论文部分内容阅读
电阻点焊质量受到多种因素的影响而不易稳定，这在一定程度上限制了点焊技术的广泛应用，因此发展一种非破坏性的、低成本、诊断可靠性高的焊点质量评判系统对于现实生产是非常有意义的。研究表明点焊过程动态信号蕴涵着大量直接或间接反映焊点质量的信息，其特征分析研究、并行处理、信息融合是建立焊点质量监测模型，实现在线无损评估的关键。本文以点焊质量预测为目的，以焊接过程中焊接电流、电极压力和电极位移为主要研究对象，借助现代信号分析方法，分析信号的时频特征，并在此基础上提取信号时域统计特征，构建了多信息融合的特征向量数据集合描述焊接过程，运用误差反向传播网络（BackPropagation Networks，简称BP 网络）模型，建立了焊点接头强度的预测模型。
测试结果表明，基于BP 神经网络的点焊质量监测模型准确率较高、泛化能力较好，在焊点质量预测中具有较强的实用价值。论文工作主要包含以下内容：
选择Rogowski 电流传感器、光栅位移传感器，压电晶体传感器，对焊接电流、电极位移和电极压力等与焊接质量相关的实时信号进行数据采集，并传送至上位机进行可视化处理。利用时域和频域分析方法对焊接信号进行特征分析，试图从信号的角度寻找对焊接过程的描述。
分析表明，电极位移信号能够反映熔核的生长过程。信号的频域特征不明显，因此，特征主要在时域中分析和提取。针对电极位移信号提取了最大位移量(Smax)、平均位移(Smean)、位移标准差(Sdev)、位移下降量(S2w)和位移平均上升速率(Supv)等5 个特征分量，通过灰色关联度分析确定构筑多信息融合的特征向量。
采用正交试验法，以尽可能少的试验次数获取覆盖范围全面的试验数据。
利用BP 神经网络工具箱（Neural Network Toolbox，简称NNT），以焊点过程电极位移、焊接电流、电极压力、等6个特征向量作为输入向量，焊点的抗拉剪切强度为输出向量，建立点焊过程参数与焊接接头力学性能之间的三层BP神经网络映射模型，尝试不同的网络结构比较，确定合适的网络结构对电阻点焊质量进行预测。并对普通BP 算法运算速度慢等缺点提出分析并提出了相应的改善方法，使模型的运算速度和精度得到了明显提高，并能对焊点的抗拉剪切强度进行较好的预测。