一种A-TIG焊焊缝成型的检测装置及方法

摘要

本发明一种A-TIG焊焊缝成型的检测装置及方法，属于焊接技术领域，该装置包括电压互感器、电流互感器、质谱仪、温度传感器、位移传感器、滤波电路、数据采集芯片、处理器和计算机，本发明首先提出对数据进行了归一化处理，并对数据进行神经网络处理，并对神经网络进行改进，通过装置进行及时改进，节省人力和物力，降低成本，并能够更好的对焊缝的熔深进行预测，并作出调整，准确性好，能达到一级焊缝的整体要求。

主权项

一种A‑TIG焊焊缝成型的检测方法，该方法采用A‑TIG焊焊缝成型的检测装置，该装置包括用于采集焊机工作电压的电压互感器、用于采集焊机工作电流的电流互感器、用于测量焊条中三氧化二铬含量的质谱仪、用于采集焊条温度的温度传感器、用于测量焊机移动速度的位移传感器、滤波电路、数据采集芯片、中央处理器和计算机，其中，数据采集芯片：用于对采集的信号进行滤波处理，并进行模数转换；中央处理器：当对历史数据进行处理时，用于将焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数的历史数据作为神经网络的输入值，进行神经网络训练，构建神经网络；当对被测焊机进行预测时，用于将被测焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五个参数送入训练后的神经网络中，获得被测焊机的预测焊缝熔深；计算机：用于对历史数据和测量数据进行储存，并显示；其特征在于，方法包括以下步骤：步骤1、采集大量历史数据，包括焊机的工作电流、工作电压、焊机移动速度、焊条温度和焊条三氧化二铬含量五种参数；步骤2、对采集的信号进行滤波处理，并进行模数转换；步骤3、对转换后的采集信号进行归一化处理；步骤4、将上述五种参数的一组历史数据作为神经网络的输入值，进行神经网络训练，具体如下：步骤4‑1、根据采集参数的种类数设定神经网络输入层节点的个数，随机产生神经网络中间层节点个数，并设定输出层为一个节点；步骤4‑2、随机设定输入层每个节点与中间层每个节点的连接权值、中间层每个节点的阈值，并根据采集的五个参数，确定中间层每个节点的输出值；步骤4‑3、随机设定中间层每个节点与输出层节点的连接权值、输出层节点的阈值，并根据中间层每个节点的输出值，确定输出层节点所输出的预测焊缝熔深；步骤4‑4、将获得的预测焊缝熔深与实际焊缝熔深进行比较，计算获得焊缝熔深误差值；步骤4‑5、根据焊缝熔深误差值和中间层每个节点的输出值，调整中间层每个节点与输出层节点的连接权值；并根据焊缝熔深误差值调整输出层节点的阈值；步骤4‑6、根据焊缝熔深误差值、中间层每个节点的输出值和调整后的中间层每个节点与输出层节点的连接权值，计算获得中间层每个节点的输出误差；步骤4‑7、根据获得的中间层输出误差和输入的五个参数，调整输入层每个节点与中间层每个节点的连接权值；并根据获得的中间层每个节点的输出误差调整中间层每个节点的阈值；步骤4‑8、反复执行步骤4‑1至步骤4‑7，直至焊缝熔深误差值为0，即完成神经网络的训练；步骤5、采用电流互感器采集被测焊机的工作电流，采用电压互感器采集被测焊机的工作电压，采用位移传感器采集焊机移动速度，采用温度传感器采集焊条温度和采用质谱仪采集焊条三氧化二铬含量；步骤6、对采集的信号进行滤波处理，并进行模数转换；步骤7、对转换后的采集信号进行归一化处理；步骤8、将采集的信号作为训练好的神经网络的输入值，进而获得被测焊机的最终预测焊缝熔深；步骤9、将最终预测焊缝熔深与期望值进行比较，若最终预测焊缝熔深大于期望值，则减小焊机工作电流或加快焊机的移动速度；否则加大焊机电流或减慢移动速度。