壓縮包內含有CAD圖紙和說明書,均可直接下載獲得文件，所見所得，電腦查看更方便。Q 197216396 或 11970985
人工神經網絡超聲波測試電阻點焊的質量控制
óscar Martín*, Manuel López, Fernando Martín
西班牙巴利亞多利德大學
摘 要
人工神經網絡通過脈沖反射波的方法來解釋超聲波波形圖的獲得問題。人工神經網絡分類根據在幾個不同性質階段其焊接處斑點耐性超聲波示波圖來決定?；贛ATLAB?計劃的幫助下，投入人工神經網絡的載體在每個超聲波波形圖中通用。人工神經網絡的培訓利用監(jiān)督學習的機制，因此每個輸入都對應各自的輸出(目標)。有四個目標，一是審議質量水平?，F有的數據集隨機分為訓練集(更新權重值)和一個驗證子集(以防止過度的方式交叉驗證)。在一些神經元的隱層考慮選擇過度的現象。這項研究工作的目的是促進自動化，在質量控制過程中保障電阻點焊的質量。
? 2006 Elsevier B.V. 版權所有。
關鍵詞：電阻點焊；無損檢測；超聲波示波圖；質量控制；人工智能網絡
14
1. 導言
電阻點焊(RSW)廣泛應用于汽車行業(yè)焊接加工鋼板[1,2]。利用可靠的質量控制系統(tǒng)的最優(yōu)化和精致調諧可以大量減少焊接斑點， 脈沖回波法是一種超聲波非破壞性測試技術適用于質量控制的RSW[5,6]。通過這個方法獲得每個點焊超聲波波形。估算質量水平的上述點焊。超聲波波形有時很難解釋，由一個人或幾個專家很長一段時間的研究一再解釋示波圖。
自動化的解釋超聲波示波圖將提高科技應用質量?？刂菩阅艿腞SW 。人工神經網絡(ANN) 這是數學模型的行為模仿人類中樞神經系統(tǒng)，從而有一個平行的，分散性和適應性，加工能力映射的非線性和復雜系統(tǒng)，其中回歸方法有其局限性[8-10]。出于這個原因，人工神經網絡被廣泛應用于模式識別任務[11-15]。解釋每個超聲波形，以各自的分類點焊某質量水平，是一個模式識別問題，因此神經網絡建議進行自動化的解釋超聲波示波圖。
一個人工神經網絡，就像一個人，學習的方式培訓。 有監(jiān)督學習機制中使用的培訓人工神經網絡在其中一組輸入/目標對利用(一的目標是所需輸出各自有一定的輸入)。在培訓， 突觸權重(每一個環(huán)節(jié)有一個神經元之間突觸重量附加)不斷調整，以減少錯誤。實驗之間的產出和各自的目標，直到一定值的誤差不在實現[16]。
2. 實驗程序
2.1 材料和設備
化學成分和力學性能的鋼板分別顯示在表1和表2。板厚度為1毫米。在電阻點焊進程中的參數(單相交流50赫茲設備)：
表1化學組成鋼板(wt.％)
表2力學性能的鋼板
?電流強度變化在4到8KA RMS[17,8]之間。記錄的作用圍繞五個理論上的值(4，5，6，7和8KA RMS)。
?焊接時間變化在4到20周期[17,18]。該記錄的值圍繞九個理論值(4，6，8，10，12，14，16，18和20周期)。
?電極排序取決于銅合金分類及用于合金的熱/機械治療。選用兩個銅合金種類(Cu-Cr合金和銅-鋇[18])三個熱/機械治療[19,20]，因此有6個電極種類。
?電極力穩(wěn)定在980.7 N。
超聲波點焊檢測傳感器采用延遲圈養(yǎng)水柱和一個替換用的橡膠膜，以對焊縫表面提供良好的耦合。傳感器頻率為20MHz，直徑為4.5毫米。
2.2 投入的人工神經網絡
二進制信號與每個超聲波波形圖之間的轉化在輸入的人工神經網絡通過一個基于MATLAB?計劃[4]。輸入的人工神經網絡必須代表各自的超聲波波形[15]，因此，轉型計劃必須考慮主要因素的特點，即描述超聲波波形圖[5]：
衰減的超聲波和一個層回聲是最主要的回聲(超聲波束引起的反映是發(fā)生在接口兩張薄板之間)。另一方面，輸入絕不能太復雜，以避免人工神經網絡復雜化和使用冗余數據。
對超聲波波形的決定，取決于投入大小是多少。少于6個回波，則太少不具有代表性。超過六個的回聲，則沒有研究的意義。因此，折中的解決辦法是取前6個超聲回波波形和投入人工神經網絡的10部分矢量。見圖1)：
圖1 輸入的 ANN與其各自的超聲波波形圖
?首五個組成部分的相對高度的回聲：在第n個組件。
?在過去的五年組件之間的距離連續(xù)回聲：在第n個組成部分(n=6，…，10)之間的距離(n-4)次回聲在(n-5)次回聲的dn-5次。
2.3 現場焊接的分類和鑒定的超聲檢測
質量水平的點焊估計其各自的超聲波形。估計是基于效果的焊核的位置焊縫的超聲波。兩個參數的焊核被認為是[5]：
?焊核的組織。阿焊核是鑄態(tài)組織與粗顆粒比母材，因此，焊核生產高衰減比母材。熱影響區(qū)(HAZ組織)是一個小區(qū)域之間的焊核及家長金屬。是的熱影響區(qū)再結晶組織與罰款和等軸晶，生產低衰減。的影響，在各自的焊接超聲波波形可以忽略不計。
?焊核的大小。單層回聲之間似乎主要反映如果焊核直徑小于寬度的超聲束，以便思考的一部分，發(fā)生在兩圖之間的接口表。厚焊核產生更高的衰減比薄焊核。現場焊接分為四種可能的質量水平[5,21]和目標(一雙組分載體)是分配給每一個[22]：
?良好的焊接：(11)；
?焊縫尺寸不足：(01)；
?棒焊縫：(10)；
?無需焊接：(00)。
2.3.1 良好的焊接
(1) 焊核。在鑄態(tài)組織的焊核呈粗顆粒狀。焊核的密度足以產生高度的衰減。焊縫塊直徑大于超聲束的寬度(圖2和3)。
圖2 良好焊接橫截面顯微顯示
圖3 良好焊接橫截面顯微顯示
(2) 超聲波波形。連續(xù)的回聲很短，這是因為高級聲音衰減的鑄態(tài)顯微結構的厚焊核，在連續(xù)回波之間的距離是兩層的合并厚度，因為超聲波束反射發(fā)生在兩層回聲的外表面(圖4)。
圖4 良好焊接的超聲波波形圖(左)及各自的人工神經網絡輸入值(右)
2.3.2根據大小焊接
(1) 焊核。焊縫塊是鑄態(tài)顯微結構。焊縫塊直徑小于寬度的超聲束(圖5和圖6)。
圖5 小尺寸焊接橫截面顯微顯示
圖6 小尺寸焊接橫截面顯微顯示
(2) 超聲波波形圖。發(fā)生在兩層主要回聲上升一層次回聲的接口的超聲波束的反映(圖7)。
圖7 小尺寸焊接超聲波波形圖(左)及其各自人工神經網絡輸入值(右)
2.3.3 棒狀焊縫
(1) 焊核。焊核是鑄態(tài)顯微組織，它比焊核的良好的焊縫更薄。焊核直徑大于超聲束的寬度(圖8和9)。
圖8 棒狀焊縫橫截面顯微顯示
圖9 棒狀焊縫橫截面顯微顯示
(2) 超聲波波形。在良好的焊接中連續(xù)的回聲相對更長這是因為其衰減較慢。回聲之間的距離為這兩層的厚度(圖10)。
圖10 棒狀焊接超聲波波形圖(左)及其各自人工神經網絡輸入值(右)
2.3.4 無焊縫
(1) 焊核。沒有溶化所以它的顯微組織不是那么的粗糙(圖11和12)。
圖11 無焊縫橫截面顯微顯示
圖12 無焊縫橫截面顯微顯示
(2) 超聲波波形圖?；夭ㄐ蛄惺亲铋L的，因為聲音衰減非常低。因為兩層中間的斷痕回聲之間的距離等于厚波層厚。
圖13 無焊縫示波圖及其輸入值
2.4 人工神經網絡模型
2.4.1訓練算法
神經網絡工具箱在MATLAB? 6.1軟件包用于模擬人工神經網絡[23,24]。
在目前的工作，用于反向傳播的多層前饋神經網絡。
對于一支M層人工神經網絡(包括輸入層)，輸出層神經元/層k+1是[25]：
其中，a1=i, aM=o
Sk是k層神經元的數目，ωk+1(l,j)是突觸的重量，fk+1是k+1層轉移功能，i和o分別是人工神經網絡的投入和輸出。
Levenberg - Marquardt算法(在MATLAB?稱為trainlm)是用來訓練人工神經網絡[16,23,24]。該算法的過程如下[25-27]：
(I) 所有投入I q的人工神經網絡和計算各自的輸出oq和錯誤eq都有各自的對象tq：
eq =tq-oq, q=1,…,Q (3)
(II) 計算錯誤值的平方和V(x)，其中x是突觸權重和偏見：
(III) 計算Jacobian矩陣的J(x)：
(IV) 取得△x：
(V) 重復計算V(x)使用x+△x。如果這一新的V(x)小于步驟一的計算值，然后系數β劃分μ，設△x=x+△x回到步驟一，如果V(x)沒有減少，那么μ乘以β并返回步驟四(μ=10-3作為出發(fā)點和β=10)。
(VI) 同理，當V( x )減少到某些錯誤目標或當規(guī)范梯度小于一些預定值。得到如下公式：
2.4.2 人工神經網絡結構式樣
執(zhí)行點焊接的數目是438超聲波示波圖來源于每個點焊。
人類專家解釋438波形圖并指派了一個目標，驗證拉伸剪切試驗[28-30]抽樣的10點為焊接的質量水平，分別是：
?良好的焊接：100％(圖14，曲線(a))。
?尺寸不足焊縫：100％(圖14，曲線(b))。
?棒狀焊縫：80％。有時從棒狀焊縫很難區(qū)分焊接的好壞。事實上，這兩個錯誤是兩個很好的焊接(圖14，曲線(c))。
?無焊縫：100％(圖14，曲線(d))。
圖14 荷載與位移曲線獲得拉伸剪切試驗
(a)良好的焊接，(b)小尺寸焊接，(c)棒狀焊接，和(d)無縫焊接。
過度的現象可能會出現在訓練時，人工神經網絡記憶功能部分的訓練數據，而不是建設投入產出映射。因此，過度的現象能夠引起向下拉的能力的人工神經網絡的推廣。這些數據組織輸入/目標?？倲祿?38組并且隨意的分布在兩組子集中：
?培訓子集。通過376輸入/目標訓練的人工神經網絡(Q=376)。在培訓中，突觸重量不斷更新，以減少錯誤功能。
?驗證子集。通過62輸入/目標避免過度和實現良好的泛化方式的交叉驗證。如果錯誤則培訓停止，對驗證集開始增加(早期停止)。這一程序運行與培訓程序，但突觸權重不更新。
在一些神經元的輸入和輸出層的人工神經網絡，分別為10和2(S1=10; S4= 2)。有兩種隱層(M= 4)在每一個同樣數量的神經元中。傳遞函數(f2,f3)的隱藏層(圖15)是雙曲正切函數(在MATLAB?中稱為tansig)，傳遞函數f4為輸出層(圖15)的身份功能(在MATLAB?中稱為purelin)[23,24]。為了確定隱層神經元數目，有必要考慮如果太少，神經元用人工神經網絡是不是能夠符合輸入輸出映射，但如果太多，可能會發(fā)生許多神經元的過度使用[26]。均方誤差(均方差)是減少單調與越來越多的隱層神經元。驗證微型和小型企業(yè)減少最初越來越多神經細胞中的隱層，只有在一定的價值達到時才審定微型和小型企業(yè)增加由于過度的現象[24]。表3顯示，某些核心價值的神經元的隱層是7(S2=7；S3=7)。
表3 隱層神經元的測定數目
圖15 雙曲線正切函數和恒等函數
3. 實驗結果
這樣做的目的是讓一支訓練有素的人工神經網絡能夠進行專家的職能和從各自超聲波波形圖分類現場焊接的質量，因此人工神經網絡必須有一個合適的功能進行推廣。
62輸入向量用于交叉驗證，用以推廣以前訓練的人工神經網絡。
實驗結果是雙組分載體。一個組成部分值在1 ±δ區(qū)間被視為1和一個組成部分的值在0 ±δ區(qū)間被視為0。其他值的組成部分被視為無效[22](圖16)。
圖16 有效性間隔組成部分輸出載體
62輸入向量顯示人工神經網絡每個實驗輸出向量與其各自的目標比較(表4顯示每一比較，它的成功，√，或失敗，×)。在這些比較中，成功率取決于它的準確程度，因此，依賴于區(qū)間半徑(δ)(圖17)。如果δ>0.25，成功率為100％(圖17)。
一個明確的人工神經網絡的分類是非常重要的，它比一個好的成功率更重要。人工神經網絡能夠區(qū)分實驗輸出載體是0和1之間的值。以及遠離其各自的目標值≥ 0.5的情況。δ =0.5時毫不含糊的人工神經網絡的成功率為100％(圖17)。
有時候專家很難區(qū)分無縫焊接的好壞。這個問題可能會導致嚴重挫折。人工神經網絡能夠區(qū)分不同質量水平的兩個類似的現場焊接(一個很好的焊縫和棒狀焊接)，顯示了良好的容錯性。
圖17 成功率與間隔半徑
表4 人工神經網絡中62輸入向量訓練數據分類
4. 實驗結論
這項工作是實現超聲波無損檢測，質量控制，電阻點焊。神經元模型已經顯示出其作為一種工具來進行自動化分類有效性，電阻點焊焊接通過各自波形圖獲得超聲檢測進行質量控制：
?通過人工神經網絡能獲得良好的結果的分類。人工神經網絡適應性強，具有高度的健全性，因此它能夠推廣。
?選擇的重要性在人工神經網絡的輸入中顯得尤為重要，通過10個組分載體作為超聲波波形圖的代表，包含相對高度的回聲和連續(xù)之間回聲的距離，是適當的。
參 考 文 獻
[1] M.Jou. 實時監(jiān)測焊接質量的電阻點焊制造, J.Mater出版社, 132 (2003) 102-113
[2] S.Agashe, H.Zhang. 選擇的基礎上熱平衡點焊. J.82 (7) (2003) 197s-183s
[3] E. Bayraktar, D. Kaplan, M. Grumbach. 應用影響拉伸測試點焊表. J. Mater. 出版社, 153-154 (2004) 80-86
[4] O.Mart′?n, PhD Thesis. Ciencia de los Materiales e Ingenier′?a Metal′urgica. 巴利亞多利德大學, 2004
[5] T.Mansour. 超聲波檢測現場焊接. 美國工業(yè)的無損檢測. 美國，1991, pp. 557-568
[6] D.J.Spinella, J.R.Brockenbrough, J.M. Fridy. 趨勢鋁電阻點焊的汽車業(yè), 焊接. J.84 (1) (2005) 34-40
[7] R.Jordan, F.Feeney, N.Nesbitt, J.A.Evertsen. 分類樹種的神經網絡分析的超聲波信號. 超聲波, 36 (1998) 219-222
[8] K.Hornik, M.Stinchcombe, H.White. 多層前饋網絡神經, 2 (1989) 359-366
[9] N.S.Reddy, A.K.P.Rao, M.Chakraborty, B.S.Murty. 預測中的晶粒尺寸對Al-7Si合金的神經網絡. 材料, Sci. Eng. A 391 (2005) 131-140
[10] A.Jiahe, X.Jiang, G.Huiju, H.Yaohe, X.Xishan. 人工神經網絡預測的微觀結構60Si2MnA棒根據其控軋控冷工藝參數. 材料, Sci.Eng.A 344 (2003) 318-322
[11] R.H.Silverman, A.S. Noetzel. 圖像處理和模式識別神經, 3 (1990) 593-603
[12] A.Roy, P.Barat, S.K. De. 材料的分類. 通過神經網絡. 超聲波, 33 (1995) 175-180
[13] R.Wendel, J.Dual. 應用神經網絡在定量無損評價. 超聲波, 34 (1996) 461-465
22