带有神经网络控制的焊接电源.pdf

本发明涉及带有神经网络控制的焊接电源。提供一种方法通过使用神经网络以识别可接受的焊接特征而控制焊接设备。该神经网络识别由瞬时焊接特征呈现的样式，并且当该样式不是可接受的时，修改该瞬时焊接特征。该方法测量焊接电压、电流和焊丝进给速度，并且当瞬时焊接特征不同于不同训练焊接特征中的每一个时使用该瞬时焊接特征训练神经网络。提供一种用于控制焊接过程的焊接设备，包括焊枪、用于供应焊接电压和电流的电源，以及用于探测多个不同焊接工艺变量的数值的传感器。该设备的控制器具有用于接收焊接工艺变量和用于识别焊接特征中的样式的神经网络。当该样式不被识别时，该控制器修改该焊接特征。

权利要求书

带有神经网络控制的焊接电源
技术领域
[0001]本发明主要涉及一种方法和设备，用以使用神经网络控制模型或者神经处理器控制用于焊接过程的电源。
背景技术
[0002]焊接系统被广泛地用在各种制造过程中以联结或者接合不同的工作表面。通过受控地施加强热及应用中间材料，电弧焊接系统尤其可以被用于将分离的工作表面强固地熔合或者合并成一体以形成合成的焊接接头(weld joint)。当在电弧焊接过程期间被存在的高温电弧快速地熔融的中间材料最终冷却和固化时，形成强固的冶金接合。理想地，合成的焊接接头具有与起初分离的工作表面大致相同的总体强度和其它材料性质。
[0003]在电弧焊接过程中，可以在工作表面和当焊枪沿着焊接接头移动时被以可控方式进给到焊枪的自耗电极(例如焊丝段)之间形成电弧，其中经由电弧屏蔽气体的电离柱(ionized column)发射电弧。电弧自身提供用于熔化自耗电极或者焊丝所必要的强热水平。电极因此在焊枪的顶端和工作表面之间传导电流，其中熔融焊丝材料当被供应到焊接接头时用作填料。
[0004]焊接过程控制器通常含有通用焊接特征(weld signature)，该通用焊接特征具有用于电弧电流、电压和/或其它参数的反馈环路，并且提供用以改变波形的特定部分的有限能力。用于为特定焊接过程生成定制焊接特征的专用软件可能尚未达到最佳，这是由于用以生成波形所需要的高等级专门知识，以及与在给定焊接过程中执行这种定制软件相关联的大量测试和工艺验证。
发明内容
[0005]因此，提供一种用于控制焊接设备的方法，包括通过将神经网络暴露于不同的训练焊接特征而训练神经网络识别可接受的焊接特征，然后监视瞬时焊接特征。该方法使用神经网络识别由瞬时焊接特征呈现的样式(pattern)，并且当神经网络确定该样式不是可接受的焊接特征时，选择性地修改该瞬时焊接特征。
[0006]在本发明的一个方面中，该方法通过连续地测量焊接设备的焊接电压、焊接电流和焊丝进给速度(WFS)而监视瞬时焊接特征。
[0007]在本发明的另一个方面中，该方法通过选择性地修改用于控制焊接电压、焊接电流和/或焊丝进给速度的至少一个波形而选择性地修改瞬时焊接特征。
[0008]在本发明的另一个方面中，该方法确定瞬时焊接特征是否充分地不同于多个不同训练焊接特征中的每一个，且随后当该瞬时焊接特征充分地不同于所述不同训练焊接特征中的每一个时，使用该瞬时焊接特征训练神经网络。
[0009]在本发明的另一个方面中，该方法确定瞬时焊接特征是否充分地不同于不同训练焊接特征中的每一个，并且当确定该瞬时焊接特征并非充分地不同于不同训练焊接特征中的每一个时，抛弃该瞬时焊接特征。
[0010]在本发明的另一个方面中，一种方法通过监视描述焊接过程控制变量(包括焊接电压、焊接电流和焊丝进给速度(WFS))的焊接特征而在焊接过程期间控制焊接特征。该方法通过神经网络处理焊接特征以确定该焊接特征是否具有与至少一个训练焊接特征一致的样式，并且当该样式与该至少一个训练焊接特征不一致时，连续地和自动地修改至少一个焊接过程控制变量。
[0011]在本发明的另一个方面中，该方法把焊接特征与在训练特征数据库中存储的不同训练焊接特征相比较，并且确定该焊接特征是否充分地不同于在数据库中存储的训练焊接特征中的每一个。然后当该焊接特征充分地不同于所述不同训练焊接特征中的每一个时，该方法在数据库中记录该焊接特征。
[0012]在本发明的另一个方面中，该方法在分类之后测试焊接接头从而确定含有多个不同焊接接头性质中每一个的数值的焊接数据集合，并且随后将焊接特征与该焊接数据集合相关联以使得数据库有效。
[0013]在本发明的另一个方面中，提供一种设备用于控制焊接过程，并且包括用于形成焊接接头的焊枪、用于供应焊接电压和焊接电流从而选择性地为焊枪供电的电源，和用于探测多个不同焊接工艺变量的数值的至少一个传感器。该变量包括焊接电压、焊接电流和相应于在形成焊接接头时自耗的焊丝段的速度的焊丝进给速度(WFS)。该设备还包括具有神经网络的控制器，该神经网络用于接收焊接工艺变量的数值并且识别焊接特征中的样式，该样式相应于焊接接头的预测质量。当该样式未被识别时，该控制器连续地和自动地修改焊接工艺变量的数值中的至少一个，从而修改焊接特征。
[0014]在本发明的另一个方面中，该控制器与含有多个不同训练焊接特征的数据库通信，每一个训练焊接特征均对应于具有预定的可接受的焊接质量的焊接接头。
[0015]在本发明的另一个方面中，该神经网络具有带不同输入节点的输入层，每一个输入节点均对应于焊接工艺变量中的不同的一个。
[0016]结合附图，根据下文对实施本发明的最佳方式的详细说明，易于清楚本发明的以上特征和优点以及其它特征和优点。
附图说明
[0017]图1是根据本发明的焊接设备和能够被操作用于控制焊接过程的控制器的示意图；
[0018]图2A是焊接电流控制波形的图解表示；
[0019]图2B是与图2A的焊接电流控制波形相关的、焊滴转移过程的示意图；
[0020]图3是图1所示控制器能够使用的人工神经元模型或者神经网络的示意图；
[0021]图4是图1的控制器能够使用的焊接特征的图解表示；并且
[0022]图5是描述用于使用图3的神经网络控制焊接过程的方法的图解流程图。
具体实施方式
[0023]参考附图，其中贯穿这几个图，同样的附图标记对应于同样的或者类似的构件，并且从图1开始，在这里提供一种设备和方法，用于在焊接过程期间控制焊接特征。可以在各种不同的焊接过程中使用该方法和设备，包括但是不限于单个工件操作、将两个或者更多工件或者表面联结到一起和/或用于将单个工件的两端联结到一起。因此，焊接设备10包括自动化或者人工焊接装置或者焊枪18，它被可操作地连接到机器臂或者人工可再定位臂21、到集成控制单元或者控制器17，和连接到能够被操作用于产生或者提供焊接电压V和焊接电流i的电源12。可以被可替代地配置成单个传感器和/或被一起地容纳在公共传感器外罩(未示出)中的多个传感器14、15和16，适用于感测、测量、探测和/或以其它方式确定一个或者多个动态变化的焊接工艺变量随时间变化的数值，这些变量一起地定义总体的或者组合的“焊接特征”，将在下文中详细地描述这个术语。
[0024]焊枪18被配置用以选择性地完成焊接操作，例如但是不限于金属惰性气体(MIG)或者钨极惰性气体(TIG)电弧焊接或者适用于在工件24的一个或者多个焊点或者接头处或者沿所述焊点或接头形成高温电弧22的其它焊接操作。焊枪18可以例如通过选择性枢转和/或旋转而以可再定位和可再定向的方式安装到机器臂(未示出)。焊接设备10包括可以是自耗焊丝段的至少一个电极20A以及电极20B，该电极20B被示为在其上定位有工件24的板，其中当焊枪18工作时，电极20A、20B基本上彼此相对地定位。电弧22能够熔化电极20A的一部分，例如自耗焊丝段，并且以此方式形成焊接接头。
[0025]根据本发明，控制器17包括能够使用训练特征数据库90而被训练的神经网络50(也见图3)，该数据库聚集足够数目的经验证有效的，即，预定的“可接受的”或者“良好的”焊接特征，如在下文中所描述的。控制器17还包括如将参考图5描述的自适应焊接过程控制方法100，该方法用于使用神经网络50以实时地控制和/或调整活动的或者瞬时的焊接特征，即，对应于活动的和正在进行的焊接过程的焊接特征。以此方式，控制器17允许连续监视和修改焊接特征以便符合已经学习到的“可接受的”焊接特征轮廓而不需要大量编程或者算法修改。神经网络50允许产生多种焊接特征，包括能够自动地和连续地适应于焊接条件变化的焊接特征。而且，最大程度地减少了为每一个不同焊接过程生成独特焊接特征通常所需要的大量测试和验证，并且优化了焊接质量。
[0026]根据本发明，下面讨论的图5的方法100利用神经网络50(也见图3)作为信息处理范例，神经网络50能够实时地审视全部的或者组合的可探测或者可测量焊接工艺变量集合，这些变量在下文中被一起称作焊接特征，并且根据一套预定的焊接质量标准而确定或者识别由焊接特征呈现的特定样式是否是可接受的、良好的、或者合格的，或者不可接受的、差的或者不合格的。如本领域普通技术人员可以理解地，例如通过使得神经网络50经受或者暴露于多个训练焊接特征的处理，每一个训练焊接特征均对应于可接受的焊接特征，从而在受控训练过程期间对神经网络50进行初始训练。如将在下面描述的那样，通过在一段时间内将神经网络50暴露于另外的可接受的焊接特征，神经网络50还能够被连续地训练从而进一步改进和完善神经网络50的样式识别准确度。
[0027]如本领域普通技术人员可以理解地，神经网络例如图3的神经网络50可以被用于预测具体结果和/或识别由尚非最佳的、不精确的和/或比较复杂的输入数据集合呈现的样式。例如，这种输入数据集合的复杂集合可以由较典型的焊接工艺变量构成，即如上所述的焊接电压V、焊接电流i和焊丝进给速度(WFS)，和/或如将在下面参考图4描述的其它的这种动态地变化的输入变量。同样地，控制器17可以使用神经网络50从而比照已经学习到的“可接受的”波形来连续地监视焊接特征，并且通过使用这种信息而连续地和自动地调整给定焊接特征的一个或者多个参数以使得焊接过程恢复到处于控制之下，即，使得焊接特征符合与已经学习到的可接受的波形相一致的波形。
[0028]如上所述，经由反复暴露于不同的训练集合，例如任何受监督或者不受监督的输入数据集合，神经网络能够可操作地用于调整或者“学习”，并且可操作地用于向构成输入数据集合的各条不同信息中的每一条动态地分配适当的权重和/或相对重要性数值。通常并不例如利用各种控制算法而对神经网络预编程以执行特定任务，所述控制算法可以利用用于每一个不同的参数或者数值的预设max/min(最大/最小)阈值极限而不以任何方式预测或者分类全部的或者总体的受监视焊接特征。相反，神经网络，例如图1和3的神经网络50，利用关联记忆来对神经网络所接受过的组合输入集合的全体或者总体进行有效地归纳，例如图4所示的焊接系统输入集合“I”。这样，被适当地训练的神经网络可以是能够根据经验而能够准确地和一致地预测未来状态，根据需要对复杂数据集合进行分类，如由图3中的箭头O所表示地，和/或识别由复杂数据集合的全体所呈现的总体样式，否则这可能需要大量时间和/或专业知识以进行适当地解释。
[0029]参考图2A和2B，上述这种复杂输入数据集合中的一个变量可以在这里被体现为图2A的示例性焊接电流波形30。图2A中的波形30描述了单一焊接过程控制变量或者焊接控制波形的一个循环，在这种情况下，焊接电流i(见图1)，和图2B的示意图描述了图2A的波形30可以如何影响从焊枪18的喷嘴或者顶端18A(见图1)转移有关焊滴。可以使用图1的传感器14测量波形30。
[0030]在图2A中，线32代表基线或者背景安培数水平或者图1的焊接电流i的振幅，即A_MIN。如在图2B中所示，从t₁开始，当焊接电流i被保持为A_MIN时，焊滴D仍然在焊丝的端部或者电极20A处部分地形成并且与电弧22相接触。然而，当图2A的波形30达到t₂时，线33快速地斜行到线34的水平，即峰值安培数或者A_MAX。当电极20A被配置成焊丝时安培数中的这个斜坡引起电弧22液化或者熔化电极20A的一个部分，并且焊滴D开始从电极20A分离。A_MAX然后被保持直至t4，并且焊滴D从电极20A完全地分离。曲线35或者脱尾(tailout)紧随其后，其中曲线35的轮廓在很大程度上确定或者影响焊滴D在朝向工件24降落时的动态行为。
[0031]如以上所讨论的那样，图2A和2B仅代表焊接过程控制变量或者参数的一个实例，即焊接电流i。其它可能的焊接过程控制变量或者参数包括焊接电压V、焊丝进给速度(WFS)、图1和2B的工件24的物理组分、电弧屏蔽气体组分等。在图2A的波形30中，操作员应该至少对线33的攀升率(ramp-up rate)、曲线35的脱尾时间、峰值安培数或者A_MAX、背景安培数或者A_MIN、线34的峰值时间或者持续时间、线32的背景时间或者持续时间，和波形30的频率进行编程。另外的变量每一个均要求类似数目的被编程的控制参数，从而迅速增加了基于参数的焊接过程控制的潜在复杂度。
[0032]由于影响每一个特定焊接过程的独特物理和环境影响，即使对于相同型号或者类型的焊接设备10(见图1)，用于给定焊接过程的特定控制波形也可以是唯一的。因此，可能用典型控制器提供的预编程波形在很大程度上是通用的，或者在一些情形中可以提供有限能力以选择性地修改一定数目的参数的数值，例如焊接电流i的振幅(见图1)，但是在其它情形使用这种通用波形可能并没有对于每一个焊接设备10优化这种波形。
[0033]因此，参考图3，主要在上面所述的神经网络50被控制器17(见图1)编程、存储在控制器17中或者能够以其它方式被控制器17访问，并且能够被方法100所使用(见图1和5)以准确地预测、分类或者以其它方式识别焊接特征中的样式，例如在图4中所例示的那样。神经网络50包括至少一个输入层40，输入层40具有多个不同的输入神经元或者输入节点41，其每一个均被配置为从神经网络50以外接收数据、测量值和/或其它预定信息。如在图3中所示，在一个实施例中，这种信息或者输入集合I包括但是不限于焊接电压V、焊接电流i和焊丝进给速度或者WFS，其每一个也在图1中示出。根据需要，至少一个另外的输入节点41可以被配置为接收如由变量X所代表的、另外的输入数据、测量值或者其它过程信息条目。例如，输入变量X可以对应于在电弧焊接过程中使用的电弧屏蔽气体的特定组分。
[0034]神经网络50进一步包括至少一个“隐藏”层42，该隐藏层42含有多个被隐藏的神经元或者被隐藏的节点43，其每一个均接收并且传递从输入层40的输入节点41输出的信息，其中被隐藏的节点43将经过处理的信息传递到一个或者多个另外的隐藏层(未示出)(如果被使用的话)的其它神经元或者节点，或者直接地传递到输出层44。输出层44同样地含有将信息传达或者传输到神经网络50以外的至少一个输出神经元或者输出节点45，例如到指示器装置11(见图1)和/或到训练数据库90(见图1)，这由方法100确定，在下面参考图5对此进行描述。
[0035]在图3的代表性实施例中，隐藏层42和输出层44的每一个神经元或者节点43、45分别地可以采用如所示的Tan-Sigmoidal传递函数或者激活函数，但是根据需要可以可替代地采用线性激活函数和/或其它类型的Sigmoidal或者其它激活函数，和/或不同数目的隐藏层42和/或节点43、44，从而根据所需的特定输出(箭头O)而实现所期的预测性准确度水平。在一个实施例中，使用已知的Levenberg-Marquardt反向传播算法来对神经网络50进行初始训练，但是训练并不受此限制，而是本发明能够使用任何其它适当的训练方法或者算法。
[0036]参考图4，代表性焊接特征60包括多个不同的迹线62、64和66，并且根据由图1和3的神经网络50所利用的特定输入集合I(见图3)可以包括另外的迹线。迹线62代表如由图1的传感器16确定的焊丝进给速度(WFS)。迹线64代表如由图1的传感器15确定的焊接电流i。迹线66代表如由图1的传感器14确定的焊接电压V。如在图4中所示，为了示意的目的，焊接特征60被简化，并且根据具体应用可以包括在迹线62、64和66和/或另外的迹线中的显著更多的变化。根据本发明，在控制焊接过程时由控制器17(见图1)和神经网络50(见图1和3)所使用的是总体的或者组合的焊接特征60，而不是构成焊接特征60的单条迹线62、64、66，现在将参考图5进行描述。
[0037]参考图5，本发明的方法100开始于步骤102。步骤102至少包括初步神经网络训练过程，本领域普通技术人员会理解这个术语，其中图3的神经网络50被训练以快速地和准确地识别出相应于预测合格的、良好的或者在其它情形中可接受的焊接的瞬时焊接特征中的样式。首先通过验证所合成的焊接接头而确定可接受的焊接，即满足如上所述关于质量、强度、均匀性和/或其它所需的性质或者质量的预定标准集合的焊接接头。可以通过使得图3的神经网络50暴露于或者领受例如在图4中表示的、一定数目的充分不同的或者改变的可接受的焊接特征而执行步骤102。通常，被呈送给神经网络的训练数据集合的数目越多，并且这些数据集合彼此间的差异性越高，则利用神经网络的分类或者样式识别和/或预测数值越为准确。在以此方式适当地训练神经网络50之后，方法100前进到步骤104。
[0038]在步骤104，方法100启动焊接过程，其中图1的电源12提供焊接电压V、焊接电流i，并且最终确定焊丝进给速度(WFS)以形成特定的焊接接头。一旦已经启动焊接过程，方法100便前进到步骤106。
[0039]在步骤106，确定焊接特征WS的输入数据集合I(见图3)被导入图3所示神经网络50的输入层40中。神经网络50然后动态地向构成输入数据集合I的各种变量分配权重，并且参考可能被神经网络50使用的训练数据库90(见图1)的任何相关数据矩阵和/或训练集合，从而监视在图5中简称为WS的瞬时焊接特征。方法100然后前进到步骤108。
[0040]在步骤108，神经网络50识别瞬时焊接特征WS中的样式，其中样式识别的准确度在很大程度上依赖于先前地在步骤102执行的训练质量。如果神经网络50(见图1和3)识别出在焊接特征中的可接受样式，即相对于在训练波形数据库90(见图1)中包含的各种训练波形在充分高的置信度下预测出瞬时焊接特征WS对应于或者与已经学习到的“可接受”焊接特征一致，则方法100前进到步骤110。否则，方法100前进到步骤112。
[0041]在步骤110，已经在步骤108确定瞬时焊接特征WS的样式并非充分地接近于已经学习到的“可接受的”焊接特征，方法100自动地启动闭环控制或者错误反馈环以使得焊接特征WS受控。即，图1的控制器17在必要时自动地和连续地修改描述一个或者多个焊接过程控制变量或者图3的输入数据集合I的数值中的至少一个，从而影响或者调整瞬时焊接特征WS。闭环控制继续或者错误调节环连续地重复，直至神经网络50再次识别出对应于可接受焊接特征的瞬时焊接特征WS的样式，如在步骤102所确定的那样。一旦瞬时焊接特征WS的样式被确定为可接受，方法100便前进到步骤112。
[0042]在步骤112，方法100结束焊接或者完成焊接接头，并且对于这个焊接接头，方法100结束。根据需要，方法100可以可选地前进到步骤114，和/或在预计的或者取样的基础上结束步骤114。
[0043]在步骤114，方法100包括对一组焊接接头(未示出)进行测试，例如通过破碎或者切削焊接接头以准确地确定焊接接头的强度、均匀性和/或其它物理性质。然后在控制器17(见图1)中记录测试数据集合，并且方法100前进到步骤116。
[0044]在步骤116，方法100将来自步骤114的测试数据与在控制器17中存储的特定焊接特征WS相关联。即，每一个焊接过程均优选地在控制器17中被跟踪并且被记录从而每一个焊接特征可以被跟踪到或者关联到特定的焊接接头。如果对应于测试数据集合的焊接特征表明该焊接接头是可接受的，并且如果焊接特征充分地不同于在训练数据库90(见图1)中的现有训练波形集合，则方法100包括在训练数据库90中记录相关焊接特征从而改进神经网络50(见图3)的准确度。
[0045]根据本发明，图1的控制器17和训练数据库90被用于控制用于特殊应用的特定焊接设备10(见图1)。训练数据库90将随着时间变化以准确地反映对于这个特定焊接设备10的独特的焊接过程条件。这样，针对每一个焊接设备10，可以优化特定焊接过程的质量。
[0046]虽然已经详细描述了用于执行本发明的最好方式，熟悉本发明所涉及领域的人员可以认识到在所附权利要求的范围内实践本发明的各种可替代的设计和实施例。