磁光传感神经网络卡尔曼滤波融合的微间隙焊缝识别算法研究

摘要

针对激光焊接中焊缝小于0.1mm平板对接焊缝，主要研究微间隙磁光成像焊缝识别与定位的精度提高技术。激光焊接的目的是将两块材料形成冶金连接，激光束在整条焊缝上都不超出焊接对缝允许的偏离。由于激光束功率密度高，光斑直径小，对接焊缝间隙窄，所允许的焊缝偏差非常小。实时准确地识别和跟踪焊缝是保证激光焊接质量的前提。激光焊接过程是一个非线性、时变和受诸多随机干扰影响的多变量复杂系统，伴随着强烈的等离子体辐射、噪声、飞溅等因素影响，给焊缝的实时提取带来极大的困难。对于工业生产中常见的等厚对接激光焊接，会遇到很多紧密对接、无坡口、肉眼难以分辨的微间隙焊缝，而采用一般传感方法无法实现该类焊缝路径的识别和跟踪，迄今仍是国内外激光焊接领域所面临的难点。
　　当前较成熟的焊缝识别技术为结构光法，结构光技术基于光反射被动成像技术，是一组由投影仪和摄像头组成的系统结构。将一束包含特定信息的辅助激光投射到焊缝表面及焊件背景上，通过摄像头拍摄光束和焊件的交线图像，焊缝处下凹的几何特征使得结构光发生形变，形变的光亮条纹能够显示焊缝的空间位置特征，成像后的条纹能够反映焊缝的形状、位置和深度等信息，然后根据三角测量原理计算出焊缝中心的位置和深度等信息实现焊缝跟踪控制。
　　但该方法有其难以克服的缺陷，对于等厚平板对接焊，一般只能有效检测间隙大干0.1mm的焊缝。对于间隙小于0.1mm的紧密对接焊缝，焊缝处结构光变形很小，难以识别和跟踪焊缝。目前对于平板对接微间隙焊缝，目前尚无有效的识别和跟踪方法，在关键技术上一直没有重大突破。
　　针对激光焊接微间隙对接焊缝，研究一种基于磁光成像传感的焊缝识别和跟踪新方法。根据磁感应原理与法拉第磁光旋转效应构建磁光成像传感器并获取微间隙焊缝信息，在激光焊接方向的焊缝上方设置非接触磁光成像传感器。以激励磁场在焊件上生成感应磁场，而磁场分布在焊缝处将被改变，引起该处的垂直磁场分量发生变化。磁光传感器在该磁场的作用下产生磁光效应，使传感器中的偏振光在通过磁光传感介质时产生不同的旋转角度，包含了焊缝信息的光线经偏振分光镜反射后被CMOS接收并实时成像。通过分析焊缝磁光图像特征并获取焊缝位置特征值，可得到焊缝路径与激光束偏差的实时测量值。与以往视觉传感方法不同，磁光成像主要基于传感器自身的感应磁场，因此受激光焊接过程的飞溅、光致等离子体辐射及其它光辐射的干扰影响较小，有望成为检测微间隙焊缝的有效方法。
　　针对激光焊接微间隙焊缝(间隙小于0.1mm)，研究提高磁光传感器检测焊缝精度的BP神经网络修正方法。以碳钢平板对接激光焊为试验对象，利用磁光传感器检测焊缝区域磁场分布并成像。通过分析焊缝处磁场成像并应用BP神经网络修正磁光传感器得到焊缝中心数据，有效避免直接利用磁光传感器获得的磁光图像低对比度和强噪声干扰问题。经过在不同焊接速度条件试验下的测试，BP神经网络修正磁光成像测量技术可有效识别微间隙焊缝，为解决激光焊接微间隙焊缝过程自动识别和跟踪焊缝的难题提供了一种新方法。
　　由于焊缝跟踪过程中存在多种噪声干扰，严重影响焊缝位置信息的准确提取。因此，这里设计一种基于Kalman滤波的系统状态最优估计方法，对焊接中心偏离状态进行准确预测。首先，建立基于焊缝中心位置参数的系统状态方程和焊缝中心位置测量方程，构建Kalman滤波算法得到最小均方差下焊缝中心偏差最优估计值。焊接试验结果表明Kalman滤波算法能有效消除多种噪声干扰，提高焊缝跟踪的稳定性。
　　在实际的焊缝焊接过程中，系统产生的过程噪声和测量噪声皆为色噪声，其噪声统计特性在焊接前难以准确获取。为避免噪声统计特性不确定性对卡尔曼滤波焊缝跟踪的影响，将径向基(RBF)神经网络与卡尔曼滤波算法结合，使用RBF神经网络补偿卡尔曼滤波算法。以卡尔曼滤波状态参量作为网络输入，滤波误差作为网络输出，建立径向基神经网络训练过程。再利用训练好的RBF神经网络的输出修正卡尔曼滤波值，补偿焊缝中心滤波误差。试验结果证明作者方法能够有效提高焊缝中心探测精度。

目录

摘要

第一章 绪论

1．1 激光焊接焊缝跟踪影响因素

1．2 基于视觉传感激光焊接微焊缝实时跟踪检测研究

1．2．1 基于结构光技术焊缝跟踪方法

1．2．2 基于熔池匙孔形态焊缝跟踪方法

1．2．3 基于磁光检测成像技术焊缝探测方法

1．3 磁光检测成像技术研究的国内外现状

1．4 选题来源及主要研究内容

1．4．1 课题选题来源与意义

1．4．2 课题主要研究内容

1．5 本章小结

第二章 焊缝磁光成像检测系统

2．1 激光焊接试验平台

2．1．1 激光器焊接系统

2．1．2 运动工作控制台

2．1．3 磁光传感器检测装置

2．1．4 电磁铁激励装置与检测装置

2．2 磁光成像原理

2．2．1 法拉第磁光效应原理

2．2．2 焊缝磁光成像调制原理

2．2．3 磁光传感器检测范围

2．3 焊缝漏磁检测原理

2．3．1 焊件材料磁畴与磁化理论

2．3．2 焊缝漏磁检测原理

2．3．3 铁磁体平板对接焊缝漏磁原理

2．4 磁光传感器测量焊缝磁场分布研究

2．4．1 Q235铁磁体焊件磁光图像标定

2．4．2 不同磁场强度磁光图像检测

2．4．3 不同焊缝宽度磁光图像检测

2．4．4 入射偏振光角度对磁光图像的影响

2．4．5 电磁铁放置方式对磁光图像的影响

2．5 本章小节

第三章 磁光检测成像技术微间隙焊缝特征提取

3．1 焊缝磁光图像预处理

3．1．1 感兴趣区域选取

3．1．2 焊接目标的特征分析

3．1．3 焊缝磁光图像灰度化处理

3．2 焊缝磁光图像焊缝中心特征提取

3．2．1 不完全二值化处理

3．2．2 中值滤波

3．2．3 面积去噪法

3．2．4 焊缝边缘检测

3．2．5 焊缝中心提取

3．2．6 焊缝中心提取流程

3．3 激光束移动时的焊缝中心路径提取

3．4 本章小结

第四章 基于神经网络的焊缝中心跟踪预测模型

4．1 磁光图像噪声分布

4．2 神经网络

4．2．1 BP神经网络结构的设计

4．2．2 Levenberg-Marquardt算法原理

4．2．3 LM算法的计算步骤

4．3 焊缝偏差跟踪的LM神经网络建立

4．3．1 数据样本的获取

4．3．2 神经网络参数的选择

4．3．3 BP神经网络计算焊缝中心试验分析

4．4 本章小结

第五章 神经网络卡尔曼滤波焊缝预测跟踪

5．1 卡尔曼滤波简介

5．2 磁光图像焊缝跟踪噪声统计

5．2．1 卡尔曼滤波基本步骤

5．2．2 卡尔曼滤波的第1个假设：焊缝跟踪系统是线性的

5．2．3 卡尔曼滤波的第2个假设：焊接噪声接近干高斯白噪声

5．3 焊缝跟踪卡尔曼滤波算法

5．3．1 离散型卡尔曼滤波基本方程

5．3．2 建立焊缝跟踪系统的系统方程和状态方程

5．3．3 卡尔曼滤波焊缝跟踪试验

5．4 径向基神经网络补偿Kalman滤波焊缝中心测量算法

5．5 神经网络补偿Kalman滤波算法试验和分析

5．6 小结

总结与展望

1 结论

2 创新点

3 展望

参考文献

攻读学位期间发表的论文

声明

致谢