一种用于汽车焊接的焊缝偏差及熔透状态监测方法与流程

本发明属于汽车焊接设备自动化技术领域，具体为一种用于汽车焊接的焊缝偏差及熔透状态监测方法。

背景技术：

汽车已经成为当前国内人民生活一种不可缺少的交通工具，其车身、底盘、后桥、副车架等关键部件均是靠焊接连接在一起的受力零部件。这些零件主要是冲压焊接件，板厚为1.5mm～4mm的薄板，焊缝拼接紧密。焊接结构以搭接、角接接头为主。焊接质量的好坏，直接关系整车的质量乃至行车安全。

焊接是依靠外加的热源(例如激光、等离子、电弧)等手段将外部的介质(例如焊丝、焊条或者焊接件本身)融化，来实现工件的连接。对于汽车焊接件而言，要得到良好的效果，对焊接过程的控制是关键。焊接过程控制包括了焊缝跟踪以及最终的焊缝成形控制两大方面。

焊缝跟踪，即焊缝偏差跟踪，主要是要确保在焊接过程中，热源即电弧能够始终对准焊缝。而焊缝跟踪目前使用较多的是焊前示教法以及传感器跟踪法，对于焊前示教法，由于焊接前的焊件夹装存在误差和焊接过程中的焊件存在热变形，热源如果仍按照预先固定的路径运动，就往往会偏离焊缝，该方法无法克服焊接热变形所产生的跟踪误差。而对于传感器跟踪法，主要是通过外加传感器(例如机械探针、超声波、电弧传感器等)实现焊缝跟踪，机械探针式跟踪法中，探针容易磨损；而超声波及电弧传感器法受焊接工艺影响较大。对于一些新兴的焊接工艺，例如激光焊接，热源非常的小(最小可达160m)，激光束与焊缝之间的偏差超过0.2mm时即可导致工件报废。而传统的跟踪法的效果更无能为力。其中视觉跟踪法因其获取信息量大、非接触等优点，在焊缝跟踪领域得到广泛应用，但其往往需要经过一系列复杂的算法运算，实时性有待提高。

焊缝成形，主要反映了焊缝的熔透状态情况，直接关系到焊缝以及周边焊接热影响区的金属组织与性能，进而决定了最终焊接件的受力特性，对最终产品的可靠性影响巨大。对于焊缝成形目前还是依靠焊工的经验、通过观察焊接区域的X光图像，或者对焊接件进行抽样，剖开焊接区域进行控制。控制方法不便捷。

技术实现要素：

为了克服现有技术中存在的缺点和不足，本发明的目的在于提供一种用于汽车焊接的焊缝偏差及熔透状态监测方法，以获取的熔池图像的信息为引导，形成多信息融合的针对焊接过程监测的方法。通过视觉传感器和电流传感器采集到的信息，提取影响焊缝偏差以及熔透状态的焊接过程特性参量，并提取整个焊接过程的焊接状态测量量，构建出集焊接偏差及熔透状态预测于一体的焊缝偏差及熔透状态一体神经网络模型，保证焊接过程中实现电弧对准焊缝，以及实现焊缝熔透的效果，对整个焊接过程进行预测和监控，实现汽车焊接过程自动化。

本发明的技术方案如下：一种用于汽车焊接的焊缝偏差及熔透状态监测方法，包括以下步骤：

S1：获取熔池图像，并截取待处理的区域；

S2：从待处理的区域中提取信息；

S3：以信息中的熔池灰度重心C、外熔池宽度W、内熔池宽度N及焊接电流I作为焊接过程特性参量，输入到焊缝偏差及熔透状态一体神经网络模型，计算得出焊缝偏差e以及熔透状态p；

S4：通过焊缝偏差e以及熔透状态p对焊接过程进行预测。

进一步的，焊缝偏差及熔透状态一体神经网络模型的获取方法具体为：

S3.1：获取熔池图像信息，并截取待处理的区域；

S3.2：从待处理的区域中提取信息，信息作为焊接过程特性参量，所述信息包括熔池灰度重心C、外熔池宽度W、内熔池宽度N及焊接电流I；

S3.3：从待处理的区域中测量出焊缝偏差e₀以及熔透状态p₀；

S3.4：针对熔池灰度重心C、外熔池宽度W、内熔池宽度N及焊接电流I和对应的焊缝偏差e₀及熔透状态p₀建立若干组样本；

S3.5：建立焊缝偏差及熔透状态一体神经网络模型：其中，所述焊缝偏差及熔透状态一体神经网络模型的输入层包括熔池灰度重心C、外熔池宽度W、内熔池宽度N及焊接电流I共4个神经元，输出层包括焊缝偏差e以及熔透状态p共2个神经元，隐含层包括20个神经元，隐含层以tansig()作为传递函数，输出层以purelin()为传递函数，并对焊缝偏差及熔透状态一体神经网络模型进行训练。

进一步的，熔池灰度重心C在i方向上的值为：其中，i,j为所述待处理的区域的两个方向，K,L分别为i,j方向像素的数量，g(i,j)为像素点(i,j)处的灰度值。

进一步的，获取熔池图像信息的处理方法为采用窄带滤光加中性减光处理。

进一步的，在获取熔池图像的过程中，判断电弧是否对准焊缝的具体步骤为：

S1.1：通过CCD摄像单元以及窄带滤光加中性减光处理获取溶池图像信息；

S1.2：在所述溶池图像信息上截取处理区域信息，通过测量和计算处理区域信息，得出灰度均匀度、电流情况和焊缝周围热量状态；

S1.3：若整个焊接件处于一种平衡的状态，具体为：熔池及电弧形态规则、灰度均匀、电流平稳以及焊缝周围热量处于平衡态，则可以判断为电弧对准焊缝；

S1.4：若整个焊接件处于一种不平衡的状态，具体为：熔池及电弧形态不规则、灰度不均匀、电流不平稳以及焊缝周围热量不平衡，则可以判断为电弧不对准焊缝。

本发明的有益效果：本发明的目的在于提供一种用于汽车焊接的焊缝偏差及熔透状态监测方法，以获取的熔池图像的信息为引导，形成多信息融合的针对焊接过程监测的方法。通过视觉传感器和电流传感器采集到的信息，提取影响焊缝偏差以及熔透状态的焊接过程特性参量，并提取整个焊接过程的焊接状态测量量，构建出集焊接偏差及熔透状态预测于一体的焊缝偏差及熔透状态一体神经网络模型，保证焊接过程中实现电弧对准焊缝，以及实现焊缝熔透的效果，对整个焊接过程进行预测和监控，实现汽车焊接过程自动化。

附图说明

图1是本发明的流程图。

图2是本发明的焊缝偏差及熔透状态一体神经网络模型示意图。

图3是本发明的焊缝偏差验证情况对比图。

图4是本发明的熔透状态验证情况对比图。

图5是本发明的普通处理所得图像的示意图。

图6是本发明的窄带滤光加中性减光处理所得图像的示意图。

图7是本发明的截取待处理的区域的示意图。

图8是本发明的电弧对准焊缝时的示意图。

图9是本发明的电弧偏离焊缝时的示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合具体实施例及附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

本实施例中，设定若干个焊接电流I，针对设定的每个焊接电流I进行每组焊接实验，其中，所述焊接电流I通过电流传感器测出，所述焊接实验需要设定具体的焊接工艺参数，具体为：

a：实验工件设定为45#钢，尺寸为：200mm×150mm×2mm；b：实验采用氩气，氩气流量为：9L/min；c：焊接电流I的取值范围为：70A-80A；d：焊接实验的焊接速度为：0.6m/min-1.2m/min；e：CCD摄像单元采用的周期为：40ms。

在每组焊接实验进行的过程中，通过CCD摄像单元，即视觉传感器，以及采用窄带滤光加中性减光处理获取熔池图像。因为在焊接实验进行时，发出的弧光非常强烈，若采用普通处理，则如图5所示，由于汽车的焊接过程是一个典型的非线性过程，往往伴随有弧光、烟尘、飞溅等干扰，熔池图像里面的信息往往被强烈的弧光所覆盖而无法获取。而采用窄带滤光加中性减光处理，则如图6所示，就能够减少获取的熔池图像中被覆盖的信息，增加获得的熔池图像中的信息。

本实施例中，获取的熔池图像需要包括以下情况：a：电弧1正对焊缝4的情况；b：电弧1偏离焊缝4的情况；c：焊缝4熔透的情况；d：焊缝4未熔透的情况；e：焊缝4过透的情况。这样能够获取焊接过程中遇到的多种情况的信息，使得预测更加准确。

本实施例中，如图7所示，在所述溶池图像上截取待处理的区域5，从待处理的区域5的中提取信息，得出焊接过程特性参量，具体为每组焊接实验相对应的熔池灰度重心C，外熔池宽度W、内熔池宽度N以及焊接电流I。

所述待处理的区域5的信息具体需要截取到：电弧1的图像信息、外熔池3的图像信息，内熔池2的图像信息以及前端部分的焊缝4等图像信息。

所述熔池灰度重心C在i方向上的值为：

其中，i,j为所述待处理的区域5的两个方向，式(1)中的K,L分别为i,j方向像素的数量，g(i,j)为像素点(i,j)处的灰度值，灰度值可以直接在待处理的区域5的信息中直接读取。针对平面焊接，由于j方向是一个进给方向，不产生纠偏现象，对偏差作用不大，故熔池灰度重心C省略j方向的作用。

所述外熔池宽度W的获取方法具体为：在所述待处理的区域5的信息中直接测量外熔池3的宽度，作为外熔池宽度W。

所述内熔池宽度N的获取方法具体为：在所述待处理的区域5的信息中直接测量内熔池2的宽度，作为内熔池宽度N。

本实施例中，从待处理的区域5中测量出焊缝偏差e₀以及熔透状态p₀。具体为：在所述待处理的区域5以及每组焊接实验后的实验工件中，得到焊接状态测量量，具体为焊缝偏差e₀以及熔透状态p₀，并且焊缝偏差e₀以及熔透状态p₀作为期望输出信号。

所述焊缝偏差e₀的获取方法具体为：从所述待处理的区域5的信息中获得电弧信息和焊缝信息，并得出电弧信息和焊缝信息的偏离量，偏离量为焊缝偏差e₀。

所述熔透状态p₀的获取方法具体为：从每组焊接实验后的实验工件背面测量出熔透状态p₀。

本实施例中，针对熔池灰度重心C、外熔池宽度W、内熔池宽度N及焊接电流I和对应的焊缝偏差e₀及熔透状态p₀建立若干组样本。

本实施例中，建立焊缝偏差及熔透状态一体神经网络模型。如图2所示，焊缝偏差及熔透状态一体神经网络模型构建为三层，包括输入层、隐含层以及输出层，以焊接过程特性参量，即每组焊接实验获取的熔池灰度重心C，外熔池宽度W、内熔池宽度N以及焊接电流I作为输入层的4个神经元；隐含层包含30个神经元；以焊接状态预测量，即焊缝偏差e以及熔透状态p作为输出层的2个神经元，并且焊缝偏差e以及熔透状态p作为实际输出信号。隐含层以tansig()作为传递函数，如式(2)所示；输出层以purelin()为传递函数，如式(3)所示：

f(x)＝x (3)

对建立的焊缝偏差及熔透状态一体神经网络模型进行训练，通过训练和迭代计算，得出最优权系数，从而得出最优的焊缝偏差及熔透状态一体神经网络模型。

本实施例中，首先假设输入层共有M个输入信号，任何一个输入信号用m表示(m＝1,2,3,4)；隐含层共有I个神经元，任一个神经元用i表示(i＝1,2,...，30)；输出层为共有J个神经元，其中任意一个神经元用j表示(j＝1,2)。输入层与隐含层的连接权值用W_mi表示，隐含层与输出层的连接权值用W_ij表示。

另外，设定神经元的输入用u表示，激励输出用v表示，u，v的上标表示层，下标表示层中的神经元，如表示隐含层的第i个神经元的输入；设定f(x)为神经元的传递函数；设定输入信号为X＝[x₁,x₂,x₃,x₄]^T，设定输出信号为Y＝[y₁,y₂]^T；设定期望输出信号为：k＝[k₁,k₂]^T，n为迭代进行的次数。

所述训练的整个过程为：

a：输入信息的正向传递。具体为：输入信号从输入层输入，经过隐含层，在输出层产生实际输出信号，此过程中各层网络的连接权值保持不变，如式(4)、式(5)、式(6)及式(7)所示：

b：误差反向传播。本实施例中，误差信号，即实际输出信号与期望输出信号之差，从输出层开始逐层向输入层反向传播，在传播过程中，神经网络的权系数自动地进行反馈修正，使得实际输出信号越来越逼近期望输出信号。

具体为：定义输出层第j个神经元的误差信号为：

第j个神经元的实际输出信号为：

y＝[y₁,y₂]^T (9)

第j个神经元的期望输出信号为：

定义神经元j的误差能量函数为：

输出层所有神经元的误差总能量函数为E，则：

输出层到隐含层权值修正推导如下:

其中：

得出：

式(13)中，η为网络学习率，Δw_ij(n)为权值的更新量。将式(14)代入到式(13)，得出：

Δw_ij(n)＝-η×e_j(n)×v_i^H(n) (15)

则可得第n+1时刻的输出层到隐含层的网络权系数更新为：

w_ij(n+1)＝w_ij(n)+Δwi_j(n) (16)

隐含层到输入层的权值修改过程推导如下：

其中：

又因为：

得出：

将式(20)、式(21)代入式(19)中，可得：

将式(21)代入式(17)中，可得：

Δw_mi(n)＝-η×f'(u_i^H(n))×e_j(n)×f'(u_j^O(n))×wij×x_m (23)

从而得第n+1时刻隐含层到输入层的权系数更新为：

w_mi(n+1)＝w_mi(n)+Δw_mi(n) (24)

各层网络权系数的初始值取值为1，通过输入训练样本数据，经过一系列的迭代运算，即如从式(4)至式(24)所示，得到最优的权系数，由此可以构建最优的焊缝偏差及熔透状态一体神经网络模型：

式(25)中，X^T＝[C,W,N,I]为输入向量(即熔池灰度重心C、熔池外熔宽W、熔池内熔宽N与焊接电流I)；u^H为隐含层输入量；w^H为隐含层权系数；b^H代表隐含层阈值；v^H为隐含层的输出向量；u^o为输出层输入量；w^o为输出层权系数；b^o为输出层阈值；y＝[e,p]代表输出向量，即焊缝偏差e与熔池熔透状态p；δ为补偿向量，对预测模型的建模误差进行补偿。这样就可以通过式(25)对汽车的焊接过程进行准确的预测和监控，实现汽车焊接自动化。

本实施例中，对最优的焊缝偏差及熔透状态一体神经网络模型进行验证。具体步骤为：

a：选取另外400对输入向量，输入到最优的焊缝偏差及熔透状态一体神经网络模型中，得出对应的焊缝偏差的预测值以及熔透状态的预测值；通过实际测量得出焊缝偏差的实际值与熔透状态的实际值。

b：对焊缝偏差的预测值与焊缝偏差的实际值进行图点分布分析，并计算出焊缝偏差的平均值、绝对误差以及相对误差。

如图3所示，图中的圆点代表，圆点代表焊缝偏差的实际值，实线部分代表焊缝偏差的预测值。由图可以看出，圆点基本分布于实线部分的两侧，且波动幅度不大，说明模型的焊缝偏差预测情况理想，部分焊缝偏差的预测值及焊缝偏差的测量值如表1所示。焊缝偏差的平均值为0.011mm，其中焊缝偏差的平均值定义如式(26)下：

式(26)中，N为采样点个数，y为焊缝偏差的实际值，y'为焊缝偏差的预测值,相对误差为绝对误差除以焊缝偏差的实际值后取百分比得出的值，步骤a以及步骤b得出的部分数据如下表所示：

c：对熔透状态的预测值与熔透状态的实际值进行图点分布分析，并计算出准确率。

熔透状态的验证情况如图4所示，图中圆点代表熔透状态的实际值，星号部分代表熔透状态的预测值。由图4可以看出，绝大部分数据中熔透状态的实际值与熔透状态的预测值是吻合的，少数数据预测不准确，最终的准确率为95％，说明模型具有一定的准确性。其中模型准确率定义如下：

式(27)中，N为检测点个数，本实施例中N＝400，n为预测正确的点个数，本实施例中n＝380。

本实施例中，在获取熔池图像的过程中，判断电弧1是否对准焊缝4的具体步骤为：

S1.1：通过CCD摄像单元以及窄带滤光加中性减光处理获取溶池图像信息；

S1.2：在所述溶池图像信息上截取处理区域信息，通过测量和计算处理区域信息，得出灰度均匀度、电流情况和焊缝4周围热量状态；

S1.3：若整个焊接件处于一种平衡的状态，如图8所示，具体为：熔池及电弧1的形态规则、灰度均匀、电流平稳以及焊缝4周围热量处于平衡态，则可以判断为电弧1对准焊缝4，此时焊缝4左右两侧的熔池灰度分布基本对称,这样的焊接状态能够满足工艺要求；

S1.4：若整个焊接件处于一种不平衡的状态，如图9所示，具体为：熔池及电弧1的形态不规则、灰度不均匀、电流不平稳以及焊缝4周围热量不平衡，则可以判断为电弧1不对准焊缝4，此时会出现焊穿6的现象，需要及时对电弧1进行调整。

以上步骤能够在焊接的过程中对电弧1是否对准焊缝4进行监测，保证电弧1能够对准焊缝4，减少产生焊穿的情况发生。

综上所述，本发明的目的在于提供一种用于汽车焊接的焊缝偏差及熔透状态监测方法，以获取的熔池图像的信息为引导，形成多信息融合的针对焊接过程监测的方法。通过视觉传感器和电流传感器采集到的信息，提取影响焊缝偏差以及熔透状态的焊接过程特性参量，并提取整个焊接过程的焊接状态测量量，构建出集焊接偏差及熔透状态预测于一体的焊缝偏差及熔透状态一体神经网络模型，保证焊接过程中实现电弧对准焊缝，以及实现焊缝熔透的效果，对整个焊接过程进行预测和监控，实现汽车焊接过程自动化。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。