（机械电子工程专业论文）基于神经网络的焊接机器人co2保护焊工艺参数优化.pdf

基于神经网络的焊接机器人c 0 2 保护焊工艺参数优化 摘要 本文从c 0 2 保护焊技术的发展需要出发，为了更好地对焊缝几何形状进行预 测，提出了建立c 0 2 保护焊接参数优化系统的必要性和实用性。为了较好地解 决c 0 2 保护焊接工艺参数与焊缝几何形状之间的非线性映射问题，克服建立数 学模型的困难，本文利用人工神经网络处理的非线性特点以及其在自组织学习与 模糊推理等方面的技术优势，提出了将神经网络技术引入到系统中，建立一个基 于神经网络的参数优化系统，为c 0 2 保护焊焊缝几何形状预测开辟了一条新的 路径。 对网络训练样本的采集，本文提出了采用正交试验设计的方法来安排试验， 数据处理采用极差分析法，并用实例进行了验证，保证了获取训练样本的代表性。 对于网络结构各参数的确定，本论文通过调用m a t l a b 软件中的神经网络工具 箱来仿真训练建立起来的b p 神经网络，通过不断的调整，获得理想的参数。 本文中参数优化系统的开发采用模块化设计，在w i n d o w s 环境下以v c + + 作 为开发工具，采用面向对象的设计方法进行开发，建立了人机交互界面、网络训 练模块以及数据仿真模块。在网络训练模块中，可以完成b p 网络的建立、系统 参数设置、样本数据调入和网络训练，并把训练好的网络保存起来。训练过程中 的具体的计算由自定义的c ma _ 晡x 类来完成。数据仿真模块则可以调用训练好的 网络和需要仿真的数据完成数据仿真。运行程序完成了掰络训练模块和数据仿真 模块，从而可以完成焊缝几何形状的预测，实现焊接参数的优化。整个系统的建 立过程为其他领域参数优化系统的开发提供了可借鉴的思路和方法。 关键词：人工神经网络正交试验设计法m a t l a b 神经网络工具箱b p 算法 o p t i m i z a t i o no ft b c h n i c sp a r a m e t e r so fw e l d i n gr o b o tc 0 2g a s p r o t e c t i n ga n dw e i d i n gb a s e do n t h en e u r a ln e t w o r k a b s t r a c t ho r d e rt o 血n 1 1 e rf b r e c 硒tm eg e o m e 砸c a lf i g u f eo f w e l d i i l gl i n e ，m ep a p e rp u t sf o r w a r dt l l e n e c e s s i 时a 1 1 dp m c t i c a b i l i 舛o ft l l ep a m m e t c ro p t i i i l i z a t i o ns y s t e mo fc 0 2g a sp r o t e c t i n g 柚d w e l d i n gb a s e do nm ed e v c l o p m e n td e m a n do fc 0 2g a sp r o t e c t i n ga l l dw e l d i n gt c c l l i l o l o g y u t i l i z i l l gm er l o n - l i n e a rf e a n l r eo fa m 6 c i a ln e u r a ln e t w o r k sa i l di 乜t e c h n 0 1 0 9 ya d v 柚t a g ei n s e l o o 唱a n i s es t i l d ya l l df h z 巧r e a s o n i i l g ，t 1 1 ep a p e fi n 仃0 d u c e sm en c m ln c 押o r k st e c h n o l o g yi n t o m i ss y s t e i i l ，b u i l d sap a r a m e t e r0 p 涮z a t i o ns y s t e mb a s e do n 也en e u r a ln e t w o r k sf o rm es a k e0 f f l l 曲盯r e s o l v i n gn o n 1 i n e 缸m a p p i l l gp m b l e me ) 【i 蚯n gb c t w e 如0 0 2g 船p r o t c c 恤1 9 舡l dw e l d i n g t e c l l r i i c sp a 姗c t 盯a n dg e o m e 喇c a l 矗g u r co fw e l d j n gl i n c 锄d0 、，豇c o m i i l gd i f f i c u l t yi i lb u i l d i i l g m a t l l e m a t i c sm o d e l _ t h ep a p e rp i o n e e r san e ww a yf b rf o r e c 船t i i l gt l l e g e o m e 伍c a lf i g i l mo f w e l d 岫gl i n eo f c 0 2g 髓p r o t c c t i n g 锄dw e l d i i l g f o rc 0 1 l e c t i i l gt h en e m o r kt m i n i n gs t y l e b o o k s ，1 1 1 ep a p c ra d o p t sm eo m l o g o 皿1 “把m o dt o a r i 彻g ee x p e r i m e n t a t i o n 如dt l l er 锄g c 粕a l ”i st od e a lw 汕也ed a 上a ，t e s t m e si tb yme x a i 】叩i ea n d a s s u r e s 吐l er e p r c s e n 诅t i o no f 山o s et r a m i l l gs t y l e b o o k s f o rc o 耐l m 五n gm ep a r a i n e t e r so fm en e 咖r k 咖c t u r c ，m ep a p e rs i i i m l a t e s 柏d 衄l 血st l l e b u i l tb pn e u r a ln e t w o r kb yu s 血gm en e 啪ln e t w o r kt 0 0 1b o xo f m a t l 曲s o f c w a r ea n da t t a i l l si d e a l p a r a m e t e r sw i t l lm em c e s s a ma d j u s t m m 。p a p e rm ed e v e l o p m e mo f p a 舢e t e ro p t 蜥z a t i o ns y s t e ma d o p t sm o 山d 撕髓t i o nd e s i g n ， u s e sv c + + a sd e v e l o p m e mt 0 0 1u l l d e rw i n d o w sc i l v i r o 姗e n t ，a d 叩t sd e s i g nm e m o df k i i l g o b j e c t ，b u i l d sm a n - m a c h i n em u t l l a li n t e r f a c e ，n e 铆o r k 廿a 抽i l l gm o d u l ea n dd a t as i n l u l a t i o n m o d u l e i n 血en e t 、o r kt m i l l i n gm o d u l e ，c o m p l e t em ei n s 诅m t i o no fb pn e t w o r k ，m es e t t i n go f s y s t e m i cp a r a r n e t e r s ，t l l ei n p u to fs t y l e b o o kd a t a 锄dt h e 仃a i l l i i 培o f m en e t w o r k ，s a v e sm et r a i n e d 琳t w o r k t h ec m a 缸xc 1 船s ，w h i c hi su s e “e 丘n e d ，c 0 唧舱t e sc o n c r e t ec a l c u l 撕0 nd u r h l g l c c o u r s eo f 自阻i n m g t h ed a t as 证m l a 石o nm o d l l l ec a ni n p u tt 1 1 e 胁e di l e t w o r ka n ds 血m l a t e dd a t at o c o m p l e t ed a 协s i n m l a 虹0 n 凡mm ep f o g r a m 柚da c c o 玎叩l i s hn e o r k 魄蛐gm o d u l ea n dd a t a s 证m l a t i o nm o d u l e ，n l c 肌c o m p l e t et h ef o r e c a s to fg e o m e 扛i c a lf i g u 鹏o fw e l d i n gl i n e ，r e “i z e t h eo p t i l l l i z a 畸o no fw e l d i l l gp a r a m e t e r s t h eb u i l d i n gp r o c e s so ft l l ew h o l cs y s t e mp r o v i d e s a v a i l a b l e t l l o u g h t 皿d m e t l l o d f 撕廿l ed e v e l o p m e m o f p a f a i n e t e r 叩d i l l i z a t i o n o f 弛e r d o m a i n s k e yw o r d s ：a n i f i c i a ln e u m ln e 押o r k s ，o r d l 0 9 0 啦lm e i l l o d ，n e m ln e t w o r kt 0 0 1b o xo fm a n a b ， b pa 订m m e t i c 合肥工业大学 本论文经答辩委员会全体委员审查，确认符合合肥工业大学 硕士学位论文质量要求。 主席： 委员： 老嵫名j l j 址天哥 导师： 答辩委员会签名 牲嚷呸躺、静吾名屯琢弓 矛涨、律导名如工旦曙 割爱授觎墟错 教碰舶塔乎 矗1 牮一 i n 、孑 插图清单 图l - 1 人工神经网络示意图7 图2 1 系统网络模型结构1 5 图2 2b p 网络结构示意图1 6 图2 3b p 网络的神经元的激活函数的图像1 7 图2 - 4 局部最小示意图2 3 图3 1 正交表b ( 3 4 ) 的代号和含义2 6 图3 29 个样本的分布2 8 图4 一l m a t l a b 训练衄线4 0 图5 - lc 0 2 保护焊接参数优化系统的总结构图4 1 图5 2 c 0 2 保护焊接参数优化系统的人机界面窗口4 2 图5 3 建立神经网络4 3 图5 4 系统设置4 3 图5 5 训练数据4 h 4 图5 6 c 0 2 保护焊训练样本集4 4 图5 7 训练结果4 4 图5 8 c 0 2 保护焊网络训练结果4 5 图5 9 经过训练得到的b p 网络4 5 图5 1 0 网络训练模块工作过程4 6 图5 1 1 数据仿真模块4 6 图5 一1 2 数据仿真模块模型结构4 7 表格清单 表3 一ll 4 ( 2 3 ) 2 7 表3 2 实验数据清单3 l 表3 3 可控因素水平表3 2 表3 4 正交实验设计结果极差分析表3 3 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据 我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的 研究成果，也不包含为获得 金蟹工业盍堂 或其他教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢 意。 学位论文作者签名： 签字日期：知? 侔朋知日 学位论文版权使用授权书 本学位论文作者完全了解盒胆王些盍堂有关保留、使用学位论文的规定，有权保留并 向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权金壁 兰些态堂可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩 印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名 饪桶 签字日期：o 件r 月山日 学位论文作者毕业后去向 工作单位： 通讯地址： 导师签名：玉 签字日期：6 r 年厂月庐阳 电话 邮编 致谢 本文是在尊敬的导师刘志峰教授的精心指导下完成的。在我研究生学习期 间，导师对我的言传身教，关心入微，爱护备至。刘老师渊博的知识，开阔的 视野，敏锐的洞察力，严谨的治学态度，求实创新的工作作风，永远是我学习 的榜样，也将始终引导和激励着学生在科学技术的店堂里探索前进。刘老师令 人敬佩的人格品质，平易近人的处世方式也为学生树立了为人的榜样。学生所取 得的每一点点成绩和每一次的进步，无不凝聚着老师大量的心血，在此成文之 际，谨向刘老师致以最崇高的敬意和衷心的感谢。 感谢桂贵生老师，江吉彬老师，宋守许老师，王淑旺老师给予我的关心和帮 助，感谢他们给予我科学的思维方式和团结合作工作精神的熏陶以及在课题研 究过程中给我的指导、帮助和大力的支持。 感谢黄海鸿，郭伟祥，潘君齐，戚赞徽，张雷等博士，张良，胡蓓玲，袁帅， 吕义，熊巨涛，周后贵等硕士在生活和学业上给予我的支持和帮助，感谢他们 在我科研和完成此文的过程中所提供的支持和宝贵意见。 感谢马世典，黄福光，葛海龙，胡振等同学，使他们是我的求学生活充满了 欢声笑语，他们将是我永远的挚友。在此也为他们深深的祝福。 感谢我的父母，姐姐多年以来在精神上和经济上给予我无私的支持，没有他 们的支持，我不可能完成我的学业，衷心感谢他们。同时感谢一直支持我的女 友。 感谢所有给予我支持和帮助的老师，同学和亲友。 作者：倪楠 2 0 0 5 5 1 0 第一章绪论 1 1c 仉气体保护焊 c o z 气体保护焊是一种低成本的高效能的焊接方法。早在五十年代初期，苏 联和日本等国学者就研究成功了c o ：气体保护焊。随着对其研究的深入和相关技 术的发展，它已经成为了一种重要的熔化焊方法，适于管道、压力容器和金属 结构等构件的焊接。在一些主要的工业国家，如美、俄、英、德和日本等国， c 0 。气体保护焊已占6 0 7 0 ，广泛的用于造船、汽车制造等工业。 在我国，c o ：气体保护焊也得到了快速的发展，在我国工业中逐渐推广使用， 特别是在“八五”规划中，国家将c o ：气体保护焊作为一项大力推广项目。当前 我国的许多基础项目如公路、桥梁、铁路、机场建设及石油管道、天然气管道 等都急需c 0 2 气体保护焊焊接技术。【1 】 二氧化碳气体保护焊就是用二氧化碳作为保护气体，依靠焊丝与焊件间产 生的电弧来熔化金属的一种气体保护焊方法( 简称c 0 2 焊) ，在c 0 2 气体保护 焊焊接时，保护气体从焊枪喷嘴中连续不断地喷出，机械地将空气与焊接区隔 绝，使电极端部、弧焊区和熔池金属处于保护气罩内，形成局部气体保护层， 从而保证焊接过程的稳定性，并获得质量优良的焊缝。 c 0 2 保护焊与其它焊接方法( 如埋孤焊、手工电弧焊等以渣保护为主的焊 接方法) 相比，具有以下优点： ( 1 ) 由于是明弧，所以施焊部位的可见度好，便于对中，操作方便。同时 便于进行全位置焊接。采用半自动焊时，可焊各种曲线焊缝。 ( 2 ) 电弧在气流的压缩下使热量集中，熔池体积小，热影响区窄，从而减 少工件焊后变形。 ( 3 ) 采用了气体保护，配合焊丝的自动送进，容易实现自动化，便于在自 动线中采用：并且抗锈能力较强，焊缝含氢量低，抗裂性能好。 ( 4 ) 由于c 0 2 气体价廉，使得焊接成本低于其他多种焊接方法，约相当于 埋弧焊和手弧焊的4 0 左右。 ( 5 ) 生产率高。这是因为c 0 2 电弧热量集中，电弧的穿透能力强，所以熔 深大，这就减少了焊接层数，角焊缝时的焊脚尺寸也可以相应减小；相同的焊 丝直径，c 0 2 保护焊较埋弧焊可采用高得多的电流密度，所以焊丝的熔化率高； 可以采用高速焊接；无焊渣，在多层焊时可以不必中间清渣。 ( 6 ) 采用细焊丝焊接时，可以解决手弧焊和气焊难以解决的落板烧穿问题 及减少工件的焊后变形。 c 0 2 保护焊由于本身所具有的特点，已广泛应用于多种材料的焊接，它不 仅可以焊接低碳钢，而且可以焊接低合金钢，低合金高强度钢，在某些情况下 也可以焊接耐热钢及不锈钢。在焊接不锈钢时，由于焊缝有增碳现象，影响抗 晶间腐蚀性能，所以只偶尔用于对晶问腐蚀要求不高的情况下，同时它的表面 成形不如氩弧焊。 适宜采用c o ：保护焊的材料厚度范围较大，最薄的目前焊到o 8 毫米，最 厚的焊到1 5 0 毫米左右。视具体的c 0 2 保护焊方法的不同，合理的应用范围也 不同。如细丝c 0 2 保护焊( 焊丝直径1 2 m m ) 适宜焊接o 8 4 毫米的薄板，粗 丝( 焊丝直径1 2 m m ) 和药芯焊丝适宜焊接中厚板；而窄间隙焊接法在焊接 大于5 0 毫米的厚板时则显示了优越性。 c 0 2 半自动焊用于短焊缝及曲线焊缝的焊接，采用短路过渡焊接时，可以进 行全位置焊接。对于长的直缝和环缝，一般都采用c 0 2 自动焊。c 0 2 自动焊主 要用于水平位置的焊接，在有特殊装备的情况下，可以进行立焊和横焊。 c 0 2 保护焊还用于耐磨零件的堆焊，如曲轴和锻模的堆焊，铸钢件及其它焊 件缺陷的补焊以及异种材料的焊接，如球墨铸铁与钢的焊接等。 此外，c 0 2 保护焊还可以用于水下焊接。 1 2 焊接机器人的应用现状和发展趋势 1 2 1 焊接机器人系统 1 2 1 1 焊接机器人 焊接机器入是典型的机电一体化高科技产品，功能强大、操作简便。使用 者通过对机器人示教，教会机器人焊接作业，即生成作业程序，然后机器人就 按程序进行焊接生产。机器人中可存储多个程序，根据不同的焊接对象调用不 同的程序。机器人般由机器人机械本体、控制柜、示教盒三部分组成。当前 焊接机器人主要为示教再现方式。使用者通过示教盒对机器人示教，编制程序； 控制柜按照程序的要求向机器人发出指令驱动信号控制机器人动作；机器人进 行动作完成作业内容，同时向机器人反馈动作状态信号【2 】。 焊接机器人多为交流伺服驱动、6 自由度垂直多关节机构型式。上面的三个 关节组成了类似手腕的结构，而下面三个关节主要确定手腕的位置。机器人在 实际工作中有一个动作控制点，具体到焊接机器人中就是焊枪焊丝的尖端点， 机器人在工作中要保证尖端点按要求的轨迹运行，同时还要实现对焊枪的姿态 控制，即位姿控制。机器人进行直线或圆弧运动，就是控制点的运动轨迹。实 际上为了实现位姿控制，甚至只是姿态变化也往往要求机器人的6 个轴同时协 调动作【3 】。此外，对机器人的动作还有速度控制。这几方面的综合控制，就满 足了焊接的动作要求。机器人的每个轴由伺服电机带动，伺服电机可分别按指 令要求的速度、加速度、转角进行运动。 控制器主要由主控、伺服驱动、内置p l c 等部分组成。除了控制机器人动 作外，还进行输入输出控制等。主控部分按照示教盒提供的信息生成工作程序， 并对程序进行运算，算出各轴的运动指令，交给伺服驱动；伺服驱动部分处理 2 从主控来的指令，产生伺服驱动电流，驱动伺服电机；内置p l c 则主要进行输 入输出控制，在机器人进行作业的时候，通过输入输出接口，给焊机发出焊接 指令，并监控焊机的工作情况，同时还可对周边装置进行控制。 示教盒是操作者与机器人间的主要交流界面。操作者通过示教盒对机器人 进行各种操作、示教、编制程序。并可真接移动机器人；机器人的各种信息、 状态通过示教盒显示给操作者。此外，还可通过示教盒对机器人进行各种设置。 作业程序中包括有运动命令、焊接命令、输入输出命令及其他控制命令。 可以对作业程序内容进行编辑修改。 1 2 1 2 焊接机器人系统 焊接机器入系统由焊接机器人、焊接电源、工装夹具、变位器及其它周边 设备及系统控制等部分构成。 焊接机器人具有丰富的焊接功能，可与各种不同焊接方法的焊机相配。目 前一些主要焊机厂家的焊机都配备有与机器人的接口，机器人在焊接中可按程 序的设置随时向焊机发出各种焊接电流、电弧电压的指令，并从焊机接受各种 焊接状态信号对焊接过程进行监控。焊接机器人具有的各种焊接功能，使焊接 作业更加方便、快捷。 为保证焊缝质量，要求弧焊机器人有较高的重复定位精度。目前弧焊机器 人的重复定位精度一般为0 1 m m ，s g m 的u p 一6 达到了o 0 8 m m 。为弥补工件一 致性及定位精度的不足，焊接机器人还具备如焊缝跟踪、起始点检测等功能供 用户选用 4 1 。 对于不同的作业对象，即焊接不同的工件，工装夹具及周边设备有很大的 不同。由于机器人是按照固定的程序工作，为了保证有较好的焊接效果，必须 使工件有很好的定位。因此除了要求机器人有较高的精度外，还需设计并加工 调试好夹具。焊接夹具要求定位准确稳定、装卡方便、可靠耐用，对于多工位、 多工件系统，要求夹具的更换或工位的切换简单方便。由于机器人焊接系统的 特点，对工件的装卡特别需要注意将工件焊缝部分置于易于焊接的位置，并且 避免夹具与机器人运动的干涉。此步 在工位的布置上应考虑操作人员的安全性。 这里需要指出的是，进行焊接的工件，应满足一致性要求，否则将影晌焊接效 果。 焊接变位机也常在机器人焊接系统中使用。焊接变位机的变位方式有固定 变位式和连续运转式。连续式变位机使用伺服电机驱动，可实现与机器人的协 调动作控制，以满足复杂轨迹焊缝的焊接，对于一些大型工件，还可在机器人 下面加装行走机构以扩大机器人的活动范耐5 1 。 根据系统的大小、复杂程度及设计特点，系统控制有计算机控制、p l c 控 制和机器人控制器控制等方式。由于机器入控制器里一般有内置p l c ，也可独 自完成对较小系统的全部控制任务。系统控制器对机器人和周边装置进行统一 的控制、管理，采集传感器信号，对整个系统进行监视。如果在作业中有异常 信号出现，控制系统将报警并停止全部作业。控制系统主要进行的监控任务有 工作设备是否准备好、工件是否到位、是否夹紧、工作过程各工作条件有否异 常、有无人员进入工作区等，在需要的情况下还将进行记录。 1 2 。2 焊接机器人的应用现状 工业机器人作为现代制造业主要的自动化装备，己广泛应用于汽车、摩托 车、工程机械、电子信息、家电、化工等行业，主要用于完成焊接、装配、搬 运、加工、喷涂、码垛等复杂作业。日本、北美、欧洲、韩国等工业经济发达 地区是工业机器入生产和应用的主要地区。据统计，目前全世界已有近1 0 0 万 台机器人投入使用，其中用于完成各种焊接作业的焊接机器人占全部机器人的 4 5 以上【6 】。在我国，人工焊接仍然占据焊接作业的主导地位，人工施焊对焊接 工人经常会受到心理、生理条件变化以及周围环境的干扰。在恶劣的焊接条件 下，操作工人容易疲劳，难以较长时间保持焊接工作稳定性和一致性，而焊接 机器人则工作状态平稳，不会疲劳。因而，选择应用焊接机器人对产品进行焊 接可以实现用稳定一致的工艺条件确保产品焊接强度和满足产品各项性能指标 的要求，同时满足焊缝成型良好的产品外观质量要求。 焊接机器人的应用，不但改善了劳动环境、减轻劳动强度、提高生产效率， 更主要原因是焊接机器人工作的稳定性和焊接产品质量的一致性，这对于保证 批量生产的产品焊接质量至关重要。因此，汽车制造业成为焊接机器人应用的 主要行业。国外一些年产2 0 万辆以上的大型汽车制造厂及其部件生产厂，一般 都有3 0 0 4 0 0 台各种类型的机器人在生产中服务。在汽车行业的机器人应用中 以焊接机器人和喷涂机器人为主，其中焊接机器人占7 5 以上【7 】。国际上发达 工业国家的机器人使用密度非常高，在汽车行业尤其如此，它是一般制造业机 器人使用密度的5 l o 倍。由于我国机器人技术发展的时间较短，无论是一般制 造业还是汽车制造业，其机器人的使用密度都非常低，所拥有的机器人数量同 工业发达国家的平均水平相比都还具有相当大的发展空间。我国企业为增强制 造业的竞争能力，提高装备水平和自动化水平，使用机器人进行焊接作业是促 进企业科技进步、改善企业形象、提高产品质量，实现用高新技术改造传统产 业的重要手段。因此，我国焊接机器人市场前景广阔、发展潜力巨大。庞大的 工业机器人市场吸引了包括瑞典的a b b 公司，日本的安川电机、o t c 、f a m7 c 、 川崎重工，德国的c d o o s 、r e i s 、k u k a ，意大利的c o m a u 、美国m i l e r 、 奥地利i g m 等世界主要机器人生产厂家纷纷进入中国【8 】。 截止到2 0 世纪末，我国实际拥有工业机器人约3 5 0 0 台，分布在全国7 0 0 多家企业，其中用于焊接作业的机器入总量在1 4 0 0 多台。和世界其它国家一样， 4 汽车、摩托车、工程机械制造业是焊接机器人的最大用户群，电子行业有少量 应用，其它行业目前应用数量更少。在焊接机器人中，弧焊机器人和点焊机器 人的应用范围最广、使用数量也最多。弧焊机器人与点焊机器人相比较。弧焊 机器人的使用数量略多于点焊机器人的装备数量。近年来机器人激光焊接、机 器人钎焊等其它机器人焊接也得到应用。 1 2 3 焊接机器人的发展趋势 1 人工智能应用于焊接机器人系统。由于存在很多不确定的因素，焊接过 程是一个典型的时变非线性系统，难以建立精确的数学模型。人工神经网络具 有很强的自适应、自学习能力。信息容量大、处理速度快、容错性好，因此二 者的结合已逐渐成为复杂智能系统的发展趋势。目前，神经网络已经应用于焊 接接头性能预测与监控、焊接工艺参数设计、焊缝成形控制、焊缝跟踪以及焊 接缺陷的检测等方面，具有很大的优势。因此，采用与模型无关的人工神经网 络或模糊控制技术更为合适。日本学者y 。s u g a 等采用b p 神经网络进行焊缝 图象信息的处理，从而在弧焊过程中实现焊缝的自动跟踪【9 1 。哈尔滨工业大学 借助于神经网络构成自学习模糊控制器，成功地实现脉冲g i a w 焊的正面熔宽 控制1 1 0 】。华南理工大学分别用b p 神经网络和模糊控制技术进行t i g 焊熔宽控 制【1 1 1 f 1 2 1 。 2 p c 机与焊接机器人的结合应用。近几年，随着微电子技术的大力发展， 以p c 机为代表的计算机软硬件得到了空前的发展，制造业也以建立f m s 为目 标，向“开放的工厂自动化”方向发展。为顺应这一趋势，焊缝跟踪控制系统 中弧焊机器人的控制器必须由专用的控制器向基于p c 机的开放通用型控制器 过渡。p c 机与焊接机器人的结合应用，不但能够解决专用控制器计算负担重、 实时性差等问题，同时能够将其他领域如图像处理、声音识别、最优控制、人 工智能等先进的研究成果应用到该系统的实时操作中。另外，p c 机具有良好的 开放性、安全性和联网性、标准的实时多任务操作系统、标准的总线结构及标 准接口等，可以打破机器人专用控制器结构封闭的局面，开发出结构开放、功 能模块化的标准化焊接机器人系统。系统中应用p c 机的方式一般是在原来的机 器人专用控制器中配置与p c 机通讯的总线及接口板，加上相应的通讯软件和开 发相应的应用软件及接口板，用户即可在p c 机上编程读取机器人跟踪焊缝的当 前位置，对机器人的运动进行实时控制，从而监控焊接机器人的工作状态。 3 多智能体焊接机器人系统的研究。目前的工业生产系统正向大型、复杂、 动态和开放的方向发展，为了解决传统工业系统和多机器人技术在许多关键问 题上遇到的严重挑战，将分布式人工智能和多智能体系统理论充分应用于工业 生产系统和多机器人系统，便产生了一门新兴的机器人技术领域多智能体 机器人系统。焊接是工业生产的一大领域，焊接机器入的发展基本上同步于整 个机器人行业的发展。所以，多智能体机器人的研究与发展将会很快应用于焊 接机器人领域。随着工业生产系统向大型、复杂、动态和开放的方向发展以及 焊接过程向高度自动化及完全智能化的方向发展，多智能体焊接机器人系统终 将成为热点的研究领域。但要把这些研究成果应用于生产实际，还有待做出更 大的努力。1 1 3 】 1 3 人工神经网络 1 3 1 人工神经网络的概述 人工神经网络a n n ( a n i f i c i a ln 锄ln e 柳o r k s ) 是以对大脑的生理研究成果 为基础的，其目的在于模拟大脑的某些机理与机制，实现某些功能。人工神经 网络是在对入脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行 为的一种工程系统，疆由人工建立的以有向图为拓扑结构的动态系统。它通过 对连续或断续的输入作状态响应而进行信息处理。早在本世纪4 0 年代初期，心 理学家m c c u l l o c h 、数学家p i n s 就提出了人工神经网络的第一个数学模型，从此 开创了神经科学理论的研究时代。其后，r r o s e n b l a t t ，w i d r o w 和h o p f 、 j j h o p f i e l d 等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃 发展。 人工神经网络是由大量类似于神经元的处理单元相互连接而成的非线性复 杂网络系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大 脑神经网络处理、记忆信息的方式完成人脑那样的信息处理功能。神经网络的 应用己渗透到模式识别、语音处理、机器人、专家系统等各个领域，并取得了 令人注目的成果。神经网络理论也成为涉及神经生理学、认识科学、信息科学、 计算机科学、微电子科学、光科学等多学科的新兴的、综合性的前沿学科【“】。 一、神经网络的基本原理 人工神经网络由许多小的处理单元互相联接而成，每个单元的功能简单， 但大量单元集体的、并行的处理活动在识别、计算时具有较快的速度。图卜l 是 一个简化的多输入、单输出的人工神经元的示意图。 其输入输出关系可以描述为： 暑= m _ + 岛 ( 1 一1 ) 肼= g ( 毛) 誓= ，( 箴) ( 卜2 ) ( 卜3 ) 式中：墨表示神经元所接受输入信号的总和；b 称为神经元的阀值；肼称 为神经元的状态；，( 工) 称为神经元的触发函数( 阀值函数) ，它将处理单元的 n 维向量( 输入) 映射到预定的输出范围内( 输出) 。 图卜1 人工神经网络示意图 每神经元接受来自其它神经元的刺激电平( 输入) ，该信息首先经可变强 度突触( 连接权值) 传入神经元，神经元分别进行求和并通过传递函数进行函数 变换。产生一个输出，此输出即为神经元的当前状态。常见的传递函数有下列 几种： 1 ) 线性函数 ，( x ) = 了 ( 1 4 ) 2 ) 阶跃函数 m ) = e 鬟 ( 1 _ 5 ) 3 ) s i g m o i d 函数( s 型函数) 一般没有内部状态并连续取值，其f o 特性常用对数或正切值等一类s 状曲 线来表示，这类曲线反映了神经元的饱和特性： 弛) 2 仃“) ( 1 6 ) u ， 4 ) 双曲正切函数： m m _ ( 矿叫一1 ( 1 _ 7 ) 其中，s 型函数在全域内是连续的，是最常用的传递卤数。 人工神经网络的信息处理功能是由神经元的输入输出特性和网络的拓扑结 构，即神经元的连接方式决定的。人工神经网络具有很强的容错性，即局部的 神经元损坏后，不影响全局的活动。人工神经网络所记忆的信息是存储在神经 元之间的权值中，从单个权看不出其存储信息的内容，是分布式的存贮方式。 人工神经网络具有十分强的学习功能，人工神经网络的连接权和连接结构都可 以通过学习得到。 二、人工神经网络的特点 纵观人工神经网络在各个方面取得的新进展和新成果，可以认为人工神经 网络具有以下特征： 1 ) 包含大量人工神经元，是一个大规模的复杂系统，且具有大量可供调节 的变量； 2 ) 实现了并行处理的机制，可提供高速处理的能力； 3 ) 分布式信息存储，可提供联想与全息记忆的能力； 4 ) 网络的拓朴结构具有非常大的可塑性，从而具有很高的自适应能力： 5 ) 具有超巨量的连接关系，形成高度的冗余，因而具有很强的容错能力； 6 ) 既可以用数字方式实现也可以用模拟方式实现； 7 ) 人工神经网络是一类大规模的非线性系统，这就提供了系统自组织和协 调的潜力： 8 ) 人工神经元通常很简单，并可以通过集体计算来解决问题。 显然，人工神经网络的这些特征正是人们长期追求的系统特征：正因为如 此，它才吸引了众多学科领域的研究工作者的注意。 三、人工神经网络的学习 人工神经网络的学习可以分为有导师学习和无导师学习两大类。 ( 1 ) 有导师学习 亦称监督学习，它需维持一批正确的输入输出数据对。将输入数据加载到 网络输入端后，把网络的实际响应输出与正确的期望输出相比较得到误差，然 后模拟误差的情况修改各连接权，使网络朝着能正确响应的方向不断变化下去； 直到实际响应的输出与期望的输出之差在允许范围之内。这种算法通称误差修 正算法。b p 算法是这类算法的代表。 虽然有导师训练从生物神经系统的工作原理来说，因难以解释而受到一定 的非议，但是，目前看来，有导师学习却是非常成功的。 ( 2 ) 无导师学习 亦称无监督学习， 迭代自组织学习 网络初始状态下，互联权值均设置为一小正数，通过反复加载这批输入数 据，使网络不断受到刺激，当与曾经历的刺激相同的刺激到来时，相应互连权以 某一系数增大，重复加入的同种刺激使相应的互连权增大到接近1 的某值。这一 自组织的方法，使网络具有某种“记忆”能力以至形成“条件反射”，当曾经 学习过的或相似的刺激加入后，输出端便按权矩阵产生相应的输出。k o h o n e n 的 自组织映射算法就是这类学习的代表。 竞争与抑制学习 这也是一种无导师学习方法，该模型将处理单元划分成几个竞争池，在不 同池之间有激励连接( 一般是双向的) ，而同一池的不同单元间有抑制连接( 对该 池中所有其它的单元) ，从而若外界对不同池的一个或几个单元施加刺激后，将 激活不同池中互联最强的一组单元，得到对该刺激的一个整体回忆。 四、人工神经网络的发展 人工神经网络( a n n ) 是随着神经科学与脑功能研究的发展而开始出现，并得 到迅速发展的。1 9 4 3 年，m c c u u o c h 和p i t t s 合作提出了神经元的m p m 模型，从此 开始了人工神经网络研究的新时代；1 9 4 4 年h e b b 提出h e b b 规则，1 9 5 7 年 r o s e n b l a t t 引入了感知器的概念，1 9 6 2 年w i d r o w 提出了a d a l i n e ，本世纪4 0 6 0 年代可以说是人工神经网络研究的第一个高潮。但是在1 9 6 9 年，由于m i n s k y 和 p a p e r 出版的p r e c e p t r o n 对a n n 的悲观结论，a n n 的研究一度处于低潮。直至 1 9 8 2 年，美国加州工学院物理学家h o p f i e l d 提出了h n n 网络模型，并引入了计算 能量函数的概念，a n n 的研究和应用才迎来了第二个高潮，同时人工神经网络理 论也得到了美、目、欧洲等国家的高度重视，目前世界上的相关科研机构、学 术交流、出版物都呈现迅速增长的趋势，各种神经网络模型层出不穷：b p 网、r b f 网、h o p f i e l d 网及b s b 模型、k o h o n e n 模型、a r t 模型等等，正在被模式处理与识 别、自动控制、图像与数据的压缩、模糊知识的处理、金融业与经济模拟、决 策评估与优化等诸多领域广泛应用。对于人工神经网络的研究，正在全世界范 围内掀起一股热潮，存人认为它不亚于二次世界大战期间对原子弹研究的狂熟。 f 1 5 1 1 3 2 人工神经网络在焊接中的应用【l 6 】 焊接过程具有高度非线性，多变量藕合且伴随有大量随机不确定因素的特 点，正是该过程的复杂性，随机性和不确定性，使得过程监测，性能预测和自 动控制极为困难，随着人工智能，计算机技术及信息科学的飞速发展，焊接过 程智能控制也取得了长足的进步。 由于人工神经网络在解决高度非线性和严重不确定性系统方面的巨大潜 力，使其在焊接领域的应用倍受青睐。目前，人工神经网络在焊接工艺参数设 计、焊接接头性能估测、点焊质量控制等方面都己获得较理想的效果【1 7 】。近年 来，国内外人工神经网络在焊接中的应用及开发呈现如下特点： ( 1 ) 从国内外神经网络在焊接中的应用类型看：焊接工艺参数选择和质量 检验类的应用较多，如：清华大学彭金宁等设计的用于确定焊接工艺参数的b p 网络模型，吉林工业大学开发的用于焊接工艺参数选择和质量检验的w p p n n 、 w p s n n 、n n l s 等。在焊接过程控制方面也有应用，如：美国学者w j m e s s l a r 等开 发的用于电阻点焊控制的a n n f u z z y 系统等。这也反映出焊接工艺选择、质量检 验和焊接过程控制三者的复杂性及其在焊接中的重要地位。 ( 2 ) 从国内外焊接神经网络的开发手段看：国外以现成的神经网络开发语 言如s m a l l t a l k 等作为开发手段。并己使用专用的神经网络开发系统，如n a t e c h n o l o g i e s 公司推出的名为n e u r a l t w o r k 的人工神经网络开发系统，可以 快速进行神经网络建模，网络最大输出参数可超过5 0 0 个；而国内的神经网络开 发由于开发软件水平条件的限制则较多使用c 或c + 十语言进行开发工作。 ( 3 ) 从国内外焊接神经网络的开发水平看：国外的研究水平较高，表现在 开发的综合性较强，不仅将神经网络技术与模糊控制、统计推理、专家系统等 多方面技术进行综合开发，而且使用的网络模型也不仅限于b p 网、h o p f i e l d 网、 a r t 网，因而开发出了批高水平的人工神经网络系统。而国内目前在神经网络 的综合开发方面实力仍然比较薄弱，且使用的网络模型也多限于b p 网一种。 ( 4 ) 从国内外焊接神经网络的研究成果来看：国内以清华、哈工大、天津 大学、甘工大、吉林工大等高校的研究和开发水平较高，部分成果l 得到应用； 国外则以日本、美国、英国的神经网络开发水平居高，尤共是日本不仅神经网 络的基础研究位居世界前列，而且神经网络在焊接领域的应用水平也居于世界 领先地位。 1 4 本课题研究的意义和内容 c 0 2 气体保护焊是应用最广的焊接方法之一，然而目前仍沿袭着手工作业 的落后模式，不适应现代企业高效运转的要求，而焊接机器人具有焊接性能可 靠、焊缝质量优良、焊接参数调整方便、生产效率高、柔性好等特点，可焊接 多种多样的产品，能灵活调整生产安排。使用焊接机器人进行生产，可大幅提 高产品质量，增强企业的竞争能力，同时，使企业的整体工艺水平跃上新台阶。 因此，及早了解并掌握焊接机器人的应用方法，并将焊接机器人积极地引入生 产对企业来说确实很有必要。 但是如何保证焊接机器人的焊接质量呢? 毫无疑问，焊接参数的选择最为 重要。但是c 0 2 气体保护焊是一个多因素相互作用的复杂过程，需要设置的参 数非常多。虽然在选择规范参数时，传统上是给出了一些依据和要求，如：根 据焊接位置、焊件厚度及生产率要求选择焊丝直径；根据工件的厚度、坡口的 形状、焊丝直径及熔滴过渡形式选择焊接电流，等等。但显然c 0 2 气体保护焊 焊接参数的选择是一个非常繁琐的过程。在参数多、依据多的情况下，操作者 往往显得手足无措，不得不依赖手册、说明书和焊接专家编制的工艺规程文件。 同时，目前常见的焊接质量测量方法只有两种：破坏性抽样检测和无损检测两 种。这些检测方法在生产过程中发挥着重要的作用，但它们都有很大的局限性。 破坏性抽样检测常用于大批量生产中，往往以试样的力学性能代表某一批实际 产品的相应指标。破坏性抽样检测存在一定的几率，不能完全保证同一批全部 产品的质量，而且也浪费了大量的财力和人力。无损检测同样有不足之处，如 通常必须借助熟练的实验技术才能对结果作出说明，检测的结果只是定性的或 相对的等等。因此，充分的利用人工智能，寻求一种使用简单的、快速的c 0 2 1 0 气体保护焊焊接参数选择及质量预测新方法已成为迫切需要。 如何从已有的实验数据中获得尽可能多的知识从而达到知识扩展的目的 昵? 以非线性并行分布处理为主流的人工神经网络理论的发展为此开辟了新的 途径。人工神经网络是以连接机制为基础，在缺乏清楚表达的规则或精确的数 据时，仍可产生合理的输出结果。它具有自组织、自学习、模糊性和容错性等 特性。因此我们可以将大量的c 0 2 气体保护焊焊接参数与接头质量的实验数据 提供给神经网络学习，通过其非线性映射的泛化能力自动抽取所学习知