弧焊电源的数字化智能控制优化方案

2023-06-25 理论教育版权反馈

【摘要】：以模糊逻辑、人工神经网络和专家系统为标志的智能技术成为弧焊电源控制领域中的重要研究方向。在单片机控制的弧焊电源中，对于焊接参数的控制，可以通过编程实现弧焊工艺参数的PID控制算法，利用单片机强大的逻辑功能，可以使PID控制更加灵活，主要有以下三个技术环节。解模糊化将模糊控制子集转变为确切的控制量输出。近十多年来，国内外不少学者将神经网络用于弧焊过程的建模和控制。

以模糊逻辑、人工神经网络和专家系统为标志的智能技术成为弧焊电源控制领域中的重要研究方向。

1.PID控制原理

PID控制是工业过程控制中应用最为广泛的一种控制方法。在单片机控制的弧焊电源中，对于焊接参数的控制，可以通过编程实现弧焊工艺参数的PID控制算法，利用单片机强大的逻辑功能，可以使PID控制更加灵活，主要有以下三个技术环节。

（1）PID调节算法按闭环系统误差信号的比例、积分和微分进行控制的调节器称为PID调节器。它具有结构简单，参数易于调整，应用广泛等特点。理想PID控制算式如下：

式中 u——调节器输出控制量；

K_p——比例系数；

e——给定量与反馈量之间的偏差；

T_i——积分常数；

T_d——微分常数。

在采样时间t=kT（T为采样周期）时刻，实际数字PID调节器的控制规律如下：

式中 u（0）——控制常量，其余参数物理意义与式（1-2-35）相应的参数相同。

（2）数字PID调节参数选择PID调节器是一种线性调节器，系统的给定值和反馈值的差成为偏差，对偏差进行的比例、积分、微分线性组合构成控制量式（1-2-36），分别起比例、积分、微分等调节作用。

一般被控对象的数学模型很难建立，PID调节参数的选择需要反复调试、修正，才能找到比较理想的参数值，对不同的控制系统也没有参考值可循，但是可以根据上述PID调节作用原理，对参数进行选择。

（3）带死区的数字PID控制算法焊接过程是一种非线性系统，采用PID调节的控制算法，由于积分饱和、系统干扰等原因，控制量的超调可能很大。为了避免控制量的过大或者过小，在应用中设置控制量的死区，对控制量设置范围进行限制，如式（1-2-37）所示，避免了系统过量的超调，增加了稳定性。

2.模糊控制原理系统组成及其功能

如图1-2-46所示，焊接过程模糊控制由模糊化、模糊推理和解模糊化三部分组成。模糊化的目的是将过程状态信息精确值转变为语言变量监督学习模糊子集的隶属函数。模糊推理利用模糊知识库中的模糊关系，推导出模糊控制动作的过程，可用Zadeh、Mamdani、Sugeno、Lars-en、Kosko等模糊推理方法加以实现。解模糊化将模糊控制子集转变为确切的控制量输出。常用方法有最大隶属度法、最大值平均法、重量中心法和取中位数法。模糊控制过程如下：

1）将被控对象输出参数由精确量转换成模糊量。

2）运用模糊逻辑对模糊量进行推理，做出决策，并输出模糊控制量。

3）将这些模糊量再转换成精确量，调整被控对象。

图1-2-46 焊接过程的模糊控制原理框图

3.人工神经网络控制原理

图1-2-47 TIG焊静态模型BP神经网络结构图

在弧焊过程中，焊接电流、电弧电压、焊接速度、焊接材料、板厚等都对焊接质量有很大的影响。焊接前通常根据经验预置焊接参数，焊接后焊缝的质量则不可能用某一模型进行预测。近十多年来，国内外不少学者将神经网络用于弧焊过程的建模和控制。1990～1992年K.Andersen等人用BP神经网络来离线和在线建立GTAW的模型，神经网络的输入层有4个节点，分别为焊接电流、焊接速度、弧长和板厚；输出层有2个节点，即焊缝的熔宽和熔深。1992年美国的J.Jones将BP神经网络用于GTAW和GMAW焊接过程的建模，以输出量为焊缝的特性，如熔深、熔宽，控制量为焊接电压、电流、焊接速度和送丝速度，预测和获得期望的焊缝特性。1993年华南理工大学把BP神经网络用于TIG焊，通过熔宽的检测与控制，实现了对焊缝质量的有效控制。TIG焊的质量主要取决于焊缝的正面熔宽和背面熔宽，以它们作为控制目标，选择影响熔宽较大的焊接电流、电压、速度作为控制量，采用图1-2-47所示的三层BP神经网络来建立对象的静态模型。网络的输入层有3个节点：焊接电流I、电弧电压U和焊接速度v。输出节点有两个，分别为焊缝的正面熔宽（B_f）和背面熔宽（B_b），由实验获得的若干数据对BP网络进行若干次训练，从而可获得TIG焊的静态模型。当焊接速度、电弧电压不变，焊接电流增加，焊缝变宽，原因是对试件的热输入随焊接电流的增加而增加。当焊接电流增大到一定程度，则使焊缝宽度尺寸变化趋缓并保持在一定限度上，焊缝成形均匀、美观。

神经网络建模及控制不同于其他建模方法，不需对焊接过程作任何假设，模型与实际过程符合较好，且简单易行。神经网络控制抗干扰能力较强，散热条件急剧变化时，输出基本保持恒定。对于非线性的焊接过程，神经网络的适应性强。但还需要提高神经元的集成度，使神经网络芯片中的神经元接近人脑的数量级。神经与模糊和专家系统的结合，可产生更大优势。神经网络的应用需要结合焊接工艺，不断实践。

弧焊电源的数字化智能控制优化方案

相关推荐