本文選題：激光焊接　切入點：焊縫寬度預測　出處：《光學精密工程》2017年09期

【摘要】：提出了通過視覺傳感獲取焊接過程中的焊接特征信息并利用神經網絡模型預測焊縫背面寬度的方法。利用大功率盤形激光器焊接了低碳鋼SS400焊件,在焊接過程中改變焊接功率、焊接速度和焊接路徑,并利用兩臺高速攝像機同步獲取焊件正面和側面出現的焊接特征信息。對獲取的圖像進行色彩空間轉換、分層、濾波去噪和空域圖像處理,提取飛濺、熔池和金屬蒸氣等焊接特征信息,觀察焊接路徑對各個特征的影響。最后,建立了一個三層的LMBP(LevenbergMarquardt Back Propagation)神經網絡模型,將提取的特征信息作為輸入量,預測焊縫的背面寬度。結果顯示:當熔透不穩(wěn)定或出現未熔透狀態(tài)時,LMBP神經網絡擬合度大于0.83,最大訓練誤差均值為0.002 8mm,最大實際誤差均值為0.225 6mm。試驗結果表明所建立的預測模型具有良好的準確性和穩(wěn)定性。
[Abstract]:The method of obtaining welding characteristic information in welding process by visual sensor and predicting back width of weld by neural network model is proposed. Low-carbon steel SS400 welds are welded by high-power disk laser, and the welding power is changed during welding process. Welding speed and welding path, and using two high-speed cameras to simultaneously obtain welding features of the front and side of the welding parts. Color space conversion, stratification, filtering and denoising, spatial image processing, extraction of splash, Welding characteristic information such as molten pool and metal vapor are observed and the influence of welding path on each characteristic is observed. Finally, a three-layer LMBP(LevenbergMarquardt Back propagation neural network model is established, which takes the extracted feature information as input. The results show that the fitting degree of LMBP neural network is greater than 0.83, the mean of maximum training error is 0.002 mm, and the average of maximum actual error is 0.225 6 mm. The prediction model has good accuracy and stability.
【作者單位】： 廣東工業(yè)大學機電工程學院;
【基金】：國家自然科學基金資助項目(No.51675104) 廣東省科技計劃基金資助項目(No.2016A010102015) 廣州市科技計劃基金資助項目(No.201510010089)
【分類號】：TG456.7

【相似文獻】

相關期刊論文 前10條

1 雷明,李作清,陳志祥,吳雅,楊叔子;神經網絡在預報控制中的應用[J];機床;1993年11期

2 鄔再新;王凱;王連波;呂洪波;;基于神經網絡的自由曲線插補研究[J];制造技術與機床;2007年09期

3 顧玉鋼;夏智海;莊力健;;基于改進神經網絡的疲勞裂紋擴展速率預測[J];合肥工業(yè)大學學報(自然科學版);2008年06期

4 王秀梅,呂程,王國棟,劉相華;軋制力預報中的神經網絡和數學模型[J];東北大學學報;1999年03期

5 于洪海,張新平,胡云峰;偏最小二乘-神經網絡光度法同時測定鋼中鎢和鉬[J];冶金分析;2004年02期

6 梁偉;王杰;王玫;;神經網絡在冷剪機曲軸優(yōu)化中的應用[J];機械設計與制造;2010年08期

7 賴興余,李春雄,嚴霖元,劉明智;基于神經網絡的自適應模糊控制器[J];江西農業(yè)大學學報;1998年01期

8 劉立君;蘭虎;鄭紅艷;;基于神經網絡熔透電弧聲特征參數評價與選擇[J];焊接學報;2010年03期

9 李旭東;劉治國;穆志韜;;基于神經網絡的金屬材料疲勞裂紋擴展規(guī)律的預測[J];新技術新工藝;2013年11期

10 李文鑫;王武;張元敏;;遺傳優(yōu)化神經網絡在孔系加工中應用研究[J];機械設計與制造;2009年04期

相關會議論文 前9條

1 高進強;劉新峰;武傳松;;TIG焊接熔透信息的提取[A];第十次全國焊接會議論文集（第2冊）[C];2001年

2 付培眾;尹怡欣;;基于PSO-RBF的神經網絡及其應用研究[A];2007'儀表，，自動化及先進集成技術大會論文集（一）[C];2007年

3 孫雷;王建國;王明輝;;模塊化神經網絡在CSP連軋過程逆質量模型建立中的應用[A];第十一屆全國自動化應用技術學術交流會論文集[C];2006年

4 莫春立;李殿中;馮峰;李強;詹志東;;耦合物理冶金和神經網絡方法預測鋼材的性能[A];2002年材料科學與工程新進展（下）——2002年中國材料研討會論文集[C];2002年

5 張海波;劉恩東;;基于RBF神經網絡PID控制[A];2007中國鋼鐵年會論文集[C];2007年

6 饒德林;齊志揚;陳立功;;鋁合金點焊質量的神經網絡估測[A];第十次全國焊接會議論文集（第2冊）[C];2001年

7 劉明貴;岳向紅;楊永波;李祺;;基于Sym小波和BP神經網絡的基樁缺陷智能化識別[A];2007'湖北·武漢NDT學術年會論文集[C];2007年

8 楊景明;張洪豐;王娜偉;車海軍;;基于神經網絡的可逆冷帶軋機偏心的檢測與補償[A];冶金自動化信息網年會論文集[C];2004年

9 楊景明;張洪豐;王娜偉;車海軍;;基于神經網絡的可逆冷帶軋機偏心的檢測與補償[A];全國冶金自動化信息網年會論文集[C];2004年

相關碩士學位論文 前10條

1 胡丙坤;基于神經網絡的金屬板材折彎回彈預測與研究[D];上海應用技術學院;2015年

2 趙燕燕;優(yōu)化FPN及其在板形識別中的應用[D];濟南大學;2015年

3 王余敬;基于分離譜的激光超聲表面裂紋識別技術研究[D];中北大學;2016年

4 付澤;典型汽車用板變形滯后回彈的試驗研究及有限元分析[D];北京理工大學;2016年

5 熊偉;基于改進BP神經網絡的車床主軸優(yōu)化設計的研究[D];江蘇大學;2016年

6 呂慧超;中厚板軋機液壓AGC系統的控制研究[D];遼寧科技大學;2016年

7 楊軼寧;基于BP神經網絡的點焊接頭疲勞壽命預測研究[D];昆明理工大學;2016年

8 閔喜瑞;基于徑向基函數（RBF）神經網絡滑模變結構厚度控制[D];華北理工大學;2016年

9 李冬梅;主動學習算法在板厚控制系統中的應用研究[D];華北理工大學;2016年

10 張雷;基于振動分析的機床狀態(tài)識別與人機效能評估方法研究[D];東北大學;2013年

本文編號：1698482