（机械设计及理论专业论文）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.pdf

摘要 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b p 网络建立 了摩擦焊主要工艺参数( 摩擦时间、摩擦压力、项锻压力) 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b p 算法为基础，又引入“再调整”系数卢、误差函数系数口，形成了一 种新的b p 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b p 算法进 行网络训练，建立了基于b p 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( o ，0 ) 、( 1 0 ) 、 ( 1 ，1 ) 三类，对应于无缺陷信号、弱结合缺陷信号、末焊合缺陷信号。 用编程语言v c 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。 ， 关键字： 摩擦焊接头神经网络b p 算法超声无损检测 小波分析 摘要 a b s t r a c t t 1 1 ef r i c t i o nw e l d i n g am o d e m c o n n e c t i n gm e t h o d i su s e di nt h ev a r i o u sf i e l d s m o r ea n dm o r e w i d e l ya n d s ot h es t u d yo ft h i sf i e l di sn o w b e c o m i n g m o r ea n dm o r e i m p e r a t i v e i nt h i sp a p e r , o nt h eb a s eo f a n a l y z i n ga n d e x p e r i m e n t a ls t u d y i n g o nt h ep r o c e s s i nt h ef o r m i n g p r o c e s so f t h ef r i c t i o nw e l d e d j o i n t s ，b pn e t w o r k i su s e dt oc o n s t r u c t t h en e u r a ln e t w o r k p r e d i c t i o ns y s t e mo f t h em a j o rt e c h n i c a lp a r a m e t e r s ( f r i c t i o n - t i m e ， f r i c t i o nf o r c ea n ds oo n ) a n dt h ec a p a b i l i t yo ft h ef r i c t i o nw e l d i n g j o i n t s d u r i n gt h e t r a i n i n go f t h en e u r a ln e t w o r k ，t h ei n f l u e n c e ，w h i c hi sc a u s e db y t h ev a r i o u sn e t w o r k p a r a m e t e r s ，o nt h ee r r o rf u n c t i o ni s d i s c u s s e de m p h a t i c a l l ya n dt h et r a d i t i o n a lb p a l g o r i t h m i si m p r o v e db y i m p o r t i n g t h er e a d j u s t i n gc o e f f i c i e n tf la n de i t o rf u n c t i o n c o e f n c i e n ta t h ef o r e c a s tv a l u ec a nm e e tt h ea c t u a lv a l u ew e l l i na d d i t i o n ，u s i n gu l t r a s o n i ct e s t i n gm a c h i n et e s tt h ef r i c t i o nw e l d i n gj o i n t s a n dt h em o d e ma n a l y z i n gm e t h o d - w a v e l e tp a c k e ta n a l y s i si su s e dt oc l a s st h e r e f l e c t e de c h os c a ns i g n a li n t ot h r e e s o r t s ：g o o dw e l d i n g ，u n - w e l d i n ga n dw e a k d e f e c t a r c rc l a s s i n g ，t h es e l e c t e dc h a r a c t e r so fs i g n a lb yw a v e l e tp a c k e ta n a l y s i s a n d a m p l i t u d e f r e q u e n c ya n a l y s i sa r e u s e dt oc o n s t r u c tt h ec l a s s i n g - p r e d i c t i o nn e u r a l n e t w o r k a tl a s t ，i no r d e rt oc o n v e n i e n tf o rp r a c t i c ea p p l i c a t i o n ，v i s u a lc + + i sa p p l i e d t o i n t e g r a t e t h e s ea p p l i c a t i o np r o g r a m si n t oa na p p l i c a t i o n s o f t w a r e k e y w o r d s ： f r i c t i o nw e l d i n gj o i n t sn e u r a ln e t w o r k b p a l g o r i t h m u l t r a s o n i cn o n - d e s t r u c t i v et e s t i n g w a v e l e t a n a l y s i s 第一章绪论 1 1 引言 第一章绪论 摩擦焊以其优质、高效、节能、无污染、工艺适应性广的技术特色，深受制 造业的重视，在航空、航天、核能、海洋开发等高技术领域及电力、机械制造、 石油钻探、汽车制造等产业部门一直有着广泛的应用。摩擦焊的新技术如超塑性 摩擦焊、线性摩擦焊、搅拌摩擦焊等在工程中的应用使摩擦焊在高新技术产业和 传统产业部门具有了更大的技术潜力和更广阔的市场应用前景。 计算机技术、信息处理、智能检测等高新技术的高速发展也为摩擦焊的研究 提供了有效的工具和手段。其中，神经网络技术具有突出的预测和分类功能；超 声无损检测可以在不破坏试件的前提下检测焊接接头缺陷：信号的小波分析技术 可以弥补以往使用傅利叶变换法处理信号的不足，达到对信号细节的“聚焦”和 提取。这些高新技术的应用使摩擦焊接技术正在以高新技术面貌展现在人们面 前。 1 2 摩擦焊卧脚 摩擦焊是一种压焊方法，它是在外力作用下，利用焊件接触面之间的相对摩 擦运动和塑性流动所产生的热量，使接触面及其近区金属达到粘塑性状态并产生 适当的宏观塑性变形，通过两侧材料间的相互扩散和动态再结晶而完成焊接的。 1 8 9 1 年，美国批准将摩擦焊作为焊接方法的第一个专利，当时是利用摩擦 热来连接钢缆。随后德国、英国、前苏联、日本等国家也先后开展了摩擦焊的生 产与应用。我国是世界上研究摩擦焊最早的国家之一早在1 9 5 7 年就实验成功 了铝一铜摩擦焊。 在摩擦焊焊接过程中，被焊的材料通常不熔化，仍处于固相状态。与熔焊相 第一章绪论 比，首先摩擦焊不会产生与熔化和凝固冶金有关的一些焊接缺陷和焊接脆化现 象；其次，摩擦焊的焊接过程中的轴向压力和扭矩对焊接表面及近区的作用能够 产生一些力学冶金效应( 如：晶粒细化、组织致密、夹杂物弥散分布、焊接表面 的“自清理”作用等) ；再者，摩擦焊的焊接时问短、热影响区窄、热影响区组 织无明显粗化。正是这些特点使摩擦焊能够得到与母材等强度的焊接接头，这也 是决定摩擦焊接头具有优异性能的关键因素。而且，摩擦焊的焊接过程中需要控 制的焊接参数也较其它焊接方法少，仅有压力、时间、速度、位移，所以该种连 接方法具有很高的可靠性。 虽然摩擦焊属固态连接，接头中不会出现与熔化、凝固有关的缺陷，但当材 料焊接性差、焊接参数不当或表面清理不好时，在摩擦焊连接界面上也会出现一 些“非理想结合”的宏观和微观缺陷，且缺陷一般具有二维、平面、弥散分布的 特征。 宏观缺陷 在摩擦焊接头中，宏观缺陷主要是指未焊合和大块夹杂。一般情况下，太块 的夹杂不易出现，而且未焊合缺陷的危险性也比夹杂大的多所以本文只讨论未 焊合宏观缺陷。 未焊合宏观缺陷一般位于结合面边缘，大部分沿摩擦方向呈月牙形，也有分 布在摩擦面中心或呈小块弥散分布。这种缺陷减少焊缝的承载面积，而且在加载 一开始就是一个现成的裂纹源，对焊缝的力学性能产生严重的影响。 微观缺陷 足以影响到摩擦焊接头性能的微观缺陷被统称为弱结合缺陷，它是以面状缺 陷形式分布在焊接界面的某一区域或整个焊接界面上的一种缺陷形式。这种缺陷 除了结合程度很差以外，往往伴随着微小夹杂物在结合面上的弥散分布。 弱结合缺陷对接头力学性能的影响与宏观缺陷是不同的。弱结合缺陷对焊缝 的抗拉强度几乎没有什么影响。但弱结合缺陷的存在会明显降低焊缝的冲击韧性 和疲劳强度。 当接头中出现非理想结合缺陷时，接头的抗断能力会下降几倍甚至几十倍。 以往使用的破坏检验虽然能够检验的缺陷种类较多，但检验设备庞大、材料浪费 严重，因此，对摩擦焊接头进行无损检测，对于保证焊件的性能和安全，节省人 力、物力、财力都是非常重要的。 用于焊接接头的无损检测方法有x 射线、磁粉、液体渗透、涡流及超声检测 等。 针对摩擦焊的焊接缺陷具有二维、弥散和近表面分布的特征采用具有高聚 焦性能和高分辨力的无损检测技术超声波检测和渗透检测。超声波检测适用 于检测裂纹，未焊合，夹杂缺陷；渗透检测适用于检测裂纹和未焊合缺陷。而超 、 2 第一章绪论 声波检测设备简单、携带方便，对焊接接头中的裂纹类缺陷敏感，因此超声波检 测被相对广泛地应用于摩擦焊接头检测中。而且，随着超声波检测向智能化、自 动化的发展，超声波检测在摩擦焊接头检测中的应用必将更加广泛。 1 3 人工神经网络5 h 1 7 1 1 3 1 人工神经网络 “人工神经网络”( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 是在对人脑组织 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，由 大量高度互联的简单处理单元组成。这些简单的处理单元称为神经元。 对应于生物神经元结构可以建立起神经元的模型，如图1 1 所示。其中 x i 为神经元的输入b 是阈值，u i 为神经元内部状态，s i 为外部输入信号( 在 某些情况下，s i 可以控制神经元u i ，使u i 可以保持在某一状态) 。 x 1 ) 2 图1 - 1 神经元的结构模型 大脑之所以能够处理极其复杂的分析、推理工作，一方面是因为其神经元个 数的庞大，另一方面还在于神经元能够对输入信号进行非线性处理。因此，对图 i - 1 可进一步建立起更接近于工程的数学模型。 早在本世纪4 0 年代初期，心理学家m e c u l l o e h 、数学家p i t t 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，1 9 8 5 年e 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 等学者提出了第一个真正的人工神 经网络感知模型，使人工神经网络技术得以蓬勃发展。 1 9 4 9 年d o h e b b 首先提出了一种调整神经网络连接权值的规则h e b b 规则。它的基本思想是，当两个神经元同时兴奋或同时抑制时，它们之问的连接 第一章绪论 强度就增加。用数学表达式描述为： ，h w j ，=fx 牲 f ， b 1 l oi2 其中代表该神经元所在的层数。 神经元活动状态( _ 、x ，) 的乘积， 值为零。 可见，连接权值( ) 的调整正比于两个 且连接权值是对称的其到自身的连接权 人工神经网络是由许多具有并行运算功能的简单单元组成的每一个神经元 只有一个输出，可以连接到很多其他的神经元，每个神经元的输入有多个连接通 路，每个连接通路对应于一个连接权系数。我们可以通过改变连接权系数训练网 络使其完成特定的功能，所以一个特定的输入便可以得到要求的输出。如图1 2 所示。网络根据输出和目标的比较而调整，直到网络输出和目标匹配。所以严格 地说神经网络是一个具有下列性质的有向图： 每个节点有一个状态变量茁： 节点到节点有一个连接权系数。： 每个节点有一个闽值b 每个节点定义一个变换函数，j k ，w j r ，b 再川，最常见的情形为 ，( w j i x 。一6 ，) ( 1 _ 2 ) 目标 图1 - 2人工神经网络的基本原理 目前神经网络在模式识别、鉴定、分类、语音、翻译和控制系统等领域都已 获得应用，能够用来解决常规计算机和人难以解决的问题。而且近些年来有越来 越多的学科都把神经网络作为它们的前沿进行研究。 a n n 的优势在于： 4 第一章绪论 具有以任意精度逼近任意复杂的非线性函数的特性； 具有很强的适应于复杂环境和多目标控制要求的自学习能力； 所有定量或定性信息都分布储存于网络内的各个神经单元，而且每个神经元 实际上存储着不同信息的部分内容，即网络有冗余性，从而具有很强的容错 性和鲁棒性； 采用信息的分布式并行处理，可以快速地进行大量计算，但又不是简单地“以 空间的复杂性为代价来求得时间上的快速性”，而且对于处理以求得满意解 为目标的决策问题非常迅速。 1 3 2 人工神经网络在焊接领域的应用 焊接过程是一个存在高度非线性的多变量耦合作用，同时具有大量随机不确 定因素的复杂过程，这种复杂性决定了其数学模型建立的困难性，而神经网络则 可以在不作任何假设的情况下实现对过程的建模及控制。另外，神经网络的非线 性映射和自学习等特点也使它优于一般的统计方法。因此，a n n 的应用己渗透 到焊接领域的各个方面，如焊缝跟踪、缺陷检测、工艺参数选取和性能预测等， 成为了该学科的前沿阵地。 1 、焊缝跟踪 随着自动焊机和机器人焊接的普及，焊缝跟踪技术已经成为当前国内外机器 人技术及焊接工作者研究的重点之。将专用摄像机摄取的弧焊区图像送入计算 机，用神经网络进行处理，获得控制量以控制跟踪执行机构跟踪焊缝。由于神经 网络具有容错性，故能很好地排除干扰，实现对焊缝的精确跟踪。 2 、焊接缺陷检测 焊接缺陷检测的方法很多，神经网络和各种方法的联合诊断能够获得更多的 信息。对熔化焊进行超声波探伤时用神经网络识别、检测熔池和工件反射后的 超声波信号，再用超声波信号中一定范围宽度的波峰训练网络，使网络能够辨识 超声波的时间历史特征，以便能识别出声波初始相、熔池反射信号和工件边缘反 射信号及噪声。由此，可以实现四维( x 、y 、z 和幅值) 信号处理和定位以及检 测焊接缺陷。另外，美国的g sk o h n e 用超声反射回波的各种时域特征，解决 了比声束直径小的缺陷的尺寸和方向的识别问题。 3 、焊接质量检测与控制 国内学者张忠典等人在实验条件下，用l m m + l m m 低碳钢点焊动态电阻作 为神经网络的输入参量，焊点抗拉剪强度作为输出参量，对三层b p 网络进行训 练，建立起低碳钢( 1 m m + l m m ) 电焊力学性能估测模型，成功地实现了点焊力 学| 生能定量估测。还有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 第一章绪论 络模型、吉林工业大学开发的用于点焊工艺参数选择和质量检验的w p p n n 和 w p s n n 、南航对人工神经网络在电阻点焊质量控制中的研究等。 国外在9 0 年代初有英国学者j a v e d m a 和s a n d e r s s a c 用镀锌点焊的电参 数和熔核直径作为网络的训练样本，对一个多层自组织特征映射网进行实验数据 的离线训练，训练后的网络能够自动完成从输入矢量空间( 焊接压力、焊接电流 和焊接时间) 到输出矢量空间( 熔核尺寸) 的映射并将这一网络接入实时系统 中形成对镀锌钢点焊的质量控制。另外，美国wjm 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，英国pl i ，m s ce ta l 用神经网络确定t i g 焊接参 数，日本学者t a k u m am a s n o r is h i n k en o b o r u 和m o t o n oh i t o s h 用神经网络完成 对材料诊断和寿命估计等。 1 4 超声波无损检测【2 4 在众多无损检测方法中，超声检测方法除了具有设备简单、使用条件和安全 性好、检测范围广等根本性的优点外，超声检测仪器电量输出时域波形的信号形 式，使计算机信号处理、模式识别和人工智能等技术能被方便地应用于检测过程。 计算机在超声检测中的应用，大大提高了超声检测的可靠性目前该方法已经超 过了射线检测，成为应用最普遍的无损检测方法。超声检测成为普遍采用的无损 检测方法的另外一个原因，是因为随着无损评价技术的发展，必须对被检测对象 中的缺陷的存在性及其类型、尺寸、形状、取向等加以检测，而超声检测对微裂 纹敏感的特点正符合了这种需要。 超声无损检测的发展大致经历了三个阶段：早期是无损探伤( n o n d e s t r u c t i v e i n s p e c tn d i ) ；第二阶段称为无损检测( n o n - d e s t r u c t i v et e s t i n g n d t ) ；第三阶 段为无损评价( n o n - d e s t r u c t i v e e v a l u a t i o n n d e ) 。超声波是指频率高于2 x 1 0 4 h z 的声波，在通常的超声检测中，超声波的频率范围在0 5 1 0 m h z 之间。 利用超声波检测物体内部的缺陷最早是由前苏联的s o k o l o v 于1 9 2 9 年提出 的，1 9 3 1 年德国的m u l h a u s e r 在其专利中首次提出了超声波强度检测方法的工业 应用方案。1 9 4 4 年美国的f i r e s t o n e 发表了采用超声脉冲探伤仪的报告，1 9 4 6 年 英国s p r o u l e 也独立地研制成功了a 型脉冲反射式超声探伤仪，并将其应用于钢 材的探伤。 脉冲超声探伤仪除了能够避免被检测工件中的驻波干涉现象从而测出较小 尺寸的缺陷外还可由声波的传播时间确定缺陷的位置。而且，脉冲超声探伤也 是b 扫描和c 扫描等成像方法的基础。更重要的是，脉冲超声探伤反射信号中 第一章绪论 包含了反映缺陷及其诸如类型、尺寸、形状、取向等无损评价技术所需的信息。 因此，脉冲超声探伤不仅是目前应用最广泛的超声探伤方式，而且也是今后智能 化超声检测技术中的基本方法。 美国d r e x e l 大学的r o s e 及其同事分析a 扫描信号所包含的缺陷特征，并利 用这些特征进行缺陷分类。美国h a r w e l l 实验室对1 1 4 个超声信号的统计分析结 果得到6 个特征量，幅值比、峰值、三位图像的圆度、不同入射角的幅值均方根、 脉冲持续时间、最佳匹配平面的垂直偏差。用这6 个特征量将1 1 4 个缺陷分为四 类。b e l y i 用由9 个幅值特征、3 个时间特征和2 个频率特征加权合成的一个特 征值来区分l7 个平面型缺陷和体积型缺陷。 将人工神经网络用于超声无损检测的研究工作始于8 0 年代。早期人们用类 似神经网络的具有自适应学习功能的一种结构来识别超声现象，后来o g i 等在基 于规则的知识库的基础上，用多层b p 网络解决了专家系统难以解决的裂纹类型 定量检测问题。w i n d s o r 把楚个超声信号作为多层神经网络的输入，采取适当措 施减少信号偶然波动带来的影响，缺陷被分为粗糙裂纹、光滑裂纹、夹渣以及气 孔等。l o r e n z 等则利用b p 网络成功地实现了钢板中缺陷类型的定征。 如今人工神经网络对微弱缺陷信号检测的工作也已经开展。微弱信号最常出 现的场合是在铸件、复合材料、焊接接头等工件的检测中。除- r n 用适当的信号 处理方法增强缺陷信号外，利用神经网络的识别能力进行缺陷信号检测也是目前 研究人员进行尝试的方向之一。t h o m s e n 等针对玻璃钢制作中存在的几种缺陷， 利用神经网络实现了对其缺陷的识别判断。t h a v a s i m u t h u 等也研究了神经网络在 微弱信号检测中的应用。他们在不锈钢( a i s l 3 0 3 4 ) 试样上加工了一系列直径的平 底孔，用不同频率的探头采集信号分别得到与幅值、频率相关的特征量然后 进行神经网络识别，识别率在9 5 以上。 用人工神经网络进行微弱信号的识别，不仅可以提高缺陷信号的检出率和可 靠性，还能自动识别缺陷信号的类型比单纯的用信号处理手段提高信号的信噪 比的方法更为优越。由于缺陷特征提取方面存在的困难特别是在微弱的缺陷信 号的场合下，因此微弱缺陷信号的人工神经网络的识别这一研究领域目前做的工 作还比较少。 1 - 5 小波分析2 5 h 3 习 小波分析是当前应用数学中一个迅速发展的新领域，经过近十年的探索研 究重要的数学形式化体系已经建立，也有了坚实的理论基础。小波分析与f o u r i e r 第一章绪论 变换、窗口f o u r i e r 变换( o a b o r 变换) 相比，是空间( 时间) 和频率的局部变 换，因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号 进行多尺度分析( m u l t i s c a l e a n a l y s i s ) ，解决了f o u r i e r 变换不能解决的许多困难 问题( 如多尺度信号过程的分析和突变过程的分析等) ，因而小波变换被誉为“数 学显微镜”，同时它也成为国际上众多学术团体和学科领域共同关注的热点。 小波变换的概念是由法国从事石油信号处理的工程师j m o l e r 在1 9 8 4 年首 次提出的。1 9 8 6 年著名的数学家ym e y e r 偶然的构造出一个真正的小波基，并 与s m a l l a t 合作建立了构造小波基的统一方法多尺度分析，小波分析从此 才开始蓬勃发展起来。 数学上把具有能量函数厂( r ) 【，( r ) l 2 ( r ) 的小波变换定义为函数族 1 妒。= 妒仁! ) 为积分核的积分变换，如下式所示： 町( 口，6 ) 2 ( 厂) ( 口，6 ) 2 竹o ，6 ) 2 【厂吼，e ( t ) d t a o = f ：巾) 禺( 三皇) d tf l 2 ( j r ) ( 1 - 3 ) - q a “ 其中口是尺度参数，b 是定位参数，把函数仍。( f ) 称做小波( 或子波) 。改变目 的值，对函数妒( r ) 具有伸展( 口 1 ) 或收缩( 水1 ) 的作用。改变b ，则会影晌函数，( f ) 围绕b 点的分析结果。 小波函数妒( f ) 的选择既不是唯一的，也不是任意的。因为尹( 0 是归一化的具 有单位能量的解析函数，所以它的选择应满足： 定义域是紧支撑的( c o m p a c ts u p p o r t ) ，即在一个很小的区间之外，函数为 零，也就是说函数应具有速降性，以便获得空间的局域化； 平均值为零，即广p ( f ) 西= 0 ，甚至妒( f ) 的高阶矩也应为零，即 it k 妒o ) 出= 0k - - 0 ，, n - 1( 1 - 4 ) “ 均值为零的条件称做小波的容许条件( a d m i s s i b i l i t yc o n d i t i o n ) 。 可见第一个条件要求e ( t ) 不是一个连续波而是一个迅速衰减的短波；第二 个条件要求应具有振荡性，也就是说是一个波。 根据不同的标准，小波函数具有不同的类型。经实践证明非常有用的小波函 数有：h a a r 、d a u b e c h i e s ( d b n ) 、b i o r t h o g o n a l ( b i o r n r n d ) 、c o i f l 州c o i f n ) 、 m o r l e t ( m o r l ) 、m e x i c a nh a t ( m e x h ) 、m e y e r 小波函数。 总之，小波分析是一种信号的时问一尺度( 时间频率) 分析方法，具有多分 辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力是一种窗 第一章绪论 口大小固定不变但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析 方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具 有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬时 反常现象并展示其成分，所以利用小波变换进行动态系统故障检测与诊断可以得 到良好的效果。 小波变换在信号分析、语音合成、图像识别、计算机视觉、数据压缩、c t 成像、地震勘探、大气与海洋波的分析、分形力学、流体湍流以及天体力学方面 都己取得了具有科学意义和应用价值的重要成果。 1 6 课题研究内容及意义 1 6 1 课题研究内容 根据实验数据建立基于神经网络的摩擦焊工艺参数( 摩擦压力、摩擦时间、 顶锻压力) 和性能( 接头强度) 预测系统，在神经网络的训练过程中还对神经网 络的核心算法b p 算法进行了一些改进( 引入“再调整”系数卢和误差函数 系数口) 使其更加适合于实际应用。 对摩擦焊焊接接头进行超声波缺陷检测，得到缺陷扫描结果。将扫描结果导 入计算机，采用目前较为前沿的信号分析技术小波包分析对扫描结果进行处 理和分析，并用小波包法和幅频特性曲线法分别提取信号特征。然后，把分析的 结果和提取的特征送入神经网络进行训练，建立基于神经网络的信号识别系统， 使信号能被自动分类。 用v c 编程语言将上面所提到的几个系统集成，并编制友好的人机交互界面， 使之成为一个应用软件。 1 6 2 选题意义 摩擦焊虽然能够得到具有较好力学性能的焊接接头，但当材料焊接性差、焊 接参数选择不当或表面清理不好时在摩擦焊连接界面上就会出现一些“非理想 结合”的宏观和微观缺陷，影响接头的力学性能。传统上，利用经验值选定摩擦 焊接的工艺参数，采用破坏性的拉伸实验检测接头的缺陷和性能。这些方法显然 费时费力，不能适应规模化、自动化、智能化的现代化生产模式的需要，所以， 如何方便、智能地确定摩擦焊的工艺参数、检测接头性能已成为该领域研究的热 9 第一章绪论 点。 目前，在焊接领域已经有不少的学者在熔化焊工艺参数设计，接头性能估测， 点焊质量控制m i g 焊过程控制，h a z 性能预测等方面做了大量的尝试和研究。 但是，针对于摩擦焊接这种先进的连接方法的工艺参数和性能预测在国内外的报 道尚不多见摩擦焊焊接接头的无损检测信号处理分析也尚处于实验室探索阶 段。 本文正是基于此，引入神经网络，建立针对摩擦焊的工艺参数和性能预测系 统，并且利用神经网络同先进的信号分析技术小波包分析相结合实现对摩擦 焊接头超声波无损检测信号的分析和自动识别。 0 第二章b p 网络学习算法改进 第二章印网络学习算法改进 2 1b p 原始算法叫3 3 】 d e r u m e l h a r t 和j l m c c i e l t a n d 等人在1 9 8 2 年建立了一个p d p 小组，研究 并行分布信息处理方法，并于1 9 8 5 年发展了b p 网络学习算法。图2 1 给出的 是一个基本的b p 神经元，它具有r 个输入，每个输入都通过一个适当的权值w 与下一层相连，网络输出可表示为 a = f ( w + p ，6 ) ( 2 - 1 ) p 输入一般神经元 厂1 广 图2 - 1b p 神经元 b p 网络的学习过程由正向和反向传播两部分组成。在正向传播中，每一层 神经元的状态只影响下一层的神经元状态。如果实际输出和期望输出之间有差 值，那么转入误差反传过程将误差信号沿原来的连接通路返回，通过修改各层 神经元的权值逐次地向输入层传播去进行计算，接着再经过正向传播过程。这 两个过程的反复运用，使得误差信号最小。当误差达到人们所希望的要求时，网 络的学习过程就结束。 b p 算法是在“导师指导”下的适合于多层神经元网络的一种学习，它建立 第一章b p 蝴络学习算法改进 在梯度下降算法的基础上。设含有共层和”个节点的一个任意网络，每层单元 只接受前一层的输出信息并输出给下一层各单元，各节点的特性为s i g m o i d 型， 即是连续可微的。为说明简单起见，不妨认为网络只有一个输出y 。网络样本有 个( 札y d ( k = l ，2 ，加；任一节点i 的输出为o i ，对某一个输入为x k ，网 络的相应输出为肌，节点i 的输出为0 扣对第，层的第，个单元，当输入第k 个 样本时，节点，的输入为 n e t _ ：, = w ：啄t - 1 ( 2 2 ) 其中哦1 表示，一1 层，输入第k 个样本时，第，个单元结点的输出，即 。二=f(ncttj)(2-3、 b = 三；( 一万) 2 其中一y j k 是单元的实际输出。可得到总误差为： e = 丽1 黾u e k 定义弘昔 于是 两o e , = 器筹= 鲁a n e t 牡颤掣州加e a 嵋 ；“ ” 讨论：若节点为输出单元，则叱= 瓦 吐= 嚣= 鲁嚣= 一h 一万胁 若节点_ ，不是输出单元，则 吐= 嚣= 嚣薏= 象八v 翻甜；a d ：锄吖la d ；“川 ( 2 4 ) ( 2 5 ) ( 2 6 ) ( 2 7 ) ( 2 。8 ) 第二章b p 网络学习算法改进 象= 一a e k 筹= m a e , o n e t ：+ k t翁w 磬矽z - 吲 a o i扣：加e f 翁”。“” 将其代入式2 - 7 ，可得：懿= 醴：w 篙厂1 e f 上) 总结上述各式，有： ，吐= 础w 0 1 ，( n e t ：k ) l 石6 e k = 吐掣 那么，b p 算法的步骤可概括如下： 先选定权值系数初值； 接着，重复下述过程直到收敛： 对k = - i 到 j 下向过程：计算每层各单元的嗾，h e ，名和n ，k = - 2 一，n ( 2 9 ) ( 2 1 0 ) ( 2 1 1 ) 反向过程：对各层( f = l - - 1 到2 ) 各单元，计算占i 。 修正权值w f = 1 4 ) f 一导 o ( 2 - 1 2 ) 洲f 其中为步长，嚣= 善鲁。 ( 2 - 1 j 由b p 算法为核心算法构建的神经网络称为b p 网络，它通常有一个或多个 隐含层，隐含层中的神经元均采用s i g m o i d 型变换函数，输出层的神经元采用纯 线性变换函数。图2 2 中描述了一个具有个隐含层的三层b p 网络，其中：r ： 输入数，s 1 ：第1 层神经元数，：第2 层神经元数。 b p 网络是一种多层前馈神经网络，其神经元的变换函数是s 型函数，因此 输出量不同于感知器的二值输出，而是0 到l 之间的连续量，这就意味着它可以 实现从输入到输出的任意非线性映射。 在确定了b p 网络的结构后，利用输入输出样本集对其进行训练，也就是对 网络的权值和阈值进行学习和调整，可以使网络实现给定的输入输出映射关系。 经过训练的b p 网络，对于不是样本集中的输入也能给出合适的输出，这种性质 称为泛化( g e n e r a l i z a t i o n ) 功能。从函数模拟的角度说，其具有插值能力。 第二章b p 网络学习算法改进 输入 神经元层1神经元层2 厂_ 、广 厂 p s i * ra l $ 2 8 1 r s i * i 1 、jl、j a l = t a n s i g ( w 1 幸p + b 1 ) s 2 、 a 2 = p u r e l i q “2 * a l + b 2 ) 图2 - 2 三层的b p 网络 2 2 算法的改进【3 帅口5 1 b p 算法虽然有许多独特的优点但是该算法仍然存在着收敛速度慢，有局 部极值等不足，所以在实际应用中往往要对算法做相应的改进。 2 2 1 基础算法的选取 目前常用的训练方法有普通b p 算法，动量b p 算法，快速b p 算法，利用 l e v e n b e r g m a r q u a r d t 规则的l m b p 算法。其中后两种算法相对较为有效。快速 b p 算法虽然在速度上比l m b p 算法稍慢但却比其在运算过程中占用的内存少 的多。综合考虑硬件的情况，选用快速b p 算法作为算法改进的基础算法。 一般情况下在b p 算法中加入动量项( 如式2 - 1 4 ) 可使其找到更优的解， 能够降低网络对于误差面局部细节的敏感性，有效抑制网络限于局部极小；而采 用自适应学习率( 如式2 - 1 5 ) 可以明显缩短训练时间。快速b p 算法就是将这两 种方法融合来训练网络，所以较其他算法有较高的计算速度和可靠性。 第二章b p 网络学习算法改进 r 0 s s e ( k + 1 ) 钾( 砷1 0 4 m c = j 0 9 5 s s e ( k + 1 ) s s e ( lm c其他 其中c 是动量，$ s e 是平方和误差，k 为训练次数。 口( 孟+ 1 ) = r1 0 5 叮( s s e ( k + 1 ) s s o ( 曲1 0 4 l _ 1 7 ( 肋其他 其中目为学习率，s s e 是平方和误差，k 为训练次数。 2 2 2 快速b p 算法改进 ( 2 1 4 ) ( 2 - 1 5 ) 1 、加入“再调整”系数p “再调整”系数p 是基于对日本学者y u t a k a f u k u o k a 的“再调整”算法的改 进后提出的。该方法的基本思想是：给权值乘上一个小数卢( o ，1 ) ，使权值更 小，从而更好的处理局部最小问题，如式( 2 - 1 6 ) 。 ：= ：咿 ( 2 - 1 6 ) 其中嘲2 、孵分别为输入层到隐含层、隐含层到输出层的初始化后的权值。由 下图可知p 取0 8 较为合适。 相对误差随再调整系数变化图 术 v 绷 噬 靛 翼 再调整系数 图2 - 3 p 的选取 1 5 第二章b p 网络学习算法改进 2 、加入误差函数系数口 通过改变相应系数让网络在修正权值时优先考虑，使所有的输出的误差趋向 平均，以避免出现假饱和，如式( 2 1 7 ) 。 疋= 击莩莩一一种。 其中舭筹喁g 为自然数，且( 妒1 ( 2 - 1 7 ) 幻+ 1 ) = o 。由图2 - 4 知o r 的值为7 5 。 误差随误差函数系数变化图 r 1 r t r 2 3 本章小结 误差函数系数 图2 - 4 口的选取 本章在介绍原始b p 算法和b p 网络结构的基础上，针对该算法的不足对所选 基础训练算法( 快速b p 算法) 做了相应改进加入“再调整”系数口和误差 函数系数口形成了一套新的较为实用的算法。改进后的快速b p 算法较好的改 善了神经网络的性能，为后续系统模型中的应用奠定了基础。 1 6 第三章基于神经网络的摩擦焊工艺参数及接头性能预测系统的建立 第三章基于神经网络的摩擦焊工艺参数及接头性能 3 1 系统建模3 6 1 预测系统的建立 本文选用改进后的b p 网络为摩擦焊工艺参数和接头性能预测系统建模。通 常，神经网络建模的过程为：首先建立模拟实际工艺系统的神经网络模型；其 次，根据实际情况选择合适的神经网络结构；第三，将实验得到的样本数据划分 为两个部分，一部分称为训练样本用于训练神经网络，另一部分称为验证样本用 于验证神经网络的训练结果；第四，训练网络，获得网络的知识参数，即网络的 权值和闽值：最后，验证所确定的神经网络模型，并将该网络用于实际工艺系统 中。基于人工神经网络的摩擦焊工艺参数和接头性能预测的系统建模过程如图 3 一 。 蓁 集 图3 1基于a n n 的摩擦焊工艺参数预测系统建模过程 1 7 第三章基- r 4 v 经l 嘲络的j 擘擦焊工艺参数及接头性能顶测系统的建立 神经网络的输入层节点数和输出层节点数分别对应于系统模型的输入和输 出参数的个数。对于预测接头性能的神经网络，输入参数为摩擦压力、摩擦时问、 顶锻压力、顶锻时间、变形量，输出参数为代表接头性能的接头强度值。其输入 输出关系可表示为式3 1 ，其他各工艺参数预测系统的输入输出关系类似。 f = f ( m y ，用j ，咖，d s ，b x ) ( 3 1 ) 由此，各系统就构成了一个从r 5n ro 的映射。然后，由神经网络对训练样 本进行学习，当总迭代误差或循环次数满足要求时，将计算的权值、阈值知识存 储起来，进行预测时，只需提取存储的权值、阈值知识，根据建立的网络结构模 型，就可获得预测结果。 3 2 数据采集 3 2 1 试件材料、设备、工艺参数 试件材料为4 5 钢与w s c 0 3 n 高速钢( 中1 4 + 中1 4 ) 。原始状态分别为4 5 钢 正火状态，w 8 c 0 3 n 高速钢为退火状态。 采用c 4 型连续驱动摩擦焊机进行焊接。摩擦焊接工艺参数如下表3 1 。 焊后热处理工艺是整体淬火+ 三次高温回火，淬火加热温度为1 2 2 0 。c ，回 火加热温度为5 5 0 。c 。 表3 1 摩擦焊接工艺参数 参数取值 摩擦压力i m p a 2 顶锻压力m p a 3 5 摩擦时间t 1 s 1 2 顶锻时间t 2 s 6 顶刹制度同步 3 2 2 原始数据 第三章基于神经网络的摩擦焊工艺参数及接头性能预测系统的建立 表3 - 2 原始数据列表 数据列表 试件号摩擦压力摩擦时间顶锻压力顶锻时间变形量接头强度 l1 582 563 74 8 3 7 l 21 582 563 34 5 6 8 2 328364 15 7 8 0 4 428364 35 2 l _ 8 3 521 0364 65 9 9 8 9 621 0384 66 4 1 7 721 0384 45 2 9 0 9 82 51 23 564 86 3 9 8 9 92 51 23 564 96 6 2 3 1 1 02 51 23 564 56 6 1 0 4 1 12 51 2364 66 3 5 3 1 22 51 2364 86 4 9 7 1 1 32 51 2364 45 0 8 0 2 1 421 2 3 584 96 5 2 1 1 521 23 584 96 3 7 8 1 1 621 23 564 65 8 1 0 4 1 721 2 3 564 65 0 4 0 1 1 821 23 565 0 36 2 9 9 9 1 921 23 56 4 76 5 9 0 8 2 02 51 43 58 56 6 2 8 1 2 l2 51 43 585 0 46 6 4 0 3 2 22 51 4 3 585 16 7 2 1 2 2 321 63 5 65 26 6 9 8 5 2 421 63 5 65 _ 36 7 0 7 6 3 3 神经网络的构建5 1 3 3 i 网络结构参数的选取 1 9 第三章基于神经网络的摩擦焊工艺参数及接头性能预测系统的建立 1 、网络结构参数的确定 对于本文所采用的b p 神经网络，需要选择的网络结构参数包括网络的层数、 每层的神经单元节点数、初始权值及阈值、学习算法中的动量因子等参数。 本模型中，确定试验数据集后，输入输出层的神经元节点数也就随之确定。 以接头性能预测神经网络为例：输入节点数为5 ，分别代表摩擦压力p 1 ( m p a ) ， 顶锻压力p 2 ( m p a ) 摩擦时问t l ( s ) ，项锻时间t 2 ( s ) ，变形量( t i m ) 。输出节点