīng)預(yù)測網(wǎng)絡(luò),通過該網(wǎng)絡(luò)實現(xiàn)焊接質(zhì)量預(yù)測值對不同板材厚度、峰值功率、占空比的修正與補償,以提高預(yù)測準確性。

2.2 模糊推斷模型

本文采用模糊系統(tǒng)去對該種“經(jīng)驗”進行數(shù)字化建模,采用三輸入-二輸出的Takagi-Sugeno系統(tǒng)搭建焊縫質(zhì)量評分與平面度差值推斷模型,如圖2所示。

(a) 薄板類

2.2.1 隸屬度函數(shù)設(shè)計

本文對兩個厚度等級下不同的模糊推斷系統(tǒng)的輸入?yún)?shù)進行單獨的論域取值和模糊子集設(shè)定,輸入?yún)?shù)論域和模糊子集如表2所示。

表2 輸入?yún)?shù)論域及其模糊子集

其隸屬度函數(shù),如圖3所示。

(a) 薄板類零件

對于輸出參數(shù)而言,采用TSK單值輸出的方式直接輸出推斷值。

通過實驗測定和資料查閱,本文將焊縫質(zhì)量評分的預(yù)測輸出值設(shè)定為0～9級,共10個等級,其中1～9級分別代表著焊接質(zhì)量從1～9,即從差到好,而0級代表著未完成焊接過程。而對于焊接平面度而言,本文對實驗數(shù)據(jù)中不同厚度的平面度差值取值經(jīng)過分析和計算后,為兩個厚度等級設(shè)定不同的平面度差值取值。對“薄板”,將其設(shè)定為1～9級,其中,1～8級分別代表著最大平面度差值為0.3、0.5、0.8、1.0、1.2、1.5、2、3 mm,而9級取值為-1,代表著未完成焊接。對“厚板”,將其設(shè)定為1～12級,其中1～11級分別代表著最大平面度差值為0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0、1.5 mm,而12級取值為-1,代表著未完成焊接。

2.2.2 模糊規(guī)則設(shè)計

對“薄板”,模糊系統(tǒng)一共有5×7×3=105條。

因此通過上述的模糊規(guī)則庫,可以將不同厚度條件下的焊接速度、焊接功率、離焦量和焊縫質(zhì)量評分和焊接件平面度差值進行匹配和對應(yīng)。進而可以通過隸屬度函數(shù)的不同,去匹配不同的模糊規(guī)則,實現(xiàn)由前件事件(焊接輸入?yún)?shù))到后件事件(焊接質(zhì)量評價)的模糊推斷。

2.2.3 解模糊化

通過比較各解模糊化方法的準確性和計算量,選擇面積重心法進行模糊的解模糊化[14]。面積重心法取的μC(z)加權(quán)平均值為z的準確值,即:

(1)

當取值論域為離散域時,

(2)

最后根據(jù)上文設(shè)計的模糊推斷系統(tǒng)工作流程,分為薄、厚板分別輸入去解模糊化。

2.3 預(yù)測值修正模型

除了焊接速度、焊接功率、離焦量3個主要參數(shù)外,板材厚度、峰值功率、占空比這3個參數(shù)對焊接質(zhì)量也有較大影響。因此,本文基于上述3個參數(shù),分別建立“薄板”和“厚板”條件下,由模糊推斷模型獲得的焊接焊縫質(zhì)量評分觀測值和平面度差值觀測值到實際輸出的焊縫質(zhì)量評分預(yù)測值和平面度差值預(yù)測值的修正BP神經(jīng)網(wǎng)路模型,如圖4所示。

圖4 模糊預(yù)測值BP修正模型

上述4個模型,其BP神經(jīng)網(wǎng)絡(luò)采用“1-1-1”的結(jié)構(gòu),即一層輸入層、一層隱含層和一層輸出層,每一層都與下一層全連接。

輸入層4個參數(shù)x=(x1,x2,x3,x4),x1為模糊系統(tǒng)輸出觀測值,x2為板材厚度,x3為峰值功率,x4為占空比。

輸出層1個參數(shù)y,y為修正后預(yù)測值。

由Kolmogorov定理可得,由于輸入層有4個節(jié)點,輸出層有1個節(jié)點,因此中間層隱含節(jié)點個數(shù)滿足下列關(guān)系式:

(3)

即通過分析,上述4個BP模型中間層隱含個數(shù)分別為12,12,13,13。

對上述4個模型,隱藏層結(jié)果和輸出層結(jié)果可由下式表達,即:

(4)

(5)

該網(wǎng)絡(luò)采用反向傳播算法更新參數(shù),首先計算損失函數(shù)J(θ),然后再逐層反向求出損失函數(shù)J(θ)對各層的偏導(dǎo)數(shù),采用梯度下降的算法更新網(wǎng)絡(luò),輸出層參數(shù)更新算法為:

(6)

(7)

(8)

(9)

式中:J(θ)表示BP神經(jīng)網(wǎng)絡(luò)的損失函數(shù),yi為網(wǎng)絡(luò)輸出,α為學(xué)習(xí)速率。

2.4 模型仿真分析

基于上文建立的模糊推斷模型和預(yù)測值修正模型,本文使用MATLAB數(shù)據(jù)處理軟件對該模型進行建模分析,測試并驗證本文提出的激光焊接質(zhì)量智能推斷模型的可靠性[15]。

2.4.1 模糊系統(tǒng)建模

基于MATLAB中的設(shè)定參數(shù)和上文設(shè)定的隸屬度函數(shù),本文建立了薄板和厚板的模糊模型,如圖5所示。

(a) 薄板

2.4.2 神經(jīng)網(wǎng)絡(luò)建模

本文基于MATLAB建立上述4個BP參數(shù)修正模型,基于上述設(shè)定參數(shù)和已有實驗數(shù)據(jù),本文分別訓(xùn)練了4個BP模型,其訓(xùn)練準確率如圖6所示。

(a) 薄板焊縫質(zhì)量評分預(yù)測值修正模型

(a) 模糊系統(tǒng)預(yù)測0.5 mm不銹鋼板材焊縫質(zhì)量評分對比圖及其誤差圖

(a) 模糊系統(tǒng)預(yù)測0.5 mm不銹鋼板材平面度差值對比圖及其誤差圖

2.4.3 模型對比仿真

基于上文建立的模糊推斷模型和預(yù)測參數(shù)修正模型,選擇0.5 mm厚度的304不銹鋼進行焊縫質(zhì)量評分和平面度差值進行無修正模型和有修正模型的預(yù)測。

(1)焊縫質(zhì)量評分

(2)平面度差值

2.4.4 模型仿真分析

對焊縫質(zhì)量評分、平面度差值預(yù)測進行誤差分析,如表3和表4所示。

表3 焊縫質(zhì)量評分模型誤差分析

表4 平面度差值模型誤差分析

對304不銹鋼板材激光焊接的焊縫質(zhì)量預(yù)測進行分析,可得:

(1)對于由焊接規(guī)律建立的焊接件焊縫質(zhì)量模糊推斷模型而言,其平均預(yù)測誤差為2.51,平均誤差率為113.7%,平均預(yù)測準確性僅為39.8%(誤差小于1),最大預(yù)測誤差為4.44,最大誤差率為241.2%,其預(yù)測較為準確的概率為18.75%。雖然其并無法在所有厚度條件下獲得較好的預(yù)測效果,但是其在厚度為0.5mm、2.0mm、3.0mm以及其他厚度的部分取值下也可以獲得較為準確的焊接件焊縫質(zhì)量預(yù)測值,由此可得得出,雖然由于模糊系統(tǒng)隸屬度函數(shù)設(shè)計和規(guī)則設(shè)計的不準確,導(dǎo)致模糊推斷存在誤差,但是通過圖表可知該預(yù)測在一定程度上符合已有的304不銹鋼焊接中焊接質(zhì)量與焊接參數(shù)的對應(yīng)關(guān)系,其預(yù)測具有一定的可行性。

(2)對比直接由模糊推斷獲得的焊接件焊縫質(zhì)量評分預(yù)測值,經(jīng)過BP修正模型修正后,焊接件預(yù)測值的準確性大幅提高,其平均誤差降為0.88,平均誤差率降低82.4%,為31.3%,此外修正后預(yù)測值的突變概率和極值可能性大大降低,最大誤差降為1.19,最大誤差率也降為56.7%。此外,對于預(yù)測準確性而言,對于所有厚度其平均有67.2%的預(yù)測準確性,而對于部分厚度而言,其均有70%以上的預(yù)測準確性。由此可知,經(jīng)過該修正模型修正后、焊接件焊接質(zhì)量的預(yù)測基本可以符合準確性要求。

對304不銹鋼激光焊接焊接件平面度差值預(yù)測模型進行分析,可得:

(1)對于由焊接規(guī)律建立的焊接件平面度差值模糊推斷模型而言,其平均預(yù)測誤差為0.43,平均誤差率為105.8%,平均預(yù)測準確性僅為33.6%(預(yù)測誤差小于0.2),最大預(yù)測誤差為0.68,最大誤差率為146.9%,最小預(yù)測準確的概率為12.5%。由于板材較薄時平面度變化較為嚴重,因此該模糊推斷模型在“薄板”條件下的預(yù)測效果較差。但是當板材厚度增加時,平面度差值變化率降低,其在“厚板”條件下可以獲得較為準確的預(yù)測效果,即預(yù)測誤差在0.3左右。由此可以得出,由于焊接件平面度變化規(guī)則較為復(fù)雜,且模糊系統(tǒng)隸屬度函數(shù)設(shè)計和規(guī)則設(shè)計的準確性不夠,導(dǎo)致模糊推斷存在誤差,而這種誤差單純使用隸屬度函數(shù)增加、模糊規(guī)則數(shù)增加等方式無法實現(xiàn)較好的改善。但是通過圖表可以看出,該模糊預(yù)測模型在變化趨勢和部分取值上具有一定的可靠性。因此,其在一定程度上符合已有的304不銹鋼焊接中焊接質(zhì)量與焊接參數(shù)的對應(yīng)關(guān)系,其預(yù)測具有一定的可行性。

(2)對比直接由模糊推斷獲得的焊接件平面度差值預(yù)測值,經(jīng)過BP修正模型修正后,焊接件預(yù)測值的準確性大幅提高,其平均誤差降為0.13,平均誤差率降低76.5%,為29.3%,此外修正后預(yù)測值的突變概率和極值可能性大大降低,最大誤差降為0.21,最大誤差率也降為56.7%。此外,對于預(yù)測準確性而言,對于所有厚度其平均有77%的預(yù)測準確性,而對于部分厚度而言,其均有93.75%以上的預(yù)測準確性。由此可知,經(jīng)過該修正模型修正后、焊接件平面度差值的預(yù)測基本可以較好符合準確性要求。

3 結(jié)論

本文將已有的激光焊接人工經(jīng)驗進行分類歸納和總結(jié),并結(jié)合相關(guān)資料和數(shù)據(jù),基于模糊專家系統(tǒng)提出了焊接參數(shù)的到焊接質(zhì)量的推斷模型,建立輸入?yún)?shù)的隸屬度函數(shù)和模糊規(guī)則庫。由于板材激光焊接的復(fù)雜性,焊接數(shù)據(jù)離散化嚴重,無法使用單一模糊推斷模型進行準確預(yù)測,因此本文根據(jù)板材厚度、峰值功率和占空比與焊接質(zhì)量的關(guān)系,建立了模糊推斷值的BP神經(jīng)網(wǎng)絡(luò)修正模型。通過模型將模糊推斷值進行修正,進而獲得較為準確的焊接質(zhì)量預(yù)測。基于上述研究,本文認為使用神經(jīng)網(wǎng)絡(luò)、模糊推斷、專家系統(tǒng)等新興計算機技術(shù),可實現(xiàn)一定程度上模擬人腦的邏輯思維與判斷,進而可以將傳統(tǒng)機械加工制造業(yè)中絕大多數(shù)人工經(jīng)驗型工作進行機器替代,包括焊接、打磨等。該種機械替代方式,不僅保留著人工經(jīng)驗在作業(yè)過程中的優(yōu)點,而且充分發(fā)揮了計算機技術(shù)的優(yōu)勢,真正做到了“兩全其美”,該人工與機器結(jié)合的方式,在制造業(yè)發(fā)展轉(zhuǎn)型過程中也必將起到重要作用。