Liu Yuqing, Tang Jinping, Hua Liang, Zheng Changwei
(Elektrik Mühendisliği Okulu, Nantong Üniversitesi, Nantong, Jiangsu 226019)
Yüksek mukavemetli, düşük karbonlu alaşımlı kalın çelik plakaların doğrusal olmayışını, çok değişkenli bağlantılarını ve yüksek güçlü lazer kaynak işleminin belirsizliğini hedefleyen gemi güvertesi çelik plakalarının kaynak işlemi sırasında gerçek zamanlı ses toplama gerçekleştirmek için akustik sinyal alımına dayalı bir izleme sistemi inşa edilmiştir. Özvektörler, çift ağırlıklı bir sinir ağı (DWNN) modeli oluşturur, DWNN'nin mükemmel doğrusal olmayan uydurma yeteneğinden tam olarak yararlanır ve yüksek güçlü lazer kaynağının birden çok parametresi ile akustik sinyallerin birden çok özelliği arasında doğrusal olmayan haritalamanın sinir ağı modellemesini gerçekleştirir. Uydurma doğruluğu ve yineleme sayısı açısından DWNN, radyal temel işlev ağları gibi geleneksel ağlardan daha iyidir ve yüksek mukavemetli, düşük alaşımlı kalın çelik plakaların yüksek güçlü kaynak parametrelerinin optimizasyonu ve kontrolü için iyi bir temel sağlar.
Lazer kaynağı; çift ağırlıklı sinir ağı; akustik sinyal; özellik çıkarma
Çin Kütüphanesi Sınıflandırma Numarası: TP391.9
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.02.028
Çince alıntı biçimi: Liu Yuqing, Tang Jinping, Hua Liang ve diğerleri.Gemide çelik levhalar için yüksek güçlü lazer kaynak parametrelerinin optimizasyonu üzerine araştırma.Elektronik Teknoloji Uygulaması, 2017, 43 (2): 117-119, 123.
İngilizce alıntı biçimi: Liu Yuqing, Tang Jinping, Hua Liang ve diğerleri.Savaş gemisi kullanılan çeliğin yüksek güçlü lazer kaynak parametrelerinin optimizasyonu üzerine araştırma.Elektronik Tekniğin Uygulanması, 2017, 43 (2): 117-119, 123.
0 Önsöz
Yurtiçi ve yurtdışındaki gemiler için yüksek mukavemetli düşük alaşımlı çeliğin ana kaynak yöntemleri, karmaşık ara süreçlere ve büyük enerji tüketimine sahiptir, bu da robotların kullanımını zorlaştırır. Lazer ark hibrit kaynak teknolojisi, kaynak hızını daha da artırabilir, kaynak malzemesinin kalınlığını artırabilir, boşluk köprüleme yeteneğini güçlendirebilir ve verimliliği büyük ölçüde artırabilir. Kaynak işlemine, kaynak çubuğunun çatlaması ve erimiş metalin titreşimi nedeniyle ses eşlik eder.Mikrofona dayalı kaynak ses sinyalinin alınması ve analizi giderek gelişmiştir. AO S ve arkadaşları, lazer kaynağında akustik sinyal karakteristikleri üzerinde iki boyutlu modelleme simülasyonu ve deneysel analizler gerçekleştirmiş ve deneylerle kaynak havuzunun tahmin edilen salınım frekansını elde etmiştir. Birçok araştırmacı, lazer ark hibrit kaynağında ortaya çıkan kaynak kusurları ve kaynak işlemi kararsızlığı için yapay sinir ağları gibi teorilere dayanan araştırmalar yürütmüştür. Çift Ağırlıklı Sinir Ağı (DWNN), güçlü fonksiyon yaklaşma yeteneğine, daha güçlü sınıflandırma yeteneğine sahiptir ve ayrıca öğrenme hızı açısından BP sinir ağı (Geri Yayılma, BP) ve radyal temel fonksiyondan (Radyal Temel Fonksiyon) daha iyidir. Ağ, RBF) ve diğer ağ yapıları daha iyidir ve yüksek boyutlu veri uydurma gibi popüler hale getirilmiş ve uygulanmıştır. Literatür çalışmaları çoğunlukla düşük güçlü hibrit kaynaktır ve yüksek mukavemetli düşük karbon alaşımlı kalın çelik plakaların lazer kaynağıyla ilgili az sayıda çalışma vardır. Bu makale, araştırma nesnesi olarak ABD nükleer enerjili "Ford sınıfı" uçak gemisi için yüksek mukavemetli düşük karbon alaşımlı çelik HSLA-115'i alıyor ve Çin'in gemi kaynağının gerçek mühendislik teknolojisine hizmet eden akustik bilgi ve çift ağırlıklı sinir ağına dayalı bir kaynak parametresi optimizasyon yöntemi öneriyor.
1 Akustik sinyal alma ve ön işleme
1.1 Akustik sinyal toplama platformu
Bu platform, Danimarka BK şirketinden 4189 ses sensörü, 10 kW fiber lazer IPG-10000, altı eksenli yüksek hassasiyetli kaynak robotu KUKA60HA ve kaynak malzemesi HSLA-115'den oluşmaktadır. Farklı kalınlıklara sahip HSLA-115 çelik levhalar Şekil 1'de gösterilmektedir. Çelik levhaların kalınlıkları sırasıyla 6 mm, 8 mm, 10 mm, 12 mm ve 14 mm'dir.
1.2 Dalgacık eşiği denoising
Bu yazıda, kaynak işlemi sırasında deflasyon gürültüsünü ve mekanik çalışma gürültüsünü etkin bir şekilde bastırabilen ve ani değişim bölümünde sinyalin bozulmasını azaltabilen dalgacık dönüşümü yöntemi benimsenmiştir. Dalgacık gürültüsü azaltma işlemi Şekil 2'de gösterilmektedir.
1.3 Gürültü giderme performansının değerlendirilmesi
Her dalgacık tabanının gürültü azaltma yetenekleri karşılaştırılarak ve PC'nin işlem hızı dikkate alınarak, dalgacık tabanı db4 olarak seçilir ve dalgacık ayrışımı 3 katmandır. Örnek olarak penetrasyonlu 8 mm çelik levha kalınlığı alınarak Sinyal-Gürültü Oranı (SNR) ve Ortalama Karekök Hata (RMSE) hesaplanır ve sonuçlar Tablo 1'de gösterilir.
Tablo 1 incelendiğinde, ikili eşikli ve ikili faktörlü eşik fonksiyonunun daha güçlü gürültü azaltma yeteneğine sahip olduğu ve daha iyi öznitelik çıkarımı gerçekleştirebileceği bulunabilir.
2 özellik çıkarma
Literatür yöntemini kullanarak, zaman alanı kısa süreli enerji En, kısa vadeli ortalama genlik Mn, kısa vadeli ortalama sıfır geçiş oranı Zn ve kısa vadeli sıfır enerji oranı ZERn'nin dört parametre özelliği çıkarılır. Pencere uzunluğu 1024'tür ve çerçeveleme için% 50 örtüşür. Farklı kaynak parametreleri Tablo 2'de gösterilmektedir. En, Mn, Zn, ZERn'nin ilgili sonuçları Tablo 3'te gösterilmektedir.
3 Çift ağırlıklı sinir ağının veri uydurma algoritması
Bu makale, gemiler için yüksek mukavemetli düşük karbon alaşımlı kalın çelik plakaların kaynak parametrelerinin optimizasyonunda literatürde önerilen çok boyutlu işlev uydurma ve yaklaşım algoritmasını uygular. Çift ağırlıklı sinir ağının sabit yapısı Şekil 3'te gösterilmektedir.
Çift ağırlıklı sinir ağının matematiksel modelinde, son uydurma formülü aşağıdaki gibidir:
4 Çift ağırlıklı sinir ağının modellenmesi ve analizi
Bu makale çift ağırlıklı sinir ağını (DWNN) ve radyal temel işlevli sinir ağını (RBF) seçmektedir. Sinir ağının girdisi olarak kaynaklanmış çelik levhanın kalınlığı, kaynak gücü ve kaynak hızı, çıktı olarak En, Mn, Zn ve ZERn kullanılır.Nöral ağ eğitim örnekleri ile kurulur ve iki sinir ağının eğitim etkileri karşılaştırılır.
(1) Ağ çıkışı En'dir
Ağ yapısı Şekil 4'te gösterilmektedir ve uydurma eğitim etkisi Şekil 5'te gösterilmektedir.
(2) Ağ çıkışı Mn'dir
Şekil 6, ağ çıktısı Mn olduğunda uydurma eğitim etkisini gösterir.
(3) Ağ çıkışı Zn'dir
Şekil 7, ağ çıkışı Zn olduğunda uydurma eğitim etkisini gösterir.
(4) Ağ çıkışı ZERn'dir
Ağ çıkışı ZERn olduğunda, uygulama eğitimi etkisi Şekil 8'de gösterilmektedir.
Şekil 5-8'de apsis, kullanılan nöronların sayısıdır ve ordinat, ortalama kare hatasıdır. DWNN ve RBF'de giriş, çelik levha kalınlığı, kaynak gücü ve kaynak hızıdır ve buna karşılık gelen çıktı En, Mn, Zn, ZERn'dir. Nöron sayısı arttıkça, DWNN eğitiminin ortalama kare hatası her zaman RBF'ninkinden daha küçüktür.
5. Sonuç
Bu kağıt, lazer ark hibrid kaynak ses sinyalini farklı kaynak çelik levha kalınlığı, kaynak gücü ve kaynak hızı altında toplar ve kısa vadeli enerji, kısa vadeli ortalama genlik, kısa vadeli ortalama sıfır geçiş oranı ve kısa vadeli sıfır enerji oranının 4 karakteristik değerini çıkarır. Ve bunun çıktısı ile 4 farklı sinir ağı yapısı oluşturun. Sonuçlar, dört öz değeri eğitmek için DWNN kullanımının doğruluğunun her zaman RBF'ninkinden daha yüksek olduğunu ve yakınsama hızının her zaman RBF'den daha hızlı olduğunu göstermektedir. Bu makale, kaynak sırasında farklı kaynak parametreleri ve akustik sinyaller arasındaki ilişkiyi keşfetmek için sinir ağı yapısını kullanır ve ayrıca akustik sinyallere ve kaynak kalitesinin izlenmesi ve kontrolüne dayalı yüksek güçlü lazer ark hibrit kaynak parametrelerinin optimizasyonu için bir referans sağlar.
Referanslar
Wu Chunxue, Jun Xu, Zhu Bingkun Gemi yapımında yüksek enerjili kiriş kaynağı teknolojisinin uygulanması Malzeme geliştirme ve uygulama, 2010, 25 (3): 79-83.
ATABAKI M M, MA J, LIU W ve diğerleri.Gelişmiş yüksek mukavemetli çeliğin hibrit lazer / ark kaynağı sırasında gözenek oluşumu ve azaltılması Malzemeler ve Tasarım, 2015, 67: 509-521.
AO S, LUO Z, FENG M, et al.Lazer kaynağında akustik sinyal özelliklerinin simülasyonu ve deneysel analizi.Uluslararası Gelişmiş Üretim Teknolojisi Dergisi, 2015, 81 (1): 277-287.
Wang Shoujue, Li Zhaoxu, Chen Xiangdong, vb. Genel sinir ağı donanımında nöronun temel matematiksel modeli üzerine tartışma Açta Electronica Sinica, 2001, 29 (5): 577-580.
Cheng Manling, Sun Zhihua.BP sinir ağı teknolojisine dayalı ağ gecikme tahmini üzerine araştırma. Ölçüm ve Kontrol Teknolojisi, 2015, 34 (6): 74-76.
LIU J. Mekanik sistemler için radyal temel fonksiyonu (RBF) sinir ağı kontrolü: tasarım, analiz ve matlab simülasyonu Springer Science and Business Media, 2013.
Cao Yu.Yeni bir çift ağırlıklı yapay sinir ağının veri uydurma araştırması Çin Elektronik Dergisi, 2004, 32 (10): 1671-1673.
HUA L, ZHENG C, GU J ve diğerleri.Geometrik öğrenmeye dayalı lazer ark sesi sinyal işleme ve kaynak durumu tanıma. 20156. Uluslararası İmalat Bilimi ve Mühendisliği Konferansı, 2015, 32: 1383-1394.
SUMMERS T A, WILSON S G. SNR uyuşmazlığı ve turbo kod çözmede çevrimiçi tahmin IEEE İşlemleri İletişim, 1998, 46 (4): 421-423.
BARNSTON A G. Korelasyon, RMSE ve heidke tahmin doğrulama ölçümleri arasındaki yazışmalar, heidke skorunun iyileştirilmesi Hava ve Tahmin, 1992, 7 (4): 699-709.
Lu Shiwei Otomobil yakıt tüketimi için parçalanma olmaksızın LM tabanlı hızlı tespit yöntemi Üretim Otomasyonu, 2015, 37 (15): 152-156.