基于層次分析法的MIG焊焊縫幾何形貌監(jiān)測(cè)

馬國(guó)紅，洪蕾，李健,余樂(lè)盛,何銀水，肖文波

(1.南昌大學(xué)a.機(jī)電工程學(xué)院，江西 南昌 330031；b.江西省輕質(zhì)高強(qiáng)結(jié)構(gòu)材料重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330031；c.資源環(huán)境與化工學(xué)院，江西 南昌 330031；2.南昌航空大學(xué)無(wú)損檢測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330063)

隨著工業(yè)的快速發(fā)展，人們對(duì)材料的耐腐蝕性提出了更高的要求。鍍鋅鋼板因其良好的抗腐蝕性和成本效益在汽車、船舶、建筑等行業(yè)得到了廣泛的應(yīng)用[1-2]。在焊接的過(guò)程中，焊接質(zhì)量可以通過(guò)電弧聲、弧光和電流等信號(hào)來(lái)判斷[3]。但是鍍鋅鋼板在焊接時(shí)，表面鋅蒸發(fā)會(huì)使焊接過(guò)程變得不穩(wěn)定。干擾噪聲會(huì)增加焊接信號(hào)采集和質(zhì)量監(jiān)測(cè)的難度[4]。為了避免干擾信號(hào)的影響，結(jié)構(gòu)簡(jiǎn)單、小體積的激光視覺(jué)傳感器已經(jīng)在工業(yè)中得到了成熟的應(yīng)用[5]。激光視覺(jué)傳感技術(shù)利用激光三角測(cè)量原理測(cè)量焊縫尺寸，這比人工手動(dòng)測(cè)量焊縫幾何尺寸的精確率更高。激光器在使用時(shí)分為斜射型和直射型。當(dāng)激光照射到母材和焊縫金屬表面時(shí)，產(chǎn)生代表當(dāng)下焊縫輪廓的激光條紋。CCD捕獲焊縫的激光條紋圖像經(jīng)過(guò)一系列的圖像處理算法便可以計(jì)算焊縫的幾何形貌參數(shù)[6]。

眾所周知，焊接質(zhì)量受焊接過(guò)程中的眾多因素影響，且缺少數(shù)學(xué)方程表達(dá)此高度非線性過(guò)程[6]。為獲得理想的焊縫形貌，焊工會(huì)根據(jù)經(jīng)驗(yàn)調(diào)整電流、電壓、電弧高度、保護(hù)氣體等參數(shù)。這不僅勞動(dòng)強(qiáng)度大，還受工人情緒的影響。受仿生學(xué)中大腦認(rèn)知機(jī)制啟發(fā)的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)可以克服這些問(wèn)題[8]。大量的研究表明ANN有很強(qiáng)的非線性函數(shù)逼近能力，可用于擬合多個(gè)輸入和輸出變量之間的關(guān)系。如今已研發(fā)出的模型多種多樣，其中應(yīng)用最多的包括ART、Radial Basis Function、Hopfield和BPNN。研究表明BPNN已經(jīng)成功應(yīng)用在焊接領(lǐng)域的多方面，如焊縫性能預(yù)測(cè)，接頭形狀分類，焊接過(guò)程控制。Manikya Kanti等[9]提出了BPNN用于預(yù)測(cè)的焊縫熔深和凸度指數(shù)。該模型的輸入?yún)?shù)為峰值電流、脈沖頻率、送絲速率、送絲速率/焊接速度比和板的厚度。Kim等[10]比較了誤差反向傳播算法和Levenberg-Marquardt近似算法訓(xùn)練的BPNN模型的訓(xùn)練效果，并根據(jù)焊道數(shù)、焊接電流、焊接電壓和焊接速度這些關(guān)鍵工藝參數(shù)預(yù)測(cè)了焊縫寬度。分析發(fā)現(xiàn)BPNN模型具有依靠大規(guī)模數(shù)據(jù)集快速完成精確預(yù)測(cè)的能力，適用于弧焊的焊縫特征預(yù)測(cè)。然而，受到不確定環(huán)境因素的影響，焊接實(shí)驗(yàn)的實(shí)際值可能與模型的預(yù)測(cè)結(jié)果存在一定偏差。為了在線調(diào)整焊接參數(shù)以實(shí)現(xiàn)理想的焊縫幾何形貌，層次分析法(analytic hierarchy process,AHP)值得一試。AHP于上世紀(jì)70年代被美國(guó)學(xué)者提出，是一種結(jié)合定性和定量分析的決策工具。它將決策的問(wèn)題及其相關(guān)影響因素分為多個(gè)層次，方法簡(jiǎn)單，適用于選擇最佳方案，資源分配，解決沖突和優(yōu)化問(wèn)題[11]。Liu等[12]通過(guò)AHP分析了焊縫形貌對(duì)接頭疲勞性能的影響。Ravisankar等[13]用它決定出熔化極氣體保護(hù)焊是AA7075高強(qiáng)度鋁合金對(duì)接焊的最好焊接工藝。李強(qiáng)等[14]則用它來(lái)判斷工業(yè)生產(chǎn)中影響焊縫質(zhì)量的各因素的重要程度。驗(yàn)證結(jié)果都表明AHP決策效果可靠。

文獻(xiàn)調(diào)查發(fā)現(xiàn)，大多數(shù)焊接質(zhì)量的檢測(cè)方法都只適用于離線，目前沒(méi)有學(xué)者提出結(jié)合視覺(jué)傳感技術(shù)與決策經(jīng)驗(yàn)以實(shí)現(xiàn)焊接質(zhì)量在線監(jiān)測(cè)的方案。本文提出了結(jié)合BPNN預(yù)測(cè)和AHP決策的方法用于鍍鋅鋼板MIG焊焊接質(zhì)量在線監(jiān)測(cè)。該方法主要由3個(gè)階段組成：階段一，通過(guò)視覺(jué)傳感和圖像處理技術(shù)在線提取焊縫的特征參數(shù)熔寬和余高；階段二，利用提取的特征參數(shù)與相應(yīng)的電流、電壓和焊接速度構(gòu)建一個(gè)BPNN，該模型用于預(yù)測(cè)與當(dāng)前參數(shù)設(shè)置相對(duì)應(yīng)的幾何形貌；階段三，利用AHP結(jié)合經(jīng)驗(yàn)知識(shí)在線決策需要改變的焊接工藝參數(shù)，以獲得更理想的焊縫。

1 實(shí)驗(yàn)系統(tǒng)和參數(shù)設(shè)置

實(shí)驗(yàn)使用的焊接平臺(tái)包括圖像采集系統(tǒng)和MIG焊接系統(tǒng)，如圖1所示。圖像采集系統(tǒng)主要由工業(yè)計(jì)算機(jī)(IPC)，CCD相機(jī)(WAT-902H2)，窄帶通濾光片(中心波長(zhǎng)為650 nm，帶寬為50 nm)，中性減光片(透光率0.1%和50%)，激光傳感器(FU655AL30-HGD1465)等硬件和一個(gè)VS配置OpenCV開(kāi)發(fā)的軟件組成。MIG焊接系統(tǒng)包括弧焊電源(華遠(yuǎn)NB-350IGBT)、送絲機(jī)構(gòu)(SB-10)、氣瓶、焊槍和步進(jìn)電機(jī)。步進(jìn)電機(jī)用來(lái)控制焊接方向和焊接速度。

圖1 焊接平臺(tái)Fig.1 Welding platform

本實(shí)驗(yàn)使用的搭接材料是尺寸為250 mm×50 mm×1 mm的Q235熱浸鍍鋅鋼板。填充材料為直徑0.8 mm的低碳鋼焊絲。保護(hù)氣體為質(zhì)量分?jǐn)?shù)大于99.9%的高純度氬氣，保護(hù)氣流量為15 L·min-1。其他主要焊接參數(shù)如表1所示。

表1 焊接參數(shù)Tab.1 Welding parameters

2 激光條紋的預(yù)處理與特征點(diǎn)檢測(cè)

圖像處理操作通過(guò)MATLAB完成，處理后的激光條紋被用于替代實(shí)際的焊縫形貌以進(jìn)行后續(xù)的分析。因此，圖像處理算法的準(zhǔn)確性、實(shí)時(shí)性和魯棒性都非常關(guān)鍵。為了提取激光條紋特征參數(shù)，本文提出了一套有效的圖像處理算法，如圖2所示。具體圖像處理算法流程包括激光條紋的提取和特征點(diǎn)的提取兩部分。

圖2 圖像處理算法流程圖Fig.2 Flow of image processing algorithm

2.1 圖像預(yù)處理

圖3為用CCD相機(jī)采集的典型圖像，主要包括了弧光區(qū)和激光條紋區(qū)。激光條紋的輪廓需要經(jīng)過(guò)一系列的圖像預(yù)處理操作才能得到。圖4是激光條紋提取的每個(gè)算法步驟的示例圖。電弧與激光條紋提取的目的無(wú)關(guān)，因此需要被去除。roifill函數(shù)可填充電弧區(qū)域且巴特沃斯高通濾波能有效消除填充邊界。填充及濾波后的效果分別如圖4(a)、(b)所示。為了完全分離激光條紋與背景，需要對(duì)濾波后圖像進(jìn)行閾值處理。經(jīng)過(guò)比較，最終確定使用OTSU算法，處理效果如圖4(c)所示。鍍鋅鋼板表面花紋導(dǎo)致材料對(duì)激光反射強(qiáng)度不一致，因此激光條紋在閾值處理后輪廓線會(huì)不完整。形態(tài)學(xué)處理可以連接細(xì)小的缺口部分，分析表明合適參數(shù)選擇后的閉運(yùn)算能取得最好的效果，如圖4(d)所示。為了進(jìn)一步去除圖像中的干擾點(diǎn)，運(yùn)用了尺度不變特征變換(scale invariant feature transform，SIFT)算法和聚類處理。SIFT算法的作用是對(duì)干擾和焊后無(wú)明顯干擾背景下采集并閾值化后圖像進(jìn)行匹配，該算法的結(jié)果表現(xiàn)為一定數(shù)量的匹配點(diǎn)，如圖4(e)所示。隨后，這些匹配點(diǎn)可以作為圖像聚類的依據(jù)，如圖4(f)所示。最終，激光條紋被從激烈干涉的背景中準(zhǔn)確提取，如圖4(g)所示。然而，聚類后的激光條紋仍然相對(duì)較粗，無(wú)法直接利用它提取所需的特征點(diǎn)。所以必須對(duì)激光條紋進(jìn)行細(xì)化，圖4(h)是細(xì)化處理后的效果。

圖3 原始圖像Fig.3 Original image

(a) 填充 (b) 濾波 (c) 閾值分割 (d) 閉運(yùn)算

2.2 特征點(diǎn)檢測(cè)與特征參數(shù)計(jì)算

Harris角點(diǎn)檢測(cè)法[15-17]因算法簡(jiǎn)單，計(jì)算速度快，性能穩(wěn)定而被廣泛應(yīng)用。它主要包括梯度計(jì)算、矩陣形成和角點(diǎn)判斷3個(gè)步驟。在經(jīng)過(guò)以上圖像預(yù)處理階段后，本研究先用Harris角點(diǎn)檢測(cè)法從細(xì)化圖像中提取到5個(gè)特征點(diǎn)，如圖5(a)所示。然后，從左到右用1、2、3、4、5標(biāo)記這些特征點(diǎn)，如圖5(b)所示。焊縫的熔寬(W)和余高(H)可以表示為：

(a) 特征點(diǎn)提取

(1)

(2)

式中:x2、x3、x4分別表示特征點(diǎn)2、3、4的橫坐標(biāo)；y2、y3、y4則是特征點(diǎn)2、3、4的縱坐標(biāo)。

3 預(yù)測(cè)與決策

3.1 余高熔寬與電流電壓的關(guān)系

本研究通過(guò)控制變量法進(jìn)行了MIG焊接實(shí)驗(yàn)，建立了焊縫形貌與重要工藝參數(shù)之間的定量關(guān)系。實(shí)驗(yàn)過(guò)程中保持其他焊接參數(shù)不變，僅改變焊接電流可獲得獲得電流變化與焊縫余高變化之間的關(guān)系，如圖6(a)所示。同樣僅改變焊接電壓，可獲得焊接電壓變化與焊接熔寬變化之間的關(guān)系，如圖6(b)所示。數(shù)據(jù)擬合的結(jié)果表明平均每單位電流的變化導(dǎo)致余高改變0.12個(gè)像素，而每單位電壓的變化導(dǎo)致熔寬改變4.29個(gè)像素。

電流/A(a) 焊接電流對(duì)余高的影響

3.2 BPNN模型預(yù)測(cè)

BPNN是一種前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖7所示。當(dāng)輸出層無(wú)法在正向傳播中達(dá)到預(yù)期效果時(shí)，則進(jìn)行誤差反向傳播。3層BPNN模型的輸入?yún)?shù)為焊接電流、焊接電壓和焊接速度，因此輸入層節(jié)點(diǎn)數(shù)為3。輸出參數(shù)為余高和熔寬，因此輸出層節(jié)點(diǎn)數(shù)為2。根據(jù)經(jīng)驗(yàn)公式(3)計(jì)算得出該模型的隱藏層節(jié)點(diǎn)數(shù)在3～12之間。

圖7 BPNN的結(jié)構(gòu)Fig.7 Structure of BPNN

(3)

式中：h為隱藏層節(jié)點(diǎn)數(shù)；m為輸入層節(jié)點(diǎn)數(shù)；n為輸出層節(jié)點(diǎn)數(shù)；α為1～10之間的常數(shù)。

本研究基于360組實(shí)驗(yàn)樣本數(shù)據(jù)完成了BPNN的構(gòu)建，經(jīng)過(guò)測(cè)試證明隱藏層節(jié)點(diǎn)數(shù)為12時(shí)取得最好的擬合精度，高達(dá)95.83%。當(dāng)實(shí)驗(yàn)焊縫與模型預(yù)測(cè)余高差在±0.5像素范圍內(nèi)且熔寬差在±5像素范圍內(nèi)就可以認(rèn)為焊縫獲得了預(yù)期的效果。為了驗(yàn)證模型的準(zhǔn)確性，一組未用于訓(xùn)練模型的焊接參數(shù)電流100 A，電壓25 V，焊接速度5.5 mm·s-1被選擇進(jìn)行了焊接測(cè)試。圖8展示了焊接后獲得的焊縫。每間隔1 cm取一個(gè)測(cè)量點(diǎn)，提取該處激光條紋并計(jì)算焊縫高度和焊縫寬度。將所選的12個(gè)測(cè)量點(diǎn)的平均高度代表整個(gè)焊縫的余高，平均寬度代表整個(gè)焊縫的熔寬。測(cè)量計(jì)算的焊縫實(shí)際余高和熔寬分別為10.41像素和58.64像素，BPNN模型預(yù)測(cè)的焊縫余高和熔寬分別為10.72像素和60.87像素。模型預(yù)測(cè)和實(shí)驗(yàn)焊縫的余高差為0.31像素，熔寬差為2.23像素。很顯然本組焊接參數(shù)獲得的實(shí)驗(yàn)計(jì)算與模型預(yù)測(cè)值的差值在允許范圍之內(nèi)。

圖8 實(shí)驗(yàn)焊縫Fig.8 Experimental weld

3.3 AHP模型決策

由于焊接過(guò)程受環(huán)境等不確定因素影響，實(shí)驗(yàn)實(shí)際幾何形貌值和模型預(yù)測(cè)值之間的差并不總能在誤差范圍內(nèi)。因此，本文設(shè)計(jì)了基于焊接經(jīng)驗(yàn)的AHP模型，如圖9所示。最高層是決策需要解決的問(wèn)題，可能是改變?nèi)鄹咭部赡苁歉淖內(nèi)蹖?。中間層是決策的準(zhǔn)則，由板厚B1、焊接位置B2和焊絲直徑B33個(gè)因素組成。最底層是決策時(shí)備選方案包括調(diào)整電流C1、電壓C2和焊接速度C3。當(dāng)實(shí)際值與預(yù)測(cè)值存在較大誤差時(shí)，模型決定調(diào)整焊接參數(shù)，讓決策目標(biāo)的實(shí)際值和預(yù)測(cè)值之間的差值減小到允許范圍內(nèi)，以實(shí)現(xiàn)理想的焊接效果。

圖9 層次分析法決策模型Fig.9 AHP decision model

當(dāng)焊接電流為76 A，焊接電壓為22 V，焊接速度為5.83 mm·s-1時(shí)，獲得的實(shí)驗(yàn)焊縫余高和熔寬分別為8.65像素和45.91像素，如圖10中焊縫A所示。而模型預(yù)測(cè)的焊縫高度和寬度分別為9.22像素、47.34像素。盡管焊縫熔寬的實(shí)驗(yàn)值與期望值的誤差僅1.43像素，遠(yuǎn)小于5像素的誤差允許范圍，余高實(shí)驗(yàn)值與期望值誤差超出了0.5像素的誤差允許范圍，為0.57像素。故判斷焊縫A超出誤差范圍。AHP最高層決定改變焊縫余高，從最高層向最底層進(jìn)行決策，過(guò)程如下。

圖10 焊縫Fig.10 Weld

1) 最高層的余高支配著中間層的所有因素，獲得判斷矩陣B：

經(jīng)計(jì)算得出一致性指標(biāo)Q等于0.042 9。三階矩陣的平均隨機(jī)性指標(biāo)I為0.58。因此，一致性比率R等于0.074 0。因?yàn)镽小于0.1，故判斷矩陣B通過(guò)了一致性檢驗(yàn)。然后權(quán)重WB被求出等于[0.673 8,0.100 7,0.225 5]。

2) 中間層所有因素都關(guān)聯(lián)著最底層的所有因素，獲得判斷矩陣C1、C2和C3：

同樣，計(jì)算出的R1、R2和R3分別為0.003 1、0.015 7和0.081 0，均小于0.1。故判斷矩陣C1、C2和C3均通過(guò)一致性檢驗(yàn)。最終計(jì)算的相應(yīng)權(quán)重W1、W2和W3分別為[0.648 3,0.122 0,0.229 7]、[0.319 6,0.558 4,0.122 0]和[0.186 5,0.687 0,0.126 5]?？傄恢滦员嚷时挥?jì)算出來(lái)是0.022 3，也小于0.1，故總排序一致性檢驗(yàn)通過(guò)，總權(quán)重為[0.511 1,0.293 3,0.195 6]。各備選方案的權(quán)重C1>C2>C3，所以AHP模型最后做出調(diào)整焊接電流的決策。

在決策備選方案確定后，AHP觸動(dòng)相應(yīng)的參數(shù)調(diào)整過(guò)程，將焊接電流增加了4 A。新產(chǎn)生的焊縫實(shí)際余高和熔寬分別為9.11像素和46.27像素，如圖10中焊縫B所示。余高和熔寬的誤差都進(jìn)一步減小，分別變成了0.11像素和1.07像素。調(diào)整參數(shù)后的焊縫B較調(diào)整參數(shù)前的焊縫A實(shí)現(xiàn)了預(yù)期效果。圖11(a)和圖11(b)分別展示了焊縫A、B各測(cè)量點(diǎn)余高和熔寬的實(shí)驗(yàn)值。

測(cè)量點(diǎn)(a) 高度值

4 結(jié)論

根據(jù)大量的鍍鋅鋼板MIG焊搭接實(shí)驗(yàn)數(shù)據(jù)，建立了焊縫幾何形貌特征參數(shù)與焊接工藝參數(shù)之間的有效BPNN模型，并定量分析了余高與電流、熔寬與電壓的關(guān)系。提出的AHP模型，可以在BPNN預(yù)測(cè)值和實(shí)際幾何形貌特征值的誤差過(guò)大時(shí)，對(duì)焊接工藝參數(shù)進(jìn)行決策。實(shí)驗(yàn)結(jié)果表明，所提出的方法可用于在線調(diào)整焊縫幾何形貌，進(jìn)而控制焊接質(zhì)量。根據(jù)這項(xiàng)工作獲得的結(jié)果，未來(lái)可以將其應(yīng)用到其他焊接方法。另外，圖像處理算法的進(jìn)一步改進(jìn)將確保更準(zhǔn)確和可靠的預(yù)測(cè)結(jié)果。