基于粗糙集知识约简的变间隙GMAW焊接熔透控制方法技术

本发明专利技术公开了一种基于粗糙集知识约简的变间隙GMAW焊接熔透控制方法。所述控制方法采用视觉传感器、数据采集卡等部件采集焊接实验数据，在粗糙集建模模式下，所采集的实验数据通过数据预处理模块构建原始信息决策表，然后经属性约简模块、规则约简模块构造粗糙集模型。在在线控制模式下，所采集实验数据经数据预处理模块处理后与粗糙集建模模式下所构建得粗糙集模型匹配，并采用模糊集理论建立模糊隶属函数，经模糊逻辑推理输出电流变化量进行熔透控制。本发明专利技术实现对变间隙焊接的粗糙建模并通过模糊控制器进行熔透控制，系统构成简单，抗干扰能力强、工程实用性好，可在变间隙条件下达到在线熔透控制的目的。件下达到在线熔透控制的目的。件下达到在线熔透控制的目的。

【技术实现步骤摘要】
基于粗糙集知识约简的变间隙GMAW焊接熔透控制方法


[0001]本专利技术涉及焊接加工
具体而言，涉及基于粗糙集知识约简的变间隙GMAW焊接熔透控制方法。

技术介绍

[0002]GMAW焊接作为一种高效的焊接技术，在制造业领域受到了广泛的应用，为了保证焊接质量，避免由于装配、焊接热变形等问题出现焊接质量缺陷，需要保证在焊接过程中间隙变化后焊接电流随之对应变化，即需要进行实时有效的焊接熔透控制，其关键是找出熔池信息与熔透的对应关系。目前常用的控制方法主要有基于传感器监测的焊接过程控制、基于神经网络的焊接过程控制和基于模糊/PID的焊接过程控制。
[0003]其中，基于视觉传感的熔透状态信息实时获取是熔透在线控制的一个关键环节，由于熔透状态信息很难直接测量，多数情况下需通过检测焊件正面熔池来预测背面的熔透状态。熔透状态识别预测可采用人工神经网络、经典机器学习和深度学习等算法来实现。对于基于神经网络等机器学习算法的熔透状态识别预测模型而言，随着输入特征参量的增加，模型的预测精度在一定程度上有所提高，但高维输入也不可避免地带来冗余特征和产生大量冗余信息。冗余特征的存在大大增加了问题分析的复杂程度，导致难以通过数据分析处理来获取熔透状态随熔池正面特征变化的规律，从而无法建立二者之间的对应关系
[0004]根据已公开的技术方案，公开号为CN112507639A的技术方案提出一种可视化GMAW焊熔滴过渡动态过程的方法，通过在Fluent软件中对电弧与熔滴过渡进行耦合求解，得到熔滴过渡瞬时形态及熔滴内电磁参数分布，分析和预测电弧对熔滴过渡过程的影响规律，从而对放电电弧实施精确控制；公开号为WO2013072742A1的技术方案通过设置一个具有多个开关通断的电流控制电路，使得能够精确控制焊接时的放电电流；公开号为EP3799991A1的技术方案提出一种实现超高沉积速率的焊接系统和焊接方法，通过使用专门设计的自耗药芯焊丝配合温度和电弧电流的控制，实现超高沉积率的焊接工艺。
[0005]以上技术方案均提出通过使用专门的处理系统采集大量的实时数据，再进行大量运算后实施GMAW焊接过程的控制，存在实施难度大，控制系统要求较高的不足，无法大量推广应用。
[0006]
技术介绍
的前述论述仅意图便于理解本专利技术。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。

技术实现思路

[0007]本专利技术的目的在于，提供一种基于粗糙集知识约简的变间隙GMAW焊接熔透控制方法。所述控制方法采用视觉传感器、数据采集卡等部件采集焊接实验数据，在粗糙集建模模式下，所采集的实验数据通过数据预处理模块构建原始信息决策表，然后经属性约简模块、规则约简模块构造粗糙集模型。在在线控制模式下，所采集实验数据经数据预处理模块处理后与粗糙集建模模式下所构建得粗糙集模型匹配，并采用模糊集理论建立模糊隶属函
数，经模糊逻辑推理输出电流变化量进行熔透控制。本专利技术实现对变间隙焊接的粗糙建模并通过模糊控制器进行熔透控制，系统构成简单，抗干扰能力强、工程实用性好，可在变间隙条件下达到在线熔透控制的目的。
[0008]本专利技术采用如下技术方案：
[0009]一种基于粗糙集知识约简的变间隙GMAW焊接熔透控制方法，所述控制方法包括以下步骤：
[0010]S100：进行多组焊接熔透实验；在多组所述焊接熔透实验中，采用选取不同间隙参数、焊机的电流参数进行实验，采集多组实验数据；实验数据中至少包括电流、间隙、熔透情况、熔池尺寸信息；并且，使用以上实验数据建立变间隙
‑
电流关系的熔透数据库；
[0011]S200：对所述熔透数据库进行数据预处理，构建原始信息决策系统S；所述原始信息决策系统S经三种粗糙集属性约简算法，即FRMAD方法，FRBAC方法以及FRBAS方法进行属性约简，从而获得约简属性，完成规则提取，构造粗糙集模型；
[0012]S300：对所得到的所述约简属性通过最小模糊度法进行模糊隶属函数构造，针对连续论域，采用Mamdani推理算法完成模糊集模型构造；
[0013]S400：在实际焊接过程中，采用霍尔传感器测量焊接电弧信号，即焊接电弧电流或焊接电弧电压，并采用视觉传感器获取熔池信息；
[0014]S500：将步骤S400中所采集到的数据通过数据采集卡接入至控制系统中，经模糊逻辑推理输出电流变化量进行熔透控制；
[0015]其中，步骤S200中对所述熔透数据库进行数据预处理包括步骤如下：
[0016]S210：初始化数据聚类中心；
[0017]S220：计算各点到聚类中心的距离与隶属函数矩阵；
[0018]S230：循环选取聚类中心；
[0019]S240：重新计算隶属函数矩阵；
[0020]S250：计算目标函数，若有效性函数达到最小值即完成数据聚类；
[0021]优选地，用于粗糙集属性约简算法的所述FRMAD方法，包括以下步骤：
[0022]E100：计算原始决策信息系统S中，决策属性d关于条件属性集C的分类质量
[0023]其中β为正确分类率阈值；
[0024]E200：设置属性最简的约简集合RED，并将RED设为空集，即RED
←
φ；
[0025]E300：对每个条件属性c
j
∈C
‑
RED,其中j＝1,2,
……
n；计算决策属性d关于条件属性集RED∪{c
j
}的分类质量
[0026]E400：选择使为最大值的属性c
j
，将其加入集合RED，即RED
←
RED∪{c
j
}；
[0027]E500：若则输出RED；否则回到步骤E300循环进行；
[0028]其中，分类质量的定义如下：
[0029][0030]上式中，pos
C
(d)为关于d在近似空间C中的正域；
[0031]优选地，用于粗糙集属性约简算法的所述FRBAC方法，包括以下步骤：
[0032]F100：计算原始决策信息系统S中，决策属性d关于条件属性集C的分类质量
[0033][0034]F200：计算每个条件属性c
j
在C中的属性重要度sig(c
j
,C,d)，将c
j
按sig(c
j
,C,d)进行降序排列，求得属性核Core＝Max(sig(c
j
,C,d))；
[0035]F300：将Core加入集RED中，即RED
←
Core；计算决策属性d关于RED的分类质量
[0036]F400：若则输出RED；否则，跳到以下步骤F500；
[0037]然后，按sig(c
j
,C,d)降序排列的顺序，对每个c
j
∈C重复如下F500和F600步骤；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粗糙集知识约简的变间隙GMAW焊接熔透控制方法，其特征在于，所述控制方法包括以下步骤：S100：进行多组焊接熔透实验；在多组所述焊接熔透实验中，采用选取不同间隙参数、焊机的电流参数进行实验，采集多组实验数据；实验数据中至少包括电流、间隙、熔透情况、熔池尺寸信息；并且，使用以上实验数据建立变间隙
‑
电流关系的熔透数据库；S200：对所述熔透数据库进行数据预处理，构建原始信息决策系统S；所述原始信息决策系统S经三种粗糙集属性约简算法，即FRMAD方法，FRBAC方法以及FRBAS方法进行属性约简，从而获得约简属性，完成规则提取，构造粗糙集模型；S300：对所得到的所述约简属性通过最小模糊度法进行模糊隶属函数构造，针对连续论域，采用Mamdani推理算法完成模糊集模型构造；S400：在实际焊接过程中，采用霍尔传感器测量焊接电弧信号，即焊接电弧电流或焊接电弧电压，并采用视觉传感器获取熔池信息；S500：将步骤S400中所采集到的数据通过数据采集卡接入至控制系统中，经模糊逻辑推理输出电流变化量进行熔透控制；其中，步骤S200中对所述熔透数据库进行数据预处理包括步骤如下：S210：初始化数据聚类中心；S220：计算各点到聚类中心的距离与隶属函数矩阵；S230：循环选取聚类中心；S240：重新计算隶属函数矩阵；S250：计算目标函数，若有效性函数达到最小值即完成数据聚类。2.如权利要求1所述控制方法，其特征在于，用于粗糙集属性约简算法的所述FRMAD方法，包括以下步骤：E100：计算原始决策信息系统S中，决策属性d关于条件属性集C的分类质量其中β为正确分类率阈值；E200：设置属性最简的约简集合RED，并将RED设为空集，即RED
←
φ；E300：对每个条件属性c
j
∈C
‑
RED,其中j＝1,2,
……
n；计算决策属性d关于条件属性集RED∪{c
j
}的分类质量E400：选择使为最大值的属性c
j
，将其加入集合RED，即RED
←
RED∪{c
j
}；E500：若则输出RED；否则回到步骤E300循环进行；其中，分类质量的定义如下：上式中，pos
C
(d)为关于d在近似空间C中的正域。3.如权利要求2所述控制方法，其特征在于，用于粗糙集属性约简算法的所述FRBAC方法，包括以下步骤：F100：计算原始决策信息系统S中，决策属性d关于条件属性集C的分类质量
F200：计算每个条件属性c
j
在C中的属性重要度sig(c
j
,C,d)，将c
j
按sig(c
j
,C,d)进行降序排列，求得属性核Core＝Max(sig(c
j
,C,d))；F300：将Core加入集RED中，即RED
←
Core；计算决策属性d关于RED的分类质量F400：若则输出RED；否则，跳到以下步骤F500；然后，按sig(c
j
,C,d)降序排列的顺序，对每个c
j
∈C重复如下F500和F600步骤...

【专利技术属性】
技术研发人员：冯志强，黎泉，袁浩，黎欣，石南辉，蒋庆华，贾广攀，向晓宏，曾宪平，潘祖富，孟春利，黄小虎，
申请(专利权)人：北部湾大学，
类型：发明
国别省市：