弧焊电源智能控制研究范文

本站小编为你精心准备了弧焊电源智能控制研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1智能控制方法

焊接过程一般采用闭环反馈控制方法，因为过程多输入多输出，各种参数耦合性强，而且非线性特征明显，很难建立精确的数学模型。早期的过程控制多采用控制领域经典的PID控制算法，随着硬件电路的改进和处理器运算速度的提高，模糊控制技术、神经网络控制、遗传算法、滑模变结构和群智能算法等各种先进的控制方法也开始应用在焊接电源的数字化智能控制中，取得不错的控制效果。

1．1模糊控制模糊控制（FuzzyControl，FC）作为一种比较成熟的非线性智能控制方法，被最早引入到焊接过程的控制中，FC的实质是吸取了人类思维判断事物时所表现出来的模糊性特点，利用模糊语言变量、模糊集合和模糊逻辑推理为基础，使用模糊集合中的隶属函数、模糊关系、模糊推理和决策等工具推导出控制动作应用于被控对象［3］。图2所示为一种典型的模糊控制器工作模型，它将清晰量偏差e先进行模糊化处理变为模糊量E，经过模糊推理形成后得到一个模糊量U，最后进行清晰化处理形成确定的控制量ui作用于控制对象。从事焊接控制研究的专家和学者认为模糊控制的特点适合于焊接过程的控制，在焊接领域有广阔的应用前景，已经在焊接质量检测、焊缝跟踪和焊接设备等多方面使用。高延峰等人设计了一种具有预测功能的模糊控制器，主要是为了解决焊接机器人在弯曲转角处焊缝跟踪困难的问题，其设计思想是通过焊枪偏差和倾角信息来确定焊枪移动走向和焊缝方向之间的夹角，利用线性化模型预测焊枪移动至下一点的位置，采用加权最小二乘方法预测焊缝下一点位置，同时根据模糊控制理论实现焊接小车转弯时车轮和横向滑块之间的协调控制，在轮式移动焊接机器人弯曲角进行跟踪焊接的试验中取得较好的跟踪精度和焊接效果［4］。在熔化极气体保护焊中，为了控制焊接热输入和熔滴过渡的形式，得到更好的焊接效果，Aghakhani，Masood等人针对ST37不锈钢材料利用模糊逻辑建立了一个5因素的预测模型，该预测模型能够确定送丝速度、电弧电压、焊丝伸出长、焊接速度和气体流量之间的关系［5］。Malekjamshidi，Zahra等人设计了一种新型的基于模糊逻辑控制的恒流焊接电源，该智能化弧焊电源具有热启动、防卡死和空闲待机等节能功能，同时保证焊接过程中的恒定直流输出波动较小，焊接质量高，在移动焊接领域有广泛的应用空间［6］。华南理工大学的王瑞超和薛家祥利用自适应模糊逻辑控制设计了一款数字脉冲MIG焊接电源，该焊接电源采用双闭环控制，能够灵活、精确控制实时能量输入，通过试验表明，所设计的控制策略能够有效地适应电弧长度的变化，实现理想的一脉一滴熔滴过渡，焊接过程稳定，电弧声柔和，无飞溅产生，焊缝良好［7］。模糊控制是目前在弧焊电源中应用领域最为广泛的智能控制方法，从焊接质量检测、焊缝成形预测、焊接过程控制和焊接效果评价等都有成功的案例。尽管从理论上已经证明模糊控制能够以任意精度逼近任何非线性函数，是一种性能优良的非线性控制方法，但受到当前技术水平的限制，确定模糊逻辑中的隶属函数还主要依靠人为因素和经验，没有形成统一的理论指导，模糊变量的分类和模糊规则数不能太多，导致模糊控制的精度还需要进一步提高。

1．2神经网络神经网络也称为人工神经网络（ArtificialNeuralNetwork，ANN），是一种模仿生物神经网络的结构和功能的数学模型，它具有分布式存储信息、并行协同处理和自主学习的特点，常用来对输入和输出间复杂的关系进行建模，探索数据的模式。神经网络目前在焊接过程建模控制、焊接质量和接头性能预测、焊接熔池图像处理以及焊缝跟踪等方面都有一定的应用。图3所示为一种多层结构神经网络。输入层有众多神经元，接收大量非线性输入信息，输入的信息被称为输入向量。输出层输出的信息称为输出向量，是信息在神经元节点中传输、分析、权衡后形成的结果。隐藏层又称为“隐层”，位于输入层和输出层之间，是由众多神经元节点和链接所组成的层面。隐藏层可以有1层，也可以用多层。隐藏层的神经元节点数目不定，一般来说，数目越多神经网络越复杂，非线性特征就越显著，神经网络的健壮性就会越强。IrvingB在文献［8］中介绍了神经网络技术应用于电弧焊、激光焊、电阻焊、电子束焊和搅拌摩擦焊等各种焊接方式的工艺优化情况，并且认为利用神经网络模型能够有效节省成本，降低焊接操作人员的工作量，增强工作效率。Pal，Sukhomay等人设计了一种多层神经网络模型来预测脉冲熔化极惰性气体保护焊焊件的极限拉伸应力，该模型通过输入脉冲电压、反馈电压、脉冲宽度、脉冲频率、送丝速度、焊接速度6个测量参数和平均焊接电流和电压的均方根值来得到极限拉伸应力输出值，通过对比发现该模型预测值比多元回归模型得到的值更准确［9］。刘立君等人采用电弧声对焊接过程熔透性进行监测与诊断，发现电弧声特征参数是诊断成败的关键，通过采用神经网络的特征评价和特征选择方法，利用神经网络的训练结果对特征参数进行评价能有效对特征参数降维，通过试验验证了该方法的可行性和有效性［10］。针对熔化极气体保护焊在工业生产中的广泛应用，闫志鸿等人以低碳钢为焊接对象，研究其焊缝成形过程的建模与仿真方法，文献［11］利用BP神经网络建立了该过程的动态模型，揭示了脉冲熔化极气体保护焊过程的焊缝成形规律，提出了一种利用神经网络模型考察熔池正面特征参量与反面宽度之间关系的方法，验证了熔池特征参量的有效性与可靠性。从国内外最新的相关文献来看，报道的神经网络技术在焊接过程中的应用多数是焊接过程建模及控制。通过研究发现，以采集效果较好的焊接试验数据作训练样本对神经网络进行训练，建立一个焊接工艺参数能自动优化、在线调节的神经网络，可以指导焊接过程，获得外形美观、高强度、高质量的焊缝。但是，神经网络的软硬件技术还不成熟，实时性较差，网络模型中的隐含层数目难以精确确定，同时，采用的算法还欠缺稳定性，收敛性也比较慢。

1．3遗传算法遗传算法（GeneticAlgorithm，GA）是一种参照生物界的适者生存、优胜劣汰遗传进化规律演化而来的搜索算法［12］。其主要特点是不存在求导和函数连续性的限定，直接对对象进行操作。算法最初是参考进化生物学中的遗传、自然选择、杂交以及突变等现象，这些现象具有良好的全局寻优能力和内在的并行性，在寻优方法上采用概率化思想，事先不确定的规则，利用算法自动获取和优化搜索空间，自适应地调整搜索方向。遗传算法的自寻优性质被人们广泛地应用于机器学习、自适应控制、信号处理、组合优化和人工智能等领域。KimD和RheeS希望找到一种在没有确定的数学模型的情况下，通过优化焊接工艺参数来确定熔化极气体保护焊的焊缝几何形状的方法。在文献提到的遗传算法寻优中，4个输入参数分别是焊缝根部间隙、送丝速度、电弧电压和焊接速度，输出参数是焊缝高度和熔深，当输入参数的数量为4，16，16和16时，总的搜索目标点可以达到16384个，是一种通过较少的试验结果数据获得最优工艺参数的方法［13］。为了焊接带有防锈层的奥氏体不锈钢，YoganandhJ等人利用多元回归方法设计了一个GMAW焊接数学模型，使用遗传算法对参数进行了优化，试验取得良好的焊接效果［14］。SathiyaP等人用直径1．2mm焊丝焊接奥氏体不锈钢薄板也采用遗传算法进行工艺参数优化。通过试验采集气体流量、电弧电压，焊接速度、送丝速度、焊缝高度、宽度和熔深等数据建立一个回归分析数学模型，遗传算法优化的工艺参数能在尽量减少焊缝高度和宽度的前提下获得较深的熔深效果［15］。遗传算法在焊接中的应用主要表现在焊接工艺参数最优值的搜索功能方面，利用少量的试验数据，通过不断地进行全局寻优，能准确、高效地确定适用于最佳焊接效果的工艺参数。

1．4群智能算法为了使焊接过程能被更好的控制，取得高质量的焊接效果，人们除了使用模糊控制、人工神经网络控制和遗传算法外，还把模拟退火算法（Simulat-edAnnealingMethods，SA）、蚁群算法（AntColonyOptimization，ACO）和粒子群算法（ParticleSwarmOptimization，PSO）等智能优化算法应用于弧焊电源的控制中。模拟退火算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法，工作原理是考虑了固体物质的退火过程和一般组合优化问题之间的相似性。算法执行过程是从某一较高初始温度出发，随着温度数值的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解。KatherasanD等人研究药芯焊丝电弧焊工艺时，为了得到满足要求的焊缝宽度、熔深和接头强度，用模拟退火算法和遗传算法联合进行送丝速度、电弧电压、焊接速度和焊枪倾角的参数优化，焊接后的效果良好，能大大提高生产效率［16］。焊接接头的质量受焊接熔深的影响很大，因此，准确预测和获得最大化的熔深是非常必要的。文献［17］提到一种不锈钢钨极氩弧焊的熔深预测与优化模型，该模型是3层前馈性神经网络，4个输入参数是焊接电流、焊接速度、保护气体流量和焊枪倾角，输出参数是焊缝熔深，模型经过模拟退火算法优化训练后能精确预测熔深。群智能算法是计算机工作者受蚂蚁群、鱼群、蜂群、鸟群等具有社会性特点的动物群体行为启发，通过对社会性动物生活的模拟产生的一系列对于传统优化问题的解决方法，焊接领域中研究较多的是蚁群算法和粒子群算法。文献［18］把蚁群算法应用于自适应焊接机器人中，通过焊接机器人双目立体视觉系统和小型线性激光发射器检测焊缝位置和方向，蚁群算法能根据焊接机器人手臂移动角度增量给出优化后的焊接工艺参数指导焊接轨迹。曲线焊缝和马鞍形焊缝的试验结果显示，基于蚁群优化算法的自适应焊接机器人比传统的PID控制和模糊控制焊接精度要高。粒子群算法优化用于神经网络训练参数的优化已取得了不错效果，Malviya等人在熔化极惰性气体保护焊中就采用了粒子群优化神经网络结构［19］。KatherasanD在药芯焊丝电弧焊中建立了送丝速度、电弧电压、焊接速度和焊枪倾角为输入参数，焊缝宽度、强度和熔深为输出参数的神经网络模型，焊接试验数据采用粒子群算法进行优化，实现了在较窄的焊缝上得到最大的熔深［20］。

2弧焊电源发展与展望

模糊控制、神经网络、遗传算法、群智能算法与专家系统各有特点，随着弧焊电源智能控制研究的不断深入，部分技术已经开始相互结合，应用会越来越广泛。弧焊电源的智能化是数字化焊接电源发展的方向，通过对现代电力电子技术和电子信息技术的整合，再加入嵌入式操作系统与网络通信功能，未来的弧焊电源就如同1台功能强大的具有焊接功能的计算机，具有精确的数字化控制能力，未来研究的方向有：（1）具备互联网控制功能。用户可以通过手持设备远程控制弧焊电源，可以在线调试、编程、升级软件。（2）具备柔性化制造功能。弧焊电源内置自适应专家系统，能根据不同焊材的焊接要求自动选择合适的程序工作。（3）模块化焊接机器人。智能弧焊电源配置自动送丝系统和机器手臂等构成自动焊接机器人。电源设计模块化可方便拆卸与维修，机器人具备全方位焊接功能，能够实时跟踪焊缝，在线反馈焊接质量。

作者：朱强 薛家祥 徐敏 单位：广东交通职业技术学院 电子与通信工程学院 华南理工大学 机械与汽车工程学院