CN105741306A - 一种基于背面小孔特征的熔透状态判定方法 - Google Patents

Abstract

本发明提供了一种基于背面小孔特征的熔透状态判定方法，包括：将变极性等离子弧焊划分为P个熔透状态，选取背面小孔图像作为数据源；采集各个熔透状态下的背面小孔图像数据，对小孔图像数据进行特征提取，确定多个特征变量；选取各个熔透状态下的样本数据，每组样本数据均包括特征变量和熔透状态；将样本数据随机分为训练样本数据和测试样本数据，确定待建立的极限学习机模型的输入层、隐含层和输出层节点数，选取极限学习机的激励函数；以训练样本数据作为极限学习机的输入，进行学习并建立极限学习机模型；采用测试样本数据验证该极限学习机模型的预测正确率。本发明建立极限学习机模型对小孔的熔透状态进行判定，预测准确率高，收敛速度快。

Description

一种基于背面小孔特征的熔透状态判定方法

技术领域

本发明涉及焊接技术领域，尤其是一种基于背面小孔特征的熔透状态判定方法。

背景技术

变极性等离子弧焊(Variablepolarityplasmaarcwelding，VPPAW)由于具有能量密度高、穿透力强、能实现中厚板铝合金材料单面焊双面成形等优点，因此广泛应用于航天航空焊接技术领域。对于VPPAW接头形式来说，衡量焊接成形质量最重要和最根本的指标是焊缝的熔透状态。但是在实际焊接过程中，由于影响熔透状态的因素较多，如

工件散热条件、热变形、对缝间隙等都会影响焊接过程的稳定性及最终的熔透状态，仅仅通过固定的焊接规范难以保证获得均匀稳定的适度熔透状态。鉴于变极性等离子弧焊的小孔动态行为是直接影响焊缝成形稳定性及接头质量的关键因素，因此研究能够表征熔池小孔特征行为的有效信号是保持焊缝稳定成形的主要途径。

目前现有表征小孔特征信号的传感技术中，主要开展了声音信号、弧光光谱、尾焰以及等离子云电压传感方面的研究，但是这些传感技术都只能间接反映小孔的有无。虽然图像视觉传感可以直接反映小孔的动态行为，也进行了焊接工艺与小孔特征关系的研究，但是并没有深入分析小孔特征与实际焊接熔透状态的关系，从而很难定量化地分析焊缝成形稳定性和接头质量。

发明内容

本发明的目的在于提供一种基于背面小孔特征的熔透状态判定方法，以解决现有技术无法定量分析小孔特征与实际焊接熔透状态的关系的问题。

为了达到上述目的，本发明提供了一种基于背面小孔特征的熔透状态判定方法，包括：

步骤1：将变极性等离子弧焊划分为P个熔透状态，P为大于或等于2的整数，并分别标定为第1标签、第2标签······第P标签，选取变极性等离子弧焊的背面小孔图像作为数据源；

步骤2：采集各个熔透状态下的背面小孔图像数据，对小孔图像数据进行特征提取，确定多个特征变量；

步骤3：选取变极性等离子弧焊在各个熔透状态下的样本数据，每组样本数据均包括特征变量和熔透状态；

步骤4：将样本数据随机分为训练样本数据和测试样本数据，训练样本数据用于学习极限学习机模型，测试样本数据用于验证极限学习机模型，确定待建立的极限学习机模型的输入层、隐含层和输出层节点数，选取极限学习机的激励函数；

步骤5：以训练样本数据作为极限学习机的输入，进行极限学习机熔透状态判定模型的学习，进而建立极限学习机模型，通过所述极限学习机模型根据输入的小孔特征变量判定小孔的熔透状态；

步骤6：采用测试样本数据对建立的极限学习机模型进行验证，验证建立的该极限学习机模型的预测正确率。

进一步地，在步骤1中，将实际熔透状态划分为：部分熔透，完全熔透及切割三种熔透状态，将部分熔透设定为第1标签，完全熔透设定为第2标签，切割设定为第3标签。

进一步地，在步骤1中，将经视觉传感***获得的背面小孔图像作为数据源。

进一步地，在步骤2中，特征变量是小孔图像经过图像处理方法和摄像机标定得到的小孔特征参数，该特征变量包括小孔宽度和小孔面积。

进一步地，在步骤3中，每组样本数据均包括当前时刻及前三个历史时刻获取的特征变量，且还包括当前时刻的熔透状态。

进一步地，在步骤4中，所述输入层节点数为所述特征变量的维数Q，该维数Q等于特征变量的数量乘以采集时刻的数量，每组样本数据均包括Q维的特征变量和当前时刻的1个熔透状态，所述输出层节点数为所述熔透状态的数量，隐含层节点数为经验值，激励函数g(x)选用sigmoidal函数：g(x)＝1/(1+exp(-x))。

进一步地，随机选取一个初始隐含层节点数，建立极限学习机模型并采用测试样本数据计算预测正确率，每间隔设定的间隔选取一个隐含层节点数并计算预测正确率，选取预测正确率最高时对应的隐含层节点数为步骤4中所用的隐含层节点数。

进一步地，所述步骤5具体包括：

步骤51：确定隐含层神经元个数，随机设定输入层与隐含层间的连接权值w_i和隐含层神经元的偏置为隐含层节点数；

步骤52：计算对应训练样本数据的隐含输出矩阵H_tr；其中，

$H_{tr}\left(w_1,...w_{\tilde{N}},b_1,...,b_{\tilde{N}},x_1^{tr},...x_N^{tr}\right)={\left[\begin{array}{ccc}g\left(w_1{x}_1^{tr}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_1^{tr}+b_{\tilde{N}}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g\left(w_1{x}_N^{tr}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_N^{tr}+b_{\tilde{N}}\right)\end{array}\right]}_{N\×\tilde{N}}$

为输入的训练样本数据，N为训练样本数据的组数；

步骤53：采用最小二乘法求解隐含层输出矩阵H_tr的Moore-Penrose广义逆

步骤54：计算输出权重其中T_tr＝[t₁,…,t_N]^T，且T_tr为训练样本输出矩阵。

进一步地，步骤6具体包括：

步骤61：计算对应测试样本数据的隐含输出矩阵H_te；其中，

$H_{te}\left(w_1,...w_{\tilde{N}},b_1,...,b_{\tilde{N}},x_1^{te},...x_M^{te}\right)={\left[\begin{array}{ccc}g\left(w_1{x}_1^{te}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_1^{te}+b_{\tilde{N}}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g\left(w_1{x}_M^{te}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_M^{te}+b_{\tilde{N}}\right)\end{array}\right]}_{M\×\tilde{N}}$

为测试样本数据中Q维特征变量数据，M为测试样本数据的组数；

步骤62：计算极限学习机的输出T_te＝H_teβ；

步骤63：以极限学习机的输出行中元素值对应的熔透状态类型作为判断结果，该元素值为正整数，且每个元素值为1、2······P中的一个，并相应对应第1标签、第2标签······第P标签；

步骤64：将极限学习机的判断结果与实际熔透状态进行对比，计算分类准确率，对极限学习机模型进行验证，实际熔透状态即为测试样本数据中除了Q维特征变量数据以外的熔透状态数据。

本发明提出了焊接技术领域中的一种基于背面小孔特征的熔透状态判定方法，在获取背面小孔图像基础上经过图像处理提取小孔特征参数，并选取熔透状态样本进行极限学习机模型学习，通过建立的极限学习机模型对小孔的熔透状态进行判定。经过验证发现该极限学习机模型预测准确率高，能达到90％以上，且极限学习机模型的学习无需迭代，收敛速度快，具有良好的泛化性能。

附图说明

图1为本发明提供的基于背面小孔特征的熔透状态判定方法的流程图；

图2为本发明实施例提供的三种典型熔透状态下对应的小孔序列图像；

图3为极限学习机结构模型；

图4为本发明实施例提供的隐含层节点数对极限学习机性能的影响。

具体实施方式

下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

请参考图1，本实施例提供了一种基于背面小孔特征的熔透状态判定方法，包括：

步骤1：将变极性等离子弧焊划分为P个熔透状态，P为大于或等于2的整数，并分别标定为第1标签、第2标签······第P标签，选取变极性等离子弧焊的背面小孔图像作为数据源；

步骤2：采集各个熔透状态下的背面小孔图像数据，对小孔图像数据进行特征提取，确定多个特征变量；

步骤3：选取变极性等离子弧焊在各个熔透状态下的样本数据，每组样本数据均包括特征变量和熔透状态；

步骤4：将样本数据随机分为训练样本数据和测试样本数据，训练样本数据用于学习极限学习机模型，测试样本数据用于验证极限学习机模型，请参考图3，确定待建立的极限学习机模型的输入层、隐含层和输出层节点数，选取极限学习机的激励函数；

步骤5：以训练样本数据作为极限学习机的输入，进行极限学习机熔透状态判定模型的学习，进而建立极限学习机模型，通过所述极限学习机模型根据输入的小孔特征变量判定小孔的熔透状态；

步骤6：采用测试样本数据对建立的极限学习机模型进行验证，验证建立的该极限学习机模型的预测正确率。

在本实施例中，在步骤1中，如图2所示，将实际熔透状态划分为：部分熔透，完全熔透及切割三种熔透状态，将部分熔透设定为第1标签，完全熔透设定为第2标签，切割设定为第3标签。

进一步地，在步骤1中，将经视觉传感***获得的背面小孔图像作为数据源，视觉传感***包括CCD摄像机、复合滤光-减光***、传感器支架以及工控机。作为一个非限制性的例子，CCD摄像机相机采像最大每秒帧数为55幅，曝光时间1微秒，分辨率为1280×1084，滤光镜片为中心波长660nm的窄带滤光镜片，减光镜片为5％、10％、20％通过率的组合镜片，减光镜片和滤光镜片的直径均为25mm。

在本实施例中，在步骤2中，特征变量是小孔图像经过图像处理方法和摄像机标定得到的小孔特征参数，该特征变量包括小孔宽度和小孔面积。

对于VPPAW的极限学习机模型来说，考虑到焊接过程存在热惯性，即当前小孔特征参数与若干历史时刻值之间存在一定关系，另外为了防止模型过于复杂，因此仅取当前值及前面若干个历史时刻值作为极限学习机模型的输入。

优选地，在步骤3中，每组样本数据均包括当前时刻及前三个历史时刻获取的特征变量，且还包括当前时刻的熔透状态。

在步骤4中，所述输入层节点数为所述特征变量的维数Q，该维数Q等于特征变量的数量乘以采集时刻的数量，每组样本数据均包括Q维的特征变量和当前时刻的1个熔透状态，所述输出层节点数为所述熔透状态的数量，隐含层节点数为经验值，激励函数g(x)选用sigmoidal函数：g(x)＝1/(1+exp(-x))。

这样，由于小孔特征参数为小孔宽度和面积，各4个输入，因此输入层节点数为8。输出层节点数为划分的熔透状态的状态数，在这里输出层节点数为3。且在本实施例中，每个样本数据包含小孔宽度、小孔面积及前三个历史时刻值共八个输入向量和一个熔透状态输出向量，共计2100个样本数据。

在步骤4中，随机抽取所有样本数据前1500个样本作为训练，其余600个样本作为测试，将测试样本的极限学习机预测结果与实际结果作比较，计算测试集的预测正确率Accuarcy(见式1)，其中K为预测结果和实际结果一致的样本数，R为总测试样本数。考虑到隐含层节点数需要人工设置，因此为了获得最大的预测正确率，则分析了不同的隐含层节点数对正确率的影响。

优选地，随机选取一个初始隐含层节点数，建立极限学习机模型并采用测试样本数据计算预测正确率，每间隔设定的间隔选取一个隐含层节点数并计算预测正确率，选取预测正确率最高时对应的隐含层节点数为步骤4中所用的隐含层节点数。也就是，通过多次试验找寻到一个最优的隐含层节点数值为选用的隐含层节点数。

图4所示为隐含层节点数对极限学习机性能的影响，可以看出，当隐含层节点数逐渐增加时，测试集的预测正确率呈逐渐减小的趋势，因此根据图4的结果，最终确定本实施例中的隐含层节点数为200。

Accuracy＝K/R*100％(1)

进一步地，所述步骤5具体包括：

步骤51：确定隐含层神经元个数，随机设定输入层与隐含层间的连接权值w_i和隐含层神经元的偏置为隐含层节点数；

步骤52：计算对应训练样本数据的隐含输出矩阵H_tr；其中，

$H_{tr}\left(w_1,...w_{\tilde{N}},b_1,...,b_{\tilde{N}},x_1^{tr},...x_N^{tr}\right)={\left[\begin{array}{ccc}g\left(w_1{x}_1^{tr}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_1^{tr}+b_{\tilde{N}}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g\left(w_1{x}_N^{tr}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_N^{tr}+b_{\tilde{N}}\right)\end{array}\right]}_{N\×\tilde{N}}$

为输入的训练样本数据，N为训练样本数据的组数；

步骤53：采用最小二乘法求解隐含层输出矩阵H_tr的Moore-Penrose广义逆

步骤54：计算输出权重其中T_tr＝[t₁,…,t_N]^T，且T_tr为训练样本输出矩阵。

进一步地，步骤6具体包括：

步骤61：计算对应测试样本数据的隐含输出矩阵H_te；其中，

$H_{te}\left(w_1,...w_{\tilde{N}},b_1,...,b_{\tilde{N}},x_1^{te},...x_M^{te}\right)={\left[\begin{array}{ccc}g\left(w_1{x}_1^{te}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_1^{te}+b_{\tilde{N}}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g\left(w_1{x}_M^{te}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_M^{te}+b_{\tilde{N}}\right)\end{array}\right]}_{M\×\tilde{N}}$

为测试样本数据中Q维特征变量数据，M为测试样本数据的组数，M与N的和即为图3中的n；

步骤62：计算极限学习机的输出T_te＝H_teβ；

步骤63：以极限学习机的输出行中元素值对应的熔透状态类型作为判断结果，该元素值为正整数，且每个元素值为1、2······P中的一个，并相应对应第1标签、第2标签······第P标签；

步骤64：将极限学习机的判断结果与实际熔透状态进行对比，计算分类准确率，对极限学习机模型进行验证，实际熔透状态即为测试样本数据中除了Q维特征变量数据以外的熔透状态数据。

由于训练集和测试集是随机产生的，为了更好地验证极限学习机性能的好坏，则对测试样本分别计算十次，得到最终的预测正确率，其中隐含层节点数固定为200。

表1极限学习机验证结果

表1显示了十次的分类准确率以及最终的平均准确率，可以看出极限学***均计算后，在90％以上，能够达到很精确的预测效果。

本发明提出了焊接技术领域中的一种基于背面小孔特征的熔透状态判定方法，在获取背面小孔图像基础上经过图像处理提取小孔特征参数，并选取熔透状态样本进行极限学习机模型学习，通过建立的极限学习机模型对小孔的熔透状态进行判定。经过验证发现该极限学习机模型预测准确率高，能达到90％以上，且极限学习机模型的学习无需迭代，收敛速度快，具有良好的泛化性能。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (9)

1.一种基于背面小孔特征的熔透状态判定方法，其特征在于，包括：

步骤1：将变极性等离子弧焊划分为P个熔透状态，P为大于或等于2的整数，并分别标定为第1标签、第2标签······第P标签，选取变极性等离子弧焊的背面小孔图像作为数据源；

步骤2：采集各个熔透状态下的背面小孔图像数据，对小孔图像数据进行特征提取，确定多个特征变量；

步骤3：选取变极性等离子弧焊在各个熔透状态下的样本数据，每组样本数据均包括特征变量和熔透状态；

步骤4：将样本数据随机分为训练样本数据和测试样本数据，训练样本数据用于学习极限学习机模型，测试样本数据用于验证极限学习机模型，确定待建立的极限学习机模型的输入层、隐含层和输出层节点数，选取极限学习机的激励函数；

步骤5：以训练样本数据作为极限学习机的输入，进行极限学习机熔透状态判定模型的学习，进而建立极限学习机模型，通过所述极限学习机模型根据输入的小孔特征变量判定小孔的熔透状态；

步骤6：采用测试样本数据对建立的极限学习机模型进行验证，验证建立的该极限学习机模型的预测正确率。

2.如权利要求1所述的基于背面小孔特征的熔透状态判定方法，其特征在于，在步骤1中，将实际熔透状态划分为：部分熔透，完全熔透及切割三种熔透状态，将部分熔透设定为第1标签，完全熔透设定为第2标签，切割设定为第3标签。

3.如权利要求1所述的基于背面小孔特征的熔透状态判定方法，其特征在于，在步骤1中，将经视觉传感***获得的背面小孔图像作为数据源。

4.如权利要求1所述的基于背面小孔特征的熔透状态判定方法，其特征在于，在步骤2中，特征变量是小孔图像经过图像处理方法和摄像机标定得到的小孔特征参数，该特征变量包括小孔宽度和小孔面积。

5.如权利要求4所述的基于背面小孔特征的熔透状态判定方法，其特征在于，在步骤3中，每组样本数据均包括当前时刻及前三个历史时刻获取的特征变量，且还包括当前时刻的熔透状态。

6.如权利要求1所述的基于背面小孔特征的熔透状态判定方法，其特征在于，在步骤4中，所述输入层节点数为所述特征变量的维数Q，该维数Q等于特征变量的数量乘以采集时刻的数量，每组样本数据均包括Q维的特征变量和当前时刻的1个熔透状态，所述输出层节点数为所述熔透状态的数量，隐含层节点数为经验值，激励函数g(x)选用sigmoidal函数：g(x)＝1/(1+exp(-x))。

7.如权利要求6所述的基于背面小孔特征的熔透状态判定方法，其特征在于，随机选取一个初始隐含层节点数，建立极限学习机模型并采用测试样本数据计算预测正确率，每间隔设定的间隔选取一个隐含层节点数并计算预测正确率，选取预测正确率最高时对应的隐含层节点数为步骤4中所用的隐含层节点数。

8.如权利要求6所述的基于背面小孔特征的熔透状态判定方法，其特征在于，所述步骤5具体包括：

步骤51：确定隐含层神经元个数，随机设定输入层与隐含层间的连接权值wi和隐含层神经元的偏置b_i, 为隐含层节点数；

步骤52：计算对应训练样本数据的隐含输出矩阵H_tr；其中，

$H_{tr}(w_1,\mathrm{...},w_{\tilde{N}},b_1,\mathrm{...},b_{\tilde{N}},x_1^{tr},\mathrm{...}{x}_N^{tr})={\left[\begin{array}{ccc}g\left(w_1{x}_1^{tr}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_1^{tr}+b_{\tilde{N}}\right)\\ .& & .\\ .& ...& .\\ .& & .\\ g\left(w_1{x}_N^{tr}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_N^{tr}+b_{\tilde{N}}\right)\end{array}\right]}_{N\×\tilde{N}}$

为输入的训练样本数据，N为训练样本数据的组数；

步骤53：采用最小二乘法求解隐含层输出矩阵H_tr的Moore-Penrose广义逆

步骤54：计算输出权重其中T_tr＝[t₁,…,t_N]^T，且T_tr为训练样本输出矩阵。

9.如权利要求8所述的基于背面小孔特征的熔透状态判定方法，其特征在于，步骤6具体包括：

步骤61：计算对应测试样本数据的隐含输出矩阵H_te；其中，

$H_{te}(w_1,\mathrm{...},w_{\tilde{N}},b_1,\mathrm{...},b_{\tilde{N}},x_1^{te},\mathrm{...}{x}_M^{te})={\left[\begin{array}{ccc}g\left(w_1{x}_1^{te}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_1^{te}+b_{\tilde{N}}\right)\\ .& & .\\ .& ...& .\\ .& & .\\ g\left(w_1{x}_M^{te}+b_1\right)& ...& g\left(w_{\tilde{N}}{x}_M^{te}+b_{\tilde{N}}\right)\end{array}\right]}_{M\×\tilde{N}}$

为测试样本数据中Q维特征变量数据，M为测试样本数据的组数；

步骤62：计算极限学习机的输出T_te＝H_teβ；

步骤63：以极限学习机的输出行中元素值对应的熔透状态类型作为判断结果，该元素值为正整数，且每个元素值为1、2······P中的一个，并相应对应第1标签、第2标签······第P标签；

步骤64：将极限学习机的判断结果与实际熔透状态进行对比，计算分类准确率，对极限学习机模型进行验证，实际熔透状态即为测试样本数据中除了Q维特征变量数据以外的熔透状态数据。