Содержание к диссертации
Введение
1 Характеристики процесса сварки и особенности их получения
1.1 Физические процессы при сварке плавлением 9
1.2 Основные характеристики технологического процесса дуговой сварки 14
1.3 Аттестация технологических компонентов как средство повышения качества сварных соединений 22
1.4 Цель и задачи работы 29
2 Методы и алгоритмы обработки измерительной информации при исследовании процесса сварки
2.1 Спектральные методы 32
2.2 Статистические методы 40
2.3 Регрессионные методы 49
2.4 Статистическая обработка параметров многовариантных технологических процессов 54
2.5 Нейросетевая кластеризация и классификация данных 65
Выводы к главе 2 71
3 Экспериментальные исследования сигналов в процессе сварки плавлением
3.1 Функциональная схема установки для промышленного эксперимента 72
3.2 Спектральный анализ и филвтрация сигналов 81
3.3 Расчет идентификационных параметров процесса сварки 89
3.4 Нормализация данных и корреляционный анализ 92
3.5 Построение и обучение нейросетсвого классификатора 95
3.6 Обработка экспериментальных данных 98
Выводы к главе 3 99
4 Разработка системы аттестации сварочного оборудования 100
4.1 Аппаратная реализация системы сбора данных 101
4.2 Программная реализация расчетов в пакете MatLab 114
4.2.1. Определение семейства внешних статических характеристик источников питания 115
4.2.2. Нейросетевой классификатор качества процесса сварки 116
4.3 Информационно-регистрирующая система в среде Lab View 120
4.3 1. Виртуальные приборы регистрации данных 121
4.3.2. Генератор отчета об испытаниях сварочного оборудования 127
4.3.3. Интерфейс информационно измерительной системы 134
Выводы к главе 4 137
Основные результаты работы 138
Литература 140
Приложение 148
- Основные характеристики технологического процесса дуговой сварки
- Статистическая обработка параметров многовариантных технологических процессов
- Спектральный анализ и филвтрация сигналов
- Программная реализация расчетов в пакете MatLab
Введение к работе
Дуговая сварка плавящимся металлическим электродом в настоящее время является одним из самых распространенных методов получения неразъемных соединений при изготовлении металлоконструкций. Это объясняется простотой и мобильностью применяемого оборудования, возможностью выполнения сварки в различных пространственных положениях и в местах, труднодоступных для механизированных способов сварки.
Современными исследованиями в области технологии процесса дуговой сварки установлено, что основная группа дефектов сварного соединения зарождается в объеме сварочной ванны, и вероятность их появления связана с характером протекания тепловых, электрических и гидродинамических процессов в сварочном контуре,
При решении задач повышения качества продукции можно выделить ряд технологических процессов, для которых характерными классификационными признаками являются: объединение разнородных физических процессов, имеющих различный временной масштаб протекания; существенная нелинейность; слабая формализуемость при описании и др.
Известно [1, 14], что объекты с такими свойствами, в силу названных причин, могут характеризоваться хаотическим движением своих параметров. Это означает, что по мгновенным значениям контролируемых параметров процесса невозможно точно предсказать значения показателей качества. В этом смысле техпологические процессы такого типа принято характеризовать как ограниченно детерминированные (хаотические). В работах Кривина В.В. показано, что при таких условиях возможным путем для управления качеством становится воздействие на процесс путем компенсации нестабильностей на этапе подготовки производства. Имеется в виду, что на вход технологического процесса поступают материалы, энергия и оборудование, технологические свойства которых отвечают нормативным требованиям для данного производства.
Сварочное производство при монтаже атомных энергетических установок подчиняются ряду постановлений Госгортехнадзора РФ [15,16,17]. Эти документы жестко регламентируют вес этапы подготовки, производства и контроля сварных соединений. В соответствии с этими основными правилами в сварочном производстве осуществляется нормативное управление качеством сварных соединений.
Постановление Госгортехнадзора РФ от 19 июня 2003 т. N 102 ,тОб утверждении Порядка применения сварочного оборудования при изготовлении, монтаже, ремонте и реконструкции технических устройств для опасных производственных объектов1 [16] регламентирует проведение работ по аттестационным испытаниям сварочных источников питания, что встраивается в общую систему контроля качества.
Однако проведенные исследования показывают, что, несмотря на все меры, принимаемые при контроле и аттестации, в реальном производстве сохраняется высокий уровень нестабильности сварочного оборудования. Это объясняется трудностями получения объективных характеристик: практически все существующие методы контроля либо дороги и неэффективны (например, методы разрушающего контроля), либо принципиально содержат элемент необъективности - экспертные оценки.
Таким образом, для производства ответственных изделий в энергетическом машиностроении актуальным является решение проблемы повышения точности, надежности и производительности контроля и аттестации процесса сварки плавлением. Решение этой проблемы связано с разработкой математических методов получения идентификационных характеристик и методик классификации процесса сварки, основанных на них алгоритмов, а также аппаратно-программной системы, реализующей эти методы. Настоящая работа выполнялась в рамках госбюджетной фундаментальной научно-исследовательской работы № 1.3.99 Ф "Разработка теории и методов повышения технологической прочности, качества и надежности оборудования на основе создания математических методов расчета и моделирования, новых технологий и материалов", а также в соответствии с научным направлением ЮРГТУ (НПИ) "Теория и принципы построения информационно-измерительных систем и систем управления", утвержденного на период 1995-2005 гг. решением Ученого совета университета от 25.01.95. Отдельные этапы работы выполнялись по хоздоговорам на проведение научно-исследовательских (опытно-конструкторских) работ: "Автоматизированная система управления сваркой плавлением корпусного оборудования АЭС" 1995 г. ПО "Атоммаш"; "Автоматизированная система контроля технологических свойств сварочных материалов" 1997 г. ПО "тАтоммаш"; "Информационно-регистрирующая система ИРИС-М" 1997 г. ВНИИМонтажспецстрой; "Автоматизированная система аттестации оператора-сварщика РДС" 2003 г. ОАО "ЭМК-Атоммаш".
Целью диссертационной работы является совершенствование методик аттестации сварочного оборудования при подготовке технологических процессов изготовления, монтажа, ремонта оборудования АЭС средствами автоматизации. Для достижения поставленной цели необходимо было решить следующие основные задачи;
1) произвести анализ параметров процесса сварки как объекта исследования, их классификация и обоснование выбора математических методов обработки данных;
2) разработка робастных методов получения численных характеристик состояния процесса дуговой сварки для идентификации качества сварочного оборудования;
3) разработать нейросетевой классификатор для генерации формализованных экспертных оценок качества сварного соединения при проведении контрольной сварки взамен экспертных оценок;
4) разработать автоматизированную информационно-измерительную систему (ИИС) для аттестации источников питания дуговой сварки.
Экспериментальные исследования проводились с применением цифровой информационно-измерительной системы, разработанной на кафедре "Информационные и управляющие системы7 ВИ ЮРГТУ, Для классификации процесса сварки плавлением использованы методы математической статистики, спектральные методы анализа данных, для обоснованного определения значений параметров методы математического моделирования, методы оптимизации и кластеризации данных, для разработки программного обеспечения и интерфейса - методы проектирования информационных систем.
Новизна научных результатов, полученных в диссертационной работе, заключается в следующем:
1) Установлено, что использование разработанного робастного метода кластеризации параметров технологического процесса, путем построения двумерных распределений эмпирических данных, позволяет получить идентификационные характеристики процесса дуговой сварки.
2) Показано, что применение разработанного иерархического нейросетевого классификатора, на основе массива измеренных мгновенных значений тока сварки и напряжения дуги при проведении контрольного сварочного процесса, позволяет: генерировать формализованные оценки показателей сварочных свойств источников питания.
3) Разработанная новая автоматизированная информационно-измерительная система аттестации источников питания позволяет существенно сократить расходы и время на проведение аттестационных процедур, а также повысить объективность и надежность экспертных оценок при подготовке сварочного производства.
Практическая значимость работы заключается в создании и внедрении информационно-измерительной системы контроля и аттестации сварочного оборудования, что позволяет повысить эффективность (высвободить человеческие и материальные ресурсы) проведения регламентных испытаний сварочных источников питания в центрах аттестации сварочного оборудования, существенно сократить брак в сварных соединениях при производстве ответственных конструкций опасных производственных объектов, Также значимость работы заключается в предложенных инженерных методах проектирования автоматизированных систем контроля и аттестации сварочных процессов, позволяющих существенно снизить продолжительность и трудоёмкость выполнения этих работ, проводить аттестационные испытания на рабочих местах без транспортировки в специализированные аттестационные центры.
Па защиту выносятся следующие основные положения работы:
1) Метод кластеризации данных совместного распределения мгновенных значений тока сварки и напряжения дуги, позволяющий получить численные идентификационные характеристики состояния процесса дуговой сварки плавящимся электродом.
2) Метод предподготовки данных лля нейросетевого классификатора показателей качества контрольного сварного соединения, получаемого при аттестации сварочного источника питания.
3) Метод генерации оценок показателей сварочных свойств источника питания дуговой сварки, определяющий качество сварочного оборудования.
Реализация результатов работы. Теоретические, методические и аппаратно-программные разработки нашли практическое применение на предприятиях атомного энергетического машиностроения (ОАО "ЭМК Атоммаш 1), а также при проведении научно-исследовательских и опытно-конструкторских работ в ВНИИ Атомного машиностроения.
Автоматизированная система аттестации сварочных процессов внедрена в ОАО "ЭМК-Атоммащ" и ЗАО "Энергостройсервис" с экономическим эффектом более 500 тыс. руб. за счет повышения качества и снижения затрат на устранение дефектов сварных соединений, повышения производительности и уменьшения материальных затрат при контроле и аттестации сварочного оборудования.
Основные характеристики технологического процесса дуговой сварки
Необходимым условием получения качественных сварных соединений является стабильность характеристик технологического процесса дуговой сварки. Основными компонентами технологического процесса являются: соединяемые изделия; - разделка; - электрод; - оператор-сварщик; сварочный источник питания; дуга; сварочная ванна; формируемый шов. Объектом исследований является сварочный контур (рисунок1.2), состоящий из источника питания, сварочной дуги и сварочной ванны. Этот контур, а также его участки характеризуются электрическими параметрами. Поскольку дуга является участком сварочного контура, то все процессы, протекающие в ней или с ее участием, находят свое отражение в ее электрических параметрах. Сварочная дуга характеризуется такими электрическими параметрами, как сварочный ток /LC, напряжение на дуге иД9 напряясенность электрического поля столба дуги, плотность тока и т.д. При этом основными параметрами, которые несут необходимый объем информации о дуге, как это было показано выше, и наиболее доступны для измерения, являются сварочный ток /я и напряжение на дуге ид [13].
Традиционно исследования процессов в сварочном контуре проводились методами анализа статических электрических характеристик процесса сварки [9]. Процессы в сварочной дуге оценивались по статическим вольтамперным характеристикам источника питания и сварочной дуги (рисунок 1.3-1.5). Однако, как показывают проведенные исследования, область существования действительных значений сигналов сварочного тока /t4 и напряжения на дуге ид гораздо шире (рисунок 1.6). Это связано с тем, что на мгновенные значения сварочного тока и напряжения на дуге влияет большое количество недетерминированных (случайных по величине и времени) возмущений. Следовательно, эти сигналы следует рассматривать как случайные процессы, протекающие во времени. В связи с этим, при исследовании сигналов сварочного тока 1ле и напряжения на дуге Uд необходимо учитывать их динамические и статические характеристики [14,19,20].
При оденке качества технологического процесса дуговой сварки, на основании нормативной документации [15,16,17] и рекомендаций экспертов из спениалистов-сваршиков предприятий ЗАО "Энергостройсервис" и ОАО "ЭМК-Атоммаш", рассматривались следующие технологические характеристики [1]: 1) Начальное зажигание дуги; 2) Стабильность процесса сварки; 3) Разбрызгивание металла; 4) Качество формирования шва; 5) Эластичность дуги.
Другие авторы [48] разработали методику, которая заключается в том, что в сигнале сварочного тока с помощью специального устройства выделяют переменную составляющую, которую затем амплитудно детектируют, и измеряют амплитуду полученного сигнала. Переменная составляющая является следствием изменения сопротивления межэлектродного промежутка ъ результате динамических процессов, связанных с переносом расплавленного электродного мета, ига, т.е. амплитуда переменной составляющей полностью отражает значение тока короткого замыкания . Можно сказать, что данный метод является модификацией предыдущей методики, В результате исследований авторы [48J установили, что при минимально возможном среднем значении амплитуды разбрызгивание минимально, С ростом амплитуды переменной составляющей разбрызгивание электродного металла также возрастало,
Походня ИХ, Заруба И.И. и другие в результате проведенных экспериментов выявили, что если колебания тока короткого замыкання !CJ превосходят допустимое значение, то процесс сварки сопровождается повышенным разбрызгиванием [13].
Статистическая обработка параметров многовариантных технологических процессов
Из рассмотренных выше материалов исследования можно сделать вывод, что сварочный процесс определяется некоторым набором характеризующих его случайных параметров, измерять которые непосредственно в полной мере либо сложно, либо не представляется возможным. Однако указанные параметры в свою очередь, стохастически связаны с некоторым набором случайных величин, реализации которых поддаются измерению. Поэтому молено оценить величины параметров непосредственно влияюшдх на качество рассматриваемого процесса, увязав эти оценки с законами изменения, опосредовано влияющих на качество процесса измеряемых случайных факторов.
Такое представление плотности вероятности т(х) указывает на то, что его использование возможно тогда, когда на контролируемый процесс влияет конечное число доминирующих в различное время факторов, а сам процесс может быть разбит естественным образом на конечное число различных состояний. С подобной ситуацией приходится сталкиваться в самых различных областях, например, в данной работе при анализе сварочных процессов, при оценке эксплутациошюй надежности интеллектуальных датчиков и в ряде других случаев.
Укажем способы проведения оценок величин неизвестных характеристик (вероятностей pj, а также неизвестных параметров, характеризующих дифференциальные функции распределения /(хД) в предположении, что вид этих функций априори известен). 2) Алгебраический способ. Этот способ предполагает либо непосредственное вычисление параметров плотности вероятности f(x,0j)(например, статистические оценки математического ожидания и дисперсии, если f(x,8j) является плотностью вероятности нормально распределенной случайной величины), либо их косвенное вычисление, посредством составления систем уравнений, связывающих искомые величины (2.25).
Использование этого метода вызывает необходимость предварительной сортировки (кластеризации) измеренных данных, что далеко не всегда представляется возможным. Причиной этого является то, что множества измеренных случайных параметров, характеризующих различные состояния случайного процесса, чаще всего имеют непустое пересечение и решить вопрос к какому состоянию процесса отнести измеренное значение параметра, лежащее в указанном пересечении множеств, не представляется возможным.
Учитывая сказанное, алгебраический способ определения параметров целесообразно использовать для первичной грубой оценки искомых параметров с последующим их уточнением использовании других методов. 3) Аппроксимация плотности вероятности по методу наименьших квадратов, состоит в аппроксимации функции ы(х) сравнением ее значений с соответствующими значениями, полученными по гистограмме. Достоинством этого метода является то, что при его применении исчезает необходимость предварительной кластеризации статистических данных. Основными проблемами, возникающими при использовании этого метода, являются выбор метрики при построении целевых функций для указанной аппроксимации (для проведения сравнения соответствующих статистических значений и значений функпии &(х)) и «эффект оврагов», возникающий при оптимизации полученных целевых функций,
Метод наибольшего правдоподобия. Достоинствами этого метода являются, во-первых, устранения необходимости кластеризации статистических значений, во-вторых, при его использовании исчезает необходимость выбора метрики при построении целевой функции (функции правдоподобия). Недостаток этого метода, как и предыдущего, состоит в том, что он приводит к необходимости оптимизации целевых функций, обладающих сильно выраженным «эффектом оврагов». Отмстим, что наиболее эффективным является использование комбинированного метода. На первом этапе используют алгебраический мегод, а затем полученные на его основе результаты уточняют либо методом наибольшего правдоподобия, либо (если метод правдоподобия не удается использовать) методом аппроксимации. Используя описанные методы, рассмотрим задачу идентификации (расчет робастных характеристик) процесса дуговой сварки плавлением.
Для подбора теоретического распределения эмпирических данных, в том числе для данных имеющих не унимодальный характер плотности распределения, предлагается метод, основанный на решении задачи оптимизации. Вначале происходит подбор вида распределения и его параметров по интервальным оценкам.
Задаем несколько значений доверительных вероятностей в виде вектор-столбца /?о- Вычислим по ним уровни значимости/?=1-ро- Для этих уровней значимости найдём доверительные интервалы для генеральных параметров; математического ожидания тм дисперсии Dx, асимметрии а и эксцесса ех.
Спектральный анализ и филвтрация сигналов
Для принятия обоснованного решения о частоте оцифровки и минимальной длине выборки было проведено исследование спектра сигналов тока и напряжения сварки. Исследование показало, что сигналы имеют непрерывный спектр с пиками на частотах, кратных сетевым.
На рисунках 3.5 и 3.6 приведены графики тока и напряжения сварки, а на рисунке 3.7 - спектр тока сварки. Падение спектров после 450 Гц -следствие использования ФБЧ па входе АЦП.
Наличие пиков в спектрах может объясняться одной из нескольких причин: либо выходное напряжение сварочного источника питания модулировано сетевой частотой, либо сопротивление дугового промежутка изменяется с соответствующей частотой, либо в считанный сигнал попадает помеха - "наводка". Поскольку дуговой промежуток обладает малым реактивным сопротивлением, изменение мощности источника или сопротивления дугового промежутка должно приводить к согласованному изменению тока и напряжения. Но на рисунках видно, что спектр тока имеет чеіко выраженные пики, а спектр напряжения - пет.
Следовательно, наличие пиков может объясняться только помехой. Большая подверженность помехам именно сигнала тока объясняется тем, что он измеряется в виде падения напряжения на малом сопротивлении (шунте) и, следовательно, мал по сравнению с ЭДС наводки. Поэтому соотношение сигнал/шум для него значительно хуже, чем для сигнала напряжения. Таким образом, принято решение о фильтрации сигнала сварочного тока узкополоспым режекторным фильтром с частотами, кратными сетевой.
Таким образом, спектральные исследования сварочного процесса позволили обосновать параметры фильтрации полученных сигналов. В предыдущих параграфах были рассмотрены классические методы обработки измерительной информации и приведены примеры их применения при исследовании процесса сварки. Данные методы имеют ряд недостатков. Возникают сложности в интерпретации временной динамики внутренних структур вольтамперной характеристики. Анализ функции распределения также проводится по усредненным во времени характеристикам. Поэтому для обнаружения разномасштабных нестационарных во времени структур в пространстве состояний необходимо использовать базис, приспособленный для описания нестационарных взаимодействий в широких диапазонах масштабов.
В качестве метода, удовлетворяющего вышесказанному, предлагается использование вейвлет-преобразованш (wavelet transform), находящего в последнее время все большее применение при решении подобных задач [45,46]. Базис, называемый также масштабно-временным спектром, получающийся в результате вейвлет-преобразования, позволяет выделить информацию о динамике структур разного масштаба во времени, а следовательно проанализировать влияние и взаимодействие разномасштабных структур в исследуемой системе. Отметим, что вейвлет-преобразование было предложено впервые для анализа сейсмических данных, и в дальнейшем методы вейвлет-анализа нашли широкое применение для обработки сложных графических изображений, сжатия информации, выделения структур. Однако при исследовании процессов сварки, этот аппарат обработки данных не нашел свое применение. В связи с этим, кратко остановимся на некоторых особенностях вейвлет-метода.
Идеи вейвлет-преобразования во многом базируются на гармоническом анализе, поэтому логично для введения вейвлет-преобразования основываться на Фурье-преобразовании. Последнее корректно применяется только для анализа периодических сигналов и его обобщение на интегральное фурье-иреобразование имеет некоторые недостатки.
Рассмотрим прямоугольную оконную функцию и будем анализировать частоту /0. Положив ширину окна T=Nff0, где N- целое, получим, что анализ частоты п/о (п также целое) осуществляется по nN периодам. То есть, в последнем случае разрешающая способность метода в п раз выше, чем при анализе частоты f0. И наоборот, разрешающая способность метода на частоте fr/ n в п раз меньше.
Программная реализация расчетов в пакете MatLab
Версия программного комплекса MATLAB 6.0, известная также как реализация R12, появилась в конце 2000 года. Это наиболее популярная и хорошо известная версия этого комплекса. Она содержит мощную базовую систему MATLAB — матричную лабораторию — и десятки пакетов расширения в самых разных областях компьютерной математики. Система основана на использовании современных и высокоэффективных алгоритмов матричных операций, базирующихся на известных и хорошо апробированных пакетах матричных вычислений L1NPACK, ARPACK и ETSPACK, Основными компонентами системы являются базовая система MATLAB 6.0 и пакет моделирования систем Simulink 4.0. Осгалъные пакеты расширения разбиты на 4 категории — расширения Extension MATLAB и Extension Simulink, а также комплексы пакетов расширения Blockset и Toolbox, который включает и раздел по разработке нейросетей. Применение MATLAB в исследовательских расчетах позволило повысить их производительность и точность.
В настоящее время в аттестационных центрах для построения внешней статической характеристики сварочных источников питания рекомендуется использовать специализированные программируемые нагрузочные устройства на транзисторах и цифровые регистраторы тока и напряжения дуги. Определение семейства внешних статических характеристик сварочного оборудования производится на минимальных, номинальных и максимальных значениях сварочного тока путем измерения значения сварочного тока (/ев) и значения напряжения (С/н) при наїрузке на балластный реостат с построением графика или таблицы. Подобные графики представлены на рисунках 1.3 и 1.6.
Конкурирующая функция активации compet возвращает 1 для элемента выхода а\ соответствующую победившему нейрону, все другие элементы равны 0. Однако в карте Кохонена выполняется перераспределение нейронов, соседствующих с победившим нейроном. В нейросетевом пакете MATLAB возможны выбрать различные топологии размещения нейронов и различные меры расстояния между ними. Из анализа характеристик различных сетей мы выбрали прямоугольную сетку gridtop и функцию расстояния disU
Нейрон персептрона, используемый в модели, имеет ступенчатую функцию активации hardlim с жесткими ограничениями. Каждый элемент вектора входа персептрона взвешен с соответствующим весом 1W11, и их сумма является входом функции активации. Нейрон персептрона возвращает 1, если вход функции активации п 0, и 0, если п = 0. Функция активации с жесткими ограничениями придает персептрону способность классифицировать векторы входа, разделяя пространство входов на 2 области.
Эта линия перпендикулярна к вектору весов W и смещена на величину Ь. Векторы входа выше линии L соответствуют положительному потенциалу нейрона, щ следовательно, выход персептрона для этих векторов будет равен 1; векторы входа ниже линии L соответствуют выходу персептрона, равному 0. При изменении значений смещения и весов грапица линии L изменяет свое положение. Персептрон без смещения всегда формирует разделяющую линию, проходящую через начало координат; добавление смещения формирует линию, которая не проходит через начало координат, как это показано на рисунке 4.2. В случае, когда размерность вектора входа превышает 2, разделяющей границей будет служиль гиперплоскость.
Архитектура сети. Персептрон состоит из единственного слоя, включающего S нейронов, как это показано на рисунке 4.7, виде соответственно развернутой и укрупненной структурных схем; веса Wh7 — это коэффициенты передачи от у-го входа к /-му нейрону. На рисунке 4.8 представлена функциональная схема работы иерархического нейросетевого классификатора. В ней отражена ф последовательность предподготовки данных для входа нейросети. Измеренные данные процесса контрольной сварки (массив мгновенных значений тока сварки и напряжения дуги) разбивается на подмножества (блоки). Каждый блок содержит такое количество данных, которое обеспечивает возможность применения статистических методов обработки данных, то есть минимальную выборку [27, 28], Для каждого блока производится расчет идентификационных характеристик по разработанному методу кластеризации параметров технологического процесса, представленному в главе 2. После нормирования данных производится их кластеризация картой Кохонена. В дальнейшем обработка данных производится на наборе персептронов, каждый из которых обучен для классификации по одному из пяти показателей сварочных свойств источника питания.
