Оценка качества контактной точечной сварки с помощью нейронных сетей

14.07.2018
В настоящее время контактная точечная сварка является одним из наиболее автоматизированных и производительных способов получения неразъемных соединений и широко применяется в массовом производстве.

Так, кузов современного автомобиля состоит из 600...800 деталей, 300...400 шт. из которых изготавливаются штамповкой. Почти все детали и узлы собираются точечной сваркой; при этом количество сварных точек на один кузов составляет 2000...5000. Примерно 70 % сварных точек выполняется на специализированном оборудовании и роботизированных автоматических линиях.

Для повышения надежности и прочности конструкции количество точек на кузове устанавливается примерно на 30 % больше, чем необходимо. Это вызвано, в частности, тем, что до настоящего времени в массовом производстве отсутствует эффективный контроль качества точек в реальном времени. По существу качество сварных точек на производстве оценивается лишь по результатам выборочных механических испытаний и металлографических исследований опытных образцов либо разрушением сварных конструкций.

Известные методы неразрушающего контроля (рентгенопросвечивание, ультразвуковой, дилатометрический и др.) в силу тех или иных причин имеют ограниченное применение. Кроме того, эти методы, как правило, могут быть использованы для регистрации качества уже выполненных соединений. Последнее приводит не только к удорожанию операции контроля, но и исключает возможность обнаружения брака в ходе процесса сварки и своевременного его исправления. В результате существенно снижается производительность контактной сварки и ее экономические преимущества. Так, согласно данным работы, уменьшение числа дефектных точек и снижение их общего количества за счет повышения качества всего лишь на 10 % (при годовом выпуске автомобилей в США около 13 млн) дает экономию 400...600 млн дол. в год.

В работах приведены частные решения по контролю качества соединения и управлению режимом сварки, однако широкого применения в промышленности они не получили. Заметим, что в большинстве известных работ авторы стремились изыскать какой-либо один параметр процесса, информация о котором позволила бы оценивать качество соединения.

Так, результаты проведенных исследований подтвердили возможность использования перемещения электродов во время сварки для автоматической оценки динамики образования сварной точки, а также для регулирования процесса по сигналу обратной связи (о скорости перемещения верхнего электрода) в целях обеспечения заданного диаметра ядра. Однако несовершенство датчиков и привода усилия сжатия электродов, затирание и перекос в направляющих механизма привода контактной машины препятствовали широкому внедрению указанного способа контроля в промышленность. В последние годы отдельные фирмы рекламируют специальные контактные, точечные машины, использующие этот принцип в NPT System (Non Programming Technology).

Критерий качества контактной точечной сварки (прочность соединения, размеры литой зоны ядра и др.) определяется результатом взаимодействия многих параметров, изменение которых не всегда может быть учтено вследствие их случайного характера. Кроме того, контактная сварка может быть отнесена к такому классу технологических процессов, при котором критерий качества (например диаметр ядра dя), необходимый для построения системы управления измеряется только в дискретные моменты времени (при сварке и испытании опытных образцов), но не непрерывно. Однако некоторые параметры процесса (сварочный ток Iсв, напряжение между электродами Uэ.э усилие сжатия электродов Fэл и перемещение электродов hэл), коррелированные с критерием качества dя могут измеряться в любые дискретные моменты, а также непрерывно. Задача состоит в том, чтобы с помощью непрерывного измерения основных параметров режима в ходе сварки с определенной точностью автоматически оценивать размеры диаметра ядра сварной точки.

Основными параметрами режима точечной контактной сварки являются временные зависимости сварочного тока и усилия сжатия электродов. Существенное влияние на образование сварного соединения оказывают также состояние поверхности свариваемых деталей, шунтирование тока, размеры и форма рабочей поверхности электродов, изменение сопротивления короткого замыкания контактной машины, толщина и марка свариваемого металла и др.

В работе предложена система автоматического контроля качества точечной сварки, реализованная в серийном производстве клеесварных панелей из алюминиевых сплавов на основе многофакторной регрессионной модели вида

где а0, а1, а2, а3 — коэффициенты; Fэл — усилие сжатия электродов;
Оценка качества контактной точечной сварки с помощью нейронных сетей

— энергия, расходуемая на сварку (здесь uэ.э, iсв — мгновенные значения напряжения между электродами и сварочного тока).

Проведенные исследования, а также результаты практического использования алгоритма контроля, основанного на зависимости (1), при сварке узлов летательных аппаратов подтвердили эффективность контроля качества точек в ходе выполнения сварки деталей из алюминиевых сплавов типа АМц и АМг. При этом удалось уменьшить рентгеноконтроль сварных точек с 10 до 2 % от общего их количества, в 4 раза сократить количество контроллеров и время контроля, а также необходимых материалов (рентгенпленки, проявителя). Вместе с тем, оказалось, что заданная точность (±10 %) оценки размеров ядра резко снижается за периферией области параметров, в пределах которой проводили исследования. В условиях авиационного производства с жесткой регламентацией технологии, требующей поддерживать сварочное оборудование на должном уровне, система обеспечивает контроль размеров ядра точки с погрешностью до 5 %. При расширении области изменения параметров режима сварки количество членов в модели (1) и их порядок возрастают, что затрудняет использование таких моделей в реальном времени.

Нелинейный характер зависимости качества сварки от параметров процесса точечной сварки требует нового подхода, в частности, для решения задач, при которых жесткое поддержание технологии практически затруднено из-за дороговизны.

Принципы искусственного интеллекта в последние годы находят все большее применение в системах контроля и управления сварочными процессами. Экспертные системы, нечеткая логика (fuzzy logic) и нейронные сети являются новым перспективным направлением в совершенствовании систем управления и контроля сварки с целью повышения качества сварных соединений и экономической эффективности производства. Основным отличием систем, основанных на нечеткой логике и нейронных сетях, по сравнению с традиционными является использование в их алгоритмах, кроме данных, полученных от датчиков, лингвистической информации от экспертов из экспертных систем, правила «if -then» («если - то»), а также обученных моделей нейронной сети. Благодаря этому нечеткая логика и нейронные сети позволяют решать задачи, не поддающиеся обычным статистическим методам.

В качестве архитектурных принципов построения нейронных сетей выбираются простые модели биологических систем. Мозг человека имеет более 100 млрд нейронов, а каждый из них — более 10 тыс. соединений друг с другом. Если все соединения между нейронами человеческого мозга вытянуть в одну линию, то можно 35 раз опоясать Землю.

Согласно существующей нейронной доктрине биологическая нервная система рассматривается в виде структуры, состоящей из множества параллельно и связно работающих элементов-нейронов. Нейрон (рис. 1) состоит из сомы — тела нейрона, к которому через отростки (дендриты) подходят аксоны — многочисленные линии связи от других нейронов, объединяющиеся в синапсы. Последние осуществляют преобразование всех входов в сигнал, который воздействует на другой нейрон. При этом нейрон может перейти в одно из двух устойчивых состояний - в состояние возбуждения или торможения. Искусственные нейронные сети (ИНС) могут быть реализованы аппаратно или программно. При этом каждый нейрон имеет несколько входов и один выход, который может как угодно разветвляться (рис. 2).

Входной сигнал каждого нейрона состоит из внешнего по отношению к нейронной сети сигнала x1, и взвешенного с синаптическими весами сигнала wij, поступающего от остальных нейронов. Выходной сигнал составит

Искусственная нейронная сеть состоит из множества нейронов, объединенных между собой связями. При этом входные нейроны составляют первый входной слой, следующие слои называются скрытыми. Ко всем нейронам скрытого слоя данные поступают от всех нейронов входного слоя с весовыми коэффициентами — синаптическими весами. Число нейронов во входном слое определяется количеством входных сигналов, число нейронов и количество слоев скрытого слоя расчетам не поддаются, они определяются на основе опыта или интуиции. При большой нелинейности выходного параметра количество скрытых слоев и число нейронов в них увеличиваются. Выходной слой определяется количеством выходных сигналов. Часто нейросеть имеет один выходной нейрон. При большем количестве выходных параметров целесообразно иметь несколько нейросетей.

Искусственные нейронные сети формируются из нейронов, имеющих одинаковую структуру, но модели сетей существенно различаются. Наиболее распространенной является модель ИНС «feed forward» с алгоритмом обучения «back propagation» (с обратным распространением ошибки), который представляет собой обобщенный метод наименьших квадратов применительно к многослойным персептронам.

Искусственные нейронные сети не программируются, а обучаются. Процесс обучения ИНС заключается в том, что набор входных данных «пропускается» через нейронную сеть, чтобы по известным правильным выходным данным и ответам (реакции) сети определить значение синаптических весов. Алгоритм обучения задается набором правил, которые определяют, каким образом изменяются веса в ответ на входное воздействие. Обучение продолжается до тех пор, пока на выходе не будет получен ответ с заданной погрешностью.

В начале обучения весовым коэффициентам присваиваются случайные значения. Происходит прямое распространение входного сигнала через сеть, вычисляется ошибка между полученным результатом и заданным правильным значением, затем — обратное распространение ошибки от выходного слоя нейронов к входному и модификация синаптических весов и порогов нейронов. Процесс многократно повторяется до тех пор, пока среднеквадратичная ошибка выходного сигнала не станет меньше некоторого наперед заданного значения. Если эта ошибка в процессе обучения уменьшается, сеть сходится.

С помощью ИНС можно строить сложные разделяющие поверхности в пространстве параметров режима сварки (классификатор) или аппроксимировать сложную нелинейную функцию (интерполятор). Сварочные процессы, как правило, характеризуются нелинейной зависимостью качества сварных соединений от параметров режима сварки. Кроме того, информация о процессе часто имеет противоречивый характер, сигналы от датчиков параметров режима содержат шумы, поэтому ИНС можно использовать как для автоматической оценки качества, так и для управления технологическим процессом.

Многослойная ИНС с прямыми связями, обучаемая методом «back propagation», является эффективным средством аппроксимации сложных нелинейных функций, ее можно использовать для контроля качества сварки (рис. 3).

Если на вход такой сети подать параметры, характеризующие процесс точечной сварки, например Iсв, Uэ.э, tсв и др., а в качестве выхода использовать показатели качества сварки dя и усилия на разрыв Fразр, то можно оценить функциональную связь между этими параметрами и в дальнейшем такую нейронную сеть использовать для определения качества сварки без разрушения сварного соединения.

Нейронная сеть способна обрабатывать информацию после обучения. Сущность процесса обучения состоит в изменении весовых коэффициентов связей между нейронами и их порогов возбуждения в соответствии с принятыми для этой сети правилами адаптации. Известны несколько способов обучения нейронной сети. Наиболее распространенным является способ с учителем, при котором используется обучающая выборка параметров «вход-выход», например (Iсв, Uэ.э) - dя. При этом на вход сети подаются параметры Iсв, Uэ.э, и др., а значение dя выхода сети сравнивается с тем, которое задано в обучающей выборке. Полученная разница используется для изменения параметров сети — весовых коэффициентов и порогов нейронов.

Для получения зависимости показателя качества сварного соединения — диаметра ядра от параметров, характеризующих процесс точечной сварки, может быть использована трехслойная нейронная сеть, которая обучается методом «back propagation».

Указанная нейронная сеть имеет 1 нейрон в выходном слое и от 2 до 15 нейронов в скрытом слое. Для обучения была сформирована выборка в виде набора сварных точек при различных параметрах режима сварки; для каждой точки записаны параметры, отражающие режим сварки, плюс измеренное значение диаметра ядра. Нейронная сеть аппроксимирует зависимость диаметра ядра от входных параметров следующим образом:

где dя.пр — предсказываемое сетью значение диаметра ядра; M — количество нейронов в скрытом слое; — синаптические веса связей выходного нейрона; k — индекс, нумерующий нейроны скрытого слоя; j — индекс, нумерующий компоненты вектора входных параметров; 0k — пороги нейронов скрытого слоя; wij — синаптические веса связей нейронов скрытого слоя; N — размерность вектора входных параметров; xj — компоненты вектора входных параметров;

Обучение нейронной сети выполняется как итеративный процесс, состоящий из множества циклов, в каждом из которых на вход нейронной сети подается вектор входных параметров по очереди для каждой из точек обучающей выборки. Ошибки вычисляются по формуле A = dz - dя.пр, где dя — диаметр ядра, имеющий реально измеренное для данной точки значение. Затем определяются поправки для весов связей и порогов нейронной сети. Для выходного нейрона

где коэффициент сглаживания Л = 0,01...0,5; Yk — выходы нейронов скрытого слоя; c(S) — производная сигмоидной функции по ее аргументу для выходного нейрона, равная, как нетрудно убедиться, dя.пр(1-dя.пр). Выходы нейронов скрытого слоя определяются из выражения

Для нейронов скрытого слоя поправки вычисляются из следующих выражений:

где Ak = ewk, а производная сигмоидной функции по ее аргументу для каждого из этих нейронов равна Yk(1-Yk). Полученные значения поправок суммируются с соответствующими значениями весовых коэффициентов и порогов. Процесс повторяется до достижения заданного количества итераций (итерацией считается один проход по обучающей выборке с вычислением поправок и модификацией весовых коэффициентов и порогов для каждой из точек) либо до момента, когда среднеквадратичная ошибка оценки диаметра ядра станет меньше некоторого заданного числа.

Одним из существенных недостатков классического метода обучения «back propagation» является вероятность попадания в локальный минимум функции квадрата вектора выходной ошибки в пространстве весовых коэффициентов (синаптических весов) нейронной сети. Для выхода из локального минимума в процессе обучения разработаны различные методы. Нами был применен метод «убывающего е», при котором поправки, рассчитанные для конкретной точки из обучающей выборки, суммируются с весовыми коэффициентами и порогами только тогда, когда абсолютное значение ошибки для этой точки превышает некоторое число е. Если для всех точек обучающей выборки модуль ошибки меньше е, а критерий остановки обучения еще не выполнен, то е умножается на некоторую константу, меньшую единицы, и процесс продолжается.

Для обучения нейронной сети с целью предсказания качества точечной сварки по параметрам процесса разработана специальная программа и многооконный интерфейс пользователя в среде Windows. Такой интерфейс представляет собой экранную форму панели обучающей системы (рис. 4). Программа основана на использовании метода обучения «back propagation» и позволяет задавать на входе нейронной сети различные параметры процесса сварки и их сочетания. Результатом работы программы является расчет предсказываемого значения dя.пр сварной точки.

Применительно к оценке качества точечной сварки алгоритм работы нейронной сети можно представить в виде схемы (рис. 5).

Вначале производится выбор режима обучения нейронной сети. При этом задаются входные параметры, такие как Iсв, Uэ.э, сопротивление между электродами Rэ.э перемещение электродов hэл и др. Устанавливается коэффициент сходимости и количество нейронов в скрытом слое. Разработанная программа позволяет изменять число нейронов от 1 до 15. Затем нейронная сеть включается на обучение, при котором на ее входы подаются данные о параметрах режима сварки и происходит корректировка весовых коэффициентов и порогов для каждого нейрона в скрытом слое, а также для выходного нейрона. Цикл обучения повторяется, а коэффициенты корректируются до тех пор, пока ошибка предсказания диаметра ядра не станет меньше заданного значения Аз. После этого обучение заканчивается, параметры нейронной сети записываются в файл и в дальнейшем такую обученную сеть можно использовать для автоматического контроля качества сварки.

При построении регрессионных моделей процесса точечной сварки также используется метод обучения — значения коэффициентов при переменных модели находятся на основе многочисленных экспериментов после их статистической обработки.

При разработке нейронной сети для точечной сварки в качестве входных параметров можно использовать сварочный ток Iсв, напряжение сети Uс, падение напряжения между электродами Uэ.э усилие сжатия электродов Fсж длительность сварки tсв, а также производные: мощность Pэл энергия Qсв, сопротивление между электродами Rэ.э. Кроме того, следует учитывать диаметр рабочей поверхности электродов, толщину, марку и сочетание толщин свариваемых деталей, сопротивление короткого замыкания машины, род тока (переменный, импульсный), возможность изменения сопротивлений короткого замыкания из-за внесения ферромагнитных масс.

Для сбора и обработки данных о процессе сварки, необходимых для ввода в нейронную сеть, была создана экспериментальная установка, включающая персональный компьютер IBM PC 486DX и клещи для точечной сварки типа ARO (рис. 6). Система снабжена датчиками сварочного тока Iсв, напряжения между электродами Uэ.э, усилия сжатия электродов Fсж, перемещения электродов gэл. В системном блоке персонального компьютера установлена плата ввода-вывода дискретных и аналоговых сигналов, через которую сигналы от датчиков вводятся в компьютер, а управляющий сигнал подается на вход фазовращателя. При проведении экспериментов по сварке полученные путем измерения данные вводятся в компьютер и сохраняются в памяти в виде отдельных файлов. После механических испытаний в эти же файлы записываются данные о диаметре ядра dя или усилии на разрыв Fразр.

Для управления процессом сварки от персонального компьютера с помощью интерфейса ввода-вывода типа L-154, а также измерения и контроля значений параметров режима разработана специальная программа в среде Borland С++ которая обеспечивает выполнение следующих функций:

- формирование и графическое отображение на дисплее циклограммы сварки (При этом пользователь может задать длительности и значения сварочного тока, а также тока подогрева и отжига, временные интервалы между импульсами и коэффициенты модуляции);

- управление процессом сварки по заданной циклограмме без стабилизации и с обратной связью по току;

- измерение и запоминание в памяти ПК мгновенных значений сварочного тока, напряжения между электродами и усилия сжатия электродов;

- выдачу графиков мгновенных значений Iсв(tсв) и Uэ.э(tсв) на экран дисплея;

- расчет действующих значений Iсв и Uэ.э, сопротивления Rэ.э, мощности Рсв, cos ф сварочной машины;

- отображение рассчитанных данных в виде таблицы по каждому периоду длительности сварки;

- выдачу действующих и усредненных за время сварки значений Iсв и Uэ.э, а также Rэ.э и Pсв, на экран дисплея;

- оценку качества сварки по обученной нейронной сети и текущим параметрам процесса сварки;

- сохранение параметров процесса сварки для каждой сваренной точки в файле на жестком диске ПК;

- выполнение режима калибровки измеряемых параметров.

Отображение результатов различных функций производится в виде отдельных окон на экране дисплея. При этом существует возможность изменять масштаб графиков по вертикали и горизонтали, а также размеры самих окон.

Эксперименты по сварке проводили на образцах из низкоуглеродистой стали толщиной 0,8 + 0,8, 1,2 + 1,2 и 2,0 + 2,0 мм.

Данные о режимах сварки и размерах сварной точки приведены в табл. 1.

В ходе проведения экспериментов значения параметров режима сварки изменяли: напряжение сети Uс — +5...-10 %; Iсв — +25...-30 %; диаметр электрода dэл — на +40 %. При этом диаметр ядра сварной точки уменьшался на 30...40 %, т. е. от непровара до выплеска.

При обучении нейронной сети использовали результаты измерений мгновенных значений сварочного тока iсв и падения напряжения между электродами Uэ.э с интервалом от 50 до 200 мкс. После обработки мгновенных значений получали производные параметры, которые вводили в нейронную сеть: Iсв — эффективное значение тока, усредненное за tсв, Uэ.э — эффективное значение напряжения между электродами, усредненное за tсв, Iсв1, Iсв2, Iсв3, Iсв4 — эффективные значения сварочного тока, усредненные за соответствующие интервалы времени (tсв разделено на четыре равных интервала); то же для Hсв1, Hсв2, Hсв3, Hсв4; то же для сопротивления между электродами Rэ.э1, Rэ.э2, Rэ.э3, Rэ.э4. Эти параметры в различных сочетаниях вводили в нейронную сеть.

Обучение нейронной сети проводили при различном числе нейронов в скрытом слое (3, 7, 10, 15) и заканчивали, когда максимальная ошибка предсказания диаметра ядра составляла менее 5 % от номинального значения (рис. 7).

После обучения нейронной сети, для которой ошибка предсказания достигала dя < 5 %, проводили проверку этой сети на новой выборке данных, которые ранее не входили в обучающую выборку. Так, на образцах из низкоуглеродистой стали толщиной b = 0,8 + 0,8 мм было выполнено 57 сварных точек, причем 21 из них использовали для обучения нейронной сети, а остальные — для проверки. Проведенный анализ показал, что лучшие результаты по точности предсказания dя имеет нейронная сеть с восемью входами и тремя нейронами в скрытом слое. Входными параметрами были выбраны Iсв, Uэ.э, усредненные по четырем равным временным интервалам. При этом абсолютная максимальная ошибка предсказания составила Amax <0,2 мм.

Обученная сеть была проверена на других данных, которые не входили в обучающую выборку. В этом случае ошибка предсказания несколько возросла и не превышала 0,4 мм, а в относительных единицах — Дотн < 9,5 %.

Некоторые данные, полученные при проведении экспериментов и расчетах, представлены в табл. 2.

Для оценки качества сварки деталей другой толщины, например b = 1,2 + 1,2 и 2,0 + 2,0 мм, в нейронную сеть был добавлен еще один вход, на который подавали значение, равное длительности сварки tсв (см. табл. 1). В этом случае в обучающую выборку было включено 36 сварных точек для всех трех сочетаний толщин. Проверку обученной сети осуществляли на 33 точках. Эксперименты показали, что с помощью одной и той же сети (Iсв, Uэ.э, tсв, 4 интервала, 9 входов) возможно прогнозирование диаметра ядра при точечной сварке металла толщиной от 0,8 до 2,0 мм, но при этом максимальная погрешность предсказания возрастает до 12...13 %.

Программа обученной ИНС занимает объем памяти равный 2,9 кбайт и может быть записана в память контроллера для управления и контроля процесса точечной сварки.

Выводы


1. Системы контроля с использованием многофакторных моделей на базе регрессионных моделей и нейронных сетей обеспечивают автоматическую оценку качества контактной точечной сварки как для низкоуглеродистой стали, так и для алюминиевых сплавов и тем самым способствуют повышению качества сварных конструкций.

2. Система контроля качества на основе обученной нейронной сети работает в более широком диапазоне изменения параметров режима и толщины свариваемых изделий и благодаря этому может использоваться в регуляторах контактных машин, предназначенных для точечной сварки деталей автомобилей и других изделий.