基于神经网络的摩擦焊工艺参数预测和接头性能缺陷检测研究
|
摘要
本文在对摩擦焊接头形成过程的分析和实验研究的基础上，用BP网络建立了摩擦焊主要工艺参数(摩擦时间、摩擦压力、顶锻压力)和接头性能(接头强度)的预测系统。在神经网络的训练过程中，以含有动量项和自适应学习率的快速BP算法为基础，又引入“再调整”系数β、误差函数系数α，形成了一种新的BP算法。实验结果表明，该系统得到的摩擦时间、摩擦压力、顶锻压力和接头强度的预测值与实际值吻合良好。
采用先进的超声扫描成像系统对高温合金摩擦焊接头进行超声无损检测，并记录下相应的超声扫描信号。用目前无损检测领域较为前沿的信号处理方法——小波包分析法对扫描信号进行处理。将信号进行多频段小波包分解，根据各相应频率、时间点的幅值大小绘出小波包分解系数灰度图。再由灰度图中不同的色块分布特征把信号分为三类：无缺陷信号、未焊合缺陷信号、弱结合缺陷信号。
利用基于小波包分析的“能量——故障”法和传统的幅频特性曲线法分别提取信号特征，作为缺陷识别神经网络模型的输入，用改进后的快速BP算法进行网络训练，建立了基于BP网络的摩擦焊接头超声波扫描信号的模式识别系统。该系统能够很好地区别各类信号，将信号自动识别分类为(0，0)、(1，0)、(1，1)三类，对应于无缺陷信号、弱结合缺陷信号、未焊合缺陷信号。
用编程语言VC将各部分内容集成、制作友好的人机交互界面，使之成为一个便于使用、便于改进的工程应用软件。该软件能够完成诸如样本集管理、参数预测、根据样本集的变化重新构建神经网络、进行小波包分析等多项相关功能。
The friction welding-a modern connecting method is used in the various fields more and more widely and so the study of this field is now becoming more and more imperative.
In this paper, on the base of analyzing and experimental studying on the process in the forming process of the friction welded joints, BP network is used to construct the neural network prediction system of the major technical parameters (friction-time, friction force and so on) and the capability of the friction welding joints. During the training of the neural network, the influence, which is caused by the various network parameters, on the error function is discussed emphatically and the traditional BP algorithm is improved by importing the re-adjusting coefficient fiand error function coefficient a. The forecast value can meet the actual value well.
In addition, using ultrasonic testing machine test the friction welding joints and the modern analyzing method -wavelet packet analysis is used to class the reflected echo scan signal into three sorts: good welding, un-welding and weak defect. After classing, the selected characters of signal by wavelet packet analysis and amplitude-frequency analysis are used to construct the classing-prediction neural network.
At last, in order to convenient for practice application, Visual C++ is applied to integrate these application programs into an application-software.
采用先进的超声扫描成像系统对高温合金摩擦焊接头进行超声无损检测，并记录下相应的超声扫描信号。用目前无损检测领域较为前沿的信号处理方法——小波包分析法对扫描信号进行处理。将信号进行多频段小波包分解，根据各相应频率、时间点的幅值大小绘出小波包分解系数灰度图。再由灰度图中不同的色块分布特征把信号分为三类：无缺陷信号、未焊合缺陷信号、弱结合缺陷信号。
利用基于小波包分析的“能量——故障”法和传统的幅频特性曲线法分别提取信号特征，作为缺陷识别神经网络模型的输入，用改进后的快速BP算法进行网络训练，建立了基于BP网络的摩擦焊接头超声波扫描信号的模式识别系统。该系统能够很好地区别各类信号，将信号自动识别分类为(0，0)、(1，0)、(1，1)三类，对应于无缺陷信号、弱结合缺陷信号、未焊合缺陷信号。
用编程语言VC将各部分内容集成、制作友好的人机交互界面，使之成为一个便于使用、便于改进的工程应用软件。该软件能够完成诸如样本集管理、参数预测、根据样本集的变化重新构建神经网络、进行小波包分析等多项相关功能。
The friction welding-a modern connecting method is used in the various fields more and more widely and so the study of this field is now becoming more and more imperative.
In this paper, on the base of analyzing and experimental studying on the process in the forming process of the friction welded joints, BP network is used to construct the neural network prediction system of the major technical parameters (friction-time, friction force and so on) and the capability of the friction welding joints. During the training of the neural network, the influence, which is caused by the various network parameters, on the error function is discussed emphatically and the traditional BP algorithm is improved by importing the re-adjusting coefficient fiand error function coefficient a. The forecast value can meet the actual value well.
In addition, using ultrasonic testing machine test the friction welding joints and the modern analyzing method -wavelet packet analysis is used to class the reflected echo scan signal into three sorts: good welding, un-welding and weak defect. After classing, the selected characters of signal by wavelet packet analysis and amplitude-frequency analysis are used to construct the classing-prediction neural network.
At last, in order to convenient for practice application, Visual C++ is applied to integrate these application programs into an application-software.
引文
[1] 张文钺，知识经济时代材料加工(焊接)和先进制造技术的地位与发展(2)，焊接2001年7月；
[2] 宁斐章，才荫先等，摩擦焊，机械工业出版社，1983年；
[3] 赵熹华，压力焊，机械工业出版社，1989年；
[4] 李志远，钱乙余，张九海，现代先进连接方法，2000年6月版，机械工业出版社；
[5] 袁增任．人工神经元网络极其应用，1999年10月版，清华大学出版社；
[6] 刘增良，模糊逻辑与神经网络，1996年5月版，北航出版社；
[7] 徐秉铮，张百灵，韦岗，神经网络理论与应用，1994年12月版，华南理工大学出版社；
[8] 张忠典，李严等，人工神经元网络法估测点焊接头力学性能，焊接学报，1997(1)；
[9] 崔朝宏，李午申，人工神经网络在焊接中的应用现状及发展趋势，焊接技术，2000年2月；
[10] (美)[A．S．潘迪]Abhijit s．Pandya，(美)[R．B．梅西]Robert B．Macy，神经网络模式识别及其实现；
[11] 方平，谭义明，吴禄，张勇，人工神经网络技术在点焊质量控制中的应用研究，《航空学报》2000年1月；
[12] 梁玉红，吴步宁，神经网络在涡流检测信号处理中的应用，无损检测2000年12月；
[13] Messler, Retal, Intelligent control system for resistance spot welding using a neural networks and fuzzy logic, Conference Record-1 AS, Annual Meeting V2.1995;
[14] Osman, K.A. etal, Monitoring of resistance spot welding using multi-layer Perceptions, Artifical Neural Networks in Engineering - Proceeding, Apr. 1994;
[15] C, L, TSAI etal, Analysis and Development of a real-time control Methodology in Resistance Spot Welding, Welding Research Supplement 1991;
[16] 张贵锋等，点焊控制方法的发展与动向，电焊机，1999(12)；
[17] 胡德安等，点焊控制方法研究，航空学报，1996(4)；
[18] 中国机械工程学会无损检测学会，无损检测概论，机械工业出版社，1993年12月；
[19] 张俊哲等，无损检测技术及其应用，科学出版社，1993年5月；
[20] 中国机械工程学会无损检测学会，超声波探伤，机械工业出版社，1989年12月；
[21] 北京市技术交流站，超声波探伤原理及其应用，机械工业出版社，1982年；
[22] Warren Liao and Jiawei Ni, An automated radiographic NDT system for weld inspection: Part1--Weld extraction, NDT&International, 1996,3;
[23] Thinobu SATONAKA and Kin-ichi MATSUYAMA, Reviw on inspection techniques for spot welds, Welding in the world, 2000,3;
[24] W. Masnata and M. Sunseri, Neural network classificaion of flaws detected by ultrasonic means, NDT&International, 1996,2;
[25] 赵松年，熊小芸，子波变换与子波分析，1996年12月版，电子工业出版社；
[26] 胡昌华，张军波，夏军，张伟，基于MATLAB的系统分析与设计——小波分析，1999年12月版，西安电子科技大学出版社；
[27] 杨福生，小波变换的工程分析与应用，科学出版社，1999年2月；
[28] 徐佩霞，孙功宪，小波分析与应用实例，中国科技大学出版社；
[29] 程正兴，小波分析算法与应用，西安交通大学出版社，1998年5月；
[30] 李建平，唐远炎，小波分析方法的应用，重庆大学出版社，1999年10月；
[31] 彭玉华，小波交换与工程应用，科学出版社，1999年9月；
[32] 刘贵忠，邸双亮，小波分析及其应用，西安电子科技大学出版社，2001年5月；
[33] 楼顺天，施阳，基于Matlab的系统分析与设计，1998年9月版，西安电子科技大学出版社；
[34] Yutaka Fukuoka, Hindeo Matsuki, Haruyuki Minamitani, Akimasa Ishida, A modified back-propagation method to avoid false local minima, Neural Network 1998,11。
[35] Charles W. Lee, Training feedforward neural networks:an algorithm giving improved generalization, Neural Network, 1997,10;
[36] 赵熹华，王宸煜，基于专家系统和神经网络的点焊工艺参数选择，焊接学报1998年12月；
[37] 龚敛，朱亮，Matlab 5．x入门与提高，2000年3月版，清华大学出版社；
[38] 丛爽，面向MATLAB工具箱的人工神经网络理论与应用，1998年11月版，中国科大出版社；
[39] 周明等，MATLAB图形技术、绘图及图形用户接口，西工大出版社，1999年11月；
[40] 陈怀琛等，MATLAB及其在理工课程中的应用指南，西安电子科技大学出版社，2000年1月；
[41] 徐昕，李涛，伯晓晨，MATLAB工具箱应用指南，电子工业出版社，2000年5月；
[42] 李强，赵伟，MATLAB数据处理与应用，国防工业出版社，2001年1月；
[43] 俞卞章，李志钧．金明录，数字信号处理，1998年8月版，西工大出版社；
[44] 蔡红生，汪毅，王传玉，对焊缝中缺陷类型的超声识别，无损检测2000年9月；
[45] 虞和济．陈长征，张省，周建男，基于神经网络的智能诊断，2000年5月版，冶金工业出版社；
[46] 刘志俭等，MATLAB 应用程序接口用户指南，科学出版社，2000年8月；
[47] 张智星，MATLAB程序设计与应用，清华大学出版社，2002年4月；
[48] 陈夕松，基于MFC的ODBC数据库访问与编程，微计算机信息，1995(1)；
[49] 李天宏，马宏兵，利用MFC建立应用程序与ODBC数据库的动态连接，计算机应用，1998(6)：
[50] 张奔，基于ODBC的Visual c++应用程序设计研究，计算机应用，1998(1)；
[51] 谢勇，Visual c++6．0 实例精通，2000年7月版，科学出版社；
[52] Robert D．Thompson，MFC 开发人员参考手册，机械工业出版社，1998年;
[2] 宁斐章，才荫先等，摩擦焊，机械工业出版社，1983年；
[3] 赵熹华，压力焊，机械工业出版社，1989年；
[4] 李志远，钱乙余，张九海，现代先进连接方法，2000年6月版，机械工业出版社；
[5] 袁增任．人工神经元网络极其应用，1999年10月版，清华大学出版社；
[6] 刘增良，模糊逻辑与神经网络，1996年5月版，北航出版社；
[7] 徐秉铮，张百灵，韦岗，神经网络理论与应用，1994年12月版，华南理工大学出版社；
[8] 张忠典，李严等，人工神经元网络法估测点焊接头力学性能，焊接学报，1997(1)；
[9] 崔朝宏，李午申，人工神经网络在焊接中的应用现状及发展趋势，焊接技术，2000年2月；
[10] (美)[A．S．潘迪]Abhijit s．Pandya，(美)[R．B．梅西]Robert B．Macy，神经网络模式识别及其实现；
[11] 方平，谭义明，吴禄，张勇，人工神经网络技术在点焊质量控制中的应用研究，《航空学报》2000年1月；
[12] 梁玉红，吴步宁，神经网络在涡流检测信号处理中的应用，无损检测2000年12月；
[13] Messler, Retal, Intelligent control system for resistance spot welding using a neural networks and fuzzy logic, Conference Record-1 AS, Annual Meeting V2.1995;
[14] Osman, K.A. etal, Monitoring of resistance spot welding using multi-layer Perceptions, Artifical Neural Networks in Engineering - Proceeding, Apr. 1994;
[15] C, L, TSAI etal, Analysis and Development of a real-time control Methodology in Resistance Spot Welding, Welding Research Supplement 1991;
[16] 张贵锋等，点焊控制方法的发展与动向，电焊机，1999(12)；
[17] 胡德安等，点焊控制方法研究，航空学报，1996(4)；
[18] 中国机械工程学会无损检测学会，无损检测概论，机械工业出版社，1993年12月；
[19] 张俊哲等，无损检测技术及其应用，科学出版社，1993年5月；
[20] 中国机械工程学会无损检测学会，超声波探伤，机械工业出版社，1989年12月；
[21] 北京市技术交流站，超声波探伤原理及其应用，机械工业出版社，1982年；
[22] Warren Liao and Jiawei Ni, An automated radiographic NDT system for weld inspection: Part1--Weld extraction, NDT&International, 1996,3;
[23] Thinobu SATONAKA and Kin-ichi MATSUYAMA, Reviw on inspection techniques for spot welds, Welding in the world, 2000,3;
[24] W. Masnata and M. Sunseri, Neural network classificaion of flaws detected by ultrasonic means, NDT&International, 1996,2;
[25] 赵松年，熊小芸，子波变换与子波分析，1996年12月版，电子工业出版社；
[26] 胡昌华，张军波，夏军，张伟，基于MATLAB的系统分析与设计——小波分析，1999年12月版，西安电子科技大学出版社；
[27] 杨福生，小波变换的工程分析与应用，科学出版社，1999年2月；
[28] 徐佩霞，孙功宪，小波分析与应用实例，中国科技大学出版社；
[29] 程正兴，小波分析算法与应用，西安交通大学出版社，1998年5月；
[30] 李建平，唐远炎，小波分析方法的应用，重庆大学出版社，1999年10月；
[31] 彭玉华，小波交换与工程应用，科学出版社，1999年9月；
[32] 刘贵忠，邸双亮，小波分析及其应用，西安电子科技大学出版社，2001年5月；
[33] 楼顺天，施阳，基于Matlab的系统分析与设计，1998年9月版，西安电子科技大学出版社；
[34] Yutaka Fukuoka, Hindeo Matsuki, Haruyuki Minamitani, Akimasa Ishida, A modified back-propagation method to avoid false local minima, Neural Network 1998,11。
[35] Charles W. Lee, Training feedforward neural networks:an algorithm giving improved generalization, Neural Network, 1997,10;
[36] 赵熹华，王宸煜，基于专家系统和神经网络的点焊工艺参数选择，焊接学报1998年12月；
[37] 龚敛，朱亮，Matlab 5．x入门与提高，2000年3月版，清华大学出版社；
[38] 丛爽，面向MATLAB工具箱的人工神经网络理论与应用，1998年11月版，中国科大出版社；
[39] 周明等，MATLAB图形技术、绘图及图形用户接口，西工大出版社，1999年11月；
[40] 陈怀琛等，MATLAB及其在理工课程中的应用指南，西安电子科技大学出版社，2000年1月；
[41] 徐昕，李涛，伯晓晨，MATLAB工具箱应用指南，电子工业出版社，2000年5月；
[42] 李强，赵伟，MATLAB数据处理与应用，国防工业出版社，2001年1月；
[43] 俞卞章，李志钧．金明录，数字信号处理，1998年8月版，西工大出版社；
[44] 蔡红生，汪毅，王传玉，对焊缝中缺陷类型的超声识别，无损检测2000年9月；
[45] 虞和济．陈长征，张省，周建男，基于神经网络的智能诊断，2000年5月版，冶金工业出版社；
[46] 刘志俭等，MATLAB 应用程序接口用户指南，科学出版社，2000年8月；
[47] 张智星，MATLAB程序设计与应用，清华大学出版社，2002年4月；
[48] 陈夕松，基于MFC的ODBC数据库访问与编程，微计算机信息，1995(1)；
[49] 李天宏，马宏兵，利用MFC建立应用程序与ODBC数据库的动态连接，计算机应用，1998(6)：
[50] 张奔，基于ODBC的Visual c++应用程序设计研究，计算机应用，1998(1)；
[51] 谢勇，Visual c++6．0 实例精通，2000年7月版，科学出版社；
[52] Robert D．Thompson，MFC 开发人员参考手册，机械工业出版社，1998年;