机械系统和信号处理 基于Hopfield联想记忆神经网络的点焊自动焊接质量分类和电极位移信号特征的Chernoff面描述外文翻译资料

机械系统和信号处理

基于Hopfield联想记忆神经网络的点焊自动焊接质量分类和电极位移信号特征的Chernoff面描述

强调

bull;设计一种方法以获取Chernoff人脸图像的模式特征。

bull;通过使用DHNN建立了高性能点焊质量分类器。

bull;改进了Chernoff面法的适用性和效率。

抽象

为了开发基于由电极位移信号特征产生的Chernoff面图像的点焊的自动焊接质量分类方法，提出了一种有效图案特征提取方法，其中将Chernoff面部图像转换为二进制图像，可以由二进制矩阵表征。根据Chernoff面部图像上的表达类别，焊接质量被分为五个级别，每个级别仅对应于一种表达。 Hopfield联合记忆神经网络用于构建焊接质量分类器，其中具有不同焊接质量水平的一些焊接样本的模式特征矩阵被记住为稳定状态。当将测试焊接的图案特征矩阵输入到分类器中时，其可以通过关联存储器收敛到最相似的稳定状态，因此，对应于该最终锁定的稳定状态的焊接质量可以表示测试焊接的焊接质量。分类性能测试结果表明，该方法显着提高了Chernoff面技术对点焊质量评价的适用性和效率，并且是可行的，有效的和可靠的。

关键词

点焊; 焊接质量分类; 切尔诺夫面对; Hopfield联想记忆神经网络; 电极位移信号

1.介绍

作为重要的焊接和接合技术，电阻点焊（RSW）广泛应用于汽车工业[1]。 [2]。 为了有效和经济地获得焊接质量信息，在点焊过程中基于动态信号的非破坏性评估方法已经受到相当大的关注。 这些动态信号包括焊接电流[3]，焊接电压[4]，电极力[5]; [6]，电极位移[7]，声发射[8]，温度[9]等。 图1示意性地示出了典型的点焊过程，并且焊缝熔核的形成和生长可以间接地通过热膨胀信息反映。 点焊过程中的电极位移信号是与焊点熔核的热膨胀有关的最重要的信号之一。

图。 1。

典型点焊工艺示意图。

为了获得点焊过程中的电极位移信号，提出了多种测量方法[10]。 [11]; [12]; [13]。基于信号处理技术提取了该信号的时域或频域中的许多有用特征，例如幅度，斜率和波动。提取的特征和焊接质量指标（熔核尺寸或强度）之间的相关性已经被研究。多元回归分析曾是最广泛使用的方法[14]。 [15]; [16]; [17]。然而，该方法的性能和泛化能力显着地受到提取的特征之间的相互关系的影响。虽然一些数学方法可以解决这个问题，如逐步回归[14]，它不一定有好的效果，由于点焊过程是一个复杂的多变量耦合过程，导致高度非线性和不确定的相关性提取特征和焊接质量指标。为了更好地理解这些相关性，人工神经网络技术被广泛采用，如反向传播神经网络[18]，线性矢量量化网络[19]，径向基函数网络[20]，贝叶斯信任网络[21]网络[22]。还报道了一些其他机器学习算法，包括模糊集理论[23]，支持向量机[24]，粗糙集理论[25]，内核Fisher判别分析[26]等。但是当使用机器学习方法评估焊接质量，提取的特征和质量指标之间的复杂相互关系常常引起许多问题，如过拟合，尺寸灾难和耗时的识别过程。因此，在使用机器学习方法之前，经常需要对原始提取的特征进行数据维度降低。数据简化方法，如主成分分析[27]; [28]和内核函数技术[24]; [26]，通常用于发现隐藏在数据中的重要内在信息。然而，这种方法通常依赖于复杂的数学分析，参数优化和经验。

一个有趣的焊接质量评价方法详见参考文献。 [29]。与传统的焊接质量评估方法不同，该方法不直接使用提取的特征构建焊接质量分类器或预测模型，而是基于一些简单的代数运算来组合这些特征来绘制Chernoff面部图像。通过视觉判断，可以容易地识别Chernoff面部图像上的一些典型的面部表情，例如失望，酷，快乐和悲伤。由于每种面部表情只对应一种焊接质量，焊接质量分类可以通过表达式识别实现。然而，这种方法的有效性主要取决于人的视觉判断，并不是一种自动焊接质量评价方法，这限制了方法的未来应用。如果表达式识别可以在计算机中实现，焊接质量评估将更加高效和准确，并且还可以满足工业自动化的需求，解放人类免于繁重的工作。

本研究的目的是开发一种基于由电极位移信号特征产生的Chernoff面图像的自动焊接质量评估方法，为此，进行了一些原始工作。 首先，设计一种有效的方法来提取Chernoff人脸图像的模式特征矩阵。 然后，Hopfield联想记忆神经网络用于“记住”对应于不同面部表情和不同焊接质量水平的一系列模式特征矩阵。 结果，建立了焊接质量分类器。 最后，测试和讨论了开发的分类器的分类性能。

Chernoff人脸图像的模式特征采集

为了使计算机能够准确地识别面部表情，设计了原始模式特征提取方法。首先，基于所提取的位移信号特征来绘制Chernoff面部图像，并且在图5中示出了某个示例。如图2（a）所示。 Chernoff面图的详细分步指导可以在参考文献中找到。 [29]。其次，提取图像边界并且结果示于图5中。 2（b）。第三，执行网格划分并且将整个图像划分为30times;24个小方形区域，如图10所示。然后，如图2（c）所示，由Chernoff面轮廓穿过的正方形区域被绘成黑色，因此，Chernoff面部图像可以被转换为二进制。如果用数据“零”替换黑色方形区域，用数据“一”替换黑色方形区域，则将获得二进制矩阵（图2（d））。这个二元矩阵被称为模式特征矩阵（图2（e）），它保持原始Chernoff人脸图像的主要表达信息。

图。 2。

模式特征获取过程：（a）原始Chernoff人脸图像，（b）图像边界提取，（c）网格划分，（d）二进制Chernoff人脸图像和（e）模式特征矩阵。

3.Hopfield联想记忆神经网络

离散Hopfield神经网络（DHNN）是一种广泛用于模式识别的典型的联想存储网络[30]。 [31]。 网络结构如图1所示。 3，其中Y =（Y1，Y2，...，Yn）和X =（X1，X2，...，Xn）分别表示输出和输入向量。 网络中有n个神经元，每个神经元与阈值theta;i（i = 1,2，...，n）连接。 每个神经元的输出通过连通性权重wij（i，j = 1,2，...，n）反馈到所有其他神经元。 对于神经元i，其第（t 1）次迭代的输入可以通过计算

(1)

图。 3。

Hopfield联想记忆神经网络。

在DHNN中，神经元输出仅取两个不同的值1或0（有时也使用1和-1），并且通过神经元输入是否超过其对应的阈值来确定

(2)

DHNN可以被描述为动态系统，并且网络的每个状态被称为能量。 这种能量可以被认为是一个Lyapunov函数[32]。

(3)

如果某个状态可以导致能量函数的局部最小值，则它可以被认为是网络的稳定状态。 由于许多监督学习神经网络，DHNN在使用之前需要训练。 培训过程主要涉及降低网应该记住的状态能量。 训练的DHNN可以用作内容可寻址存储器系统，也就是说，网可以通过重复更新（迭代）从失真输入状态恢复到记忆的状态，并且最终锁定的稳定状态最类似于输入。 这是所谓的“关联存储器”。

在本研究中，使用对应于不同焊接质量的一些模式特征矩阵来训练DHNN，并且因此这些矩阵可以被网络记住为稳定状态。 当某个测试焊接样本的模式特征矩阵输入到网络中时，关联存储器将被激活，直到找到最相似的稳定状态，因此，与该最终锁定的稳定状态相对应的焊接质量可以代表焊接质量 试验焊缝。

4.实验

为了实现焊接样品和相关的过程信号，建立了一个实验系统，如图1所示。如图4（a）所示。在0.7mm厚度的未涂覆的低碳钢板上进行了在不同焊接电流下的一系列研磨焊接。电极力设为1.2kN，焊接时间为200ms。在本研究中，测量焊接样品的拉伸剪切强度，并将其视为焊接质量指标。在点焊过程中的电极位移信号是实时测量的，一些典型的如图所示。图4（b），其中还提供了具有排出的位移曲线。然后绘制Chernoff面部图像，当然，在开始这项工作之前，必须完成信号特征提取。这些特征包括最大电极位移（D1），位移曲线（D2和D3）的上升时间和速率，稳定相位和下降相位（D4和D5）中的位移降低，点焊期间位移的平均值和RMS值过程（D6和D7）。这些特征的详细提取方法可以在参考文献中找到。 [29]。提取的特征和焊接强度之间的相关性进行评估，结果列于表1中。可以看出，提取的特征与焊接强度密切相关，并且提取的特征之间存在复杂的相互关系。如上所述，这些复杂的相关性可能影响传统机器学习方法的分类性能。图。图5示出了从3.4到4.4kA的焊接的一些典型的Chernoff面图像。随着焊接电流增加，可以清楚地观察到表达变化。应当注意，来自两个焊接的面部图像具有排斥是独特的，并且易感和悲伤的样子容易区分。图5所示的Chernoff面部图像的模式特征提取结果。 5。类似地，可以看到表达变化。

图。 4。

（a）实验系统和（b）不同焊接电流的一些典型的电极位移曲线。

表格1。

提取的特征和焊接强度之间的相关性。

图。 5。

Chernoff面对来自不同焊接电流的一些焊缝的图像。

图。 6。

二进制Chernoff面部图像。

根据Chernoff面部图像的表达类别，在本研究中，点焊质量被分为五个等级，即差，合格，良好，优良和排除。 这些质量水平分别对应于失望，平静，幸福，笑和悲伤的表达。 然后获得每个质量水平的强度范围。 对于差

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[139178]，资料为PDF文档或Word文档，PDF文档可免费转换为Word