资源描述
人工神经网络超声波测试电阻点焊的质量控制scar Martn*, Manuel Lpez, Fernando Martn西班牙巴利亚多利德大学摘 要人工神经网络通过脉冲反射波的方法来解释超声波波形图的获得问题。人工神经网络分类根据在几个不同性质阶段其焊接处斑点耐性超声波示波图来决定。基于MATLAB计划的帮助下，投入人工神经网络的载体在每个超声波波形图中通用。人工神经网络的培训利用监督学习的机制，因此每个输入都对应各自的输出(目标)。有四个目标，一是审议质量水平。现有的数据集随机分为训练集(更新权重值)和一个验证子集(以防止过度的方式交叉验证)。在一些神经元的隐层考虑选择过度的现象。这项研究工作的目的是促进自动化，在质量控制过程中保障电阻点焊的质量。 2006 Elsevier B.V. 版权所有。关键词：电阻点焊；无损检测；超声波示波图；质量控制；人工智能网络221. 导言电阻点焊(RSW)广泛应用于汽车行业焊接加工钢板1,2。利用可靠的质量控制系统的最优化和精致调谐可以大量减少焊接斑点， 脉冲回波法是一种超声波非破坏性测试技术适用于质量控制的RSW5,6。通过这个方法获得每个点焊超声波波形。估算质量水平的上述点焊。超声波波形有时很难解释，由一个人或几个专家很长一段时间的研究一再解释示波图。自动化的解释超声波示波图将提高科技应用质量。控制性能的RSW 。人工神经网络(ANN) 这是数学模型的行为模仿人类中枢神经系统，从而有一个平行的，分散性和适应性，加工能力映射的非线性和复杂系统，其中回归方法有其局限性8-10。出于这个原因，人工神经网络被广泛应用于模式识别任务11-15。解释每个超声波形，以各自的分类点焊某质量水平，是一个模式识别问题，因此神经网络建议进行自动化的解释超声波示波图。一个人工神经网络，就像一个人，学习的方式培训。 有监督学习机制中使用的培训人工神经网络在其中一组输入/目标对利用(一的目标是所需输出各自有一定的输入)。在培训， 突触权重(每一个环节有一个神经元之间突触重量附加)不断调整，以减少错误。实验之间的产出和各自的目标，直到一定值的误差不在实现16。2. 实验程序2.1 材料和设备化学成分和力学性能的钢板分别显示在表1和表2。板厚度为1毫米。在电阻点焊进程中的参数(单相交流50赫兹设备)：表1化学组成钢板(wt.)表2力学性能的钢板电流强度变化在4到8KA RMS17,8之间。记录的作用围绕五个理论上的值(4，5，6，7和8KA RMS)。焊接时间变化在4到20周期17,18。该记录的值围绕九个理论值(4，6，8，10，12，14，16，18和20周期)。电极排序取决于铜合金分类及用于合金的热/机械治疗。选用两个铜合金种类(Cu-Cr合金和铜-钡18)三个热/机械治疗19,20，因此有6个电极种类。电极力稳定在980.7 N。超声波点焊检测传感器采用延迟圈养水柱和一个替换用的橡胶膜，以对焊缝表面提供良好的耦合。传感器频率为20MHz，直径为4.5毫米。2.2 投入的人工神经网络 二进制信号与每个超声波波形图之间的转化在输入的人工神经网络通过一个基于MATLAB计划4。输入的人工神经网络必须代表各自的超声波波形15，因此，转型计划必须考虑主要因素的特点，即描述超声波波形图5：衰减的超声波和一个层回声是最主要的回声(超声波束引起的反映是发生在接口两张薄板之间)。另一方面，输入绝不能太复杂，以避免人工神经网络复杂化和使用冗余数据。对超声波波形的决定，取决于投入大小是多少。少于6个回波，则太少不具有代表性。超过六个的回声，则没有研究的意义。因此，折中的解决办法是取前6个超声回波波形和投入人工神经网络的10部分矢量。见图1)：图1 输入的 ANN与其各自的超声波波形图首五个组成部分的相对高度的回声：在第n个组件。 在过去的五年组件之间的距离连续回声：在第n个组成部分(n=6，10)之间的距离(n-4)次回声在(n-5)次回声的dn-5次。 2.3 现场焊接的分类和鉴定的超声检测 质量水平的点焊估计其各自的超声波形。估计是基于效果的焊核的位置焊缝的超声波。两个参数的焊核被认为是5：焊核的组织。阿焊核是铸态组织与粗颗粒比母材，因此，焊核生产高衰减比母材。热影响区(HAZ组织)是一个小区域之间的焊核及家长金属。是的热影响区再结晶组织与罚款和等轴晶，生产低衰减。的影响，在各自的焊接超声波波形可以忽略不计。焊核的大小。单层回声之间似乎主要反映如果焊核直径小于宽度的超声束，以便思考的一部分，发生在两图之间的接口表。厚焊核产生更高的衰减比薄焊核。现场焊接分为四种可能的质量水平5,21和目标(一双组分载体)是分配给每一个22： 良好的焊接：(11)；焊缝尺寸不足：(01)；棒焊缝：(10)；无需焊接：(00)。2.3.1 良好的焊接(1) 焊核。在铸态组织的焊核呈粗颗粒状。焊核的密度足以产生高度的衰减。焊缝块直径大于超声束的宽度(图2和3)。图2 良好焊接横截面显微显示图3 良好焊接横截面显微显示(2) 超声波波形。连续的回声很短，这是因为高级声音衰减的铸态显微结构的厚焊核，在连续回波之间的距离是两层的合并厚度，因为超声波束反射发生在两层回声的外表面(图4)。图4 良好焊接的超声波波形图(左)及各自的人工神经网络输入值(右)2.3.2根据大小焊接(1) 焊核。焊缝块是铸态显微结构。焊缝块直径小于宽度的超声束(图5和图6)。图5 小尺寸焊接横截面显微显示图6 小尺寸焊接横截面显微显示(2) 超声波波形图。发生在两层主要回声上升一层次回声的接口的超声波束的反映(图7)。图7 小尺寸焊接超声波波形图(左)及其各自人工神经网络输入值(右)2.3.3 棒状焊缝(1) 焊核。焊核是铸态显微组织，它比焊核的良好的焊缝更薄。焊核直径大于超声束的宽度(图8和9)。图8 棒状焊缝横截面显微显示图9 棒状焊缝横截面显微显示(2) 超声波波形。在良好的焊接中连续的回声相对更长这是因为其衰减较慢。回声之间的距离为这两层的厚度(图10)。图10 棒状焊接超声波波形图(左)及其各自人工神经网络输入值(右)2.3.4 无焊缝(1) 焊核。没有溶化所以它的显微组织不是那么的粗糙(图11和12)。图11 无焊缝横截面显微显示图12 无焊缝横截面显微显示(2) 超声波波形图。回波序列是最长的，因为声音衰减非常低。因为两层中间的断痕回声之间的距离等于厚波层厚。图13 无焊缝示波图及其输入值2.4 人工神经网络模型2.4.1训练算法神经网络工具箱在MATLAB 6.1软件包用于模拟人工神经网络23,24。在目前的工作，用于反向传播的多层前馈神经网络。对于一支M层人工神经网络(包括输入层)，输出层神经元/层k+1是25：其中，a1=i, aM=oSk是k层神经元的数目，k+1(l,j)是突触的重量，fk+1是k+1层转移功能，i和o分别是人工神经网络的投入和输出。Levenberg - Marquardt算法(在MATLAB称为trainlm)是用来训练人工神经网络16,23,24。该算法的过程如下25-27：(I) 所有投入I q的人工神经网络和计算各自的输出oq和错误eq都有各自的对象tq：eq =tq-oq, q=1,Q (3)(II) 计算错误值的平方和V(x)，其中x是突触权重和偏见：(III) 计算Jacobian矩阵的J(x)：(IV) 取得x：(V) 重复计算V(x)使用x+x。如果这一新的V(x)小于步骤一的计算值，然后系数划分，设x=x+x回到步骤一，如果V(x)没有减少，那么乘以并返回步骤四(=10-3作为出发点和=10)。(VI) 同理，当V( x )减少到某些错误目标或当规范梯度小于一些预定值。得到如下公式：2.4.2 人工神经网络结构式样执行点焊接的数目是438超声波示波图来源于每个点焊。人类专家解释438波形图并指派了一个目标，验证拉伸剪切试验28-30抽样的10点为焊接的质量水平，分别是：良好的焊接：100(图14，曲线(a)。尺寸不足焊缝：100(图14，曲线(b)。棒状焊缝：80。有时从棒状焊缝很难区分焊接的好坏。事实上，这两个错误是两个很好的焊接(图14，曲线(c)。无焊缝：100(图14，曲线(d)。图14 荷载与位移曲线获得拉伸剪切试验(a)良好的焊接，(b)小尺寸焊接，(c)棒状焊接，和(d)无缝焊接。过度的现象可能会出现在训练时，人工神经网络记忆功能部分的训练数据，而不是建设投入产出映射。因此，过度的现象能够引起向下拉的能力的人工神经网络的推广。这些数据组织输入/目标。总数据有438组并且随意的分布在两组子集中：培训子集。通过376输入/目标训练的人工神经网络(Q=376)。在培训中，突触重量不断更新，以减少错误功能。验证子集。通过62输入/目标避免过度和实现良好的泛化方式的交叉验证。如果错误则培训停止，对验证集开始增加(早期停止)。这一程序运行与培训程序，但突触权重不更新。在一些神经元的输入和输出层的人工神经网络，分别为10和2(S1=10; S4= 2)。有两种隐层(M= 4)在每一个同样数量的神经元中。传递函数(f2,f3)的隐藏层(图15)是双曲正切函数(在MATLAB中称为tansig)，传递函数f4为输出层(图15)的身份功能(在MATLAB中称为purelin)23,24。为了确定隐层神经元数目，有必要考虑如果太少，神经元用人工神经网络是不是能够符合输入输出映射，但如果太多，可能会发生许多神经元的过度使用26。均方误差(均方差)是减少单调与越来越多的隐层神经元。验证微型和小型企业减少最初越来越多神经细胞中的隐层，只有在一定的价值达到时才审定微型和小型企业增加由于过度的现象24。表3显示，某些核心价值的神经元的隐层是7(S2=7；S3=7)。表3 隐层神经元的测定数目图15 双曲线正切函数和恒等函数3. 实验结果这样做的目的是让一支训练有素的人工神经网络能够进行专家的职能和从各自超声波波形图分类现场焊接的质量，因此人工神经网络必须有一个合适的功能进行推广。62输入向量用于交叉验证，用以推广以前训练的人工神经网络。实验结果是双组分载体。一个组成部分值在1 区间被视为1和一个组成部分的值在0 区间被视为0。其他值的组成部分被视为无效22(图16)。图16 有效性间隔组成部分输出载体62输入向量显示人工神经网络每个实验输出向量与其各自的目标比较(表4显示每一比较，它的成功，或失败，)。在这些比较中，成功率取决于它的准确程度，因此，依赖于区间半径()(图17)。如果0.25，成功率为100(图17)。一个明确的人工神经网络的分类是非常重要的，它比一个好的成功率更重要。人工神经网络能够区分实验输出载体是0和1之间的值。以及远离其各自的目标值 0.5的情况。 =0.5时毫不含糊的人工神经网络的成功率为100(图17)。有时候专家很难区分无缝焊接的好坏。这个问题可能会导致严重挫折。人工神经网络能够区分不同质量水平的两个类似的现场焊接(一个很好的焊缝和棒状焊接)，显示了良好的容错性。图17 成功率与间隔半径表4 人工神经网络中62输入向量训练数据分类4. 实验结论这项工作是实现超声波无损检测，质量控制，电阻点焊。神经元模型已经显示出其作为一种工具来进行自动化分类有效性，电阻点焊焊接通过各自波形图获得超声检测进行质量控制：通过人工神经网络能获得良好的结果的分类。人工神经网络适应性强，具有高度的健全性，因此它能够推广。选择的重要性在人工神经网络的输入中显得尤为重要，通过10个组分载体作为超声波波形图的代表，包含相对高度的回声和连续之间回声的距离，是适当的。参 考 文 献1 M.Jou. 实时监测焊接质量的电阻点焊制造, J.Mater出版社, 132 (2003) 102-1132 S.Agashe, H.Zhang. 选择的基础上热平衡点焊. J.82 (7) (2003) 197s-183s3 E. Bayraktar, D. Kaplan, M. Grumbach. 应用影响拉伸测试点焊表. J. Mater. 出版社, 153-154 (2004) 80-864 O.Martn, PhD Thesis. Ciencia de los Materiales e Ingeniera Metalurgica. 巴利亚多利德大学, 20045 T.Mansour. 超声波检测现场焊接. 美国工业的无损检测. 美国，1991, pp. 557-5686 D.J.Spinella, J.R.Brockenbrough, J.M. Fridy. 趋势铝电阻点焊的汽车业, 焊接. J.84 (1) (2005) 34-407 R.Jordan, F.Feeney, N.Nesbitt, J.A.Evertsen. 分类树种的神经网络分析的超声波信号. 超声波, 36 (1998) 219-2228 K.Hornik, M.Stinchcombe, H.White. 多层前馈网络神经, 2 (1989) 359-3669 N.S.Reddy, A.K.P.Rao, M.Chakraborty, B.S.Murty. 预测中的晶粒尺寸对Al-7Si合金的神经网络. 材料, Sci. Eng. A 391 (2005) 131-14010 A.Jiahe, X.Jiang, G.Huiju, H.Yaohe, X.Xishan. 人工神经网络预测的微观结构60Si2MnA棒根据其控轧控冷工艺参数. 材料, Sci.Eng.A 344 (2003) 318-32211 R.H.Silverman, A.S. Noetzel. 图像处理和模式识别神经, 3 (1990) 593-60312 A.Roy, P.Barat, S.K. De. 材料的分类. 通过神经网络. 超声波, 33 (1995) 175-18013 R.Wendel, J.Dual. 应用神经网络在定量无损评价. 超声波, 34 (1996) 461-465
展开阅读全文