文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.2017.02.028
中文引用格式： 劉雨晴，湯金萍，華亮，等. 艦用鋼板的大功率激光焊接參數(shù)優(yōu)化研究[J].電子技術(shù)應(yīng)用，2017，43(2)：117-119，123.
英文引用格式： Liu Yuqing，Tang Jinping，Hua Liang，et al. Research on optimization of high power laser welding parameters of warship-used steel[J].Application of Electronic Technique，2017，43(2)：117-119，123.
0 引言
國內(nèi)外對艦用高強低合金鋼的主要焊接方式中間工序繁雜，能量消耗巨大，機器人難以勝任[1]。激光電弧復(fù)合焊接技術(shù)可以進(jìn)一步地提升焊接速度，增加焊接材料的厚度，加強間隙橋接能力，極大地提高效率[2]。焊接過程由于焊條裂化和熔融金屬振動而伴隨著聲音，基于麥克風(fēng)的焊接聲信號采集及分析逐步發(fā)展起來。AO S等人對激光焊接中的聲信號特征進(jìn)行了二維建模仿真和實驗分析，通過試驗得到焊接熔池的預(yù)測振蕩頻率[3]。對于激光電弧復(fù)合焊中出現(xiàn)的焊接缺陷、焊接過程不穩(wěn)定性等狀況，許多研究者開展了基于人工神經(jīng)網(wǎng)絡(luò)等理論的研究。雙權(quán)值神經(jīng)網(wǎng)絡(luò)(Double Weights Neural Network，DWNN)[4]函數(shù)逼近能力強，有更強的分類能力，在學(xué)習(xí)速度等方面也比BP神經(jīng)網(wǎng)絡(luò)(Back Propagation，BP)[5]及徑向基函數(shù)(Radial Basis Function network，RBF)[6]等網(wǎng)絡(luò)結(jié)構(gòu)要好，得到了推廣應(yīng)用，如高維數(shù)據(jù)擬合[7]等。文獻(xiàn)研究多為小功率復(fù)合焊接，對于高強低碳合金厚鋼板的激光焊接研究甚少。本文以美國核動力“福特級”航母艦用高強低碳合金鋼HSLA-115為研究對象，提出了基于聲信息及雙權(quán)神經(jīng)網(wǎng)絡(luò)的焊接參數(shù)優(yōu)化方法，為我國艦用焊接實際工程技術(shù)服務(wù)。
1 聲信號的采集與預(yù)處理
1.1 聲信號采集平臺
本平臺由丹麥B&K公司的4189聲音傳感器、10 kW光纖激光器IPG-10000、六軸高精度焊接機器人KUKA60HA、焊材HSLA-115組成。不同厚度的HSLA -115鋼板如圖1所示，鋼板厚度依次為6 mm、8 mm、10 mm、12 mm和14 mm。
1.2 小波閾值降噪
本文采用基于小波變換方法，既可以有效抑制焊接過程中的放氣噪聲、機械運行噪聲，又可以減少信號在突變部分的失真。小波降噪過程如圖2所示[8]。
1.3 去噪性能評價
通過對比各個小波基的降噪能力以及考慮PC的處理速度，選擇小波基是db4，小波分解3層。以鋼板厚度為8 mm焊透時為例，計算信噪比(Signal-Noise Ratio，SNR)[9]和均方根誤差(Root Mean Square Error，RMSE)[10]，結(jié)果如表1所示。
通過觀察表1，可以發(fā)現(xiàn)采用雙閾值雙因子的閾值函數(shù)去噪能力更強，可以更好地進(jìn)行特征提取。
2 特征提取
運用文獻(xiàn)[8]的方法，提取了時域的短時能量En、短時平均幅度Mn、短時平均過零率Zn、短時零能比ZERn 4個參數(shù)特征。窗口長度為1 024，重疊50%進(jìn)行分幀。不同焊接參數(shù)如表2所示。對應(yīng)的En、Mn、Zn、ZERn結(jié)果如表3所示。
3 雙權(quán)值神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)擬合算法
本文在艦用高強低碳合金厚鋼板焊接參數(shù)優(yōu)化中應(yīng)用文獻(xiàn)[7]提出的多維函數(shù)擬合逼近算法。雙權(quán)值神經(jīng)網(wǎng)絡(luò)的固定結(jié)構(gòu)如圖3所示。
在雙權(quán)值神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型中[7]，最后擬合的公式如下[7]：
4 雙權(quán)值神經(jīng)網(wǎng)絡(luò)建模與分析
本文選取雙權(quán)值神經(jīng)網(wǎng)絡(luò)(DWNN)與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)。以焊接鋼板厚度、焊接功率、焊接速度作為神經(jīng)網(wǎng)絡(luò)的輸入，以En、Mn、Zn、ZERn作為輸出，通過訓(xùn)練樣本建立神經(jīng)網(wǎng)絡(luò)，并比較兩神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果。
(1)網(wǎng)絡(luò)輸出為En
網(wǎng)絡(luò)結(jié)構(gòu)見圖4，擬合訓(xùn)練效果見圖5。
(2)網(wǎng)絡(luò)輸出為Mn
網(wǎng)絡(luò)輸出為Mn時擬合訓(xùn)練效果見圖6。
(3)網(wǎng)絡(luò)輸出為Zn
網(wǎng)絡(luò)輸出為Zn時擬合訓(xùn)練效果見圖7。
(4)網(wǎng)絡(luò)輸出為ZERn
網(wǎng)絡(luò)輸出為ZERn時，擬合訓(xùn)練效果見圖8。
圖5～圖8中，橫坐標(biāo)為所采用的神經(jīng)元個數(shù)，縱坐標(biāo)為均方誤差。在DWNN與RBF中，輸入為鋼板厚度、焊接功率、焊接速度，對應(yīng)的輸出為En、Mn、Zn、ZERn。隨著神經(jīng)元數(shù)目的增加，采用DWNN 訓(xùn)練時的均方誤差始終小于RBF的均方誤差。
5 結(jié)論
本文采集了不同的焊接鋼板厚度、焊接功率、焊接速度下的激光電弧復(fù)合焊聲信號，提取出短時能量、短時平均幅度、短時平均過零率、短時零能比4個特征值，并分別以此為輸出構(gòu)建了4個不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。結(jié)果表明，采用DWNN對4個特征值進(jìn)行訓(xùn)練時的精度始終高于RBF，收斂速度也始終比RBF快。本文利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)探究了不同焊接參數(shù)與焊接過程中聲信號之間的關(guān)系，進(jìn)一步為基于聲信號的大功率激光電弧復(fù)合焊接參數(shù)優(yōu)化及焊接質(zhì)量監(jiān)測與控制提供了參考依據(jù)。
參考文獻(xiàn)
[1] 武春學(xué)，俊旭，朱丙坤.高能束焊接技術(shù)在艦船建造中的應(yīng)用[J].材料開發(fā)與應(yīng)用，2010，25(3)：79-83.
[2] ATABAKI M M，MA J，LIU W，et al.Pore formation and its mitigation during hybrid laser/arc welding of advanced high strength steel[J].Materials & Design，2015，67：509-521.
[3] AO S，LUO Z，F(xiàn)ENG M，et al.Simulation and experimental analysis of acoustic signal characteristics in laser welding[J].International Journal of Advanced Manufacturing Technology，2015，81(1)：277-287.
[4] 王守覺，李兆皺，陳向東，等.通用神經(jīng)網(wǎng)絡(luò)硬件中神經(jīng)元基本數(shù)學(xué)模型的討論[J].電子學(xué)報，2001,29(5)：577-580.
[5] 程滿玲，孫峙華.基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的網(wǎng)絡(luò)時延預(yù)測研究[J].測控技術(shù)，2015，34(6)：74-76.
[6] LIU J.Radial basis function(RBF) neural network control for mechanical systems：design，analysis and matlab simulation[M].Springer Science & Business Media，2013.
[7] 曹宇.一種新型雙權(quán)值人工神經(jīng)元網(wǎng)絡(luò)的數(shù)據(jù)擬合研究[J].電子學(xué)報，2004，32(10)：1671-1673.
[8] HUA L，ZHENG C，GU J，et al.Laser arc sound signal processing and welding status recognition based on geometric learning[C].2015 6th International Conference on Manufac-turing Science and Engineering，2015，32：1383-1394.
[9] SUMMERS T A，WILSON S G.SNR mismatch and online estimation in turbo decoding[J].IEEE Transactions on Communications，1998，46(4)：421-423.
[10] BARNSTON A G.Correspondence among the correlation，RMSE, and heidke forecast verification measures，refinement of the heidke score[J].Weather & Forecasting，1992，7(4)：699-709.
[11] 呂世威.基于LM的汽車燃油消耗不解體快速檢測方法研究[J].制造業(yè)自動化，2015，37(15)：152-156.
作者信息:
劉雨晴，湯金萍，華 亮，鄭長煒
（南通大學(xué) 電氣工程學(xué)院，江蘇 南通226019）