文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2017.02.028
中文引用格式： 劉雨晴，湯金萍，華亮，等. 艦用鋼板的大功率激光焊接參數優化研究[J].電子技術應用，2017，43(2)：117-119，123.
英文引用格式： Liu Yuqing，Tang Jinping，Hua Liang，et al. Research on optimization of high power laser welding parameters of warship-used steel[J].Application of Electronic Technique，2017，43(2)：117-119，123.
0 引言
國內外對艦用高強低合金鋼的主要焊接方式中間工序繁雜，能量消耗巨大，機器人難以勝任[1]。激光電弧復合焊接技術可以進一步地提升焊接速度，增加焊接材料的厚度，加強間隙橋接能力，極大地提高效率[2]。焊接過程由于焊條裂化和熔融金屬振動而伴隨著聲音，基于麥克風的焊接聲信號采集及分析逐步發展起來。AO S等人對激光焊接中的聲信號特征進行了二維建模仿真和實驗分析，通過試驗得到焊接熔池的預測振蕩頻率[3]。對于激光電弧復合焊中出現的焊接缺陷、焊接過程不穩定性等狀況，許多研究者開展了基于人工神經網絡等理論的研究。雙權值神經網絡(Double Weights Neural Network，DWNN)[4]函數逼近能力強，有更強的分類能力，在學習速度等方面也比BP神經網絡(Back Propagation，BP)[5]及徑向基函數(Radial Basis Function network，RBF)[6]等網絡結構要好，得到了推廣應用，如高維數據擬合[7]等。文獻研究多為小功率復合焊接，對于高強低碳合金厚鋼板的激光焊接研究甚少。本文以美國核動力“福特級”航母艦用高強低碳合金鋼HSLA-115為研究對象，提出了基于聲信息及雙權神經網絡的焊接參數優化方法，為我國艦用焊接實際工程技術服務。
1 聲信號的采集與預處理
1.1 聲信號采集平臺
本平臺由丹麥B&K公司的4189聲音傳感器、10 kW光纖激光器IPG-10000、六軸高精度焊接機器人KUKA60HA、焊材HSLA-115組成。不同厚度的HSLA -115鋼板如圖1所示，鋼板厚度依次為6 mm、8 mm、10 mm、12 mm和14 mm。
1.2 小波閾值降噪
本文采用基于小波變換方法，既可以有效抑制焊接過程中的放氣噪聲、機械運行噪聲，又可以減少信號在突變部分的失真。小波降噪過程如圖2所示[8]。
1.3 去噪性能評價
通過對比各個小波基的降噪能力以及考慮PC的處理速度，選擇小波基是db4，小波分解3層。以鋼板厚度為8 mm焊透時為例，計算信噪比(Signal-Noise Ratio，SNR)[9]和均方根誤差(Root Mean Square Error，RMSE)[10]，結果如表1所示。
通過觀察表1，可以發現采用雙閾值雙因子的閾值函數去噪能力更強，可以更好地進行特征提取。
2 特征提取
運用文獻[8]的方法，提取了時域的短時能量En、短時平均幅度Mn、短時平均過零率Zn、短時零能比ZERn 4個參數特征。窗口長度為1 024，重疊50%進行分幀。不同焊接參數如表2所示。對應的En、Mn、Zn、ZERn結果如表3所示。
3 雙權值神經網絡的數據擬合算法
本文在艦用高強低碳合金厚鋼板焊接參數優化中應用文獻[7]提出的多維函數擬合逼近算法。雙權值神經網絡的固定結構如圖3所示。
在雙權值神經網絡的數學模型中[7]，最后擬合的公式如下[7]：
4 雙權值神經網絡建模與分析
本文選取雙權值神經網絡(DWNN)與徑向基函數神經網絡(RBF)。以焊接鋼板厚度、焊接功率、焊接速度作為神經網絡的輸入，以En、Mn、Zn、ZERn作為輸出，通過訓練樣本建立神經網絡，并比較兩神經網絡的訓練效果。
(1)網絡輸出為En
網絡結構見圖4，擬合訓練效果見圖5。
(2)網絡輸出為Mn
網絡輸出為Mn時擬合訓練效果見圖6。
(3)網絡輸出為Zn
網絡輸出為Zn時擬合訓練效果見圖7。
(4)網絡輸出為ZERn
網絡輸出為ZERn時，擬合訓練效果見圖8。
圖5～圖8中，橫坐標為所采用的神經元個數，縱坐標為均方誤差。在DWNN與RBF中，輸入為鋼板厚度、焊接功率、焊接速度，對應的輸出為En、Mn、Zn、ZERn。隨著神經元數目的增加，采用DWNN 訓練時的均方誤差始終小于RBF的均方誤差。
5 結論
本文采集了不同的焊接鋼板厚度、焊接功率、焊接速度下的激光電弧復合焊聲信號，提取出短時能量、短時平均幅度、短時平均過零率、短時零能比4個特征值，并分別以此為輸出構建了4個不同的神經網絡結構。結果表明，采用DWNN對4個特征值進行訓練時的精度始終高于RBF，收斂速度也始終比RBF快。本文利用神經網絡結構探究了不同焊接參數與焊接過程中聲信號之間的關系，進一步為基于聲信號的大功率激光電弧復合焊接參數優化及焊接質量監測與控制提供了參考依據。
參考文獻
[1] 武春學，俊旭，朱丙坤.高能束焊接技術在艦船建造中的應用[J].材料開發與應用，2010，25(3)：79-83.
[2] ATABAKI M M，MA J，LIU W，et al.Pore formation and its mitigation during hybrid laser/arc welding of advanced high strength steel[J].Materials & Design，2015，67：509-521.
[3] AO S，LUO Z，FENG M，et al.Simulation and experimental analysis of acoustic signal characteristics in laser welding[J].International Journal of Advanced Manufacturing Technology，2015，81(1)：277-287.
[4] 王守覺，李兆皺，陳向東，等.通用神經網絡硬件中神經元基本數學模型的討論[J].電子學報，2001,29(5)：577-580.
[5] 程滿玲，孫峙華.基于BP神經網絡技術的網絡時延預測研究[J].測控技術，2015，34(6)：74-76.
[6] LIU J.Radial basis function(RBF) neural network control for mechanical systems：design，analysis and matlab simulation[M].Springer Science & Business Media，2013.
[7] 曹宇.一種新型雙權值人工神經元網絡的數據擬合研究[J].電子學報，2004，32(10)：1671-1673.
[8] HUA L，ZHENG C，GU J，et al.Laser arc sound signal processing and welding status recognition based on geometric learning[C].2015 6th International Conference on Manufac-turing Science and Engineering，2015，32：1383-1394.
[9] SUMMERS T A，WILSON S G.SNR mismatch and online estimation in turbo decoding[J].IEEE Transactions on Communications，1998，46(4)：421-423.
[10] BARNSTON A G.Correspondence among the correlation，RMSE, and heidke forecast verification measures，refinement of the heidke score[J].Weather & Forecasting，1992，7(4)：699-709.
[11] 呂世威.基于LM的汽車燃油消耗不解體快速檢測方法研究[J].制造業自動化，2015，37(15)：152-156.
作者信息:
劉雨晴，湯金萍，華 亮，鄭長煒
（南通大學 電氣工程學院，江蘇 南通226019）