壓縮包內(nèi)含有CAD圖紙和說明書,均可直接下載獲得文件，所見所得，電腦查看更方便。Q 197216396 或 11970985
人工神經(jīng)網(wǎng)絡(luò)超聲波測試電阻點(diǎn)焊的質(zhì)量控制
óscar Martín*, Manuel López, Fernando Martín
西班牙巴利亞多利德大學(xué)
摘 要
人工神經(jīng)網(wǎng)絡(luò)通過脈沖反射波的方法來解釋超聲波波形圖的獲得問題。人工神經(jīng)網(wǎng)絡(luò)分類根據(jù)在幾個不同性質(zhì)階段其焊接處斑點(diǎn)耐性超聲波示波圖來決定。基于MATLAB?計劃的幫助下，投入人工神經(jīng)網(wǎng)絡(luò)的載體在每個超聲波波形圖中通用。人工神經(jīng)網(wǎng)絡(luò)的培訓(xùn)利用監(jiān)督學(xué)習(xí)的機(jī)制，因此每個輸入都對應(yīng)各自的輸出(目標(biāo))。有四個目標(biāo)，一是審議質(zhì)量水平?，F(xiàn)有的數(shù)據(jù)集隨機(jī)分為訓(xùn)練集(更新權(quán)重值)和一個驗(yàn)證子集(以防止過度的方式交叉驗(yàn)證)。在一些神經(jīng)元的隱層考慮選擇過度的現(xiàn)象。這項研究工作的目的是促進(jìn)自動化，在質(zhì)量控制過程中保障電阻點(diǎn)焊的質(zhì)量。
? 2006 Elsevier B.V. 版權(quán)所有。
關(guān)鍵詞：電阻點(diǎn)焊；無損檢測；超聲波示波圖；質(zhì)量控制；人工智能網(wǎng)絡(luò)
14
1. 導(dǎo)言
電阻點(diǎn)焊(RSW)廣泛應(yīng)用于汽車行業(yè)焊接加工鋼板[1,2]。利用可靠的質(zhì)量控制系統(tǒng)的最優(yōu)化和精致調(diào)諧可以大量減少焊接斑點(diǎn)， 脈沖回波法是一種超聲波非破壞性測試技術(shù)適用于質(zhì)量控制的RSW[5,6]。通過這個方法獲得每個點(diǎn)焊超聲波波形。估算質(zhì)量水平的上述點(diǎn)焊。超聲波波形有時很難解釋，由一個人或幾個專家很長一段時間的研究一再解釋示波圖。
自動化的解釋超聲波示波圖將提高科技應(yīng)用質(zhì)量。控制性能的RSW 。人工神經(jīng)網(wǎng)絡(luò)(ANN) 這是數(shù)學(xué)模型的行為模仿人類中樞神經(jīng)系統(tǒng)，從而有一個平行的，分散性和適應(yīng)性，加工能力映射的非線性和復(fù)雜系統(tǒng)，其中回歸方法有其局限性[8-10]。出于這個原因，人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于模式識別任務(wù)[11-15]。解釋每個超聲波形，以各自的分類點(diǎn)焊某質(zhì)量水平，是一個模式識別問題，因此神經(jīng)網(wǎng)絡(luò)建議進(jìn)行自動化的解釋超聲波示波圖。
一個人工神經(jīng)網(wǎng)絡(luò)，就像一個人，學(xué)習(xí)的方式培訓(xùn)。 有監(jiān)督學(xué)習(xí)機(jī)制中使用的培訓(xùn)人工神經(jīng)網(wǎng)絡(luò)在其中一組輸入/目標(biāo)對利用(一的目標(biāo)是所需輸出各自有一定的輸入)。在培訓(xùn)， 突觸權(quán)重(每一個環(huán)節(jié)有一個神經(jīng)元之間突觸重量附加)不斷調(diào)整，以減少錯誤。實(shí)驗(yàn)之間的產(chǎn)出和各自的目標(biāo)，直到一定值的誤差不在實(shí)現(xiàn)[16]。
2. 實(shí)驗(yàn)程序
2.1 材料和設(shè)備
化學(xué)成分和力學(xué)性能的鋼板分別顯示在表1和表2。板厚度為1毫米。在電阻點(diǎn)焊進(jìn)程中的參數(shù)(單相交流50赫茲設(shè)備)：
表1化學(xué)組成鋼板(wt.％)
表2力學(xué)性能的鋼板
?電流強(qiáng)度變化在4到8KA RMS[17,8]之間。記錄的作用圍繞五個理論上的值(4，5，6，7和8KA RMS)。
?焊接時間變化在4到20周期[17,18]。該記錄的值圍繞九個理論值(4，6，8，10，12，14，16，18和20周期)。
?電極排序取決于銅合金分類及用于合金的熱/機(jī)械治療。選用兩個銅合金種類(Cu-Cr合金和銅-鋇[18])三個熱/機(jī)械治療[19,20]，因此有6個電極種類。
?電極力穩(wěn)定在980.7 N。
超聲波點(diǎn)焊檢測傳感器采用延遲圈養(yǎng)水柱和一個替換用的橡膠膜，以對焊縫表面提供良好的耦合。傳感器頻率為20MHz，直徑為4.5毫米。
2.2 投入的人工神經(jīng)網(wǎng)絡(luò)
二進(jìn)制信號與每個超聲波波形圖之間的轉(zhuǎn)化在輸入的人工神經(jīng)網(wǎng)絡(luò)通過一個基于MATLAB?計劃[4]。輸入的人工神經(jīng)網(wǎng)絡(luò)必須代表各自的超聲波波形[15]，因此，轉(zhuǎn)型計劃必須考慮主要因素的特點(diǎn)，即描述超聲波波形圖[5]：
衰減的超聲波和一個層回聲是最主要的回聲(超聲波束引起的反映是發(fā)生在接口兩張薄板之間)。另一方面，輸入絕不能太復(fù)雜，以避免人工神經(jīng)網(wǎng)絡(luò)復(fù)雜化和使用冗余數(shù)據(jù)。
對超聲波波形的決定，取決于投入大小是多少。少于6個回波，則太少不具有代表性。超過六個的回聲，則沒有研究的意義。因此，折中的解決辦法是取前6個超聲回波波形和投入人工神經(jīng)網(wǎng)絡(luò)的10部分矢量。見圖1)：
圖1 輸入的 ANN與其各自的超聲波波形圖
?首五個組成部分的相對高度的回聲：在第n個組件。
?在過去的五年組件之間的距離連續(xù)回聲：在第n個組成部分(n=6，…，10)之間的距離(n-4)次回聲在(n-5)次回聲的dn-5次。
2.3 現(xiàn)場焊接的分類和鑒定的超聲檢測
質(zhì)量水平的點(diǎn)焊估計其各自的超聲波形。估計是基于效果的焊核的位置焊縫的超聲波。兩個參數(shù)的焊核被認(rèn)為是[5]：
?焊核的組織。阿焊核是鑄態(tài)組織與粗顆粒比母材，因此，焊核生產(chǎn)高衰減比母材。熱影響區(qū)(HAZ組織)是一個小區(qū)域之間的焊核及家長金屬。是的熱影響區(qū)再結(jié)晶組織與罰款和等軸晶，生產(chǎn)低衰減。的影響，在各自的焊接超聲波波形可以忽略不計。
?焊核的大小。單層回聲之間似乎主要反映如果焊核直徑小于寬度的超聲束，以便思考的一部分，發(fā)生在兩圖之間的接口表。厚焊核產(chǎn)生更高的衰減比薄焊核?，F(xiàn)場焊接分為四種可能的質(zhì)量水平[5,21]和目標(biāo)(一雙組分載體)是分配給每一個[22]：
?良好的焊接：(11)；
?焊縫尺寸不足：(01)；
?棒焊縫：(10)；
?無需焊接：(00)。
2.3.1 良好的焊接
(1) 焊核。在鑄態(tài)組織的焊核呈粗顆粒狀。焊核的密度足以產(chǎn)生高度的衰減。焊縫塊直徑大于超聲束的寬度(圖2和3)。
圖2 良好焊接橫截面顯微顯示
圖3 良好焊接橫截面顯微顯示
(2) 超聲波波形。連續(xù)的回聲很短，這是因?yàn)楦呒壜曇羲p的鑄態(tài)顯微結(jié)構(gòu)的厚焊核，在連續(xù)回波之間的距離是兩層的合并厚度，因?yàn)槌暡ㄊ瓷浒l(fā)生在兩層回聲的外表面(圖4)。
圖4 良好焊接的超聲波波形圖(左)及各自的人工神經(jīng)網(wǎng)絡(luò)輸入值(右)
2.3.2根據(jù)大小焊接
(1) 焊核。焊縫塊是鑄態(tài)顯微結(jié)構(gòu)。焊縫塊直徑小于寬度的超聲束(圖5和圖6)。
圖5 小尺寸焊接橫截面顯微顯示
圖6 小尺寸焊接橫截面顯微顯示
(2) 超聲波波形圖。發(fā)生在兩層主要回聲上升一層次回聲的接口的超聲波束的反映(圖7)。
圖7 小尺寸焊接超聲波波形圖(左)及其各自人工神經(jīng)網(wǎng)絡(luò)輸入值(右)
2.3.3 棒狀焊縫
(1) 焊核。焊核是鑄態(tài)顯微組織，它比焊核的良好的焊縫更薄。焊核直徑大于超聲束的寬度(圖8和9)。
圖8 棒狀焊縫橫截面顯微顯示
圖9 棒狀焊縫橫截面顯微顯示
(2) 超聲波波形。在良好的焊接中連續(xù)的回聲相對更長這是因?yàn)槠渌p較慢?；芈曋g的距離為這兩層的厚度(圖10)。
圖10 棒狀焊接超聲波波形圖(左)及其各自人工神經(jīng)網(wǎng)絡(luò)輸入值(右)
2.3.4 無焊縫
(1) 焊核。沒有溶化所以它的顯微組織不是那么的粗糙(圖11和12)。
圖11 無焊縫橫截面顯微顯示
圖12 無焊縫橫截面顯微顯示
(2) 超聲波波形圖?；夭ㄐ蛄惺亲铋L的，因?yàn)槁曇羲p非常低。因?yàn)閮蓪又虚g的斷痕回聲之間的距離等于厚波層厚。
圖13 無焊縫示波圖及其輸入值
2.4 人工神經(jīng)網(wǎng)絡(luò)模型
2.4.1訓(xùn)練算法
神經(jīng)網(wǎng)絡(luò)工具箱在MATLAB? 6.1軟件包用于模擬人工神經(jīng)網(wǎng)絡(luò)[23,24]。
在目前的工作，用于反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)。
對于一支M層人工神經(jīng)網(wǎng)絡(luò)(包括輸入層)，輸出層神經(jīng)元/層k+1是[25]：
其中，a1=i, aM=o
Sk是k層神經(jīng)元的數(shù)目，ωk+1(l,j)是突觸的重量，fk+1是k+1層轉(zhuǎn)移功能，i和o分別是人工神經(jīng)網(wǎng)絡(luò)的投入和輸出。
Levenberg - Marquardt算法(在MATLAB?稱為trainlm)是用來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)[16,23,24]。該算法的過程如下[25-27]：
(I) 所有投入I q的人工神經(jīng)網(wǎng)絡(luò)和計算各自的輸出oq和錯誤eq都有各自的對象tq：
eq =tq-oq, q=1,…,Q (3)
(II) 計算錯誤值的平方和V(x)，其中x是突觸權(quán)重和偏見：
(III) 計算Jacobian矩陣的J(x)：
(IV) 取得△x：
(V) 重復(fù)計算V(x)使用x+△x。如果這一新的V(x)小于步驟一的計算值，然后系數(shù)β劃分μ，設(shè)△x=x+△x回到步驟一，如果V(x)沒有減少，那么μ乘以β并返回步驟四(μ=10-3作為出發(fā)點(diǎn)和β=10)。
(VI) 同理，當(dāng)V( x )減少到某些錯誤目標(biāo)或當(dāng)規(guī)范梯度小于一些預(yù)定值。得到如下公式：
2.4.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)式樣
執(zhí)行點(diǎn)焊接的數(shù)目是438超聲波示波圖來源于每個點(diǎn)焊。
人類專家解釋438波形圖并指派了一個目標(biāo)，驗(yàn)證拉伸剪切試驗(yàn)[28-30]抽樣的10點(diǎn)為焊接的質(zhì)量水平，分別是：
?良好的焊接：100％(圖14，曲線(a))。
?尺寸不足焊縫：100％(圖14，曲線(b))。
?棒狀焊縫：80％。有時從棒狀焊縫很難區(qū)分焊接的好壞。事實(shí)上，這兩個錯誤是兩個很好的焊接(圖14，曲線(c))。
?無焊縫：100％(圖14，曲線(d))。
圖14 荷載與位移曲線獲得拉伸剪切試驗(yàn)
(a)良好的焊接，(b)小尺寸焊接，(c)棒狀焊接，和(d)無縫焊接。
過度的現(xiàn)象可能會出現(xiàn)在訓(xùn)練時，人工神經(jīng)網(wǎng)絡(luò)記憶功能部分的訓(xùn)練數(shù)據(jù)，而不是建設(shè)投入產(chǎn)出映射。因此，過度的現(xiàn)象能夠引起向下拉的能力的人工神經(jīng)網(wǎng)絡(luò)的推廣。這些數(shù)據(jù)組織輸入/目標(biāo)?？倲?shù)據(jù)有438組并且隨意的分布在兩組子集中：
?培訓(xùn)子集。通過376輸入/目標(biāo)訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)(Q=376)。在培訓(xùn)中，突觸重量不斷更新，以減少錯誤功能。
?驗(yàn)證子集。通過62輸入/目標(biāo)避免過度和實(shí)現(xiàn)良好的泛化方式的交叉驗(yàn)證。如果錯誤則培訓(xùn)停止，對驗(yàn)證集開始增加(早期停止)。這一程序運(yùn)行與培訓(xùn)程序，但突觸權(quán)重不更新。
在一些神經(jīng)元的輸入和輸出層的人工神經(jīng)網(wǎng)絡(luò)，分別為10和2(S1=10; S4= 2)。有兩種隱層(M= 4)在每一個同樣數(shù)量的神經(jīng)元中。傳遞函數(shù)(f2,f3)的隱藏層(圖15)是雙曲正切函數(shù)(在MATLAB?中稱為tansig)，傳遞函數(shù)f4為輸出層(圖15)的身份功能(在MATLAB?中稱為purelin)[23,24]。為了確定隱層神經(jīng)元數(shù)目，有必要考慮如果太少，神經(jīng)元用人工神經(jīng)網(wǎng)絡(luò)是不是能夠符合輸入輸出映射，但如果太多，可能會發(fā)生許多神經(jīng)元的過度使用[26]。均方誤差(均方差)是減少單調(diào)與越來越多的隱層神經(jīng)元。驗(yàn)證微型和小型企業(yè)減少最初越來越多神經(jīng)細(xì)胞中的隱層，只有在一定的價值達(dá)到時才審定微型和小型企業(yè)增加由于過度的現(xiàn)象[24]。表3顯示，某些核心價值的神經(jīng)元的隱層是7(S2=7；S3=7)。
表3 隱層神經(jīng)元的測定數(shù)目
圖15 雙曲線正切函數(shù)和恒等函數(shù)
3. 實(shí)驗(yàn)結(jié)果
這樣做的目的是讓一支訓(xùn)練有素的人工神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行專家的職能和從各自超聲波波形圖分類現(xiàn)場焊接的質(zhì)量，因此人工神經(jīng)網(wǎng)絡(luò)必須有一個合適的功能進(jìn)行推廣。
62輸入向量用于交叉驗(yàn)證，用以推廣以前訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)。
實(shí)驗(yàn)結(jié)果是雙組分載體。一個組成部分值在1 ±δ區(qū)間被視為1和一個組成部分的值在0 ±δ區(qū)間被視為0。其他值的組成部分被視為無效[22](圖16)。
圖16 有效性間隔組成部分輸出載體
62輸入向量顯示人工神經(jīng)網(wǎng)絡(luò)每個實(shí)驗(yàn)輸出向量與其各自的目標(biāo)比較(表4顯示每一比較，它的成功，√，或失敗，×)。在這些比較中，成功率取決于它的準(zhǔn)確程度，因此，依賴于區(qū)間半徑(δ)(圖17)。如果δ>0.25，成功率為100％(圖17)。
一個明確的人工神經(jīng)網(wǎng)絡(luò)的分類是非常重要的，它比一個好的成功率更重要。人工神經(jīng)網(wǎng)絡(luò)能夠區(qū)分實(shí)驗(yàn)輸出載體是0和1之間的值。以及遠(yuǎn)離其各自的目標(biāo)值≥ 0.5的情況。δ =0.5時毫不含糊的人工神經(jīng)網(wǎng)絡(luò)的成功率為100％(圖17)。
有時候?qū)＜液茈y區(qū)分無縫焊接的好壞。這個問題可能會導(dǎo)致嚴(yán)重挫折。人工神經(jīng)網(wǎng)絡(luò)能夠區(qū)分不同質(zhì)量水平的兩個類似的現(xiàn)場焊接(一個很好的焊縫和棒狀焊接)，顯示了良好的容錯性。
圖17 成功率與間隔半徑
表4 人工神經(jīng)網(wǎng)絡(luò)中62輸入向量訓(xùn)練數(shù)據(jù)分類
4. 實(shí)驗(yàn)結(jié)論
這項工作是實(shí)現(xiàn)超聲波無損檢測，質(zhì)量控制，電阻點(diǎn)焊。神經(jīng)元模型已經(jīng)顯示出其作為一種工具來進(jìn)行自動化分類有效性，電阻點(diǎn)焊焊接通過各自波形圖獲得超聲檢測進(jìn)行質(zhì)量控制：
?通過人工神經(jīng)網(wǎng)絡(luò)能獲得良好的結(jié)果的分類。人工神經(jīng)網(wǎng)絡(luò)適應(yīng)性強(qiáng)，具有高度的健全性，因此它能夠推廣。
?選擇的重要性在人工神經(jīng)網(wǎng)絡(luò)的輸入中顯得尤為重要，通過10個組分載體作為超聲波波形圖的代表，包含相對高度的回聲和連續(xù)之間回聲的距離，是適當(dāng)?shù)摹?
參 考 文 獻(xiàn)
[1] M.Jou. 實(shí)時監(jiān)測焊接質(zhì)量的電阻點(diǎn)焊制造, J.Mater出版社, 132 (2003) 102-113
[2] S.Agashe, H.Zhang. 選擇的基礎(chǔ)上熱平衡點(diǎn)焊. J.82 (7) (2003) 197s-183s
[3] E. Bayraktar, D. Kaplan, M. Grumbach. 應(yīng)用影響拉伸測試點(diǎn)焊表. J. Mater. 出版社, 153-154 (2004) 80-86
[4] O.Mart′?n, PhD Thesis. Ciencia de los Materiales e Ingenier′?a Metal′urgica. 巴利亞多利德大學(xué), 2004
[5] T.Mansour. 超聲波檢測現(xiàn)場焊接. 美國工業(yè)的無損檢測. 美國，1991, pp. 557-568
[6] D.J.Spinella, J.R.Brockenbrough, J.M. Fridy. 趨勢鋁電阻點(diǎn)焊的汽車業(yè), 焊接. J.84 (1) (2005) 34-40
[7] R.Jordan, F.Feeney, N.Nesbitt, J.A.Evertsen. 分類樹種的神經(jīng)網(wǎng)絡(luò)分析的超聲波信號. 超聲波, 36 (1998) 219-222
[8] K.Hornik, M.Stinchcombe, H.White. 多層前饋網(wǎng)絡(luò)神經(jīng), 2 (1989) 359-366
[9] N.S.Reddy, A.K.P.Rao, M.Chakraborty, B.S.Murty. 預(yù)測中的晶粒尺寸對Al-7Si合金的神經(jīng)網(wǎng)絡(luò). 材料, Sci. Eng. A 391 (2005) 131-140
[10] A.Jiahe, X.Jiang, G.Huiju, H.Yaohe, X.Xishan. 人工神經(jīng)網(wǎng)絡(luò)預(yù)測的微觀結(jié)構(gòu)60Si2MnA棒根據(jù)其控軋控冷工藝參數(shù). 材料, Sci.Eng.A 344 (2003) 318-322
[11] R.H.Silverman, A.S. Noetzel. 圖像處理和模式識別神經(jīng), 3 (1990) 593-603
[12] A.Roy, P.Barat, S.K. De. 材料的分類. 通過神經(jīng)網(wǎng)絡(luò). 超聲波, 33 (1995) 175-180
[13] R.Wendel, J.Dual. 應(yīng)用神經(jīng)網(wǎng)絡(luò)在定量無損評價. 超聲波, 34 (1996) 461-465
22