弧焊電源智能控制研究范文

本站小編為你精心準備了弧焊電源智能控制研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1智能控制方法

焊接過程一般采用閉環反饋控制方法，因為過程多輸入多輸出，各種參數耦合性強，而且非線性特征明顯，很難建立精確的數學模型。早期的過程控制多采用控制領域經典的PID控制算法，隨著硬件電路的改進和處理器運算速度的提高，模糊控制技術、神經網絡控制、遺傳算法、滑模變結構和群智能算法等各種先進的控制方法也開始應用在焊接電源的數字化智能控制中，取得不錯的控制效果。

1．1模糊控制模糊控制（FuzzyControl，FC）作為一種比較成熟的非線性智能控制方法，被最早引入到焊接過程的控制中，FC的實質是吸取了人類思維判斷事物時所表現出來的模糊性特點，利用模糊語言變量、模糊集合和模糊邏輯推理為基礎，使用模糊集合中的隸屬函數、模糊關系、模糊推理和決策等工具推導出控制動作應用于被控對象［3］。圖2所示為一種典型的模糊控制器工作模型，它將清晰量偏差e先進行模糊化處理變為模糊量E，經過模糊推理形成后得到一個模糊量U，最后進行清晰化處理形成確定的控制量ui作用于控制對象。從事焊接控制研究的專家和學者認為模糊控制的特點適合于焊接過程的控制，在焊接領域有廣闊的應用前景，已經在焊接質量檢測、焊縫跟蹤和焊接設備等多方面使用。高延峰等人設計了一種具有預測功能的模糊控制器，主要是為了解決焊接機器人在彎曲轉角處焊縫跟蹤困難的問題，其設計思想是通過焊槍偏差和傾角信息來確定焊槍移動走向和焊縫方向之間的夾角，利用線性化模型預測焊槍移動至下一點的位置，采用加權最小二乘方法預測焊縫下一點位置，同時根據模糊控制理論實現焊接小車轉彎時車輪和橫向滑塊之間的協調控制，在輪式移動焊接機器人彎曲角進行跟蹤焊接的試驗中取得較好的跟蹤精度和焊接效果［4］。在熔化極氣體保護焊中，為了控制焊接熱輸入和熔滴過渡的形式，得到更好的焊接效果，Aghakhani，Masood等人針對ST37不銹鋼材料利用模糊邏輯建立了一個5因素的預測模型，該預測模型能夠確定送絲速度、電弧電壓、焊絲伸出長、焊接速度和氣體流量之間的關系［5］。Malekjamshidi，Zahra等人設計了一種新型的基于模糊邏輯控制的恒流焊接電源，該智能化弧焊電源具有熱啟動、防卡死和空閑待機等節能功能，同時保證焊接過程中的恒定直流輸出波動較小，焊接質量高，在移動焊接領域有廣泛的應用空間［6］。華南理工大學的王瑞超和薛家祥利用自適應模糊邏輯控制設計了一款數字脈沖MIG焊接電源，該焊接電源采用雙閉環控制，能夠靈活、精確控制實時能量輸入，通過試驗表明，所設計的控制策略能夠有效地適應電弧長度的變化，實現理想的一脈一滴熔滴過渡，焊接過程穩定，電弧聲柔和，無飛濺產生，焊縫良好［7］。模糊控制是目前在弧焊電源中應用領域最為廣泛的智能控制方法，從焊接質量檢測、焊縫成形預測、焊接過程控制和焊接效果評價等都有成功的案例。盡管從理論上已經證明模糊控制能夠以任意精度逼近任何非線性函數，是一種性能優良的非線性控制方法，但受到當前技術水平的限制，確定模糊邏輯中的隸屬函數還主要依靠人為因素和經驗，沒有形成統一的理論指導，模糊變量的分類和模糊規則數不能太多，導致模糊控制的精度還需要進一步提高。

1．2神經網絡神經網絡也稱為人工神經網絡（ArtificialNeuralNetwork，ANN），是一種模仿生物神經網絡的結構和功能的數學模型，它具有分布式存儲信息、并行協同處理和自主學習的特點，常用來對輸入和輸出間復雜的關系進行建模，探索數據的模式。神經網絡目前在焊接過程建模控制、焊接質量和接頭性能預測、焊接熔池圖像處理以及焊縫跟蹤等方面都有一定的應用。圖3所示為一種多層結構神經網絡。輸入層有眾多神經元，接收大量非線性輸入信息，輸入的信息被稱為輸入向量。輸出層輸出的信息稱為輸出向量，是信息在神經元節點中傳輸、分析、權衡后形成的結果。隱藏層又稱為“隱層”，位于輸入層和輸出層之間，是由眾多神經元節點和鏈接所組成的層面。隱藏層可以有1層，也可以用多層。隱藏層的神經元節點數目不定，一般來說，數目越多神經網絡越復雜，非線性特征就越顯著，神經網絡的健壯性就會越強。IrvingB在文獻［8］中介紹了神經網絡技術應用于電弧焊、激光焊、電阻焊、電子束焊和攪拌摩擦焊等各種焊接方式的工藝優化情況，并且認為利用神經網絡模型能夠有效節省成本，降低焊接操作人員的工作量，增強工作效率。Pal，Sukhomay等人設計了一種多層神經網絡模型來預測脈沖熔化極惰性氣體保護焊焊件的極限拉伸應力，該模型通過輸入脈沖電壓、反饋電壓、脈沖寬度、脈沖頻率、送絲速度、焊接速度6個測量參數和平均焊接電流和電壓的均方根值來得到極限拉伸應力輸出值，通過對比發現該模型預測值比多元回歸模型得到的值更準確［9］。劉立君等人采用電弧聲對焊接過程熔透性進行監測與診斷，發現電弧聲特征參數是診斷成敗的關鍵，通過采用神經網絡的特征評價和特征選擇方法，利用神經網絡的訓練結果對特征參數進行評價能有效對特征參數降維，通過試驗驗證了該方法的可行性和有效性［10］。針對熔化極氣體保護焊在工業生產中的廣泛應用，閆志鴻等人以低碳鋼為焊接對象，研究其焊縫成形過程的建模與仿真方法，文獻［11］利用BP神經網絡建立了該過程的動態模型，揭示了脈沖熔化極氣體保護焊過程的焊縫成形規律，提出了一種利用神經網絡模型考察熔池正面特征參量與反面寬度之間關系的方法，驗證了熔池特征參量的有效性與可靠性。從國內外最新的相關文獻來看，報道的神經網絡技術在焊接過程中的應用多數是焊接過程建模及控制。通過研究發現，以采集效果較好的焊接試驗數據作訓練樣本對神經網絡進行訓練，建立一個焊接工藝參數能自動優化、在線調節的神經網絡，可以指導焊接過程，獲得外形美觀、高強度、高質量的焊縫。但是，神經網絡的軟硬件技術還不成熟，實時性較差，網絡模型中的隱含層數目難以精確確定，同時，采用的算法還欠缺穩定性，收斂性也比較慢。

1．3遺傳算法遺傳算法（GeneticAlgorithm，GA）是一種參照生物界的適者生存、優勝劣汰遺傳進化規律演化而來的搜索算法［12］。其主要特點是不存在求導和函數連續性的限定，直接對對象進行操作。算法最初是參考進化生物學中的遺傳、自然選擇、雜交以及突變等現象，這些現象具有良好的全局尋優能力和內在的并行性，在尋優方法上采用概率化思想，事先不確定的規則，利用算法自動獲取和優化搜索空間，自適應地調整搜索方向。遺傳算法的自尋優性質被人們廣泛地應用于機器學習、自適應控制、信號處理、組合優化和人工智能等領域。KimD和RheeS希望找到一種在沒有確定的數學模型的情況下，通過優化焊接工藝參數來確定熔化極氣體保護焊的焊縫幾何形狀的方法。在文獻提到的遺傳算法尋優中，4個輸入參數分別是焊縫根部間隙、送絲速度、電弧電壓和焊接速度，輸出參數是焊縫高度和熔深，當輸入參數的數量為4，16，16和16時，總的搜索目標點可以達到16384個，是一種通過較少的試驗結果數據獲得最優工藝參數的方法［13］。為了焊接帶有防銹層的奧氏體不銹鋼，YoganandhJ等人利用多元回歸方法設計了一個GMAW焊接數學模型，使用遺傳算法對參數進行了優化，試驗取得良好的焊接效果［14］。SathiyaP等人用直徑1．2mm焊絲焊接奧氏體不銹鋼薄板也采用遺傳算法進行工藝參數優化。通過試驗采集氣體流量、電弧電壓，焊接速度、送絲速度、焊縫高度、寬度和熔深等數據建立一個回歸分析數學模型，遺傳算法優化的工藝參數能在盡量減少焊縫高度和寬度的前提下獲得較深的熔深效果［15］。遺傳算法在焊接中的應用主要表現在焊接工藝參數最優值的搜索功能方面，利用少量的試驗數據，通過不斷地進行全局尋優，能準確、高效地確定適用于最佳焊接效果的工藝參數。

1．4群智能算法為了使焊接過程能被更好的控制，取得高質量的焊接效果，人們除了使用模糊控制、人工神經網絡控制和遺傳算法外，還把模擬退火算法（Simulat-edAnnealingMethods，SA）、蟻群算法（AntColonyOptimization，ACO）和粒子群算法（ParticleSwarmOptimization，PSO）等智能優化算法應用于弧焊電源的控制中。模擬退火算法是基于Monte-Carlo迭代求解策略的一種隨機尋優算法，工作原理是考慮了固體物質的退火過程和一般組合優化問題之間的相似性。算法執行過程是從某一較高初始溫度出發，隨著溫度數值的不斷下降，結合概率突跳特性在解空間中隨機尋找目標函數的全局最優解。KatherasanD等人研究藥芯焊絲電弧焊工藝時，為了得到滿足要求的焊縫寬度、熔深和接頭強度，用模擬退火算法和遺傳算法聯合進行送絲速度、電弧電壓、焊接速度和焊槍傾角的參數優化，焊接后的效果良好，能大大提高生產效率［16］。焊接接頭的質量受焊接熔深的影響很大，因此，準確預測和獲得最大化的熔深是非常必要的。文獻［17］提到一種不銹鋼鎢極氬弧焊的熔深預測與優化模型，該模型是3層前饋性神經網絡，4個輸入參數是焊接電流、焊接速度、保護氣體流量和焊槍傾角，輸出參數是焊縫熔深，模型經過模擬退火算法優化訓練后能精確預測熔深。群智能算法是計算機工作者受螞蟻群、魚群、蜂群、鳥群等具有社會性特點的動物群體行為啟發，通過對社會性動物生活的模擬產生的一系列對于傳統優化問題的解決方法，焊接領域中研究較多的是蟻群算法和粒子群算法。文獻［18］把蟻群算法應用于自適應焊接機器人中，通過焊接機器人雙目立體視覺系統和小型線性激光發射器檢測焊縫位置和方向，蟻群算法能根據焊接機器人手臂移動角度增量給出優化后的焊接工藝參數指導焊接軌跡。曲線焊縫和馬鞍形焊縫的試驗結果顯示，基于蟻群優化算法的自適應焊接機器人比傳統的PID控制和模糊控制焊接精度要高。粒子群算法優化用于神經網絡訓練參數的優化已取得了不錯效果，Malviya等人在熔化極惰性氣體保護焊中就采用了粒子群優化神經網絡結構［19］。KatherasanD在藥芯焊絲電弧焊中建立了送絲速度、電弧電壓、焊接速度和焊槍傾角為輸入參數，焊縫寬度、強度和熔深為輸出參數的神經網絡模型，焊接試驗數據采用粒子群算法進行優化，實現了在較窄的焊縫上得到最大的熔深［20］。

2弧焊電源發展與展望

模糊控制、神經網絡、遺傳算法、群智能算法與專家系統各有特點，隨著弧焊電源智能控制研究的不斷深入，部分技術已經開始相互結合，應用會越來越廣泛。弧焊電源的智能化是數字化焊接電源發展的方向，通過對現代電力電子技術和電子信息技術的整合，再加入嵌入式操作系統與網絡通信功能，未來的弧焊電源就如同1臺功能強大的具有焊接功能的計算機，具有精確的數字化控制能力，未來研究的方向有：（1）具備互聯網控制功能。用戶可以通過手持設備遠程控制弧焊電源，可以在線調試、編程、升級軟件。（2）具備柔性化制造功能。弧焊電源內置自適應專家系統，能根據不同焊材的焊接要求自動選擇合適的程序工作。（3）模塊化焊接機器人。智能弧焊電源配置自動送絲系統和機器手臂等構成自動焊接機器人。電源設計模塊化可方便拆卸與維修，機器人具備全方位焊接功能，能夠實時跟蹤焊縫，在線反饋焊接質量。

作者：朱強 薛家祥 徐敏 單位：廣東交通職業技術學院 電子與通信工程學院 華南理工大學 機械與汽車工程學院