一种基于神经网络的搅拌摩擦焊模糊控制算法制造技术

本发明专利技术公开了一种基于神经网络的搅拌摩擦焊模糊控制算法，建立搅拌摩擦焊状态监测器，实时监测搅拌摩擦焊状态并提取焊接状态特征，分别建立神经网络模糊控制器和建立模糊控制离线决策模型；神经网络模糊控制器和模糊控制离线决策模型分别将各自的决策结果输入到DS决策融合中，DS决策融合计算后将控制指令发送给搅拌摩擦焊运动控制器执行控制命令，本发明专利技术以搅拌摩擦焊焊接缺陷特征作为训练集，对神经网络模糊控制器进行训练，以取代专家知识庞大的数据集，达到更快的响应速度，并应用时域、频域、时频域等算法进行特征提取，达到了更加细致的特征向量，解决了现有的控制算法对搅拌摩擦焊控制能力差和响应速度低的问题。摩擦焊控制能力差和响应速度低的问题。摩擦焊控制能力差和响应速度低的问题。

【技术实现步骤摘要】
一种基于神经网络的搅拌摩擦焊模糊控制算法


[0001]本专利技术涉及搅拌摩擦焊焊接缺陷监控
，尤其涉及一种基于神经网络的搅拌摩擦焊模糊控制算法。

技术介绍

[0002]搅拌摩擦焊是轨道交通装备制造业中最广泛应用的一种的焊接方式，焊接缺陷是工件疲劳断裂潜在的损坏方式。由于焊接缺陷导致的疲劳断裂具有很强的隐蔽性，一旦发生，会酿成灾难性事故，造成严重经济损失。因此，结合焊接时缺陷的信号表现形式，准确识别、并定位缺陷部位，实时控制，对确保轨道车辆安全运行意义重大。
[0003]目前许多研究中将各种先进控制方法应用到搅拌摩擦焊控制当中，典型的有PID控制方法和反馈控制算法。这些先进方法一方面补偿了建模误差，另一方面实现了对搅拌摩擦焊焊缝跟踪控制，但PID控制对外界扰动的鲁棒性很低，易使系统变得不稳定，而且搅拌摩擦焊焊接过程十分复杂，无法对其进行建模求解，对于搅拌摩擦焊的控制能力较差、响应速度较低、控制精度低，同时不可避免会造成控制失效、控制器不执行等情况，影响焊接控制效果。

技术实现思路

[0004]本专利技术的目的是提供一种基于神经网络的搅拌摩擦焊模糊控制算法，以解决现有控制算法对搅拌摩擦焊控制能力差和响应速度低的问题。
[0005]为了解决上述技术问题，本专利技术提供了一种基于神经网络的搅拌摩擦焊模糊控制算法，包括以下步骤：
[0006]S1：建立搅拌摩擦焊状态监测器；
[0007]S2：建立神经网络模糊控制器；
[0008]S3：建立模糊控制离线决策模型；r/>[0009]S4：神经网络模糊控制器和模糊控制离线决策模型将决策结果输入到DS决策融合；
[0010]S5：DS决策融合将控制命令发送到搅拌摩擦焊控制器；
[0011]S6：搅拌摩擦焊控制器执行控制命令。
[0012]优选的，所述S1中，建立搅拌摩擦焊状态监测器包括以下步骤：
[0013]S1
‑
1：建立声发射传感器，对声发射信号进行数据采集；
[0014]S1
‑
2：建立温度传感器，对温度信号进行数据采集。
[0015]优选的，所述声发射传感器使用传声器BK4954，采集卡PCIE
‑
1816H，采样率为100kHz采集声发射信号；所述温度传感器使用传声器MIK
‑
AL
‑
10，采集卡PCIE
‑
1816H，采样率为1000Hz采集温度信号。
[0016]优选的，所述S2中，神经网络模糊控制器训练算法包括专家系统和神经网络控制器，被控信号u(k)同时输入到专家系统和神经网络模糊控制器中，通过计算专家系统与神
为0”、“若e正小，则u1正小，u2正小”、“若e正大，则u1正大，u2正大”；
[0045]其中，偏差e为缺陷特征值，将其分为如下五个模糊集：
[0046]负大、负小、零、正小和正大，将偏差e的变化范围分为七个等级：[
‑
3，
‑
2，
‑
1，0，+1，+2，+3]；
[0047]控制量u1为焊接速度的变化，将其分为如下五个模糊集：
[0048]负大、负小、零、正小和正大，将控制量u1的变化范围分为九个等级：[
‑
4，
‑
3，
‑
2，
‑
1，0，+1，+2，+3，+4]；
[0049]控制量u2为焊接转速的变化，将其分为如下五个模糊集：
[0050]负大、负小、零、正小和正大，将控制量u2的变化范围分为九个等级：[
‑
4，
‑
3，
‑
2，
‑
1，0，+1，+2，+3，+4]。
[0051]优选的，建立所述S3
‑
4中的模糊集数据库为对缺陷特征进行模糊化，表达式如下：
[0052]y＝(x
‑
(a+b)/2)
·
2n/(b
‑
a)
[0053]式中：a，b为基本论域的最值；n为模糊子集论域最值；x为缺陷特征向量；y为模糊特征向量。
[0054]优选的，所述S3
‑
5中模糊决策库表达式如下：
[0055]R＝(NBe
×
NBu1×
NBu2)U(NSe
×
NSu1×
NSu2)U(Oe
×
Ou1×
Ou2)∪(PSe
×
PSu1×
PSu2)U(PBe
×
PBu1×
PBu2)
[0056]式中：R为模糊决策库；NB*表示为负大；NS*表示为负小；O*表示为零；PS*表示为正小；PB*表示为正大。
[0057]本专利技术基于神经网络的搅拌摩擦焊模糊控制算法通过以焊接缺陷声发射、温度特征作为偏差进行模糊控制，在构建神经网络模糊控制器时，以搅拌摩擦焊焊接缺陷特征作为训练集，对神经网络模糊控制器进行训练，以取代专家知识庞大的数据集，达到更快的响应速度，再将搅拌摩擦焊焊接过程中的声发射信号和温度信号组成数据集，并应用短时傅里叶变换、梅尔频谱、小波变换、声发射内部参数算法进行特征提取，达到了更加细致的特征向量，解决了现有的控制算法对搅拌摩擦焊控制能力差和响应速度低的问题。
附图说明
[0058]图1为本专利技术一种基于神经网络的搅拌摩擦焊模糊控制算法流程框图；
[0059]图2为本专利技术神经网络模糊控制器训练算法流程图；
[0060]图3为本专利技术模糊控制离线决策建模算法流程图。
具体实施方式
[0061]下面结合附图和实施例对本专利技术的实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不能用来限制本专利技术的范围。
[0062]本专利技术公开了一种基于神经网络的搅拌摩擦焊模糊控制算法，由图1所示，包括以下步骤：
[0063]S1：建立搅拌摩擦焊状态监测器，实时监测搅拌摩擦焊状态并提取焊接状态特征，搅拌摩擦焊状态监测器包括声发射传感器和温度传感器，具体包括如下步骤：
[0064]S1
‑
1：建立声发射传感器，使用传声器BK4954，采集卡PCIE
‑
1816H，采样率为
100kHz对声发射信号进行数据采集；
[0065]S1
‑
2：建立温度传感器，MIK
‑
AL
‑
10，采集卡PCIE
‑
1816H，采样率为1000Hz对温度信号进行数据采集。
[0066]S2：使用神经网络模糊控制器训练算法，建立神经网络模糊控制器；由图2所示，神经网络模糊控制器训练算法包括专家系统和神经网络控制器，图中被控信号u(k)为步骤一中采集的声发射信号和温度信号，u表示输入，k表示前一次的值，因为为负反馈，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的搅拌摩擦焊模糊控制算法，其特征在于，包括以下步骤：S1：建立搅拌摩擦焊状态监测器；S2：建立神经网络模糊控制器；S3：建立模糊控制离线决策模型；S4：神经网络模糊控制器和模糊控制离线决策模型将决策结果输入到DS决策融合；S5：DS决策融合将控制命令发送到搅拌摩擦焊控制器；S6：搅拌摩擦焊控制器执行控制命令。2.根据权利要求1所述的一种基于神经网络的搅拌摩擦焊模糊控制算法，其特征在于，所述S1中，建立搅拌摩擦焊状态监测器包括以下步骤：S1
‑
1：建立声发射传感器，对声发射信号进行数据采集；S1
‑
2：建立温度传感器，对温度信号进行数据采集。3.根据权利要求2所述的一种基于神经网络的搅拌摩擦焊模糊控制算法，其特征在于，所述声发射传感器使用传声器BK4954，采集卡PCIE
‑
1816H，采样率为100kHz采集声发射信号；所述温度传感器使用传声器MIK
‑
AL
‑
10，采集卡PCIE
‑
1816H，采样率为1000Hz采集温度信号。4.根据权利要求1所述的一种基于神经网络的搅拌摩擦焊模糊控制算法，其特征在于，所述S2中，神经网络模糊控制器训练算法包括专家系统和神经网络控制器，被控信号u(k)同时输入到专家系统和神经网络模糊控制器中，通过计算专家系统与神经网络模糊控制器输出的差值，反作用于神经网络模糊控制器不断学习，神经网络模糊控制器逐渐逼近专家系统，其中所述被控信号u(k)包括声发射信号和温度信号。5.根据权利要求1所述的一种基于神经网络的搅拌摩擦焊模糊控制算法，其特征在于，所述S3中，模糊控制离线决策建模算法包括以下步骤：S3
‑
1：建立搅拌摩擦焊焊接控制规则；S3
‑
2：建立缺陷特征数据；S3
‑
3：建立模糊控制规则；S3
‑
4：建立模糊集数据库；S3
‑
5：建立模糊决策库。6.根据权利要求5所述的一种基于神经网络的搅拌摩擦焊模糊控制算法，其特征在于，所述S3
‑
1中搅拌摩擦焊焊接控制规则包括：根据用户操作手册，设置搅拌摩擦焊焊接速度、搅拌头旋转速度、下压量的最大值、下压量的最小值和搅拌摩擦焊设备的控制命令。7.根据权利要求5所述的一种基于神经网络的搅拌摩擦焊模糊控制算法，其特征在于，所述S3
‑
2中的缺陷特征数据，通过搅拌摩擦焊试验，采用声发射传感器和温度传感器获取缺陷阶段传感数据，并应用时域、频域、时频域进行特征提取，包括以下步骤：(1)使用声发射内部特征提取对滤波后的数据(data)进行分析，表达式如下：internal＝AE_Event(data)式中：internal为声发射信号内部特征向量，AE_Event(*)为声发射信号事件函数；(2)使用小波变换对滤波后的数据(data)进行分析，表达式如下：cwt＝WT(data)式中：cwt为小波变换后的特征向量，小波变换定义的表达式如下：
式中：WT(α，τ)为...

【专利技术属性】
技术研发人员：孙屹博，龙海威，邹丽，杨鑫华，郑浩添，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：