0 序 言在大功率激光焊接過程中,熔透的狀態直接影響焊接質量 [1-2]. 當形成穩定的匙孔熔透狀態時,焊接成形質量較好,焊件正面和背面的焊縫成形均勻. 相反,當匙孔熔透狀態不穩定時,焊接過程不穩定并且會產生氣孔和裂紋等焊接缺陷[3]. 由于對熔透狀態的直接檢測比較困難,主要是通過各種傳感器采集焊接過程中出現的光、熱和聲音等信息特征,對熔透的狀態進行間接的檢測和判斷[4-6]. 而熔透的狀態與焊接過程中出現的飛濺、金屬蒸氣和熔池的形態特征有密切的關系,并直接影響焊縫成形[7-8],因此可以通過焊件背面焊縫的成形狀況來判斷熔透的狀態和焊接成形質量. 視覺傳感器具有非接觸、反應靈敏且能獲取較多直觀信息的特點,可以建立高效的焊接特征信息獲取系統采集焊接特征圖像[9]. 用高速攝像機獲取焊接過程中的特征圖像,運用圖像處理和模式識別方法提取焊接圖像中的特征信息,神經網絡模型對焊件背面的焊縫寬度進行預測[10],通過與實際焊縫寬度的對比驗證模型的有效性. 從而對匙孔熔透的狀態以及焊接成形質量有較準確的判斷依據. 1 大功率激光焊接試驗1.1 焊接試驗平臺大功率激光焊接試驗平臺由大功率盤形激光焊接機、工作臺、保護氣體、視覺傳感器組成,如圖1所示. 其中,大功率盤形激光機(Trumpf TurDisk 16002)的最大激光功率為16 kW,激光波長為1 030 nm;保護氣體為氬氣,流量設定為30 L/min;兩臺高速攝像機作為視覺傳感器,分別獲取焊接過程中焊件上表面和側面的焊接圖像. 圖1 激光焊接試驗平臺 1.2 焊接試驗條件通過改變焊接功率、焊接速度和焊接路徑,進行10組低碳鋼SS400的激光對接焊,焊件厚6 mm.設置焊縫寬度為0.1 mm,兩條焊接路徑如圖2所示,其中焊接路徑1橫跨焊縫,兩頭距離焊縫均為2 mm,焊接路徑2對中焊縫. 試驗條件如表1所示. 操控理論所包含的意識形態、詩學、贊助人三個要素既對翻譯活動有各自的影響,又相互聯系,共同作用于翻譯的全過程。意識形態作為三者中主要因素,既獨立存在,又體現在詩學和贊助人之中,對翻譯活動起著引領作用。我國作為社會主義國家,馬克思列寧主義和中國特色社會主義思想是和黨的主張與人民的意愿與利益相統一的。我國翻譯事業應以此思想為導向,增強意識形態領域的主導權和話語權,積極構建有力的話語體系,守好意識形態陣地,從而更好地為中國特色社會主義事業服務。 圖2 激光焊接路徑 表1 激光焊接試驗條件 序號 焊接功率P/kW 焊接速度v/(m·min-1) 焊接路徑1 3 0.6 1 2 3 1 1 3 3 1 2 4 4 0.6 1 5 4 1 1 6 4 1.5 1 7 5 1 2 8 5 1 1 9 5 1.5 1 10 5 1 2 2 焊接特征信息提取2.1 焊接圖像獲取兩臺高速攝像機作為視覺傳感器獲取焊接過程中的焊接圖像. 單色攝像機配置紅外濾光片和可見光濾光片,獲取焊件上表面出現的焊接特征;彩色攝像機配置可見光濾光片,獲取焊件側面出現的焊接特征,獲取的焊件上表面紅外—可見光圖像和焊件側面可見光圖像如圖3所示. 焊接速度小于等于1 m/min時,圖像拍攝速率為2 000 frame/s,焊接速度為1.5 m/min時,圖像拍攝速率為3 000 frame/s. 圖3 激光焊接圖像 2.2 特征提取對紅外—可見光圖像進行剪切,選取感興趣的部分作為研究對象并將其轉換成灰度圖像,選取適當的閾值將圖像二值化. 之后進行濾波去噪和空域圖像處理,提取飛濺個數、熔池面積和熔池周長的特征信息,如圖4所示. 圖4 紅外—可見光圖像特征提取 將可見光圖像從RGB(Red Green Blue)色彩空間轉換到YIQ即NTSC(National Television Standards Committee)色彩空間,其中Y,I和Q分別代表亮度、色調和飽和度,再分別對RGB圖像和YIQ圖像進行分層得到各個分量. 針對不同的特征信息,分別選取Y分量提取飛濺個數和飛濺面積,I分量提取金屬蒸氣面積,B分量提取熔池面積和熔池的長經和短經的特征信息,如圖5所示. 圖5 可見光圖像特征提取 2.3 特征序列用焊件實物圖獲取焊縫寬度的實際值,第5個焊件的正背面實物圖以及提取的焊接特征序列圖如圖6所示,在激光束進入到焊縫和離開焊縫的時候,焊縫特征信息都出現了明顯波動. 且當激光束作用在焊縫的時候,各個特征信號的值較低,在激光束作用在鋼板上的時候,各個特征信號的值較高. 圖6 焊接特征序列 3 焊縫寬度神經網絡預測3.1 神經網絡模型建立貝葉斯神經網絡原理是通過某對象的先驗概率,利用貝葉斯公式計算出其后驗概率,即該對象屬于某一類的概率,選擇具有最大后驗概率的類作為該對象所屬的類. 也就是說,貝葉斯神經網絡是最小錯誤率意義上的優化. 建立具有兩個隱含層的貝葉斯神經網絡對焊件背面的焊縫寬度進行預測,其結構如圖7所示.用S型正切函數作為輸入傳遞函數和隱含層傳遞函數,S型對數函數作為輸出傳遞函數. 由圖6可知,9組特征信號都隨著焊接過程的變化有一定程度的變化,所以以獲取的9組焊接特征序列作為輸入,分別設置隱含層神經元個數為10和2,輸出為焊件背面焊縫寬度的預測值. 目標函數是使分派車輛完成任務的總費用最小,第一個約束條件保證每一輛車分派到一項任務;第二個約束條件保證每項任務都能有一輛車完成。此模型可用匈牙利算法。 魯迅對國民性的改造是以暴露農民身上的弱點為切入口的,從而推及其他群體直至全體國民。魯迅筆下的阿Q這一農民身上幾乎具有所有國民性的弱點,他愚昧無知,麻木不仁,封建落后,自欺欺人。其中以“精神勝利法”最為典型。作者對阿Q這一形象的批判是十分尖銳,不留情面的。試想:如不敢揭示瘡疤,像阿Q那樣習慣忌光忌亮,“用瞞和騙,造出奇妙的逃路來,而自以為正路,在這路上,就證明著國民性的怯懦、懶惰、而又滑。一天一天的滿足著,即一天一天的墮落著,但又覺得日見其光榮。”那么中國人民就要繼續做帝國主義、封建統治者的奴隸,而且心安理得地活下去。 3.2 焊縫寬度預測對第5個焊件背面的焊縫寬度進行預測. 第5組試驗獲取12 818幀圖像,隨機選取70%幀圖像作為訓練樣本,剩下的30%作為預測樣本. 迭代880次后收斂,擬合度為0.945 66,實際誤差均值為0.13 mm. 預測結果如圖8所示. 圖7 貝葉斯神經網絡模型 圖8 第五組預測結果 對不同焊接條件下的10個焊件進行焊件背面 焊縫寬度進行預測,結果如圖9和表2所示. 圖9 貝葉斯神經網絡預測結果 表2 焊件背面焊縫貝葉斯神經網絡預測結果 ![]() 序號 擬合度R 訓練誤差 訓練方差 實際誤差 實際方差序號 擬合度R 訓練誤差 訓練方差 實際誤差 實際方差均值pe/mmpv/mm2均值 re/mmrv/mm2 均值pe/mmpv/mm2均值 re/mmrv/mm2 1 0.923 95 3.75×104 0.006 1 0.194 5 0.042 1 6 0.915 89 8.94×105 0.006 3 0.120 6 0.012 1 2 0.764 95 3.74×104 0.065 5 0.285 0 0.097 6 7 0.954 51 2.03×105 0.003 8 0.119 9 0.017 9 3 0.967 95 1.05×104 0.002 4 0.068 5 0.003 6 8 0.935 17 8.72×105 0.005 3 0.191 8 0.003 0 4 0.957 91 1.29×104 0.004 3 0.162 0 0.024 1 9 0.947 25 1.62×104 0.003 8 0.122 0 0.012 9 5 0.945 66 1.66×105 0.0045 0.130 0 0.020 9 10 0.956 11 6.89×105 0.003 3 0.128 4 0.025 9 由預測結果看出第2組預測出現明顯波動,圖10為焊件2的實物圖,圖10可以看出,焊件背面形成的焊縫不均勻也不連續,對預測的準確性有一定的影響. ![]() 圖10 焊件 2 實物圖 4 結 論(1) 在大功率激光焊接試驗過程獲取熔池和飛濺圖像,通過對圖像進行分割分層和空域圖像處理的方法,準確提取焊接特征信息. 然而,隨著單產水平的提高,該地區小麥生產出現了諸如倒伏等一些新問題。當小麥單位面積產量達到較高水平時,倒伏是進一步提高產量的主要制約因素之一。隨著單產水平的提高,群體數量增大,莖稈承載能力變差,子粒產量提升莖稈負荷變大,小麥易發生倒伏。小麥倒伏后,一般減產20%~30%,嚴重的可達50%[5]。更重要的是,當前小麥機械化收割普及,且多數地區小麥收獲主要依靠聯合收割機的跨區作業,如果小麥發生倒伏,將會給收獲帶來極為不利的影響。 (2) 通過對焊接特征的變化趨勢和焊件實物的對比發現,在未熔透狀態和熔透狀態互相過渡的時候,各個焊接特征出現明顯的波動. 不過聽音頻最佳地點是衣柜前,邊整理衣物邊聽手機,因為不用挪動,聽著聽著,總能清理出一大堆可以扔的衣物,扔完以后神清氣爽,又會對生活生出新的希望,或者說,是對淘寶生出了新的欲望。 (3) 貝葉斯神經網絡對焊件背面焊縫有良好的預測能力,擬合度高,誤差均值和方差較小. 在焊縫不連續或不均勻的情況下,預測能力有所下降,但能滿足預測要求,具有良好的穩定性. 以離線狀態對整個焊接過程做整體分析,分析結果表明焊接過程提取的特征信號能準確預測焊接過程的變化,為實現在線預測提供理論基礎. 致 謝:感謝日本大阪大學接合科學研究所片山試驗室提供的焊接試驗幫助. 參考文獻: [1]Yang L, Ume I C. Measurement of weld penetration depths in thin structures using transmission coefficients of laser-generated Lamb waves and neural network[J]. Ultrasonics, 2017, 78: 96 - 109. [2]Ola O T, Doern F E. Factors controlling keyhole-induced porosity in cold wire laser welded aluminum[J]. Journal of Laser Applications, 2017, 29(1): 012008-1 - 8. [3]趙 琳, 塚本進, 荒金吾郎, 等. 10 kW光纖激光焊接缺陷的形成[J]. 焊接學報, 2015, 36(7): 55 - 58.Zhao Lin, Tsukamoto S, Arakane G, et al. Formation of defects in 10 kW fiber laser welding[J]. Transactions of the China Welding Institution, 2015, 36(7): 55 - 58. [4]Li S, Chen G, Zhou C. Effects of welding parameters on weld geometry during high-power laser welding of thick plate[J]. International Journal of Advanced Manufacturing Technology, 2015,79(1-4): 177 - 182. [5]Li S, Chen G, Katayama S, et al. Relationship between spatter formation and dynamic molten pool during high-power deep-penetration laser welding[J]. Applied Surface Science, 2014, 303(6):481 - 488. [6]Zhang Y, Gao X. Analysis of characteristics of molten pool using cast shadow during high-power disk laser welding[J]. International Journal of Advanced Manufacturing Technology, 2014,70(9-12): 1979 - 1988. [7]Pang S Y, Chena X, Zhou J X, et al. 3D transient multiphase model for keyhole, vapor plume, and weld pool dynamics in laser welding including the ambient pressure effect[J]. Optics and Lasers in Engineering, 2015, 74: 47 - 58. [8]Zou J L, Wu S K, Yang W X, et al. A novel method for observing the micro-morphology of keyhole wall during high-power fiber laser welding[J]. Materials & Design, 2016, 89: 785 - 790. [9]高向東, 張 勇, 游德勇, 等. 大功率光纖激光焊熔池形態及焊接穩定性分析[J]. 焊接學報, 2011, 32(9): 13 - 16.Gao Xiangdong, Zhang Yong, You Deyong, et al. Analysis of molten pool configuration and welding stability during highpower fiber laser welding[J]. Transactions of the China Welding Institution, 2011, 32(9): 13 - 16. [10]Pan Q, Mizutani M, Kawahito Y, et al. High power disk lasermetal active gas arc hybrid welding of thick high tensile strength steel plates[J]. Journal of Laser Applications, 2016, 28(1):012004. |
|