|
研究人员在小波分析理论和边沿检测技术的基础上，提出了一种焊缝位置检测的新方法：先将二维图像信号通过求均值转化为一维信号（减少计算量），然后利用小波变换的极大值点与极小值点来分析信号的边沿特性，进而来确定焊缝的位置，并通过仿真得出小波变换的尺度α=1时效果比较好。最后由于在连续的几帧焊缝图像中，焊缝位置之间存在着很强的相关性，利用这种相关性可以进一步减小噪声的影响，提高检测的准确性$该方法配合以DSP为核心的图像数据处理系统，处理1 cm×12cm、分辨率为400dpi，灰度级为256的图像、处理速度可达28帧每秒以上。 在时间上可以满足埋弧焊的实时控制。
2.1.2 焊缝跟踪
近年来，随着模糊控制理论和技术的大力发展，特别是它有着较为完善的数学理论基础，模糊控制在焊缝跟踪中得到了广泛的应用，从而使焊缝跟踪系统的调节速度和跟踪精度得到了很大提高。日本等国家大量地将模糊控制技术用于焊缝跟踪及焊接动态过程的控制中，并取得了满意的效果。国内清华大学、哈尔滨工业大学、华南理工大学等高校在弧焊过程的模糊跟踪及控制方面进行了大量的卓有成效的研究工作。
但是，由于一般模糊控制器在控制过程中需要大量的运算，影响了焊缝跟踪的实时性。因此，在参数自调控制器的基础上研制了参数自调混合型PID模糊控制器，通过改变权重系数α 和引入PI控制器，很大程度上消除了运动偏差过大或过小而引起的误差增加，实现了模糊规则离线调整，如图2所示。可以完全满足实时跟踪焊缝的需要。
图2中d表示焊炬偏离焊缝的距离；r表示距离的变化率； u表示控制量增量。该模糊控制器共有5个参数；k1、K2、K3
为量化因子，ai为权重系数,ki为PI控制器的常数,这些参数对模糊控制器的性能都会产生影响,在试验中通过调整这些参数来优化控制器的性能.
多道焊的视觉传感系统能够随着工件位置的变化而修正机器人位置,能够选择合理的参数来完成接头焊接.开发的软件系统不仅能够识别接头类型,寻找到接头的侧面,而且能够测量接头顶部的宽度和截面积,自动选择各焊道的焊接规范参数而无需记忆跟踪。在焊接开始时,机器人首先通过视觉系统寻找与视觉模型库相匹配的焊接的接头、随后测量接头的相关参数，并计算出合理的焊炬位置，选用合理的焊接规范参数。
图像处理方式的窄间隙焊缝跟踪系统中，执行调节误差、弧光干扰误差、导前误差、光学参数误差、初始给定误差、标定参数误差等将直接影响到跟踪精度，应从硬件和软件方面综合采取措施。对于不同类型的干扰因素，可采取相应的硬件和软件措施来控制或消除。
2.2 视觉信息在质量控制中的应用
焊接质量直接决定着产品的内在和外观质量。图3给出了焊缝熔池的主要结构参数。包括：熔深、熔宽以及余高等。这些焊缝直接参数是由间接参数中焊接电流#焊速#焊枪角度和保护气体等多种因素决定的。其中熔深是最重要的质量参数，它
直接决定了焊接结构强度，因此焊接过程控制的目的就是通过选择和控制这些间接参数而获得满意的直接参数，主要是熔深。
R.Kovacevic 等人开发了一个基于视觉传感与控制的TIG 全熔透焊焊缝熔合状态闭环控制系统,该系统采用CCD摄像机从焊缝正面获取熔池图像,借助图像信号处理算法和模糊神经模型测量、预测正面及背面的熔宽信息,以达到控制焊缝合。
由于CCD摄像机难以直接获取熔池熔深量,通过建立一个基于神经网络的可以精确描述熔池结构的数学模型来估算熔深。即设计了一种神经网络模型，通过熔池表面形状、焊接电流和焊缝间隙量来估算熔深。其中选焊接电流、焊缝间隙和熔宽的
变化量作为描述熔深动态系统的参数，并作为神经网络的输入，而熔深作为网络的输出。最后试验结果表明：焊接电流随着焊缝间隙量的波动而相应地变化，当焊缝间隙变窄时，焊接电流增加；相反，当焊缝间隙变宽时，焊接电流则减小。在整个试验过程中，熔深基本保持恒定。
利用普通CCD 摄像机拍摄熔池的正面图像，提取TIG熔池正面几何参数，利用熔池正面几何参数与背面熔宽的关系模型，采用单层神经网络模糊控制器，以背面熔宽的误差及误差变化率作为输入，焊接电流的变化作为输出进行样本训练，实现了对背面熔宽的实时控制。
在研究GTAW焊缝成形控制中发现既要控制焊道宽度，又要保证焊道成形良好，只调节焊接电流（脉冲占空比）是难以达到目的的，必须在控制焊接电流的同时进行焊接速度的调节。因此在原先单变量（焊接电流单入单出控制）模糊神经网络控制器FNNC的基础上，加入一个调节焊接速度的专家控制系统控制器，组成了脉冲GTAW对接过程模糊神经网络和专家系统相结合的脉冲GTAW对接过程焊缝成形双变量智能控制系统。
3 现存问题与解决途径
焊接机器人是焊接自动化的革命性进步，它突破了焊接刚性自动化的传统方式，开拓了一种柔性自动化生产方式。目前，国内外已有大量的焊接机器人系统应用与各类自动化生产线，但是随着人们对焊接质量的要求越来越严格，仍需解决以下几个应用性难题。
3.1 视觉信息系统控制的实时性
熔池区视觉信息图像提取与焊缝跟踪、机器人路径规划和姿态控制等都要求计算机视觉传感与控制具有很强的实时响应性和很高的控制精确性。但是常用的光学传感器的信息处理速度不超过10-20Hz，有时很难满足焊接过程的实时性要求，并且大量引进以模糊理论和神经网络为代表的人工智能技术也必将增加计算机处理时间，影响焊接过程的实时性控制，因此不得不以精度换速度，以牺牲控制精度来加快响应速度，为此解决视觉传感系统的实时性与精确性的矛盾是现在急需解决的问题。
3.2 视觉信息系统处理的智能性
在实际焊接过程中，作业条件复杂多变，如加工和装配上的误差会造成焊缝位置和尺寸的变化，焊接过程中工件受热及散热条件改变会造成焊道变形和熔透不均。这些问题的解决需要增加新型的高精度传感器和高性能控制器。当然这也意味着焊接机器人成本价格的增加，因此如何调整这两者之间的关系，在提高弧焊机器人性能的同时，如何降低其成本也是科研工作者的注意的地方。
3.3 视觉信息系统传感的完整性
综上可知，当前有关弧焊机器人研究也存在着以下问题：a.大多数焊缝跟踪和熔池成形的研究是孤立的,但是实际情况是它们之间存在影响与依赖,为了保证高质量的焊接产品就需要2者参数之间实时通信,进行反馈控制。b.目前焊接过程视觉控制主要集中在TIG脉冲GTAW焊接过程控制。作为“十五” 重点推广的焊接工艺CO2气保焊却应用很少。清华大学曹一鹏在图像采集方面作了一些有益的工作，为CO2气保焊焊缝跟踪和质量控制奠定了基础。
3.4 视觉信息系统质量控制的多样性
目前研究质量控制的方向大多数是基于焊接熔池几何形状的宏观焊接质量控制，对于通过对热过程（采用工业用电荷耦合器件,从工件背后获得焊接温度场图像）调节来控制焊缝区金相组织或机械性能的微观焊接质量控制的研究比较少。另外，焊接工艺参数的控制应向多变量输入输出综合控制发展。国内，上海交通大学陈善本教授已经在自行研制的单变量模糊控制的基础上又开发了双变量闭环智能控制系统，但离1996年D.E.Hardt等人提出的对于熔宽、熔深、余高、热影响区宽度以及焊缝中心线的冷却速度这5个直接焊接参数（DWP）的同时
控制系统的要求还有一段距离。因此，开发多变量耦合闭环控制系统将是一个很具有挑战性的工作。
新一代计算机信息处理技术和新型视觉传感器件的发展为探索解决上述难题提供了有利条件。
a. 基于并行计算机的高性能信息处理技术,以CMOS器件为代表的新型视觉传感器性价比的不断提高,以及DSP、FFT等图像处理专用集成电路的出现，这些都将大幅度提高视觉传感系统的精确性、实时性和性价比。
b. 以模糊理论、神经网络为代表的人工智能，基于小波变换、分形理论的现代图像处理技术可以胜任这种非线性、强耦合、无确定性的视觉信息提取与控制工作，为实现弧焊机器人的智能化、自动化提供了强有力的工具。
|
