A rough-fuzzy control method for the penetration state of variable gap MAG welding
-
摘要:
正面熔池与熔透状态之间存在一定的对应关系. 然而与熔透状态潜在相关的熔池特征众多,如何去除冗余特征,建立一个反映熔池特征与熔透状态对应关系的简洁的知识模型,对实现焊接熔透在线控制具有重要意义. 提出一种焊接熔透状态的粗糙-模糊控制方法,并在变间隙MAG焊接实验中进行验证. 给出2种基于变精度粗糙集的属性约简算法,以求解表征熔透状态的熔池最小特征集. 通过变间隙-电流焊接试验建立熔透状态决策信息系统,引入2个用以描述熔池尾部尖削程度的形状参数,基于粗糙集知识约简和规则提取算法获取熔透状态分类规则. 构建熔池尾宽系数的模糊控制模型,利用最小化模糊熵来构造误差论域上的隶属函数. 通过2组变间隙焊接实验对该控制模型进行验证,结果表明,闭环控制下焊缝背面熔宽均匀一致,符合焊接规范要求.
Abstract:There is a certain correspondence between the frontal molten pool and the penetration state. However, due to the numerous potential weld pool features related to the penetration state, how to remove redundant features and establish a concise knowledge model that reflects the corresponding relationship between weld pool features and penetration state is of great significance for achieving online control of welding penetration. A rough-fuzzy control method for welding penetration state is proposed and verified in variable gap MAG welding experiments. To solve the minimal feature set of the melt pool that characterizes the penetration state, we provide two attribute reduction algorithms based on variable precision rough sets. A decision information system for penetration state is established through variable gap-current welding experiments, and two shape parameters are introduced to describe the degree of sharpness at the tail of the molten pool. The classification rules of penetration status are obtained using rough set knowledge reduction and rule extraction algorithms. We establish a fuzzy control model for the width coefficient of the molten pool tail, and use the minimization of fuzzy entropy to construct membership functions of the error domain. The proposed control model is validated through two sets of variable gap welding experiments, and the results show that under closed-loop control, the weld back width is uniform and consistent, which can meet the requirements of welding specifications.
-
Keywords:
- penetration status /
- features of molten pool /
- rough set /
- fuzzy control /
- groove gap /
- MAG welding
-
0. 序言
新能源作为改善环境的一种重要手段一直备受各界关注. 锂电池作为新能源的一种主要形式,广泛应用于航空航天、核能、军工等领域[1-2]. 航天领域通常将锂电池极耳极板通过激光焊接的方式形成串并联,以提升电池输出功率,使其续航时间更长. 但当极耳极板焊缝存在缺陷时,会导致局部区域导电性能发生变化,在使用过程中会发生短路、虚连等问题,造成局部温度升高,甚至引发爆炸等重大危险事故[3-5]. 因此锂电池在出厂前和服役过程中需进行检测,以确保使用安全.
目前,部分航天飞机上的锂电池极耳极板焊缝采用人工弯折的方式对焊缝质量进行检测. 一方面极耳弯折时受力,易造成焊缝损伤,另一方面人工手动检测时,检测时间长,数量大,易造成检测人员疲劳. 此外,需检测人员具备一定的目视检测基础和经验,难以保持判别标准的一致性. 因此该方法适用于抽检,检测效率低、漏检率高、无法分辨小缺陷.
传统的无损检测方法有机器视觉检测[6-8]、超声波检测[9-10]、X射线计算机断层扫描检测[11-13]、红外检测[14]和涡流检测[15]等. 机器视觉检测利用摄像机对极耳极板焊缝表面的图像进行采集,通过算法处理[16],以识别焊缝表面缺陷,该方法检测效率高,但对检测时周围的光源和焊缝表面反光情况有一定要求,判别结果准确率不高,只能检测焊缝表面缺陷,无法识别内部埋藏型缺陷;超声波检测可有效识别出焊缝内部毫米级的微小缺陷,但使用时需涂抹耦合剂,易造成电池短路发生危险;X射线计算机断层扫描可有效检测出焊缝内部亚毫米级的微小缺陷,但会损伤电池芯部,且对人体有辐射危害,因此不适用于现场检测;红外检测采用主动和被动加热方式,可对出厂和服役状态的极耳极板焊缝进行检测,但只能检测近表面的较大缺陷;涡流检测是以电磁感应原理为基础的非接触式检测技术,当试样中存在缺陷时,缺陷部位的电导率和磁导率会发生变化,从而引起电场和磁场的变化,传统的单通道涡流检测频率单一,效率低,不适用于生产线快速检测.
文中提出了一种适用于锂电池极耳极板焊缝内部微小缺陷快速检测的多通道多频涡流层析成像方法,自制了多通道多频涡流检测系统及传感器,搭建了多通道多频涡流检测平台. 通过对多种典型缺陷的检测结果进行分析,提出了缺陷种类、位置及尺寸的判别方法与判别流程及评定准则,为航空锂电池极耳极板焊缝缺陷检测奠定了基础.
1. 极耳极板焊缝的涡流检测
涡流检测适用于导电材料表面及近表面缺陷的非接触式检测. 针对锂电池极耳极板薄壁扁平窄激光焊缝结构,具有良好的适用性.
1.1 极耳极板焊缝涡流检测原理
基于法拉第电磁感应定律的磁生电原理,当极耳极板焊缝置于交变磁场中,会产生涡旋的感生电场,使焊缝内的自由电荷产生运动,形成涡流,从而产生一个与原磁场方向相反但频率相同的感生磁场. 涡流在流经无缺陷的焊缝时,所产生的空间磁场分布均匀,而缺陷处受电导率和磁导率变化的影响,涡流产生的空间磁场发生改变,如图1所示. 通过检测磁信号分析焊缝上涡流的分布情况,从而判断焊缝是否存在缺陷.
1.2 涡流检测锂电池极耳极板激光焊缝的适用性
1.2.1 极耳极板激光焊缝特点
锂电池的极耳极板一般为薄铝板,为了使其在串并联以增大输出功率的同时能有效减少发热现象,根据所需功率,极板厚度一般为2 mm以内. 采用高能密度小焦斑直径的激光焊接方式使极耳极板相连接,焊接过程中热量更为集中,焊后焊缝形貌更为平整,焊缝宽度更窄,热影响区也更小.
1.2.2 涡流检测特点
涡流检测作为一种非接触式检测手段,可在不接触工件的前提下,对导电材质的表面及近表面缺陷进行检测. 受材料自身属性及趋肤效应影响,随着检测深度增加,检测频率下降,检测灵敏度降低. 在达到相同检测深度时,非铁磁性材料的检测频率远高于铁磁性材料,相同检测厚度下,非铁磁性材料的检测灵敏度更高. 由于为非接触式检测,因此对工件形状及表面状态没有过多要求.
1.2.3 涡流检测极耳极板激光焊缝的适用性
极耳极板焊缝为非铁磁性材料铝,采用涡流检测时,根据趋肤效应原理,可采用较高的检测频率.由于极板厚度小于2 mm,可进一步提升检测频率,以增大检测灵敏度,提升微小缺陷的检测能力. 此外,锂电池极耳极板焊缝采用激光自动化焊接,焊缝窄而平整,同时为了满足各种检测工况并对服役状态锂电池组进行检测,应采用非接触式检测方式. 综上所述,根据锂电池极耳极板焊缝属性及涡流检测特点,涡流检测法适用于极耳极板焊缝的检测.
2. 多通道多频涡流检测系统
2.1 传感器
根据锂电池极耳极板焊缝的相关参数以及典型缺陷特点,设计制作了适用于极耳极板激光焊缝微小缺陷涡流检测的传感器,传感器由激励和检测两部分组成.
2.1.1 激励部分
对线圈施加交变电流,以产生检测用激励磁场. 对于单层螺线管,轴线上任意一点z方向的磁感应强度Bz为
$$ {B_{\textit{z}}} = \dfrac{{{\mu _0}nI}}{2}\left[ {\dfrac{{\dfrac{L}{2} + x}}{{\sqrt {{R^2} + {{\left( {\dfrac{L}{2} + x} \right)}^2}} }} + \dfrac{{\dfrac{L}{2} - x}}{{\sqrt {{R^2} + {{\left( {\dfrac{L}{2} - x} \right)}^2}} }}} \right] $$ (1) 式中:I为螺线管的激励电流;L为螺线管长度;n为螺线管单位长度上的匝数;R为螺线管半径;x为螺线管轴线上某点到中心位置的距离;μ0为真空磁导率. 结合式(1),根据所需激励磁场强度,设计激励线圈.
2.1.2 检测部分
由法拉第电磁感应定律可知,线圈检测到的电压信号VS为
$$ {V_{\mathrm{S}}} = 2\text{π} fN\left( {\text{π} {D^2}/4} \right){B_{\mathrm{S}}} $$ (2) 式中:f为交流频率;N为检测线圈匝数;D为检测线圈直径;BS为检测线圈处的磁感应强度.
为减小传感器的空间体积,最大限度提取由焊缝中缺陷所引起的磁场变化,屏蔽激励磁场、周围电路以及外部杂散磁场等对检测信号的干扰,检测线圈采用防干扰的差分结构形式(上下两部分结构对称,匝数相同,缠绕方向相反). 测得电压信号为上下两线圈感生电压之差V0,即
$$ {V}_{0} = {V}_{{\mathrm{Su}}}-{V}_{{\mathrm{Sd}}} $$ (3) 式中:VSu和VSd分别为上、下线圈感生电压.
为实现焊缝内部微小缺陷的高灵敏度检测,采用在检测线圈内部加入高导磁材料的方式提高检测信号的信噪比,降低能耗. 传感器结构如图2所示.激励线圈与检测线圈分别缠绕在各自的骨架上,二者相互独立且可上下调整位置,以便更好地抵消激励线圈及外界干扰.
2.2 层析成像检测
基于趋肤效应现象,通过改变涡流激励频率,实现不同深度的层析成像检测,既确保了深度方向的检测灵敏度,又对缺陷在深度方向上的分布情况进行了可视化的呈现.
2.2.1 趋肤效应
导体中的交变电流或交变磁场主要集中在导体表面,随深度增加,电流密度减小的现象称为趋肤效应. 涡流在焊缝内部所能有效达到的深度称为趋肤深度($ \delta $),也是涡流检测的有效范围. 趋肤深度计算式为
$$ \delta = \frac{1}{{\sqrt {\text{π} f\mu \sigma } }} $$ (4) 式中:$ \mu $为导体磁导率(H/m);$ \sigma $为导体电导率(S/m).
2.2.2 层析检测原理
由趋肤深度式(4)可知,涡流检测深度与激励频率有关. 激励频率越高,涡流越趋近于表面,检测灵敏度越高;降低激励频率,涡流可对深层缺陷进行检测,但检测灵敏度下降. 因此,通过改变激励频率,可在确保不同深度检测灵敏度的条件下实现深层缺陷检测. 层析检测原理如图3所示,依次降低激励频率,涡流渗透深度逐渐增加. 当极耳极板焊缝出现虚焊、断焊等缺陷时,局部电导率和磁导率发生变化,涡流产生异常,使得竖直方向磁通量发生变化. 通过对信号进行采集、处理、成像,最终实现层析检测的目的.
2.3 锁相放大
为适应工业化产线的批量生产,提升检测效率,采用多通道探头同时扫查的方式对极耳极板焊缝进行检测. 由于电池组排列紧凑,相邻焊缝间距较窄,为防止涡流传感器之间的互感干扰,采用多频激励匹配精准锁相放大的方式进行检测,即传感器相邻通道施加具有一定频率间隔的激励信号,辅以相应频率的精准锁相放大电路,实现各个通道信号之间的独立接收. 该方法不仅有效防止了通道之间的串扰,还有效阻断了外界环境噪声的干扰,提升了检测信噪比. 层析成像时也可通过锁相放大电路对检测信号进行针对性放大,防止周围电磁场的干扰.
3. 试验方法与结果分析
采用多通道多频涡流检测系统及多通道涡流传感器搭建极耳极板焊缝涡流检测平台,实现焊缝微小缺陷检测. 通过对大量含有典型缺陷人工试样的检测结果进行对比分析,总结了缺陷种类、位置及长度的判别方法,提出了一种缺陷判别流程与评定准则.
3.1 试验系统
锂电池极耳极板焊缝缺陷的多通道多频涡流检测系统包括涡流检测装置、多通道涡流传感器和含有典型缺陷的人工试样.
3.1.1 试验装置
采用多通道多频涡流检测系统对5通道涡流传感器进行不同频率的磁场激励,对检测信号进行接收、锁相放大等处理,然后采集、上传至上位机进行成像. 上位机同步控制涡流检测系统与运动控制系统,在扫查装置携带5通道传感器沿焊缝表面进行扫查的同时,对检测数据进行成像. 试验装置示意图如图4所示.
3.1.2 多通道涡流传感器
为更好的适用于锂电池极耳极板焊缝内部微小缺陷的检测,根据极耳极板焊缝规格,结合理论,自制多通道涡流传感器. 采用$\phi $0.1 mm的漆包线在$\phi $8 mm锰锌铁氧体上下两侧间隔17 mm处,沿相反方向各缠绕200匝(单侧长25 mm),作为检测线圈. 在检测线圈外置一内径为$\phi $10 mm的激励线圈骨架套筒,用$\phi $0.41 mm的漆包线在其上缠绕140匝(长58.1 mm)作为激励线圈. 通过调节各个通道激励线圈骨架与检测线圈磁芯的相对位置进行传感器调平衡,抵消激励线圈及外接干扰对检测信号的影响. 通过趋肤效应计算及试验探索,将5通道传感器的激励频率分别设置为4 ~ 8 kHz,相邻传感器频率间隔1 kHz(若锁放性能不佳,可采用错频方式,使相邻传感器频率梯度增大). 调节激励电流,使传感器端头处产生最大0.7 mT激励磁场.
3.1.3 人工试样
结合锂电池极耳极板激光焊接工艺及常见焊接问题,设计制作了6种常见缺陷人工试样. 除采用$\phi $1 mm钻头在完好焊缝试样上制作通孔以模拟气孔和局部微小缺陷外,其余试样均为控制焊接工艺参数制作而成. 试样均为具有双条焊缝的70 mm × 15 mm × 1.2 mm的铝板,焊缝长55 mm,宽2 mm,余高小于0.5 mm,焊缝中心距10 mm. 缺陷种类及实物照片如图5所示.
图 5 多通道多频涡流检测人工试样实物图Figure 5. Multi-channel multi-frequency eddy current testing manual sample. (a) weld sample without defect; (b) weld sample with local incomplete welding (2 mm); (c) weld sample with intermittent incomplete welding; (d) weld sample with overall missing welding; (e) weld sample with missing weld at the beginning/end; (f) weld sample with deformation and concave; (g) weld sample with local micro defect ($\phi $1 mm)针对层析成像检测,为便于扫查,增加涡流检测频率个数,采用2 mm厚的铝极板制作试样,在焊缝上采用局部大焊瘤作为缺陷.
3.2 结果分析
3.2.1 多通道多频涡流检测结果
采用多频涡流检测系统搭配5通道涡流传感器,按图4所示搭建试验系统平台,进行锂电池极耳极板焊缝检测试验.
为适应工业化产线自动检测,避免试样形状及表面状态对自动化检测造成影响,检测时,在确保检测灵敏度的前提下,对多通道传感器施加1 ~ 2 mm的提离值,以适应各种复杂多变情况.
以20 mm/s的扫查速度、200 Hz的采样率对6种典型缺陷及完好的极耳极板焊缝试样进行扫查检测,检测结果如图6所示,可有效检测出$\phi $1 mm的微小缺陷.
图 6 自制涡流检测系统对典型缺陷人工试样检测结果Figure 6. Test results of manual samples with typical defects by self-made eddy current test system. (a) echo signals of no defect and overall missing weld specimen; (b) echo signals of localized incomplete weld (2 mm) and intermittent incomplete weld specimen; (c) echo signals of beginning/end missing weld specimen; (d) echo signals of weld deformation concavity and localized micro defect采用相同频率传感器对不同缺陷人工试样进行扫查检测,结果表明,传感器的频率差不足以引起检测结果差异,5通道传感器均能有效检测出上述人工试样中的典型缺陷. 大量重复性试验结果表明,检测结果具有可重复性和一致性.
3.2.2 层析成像结果
在层析成像试样上选取包括焊瘤缺陷在内的30 mm × 30 mm的区域,以2 mm的步进精度进行成像检测. 由趋肤效应计算可得涡流在极板焊缝中的趋肤深度如表1所示. 由于试样板厚为2 mm,因此选取2 kHz,4 kHz,6 kHz,8 kHz和10 kHz 5种频率进行层析成像扫查检测. 完好和焊瘤缺陷试样的2 kHz检测结果如图7所示. 将不同频率的检测结果经处理后按趋肤深度进行排列,为排除频率衰减的影响,对回波信号进行归一化处理后得到的三维层析成像结果如图7(c)所示.
表 1 不同频率对应的电池极板趋肤深度Table 1. Different frequencies correspond to the skin depth of the battery plate激励频率f /kHz 趋肤深度δ/mm 激励频率f /kHz 趋肤深度δ/mm 1 3.00 6 1.22 2 2.12 7 1.13 3 1.73 8 1.06 4 1.50 9 1.00 5 1.34 10 0.95 3.3 试验数据处理及分析
焊缝中的缺陷会导致材料的局部电导率、磁导率和涡流密度发生变化,从而引起回波信号幅值变化. 通过对回波信号的波形及幅值进行观察和分析,判断缺陷的有无及位置大小.
3.3.1 缺陷种类判别
(1)完好试样. 完好的极耳极板焊缝试样由于材质均匀,厚度均匀,电导率和磁导率相对稳定,因此回波信号呈现出图6(a)中黑色曲线所示的光滑平整直线. 在该检测系统下,不同频率传感器对应的完好试样回波信号幅值范围约为1.3 ~ 1.7 V. 回波信号两侧各100个采样点的陡升和陡降曲线为传感器从试样边缘处运动至焊缝开头部位和从焊缝结尾处运动至试样边缘处所对应的回波信号,分析时可忽略.
(2)局部断焊. 对于焊缝上的局部断焊缺陷,受局部区域电导率和磁导率的变化,以及缺陷相对传感器的尺寸大小及位置关系等影响,在断焊缺陷处回波信号的幅值及波形会发生变化. 当断焊缺陷尺寸小于传感器尺寸时,在光滑平整曲线的缺陷位置处会出现图6(b)中黑色曲线所示的凹陷小波包. 当断焊缺陷尺寸大于传感器尺寸时,会出现图8所示的“台阶”形状.
当断焊缺陷尺寸小于传感器尺寸时,在扫查过程中,传感器完全置于完好焊缝上时,其回波信号幅值较大,对应图9中位置①;当传感器继续前进,开始进入缺陷区域时,受断焊缺陷形貌及材料电导率和磁导率变化的影响,焊缝中的涡流受到缺陷阻断,导致涡流分布和密度发生改变,使回波信号幅值骤减,此时对应图9中位置②;随着传感器的不断前进,当断焊缺陷完全置于传感器下方时,传感器在焊缝中所形成的涡流会绕过断焊缺陷,在其周围形成包围态势,涡流形成闭合回路,密度增加,所以回波信号幅值有所增大,但总体小于完好焊缝处,如图9中位置③所示;随着传感器的继续前进,逐渐远离断焊缺陷,过程与上述顺序相反,但原理一致,因此回波信号变化趋势成镜像对称关系. 最终呈现出在完好光滑平直曲线上有个凹陷小波包,且波包两侧呈负波峰的态势.
当断焊缺陷尺寸大于传感器尺寸时,则不会出现图9中位置③所示情况,缺陷区域内的回波信号幅值也不会出现上升现象,此时回波信号为平稳持续的小幅值. 由于只在断焊缺陷处幅值减小,所以焊缝整体回波信号呈“台阶”状.
(3)间歇性断焊. 多个不等间隔、随机分布的局部断焊缺陷即为间歇性断焊缺陷. 由局部断焊缺陷的分析可知,受断焊缺陷尺寸的影响,在断焊缺陷处会出现波包或回波信号幅值减小等现象,将此现象按照缺陷的位置进行排列,即可得到间歇性断焊缺陷的回波信号,如图6(b)中红色曲线所示. 缺陷个数等于波包个数,波包位置对应缺陷位置.
(4)整体漏焊. 整体漏焊为焊缝整体均未焊接或均未焊上的情况. 此时焊缝整体的电导率和磁导率与完好焊缝状态一致,均处于均匀状态,只是数值比完好焊缝小. 因此其回波信号波形与完好信号一致,均为光滑平直的直线,只是幅值较低,如图6(a)中红色曲线所示. 在该检测系统下,不同频率传感器对应的整体漏焊回波信号幅值范围约为0.84 ~ 1.04 V.
(5)开头/结尾漏焊. 受锂电池极耳极板焊接工艺的影响,为保护锂电池芯的安全,避免激光打到电池芯部,在对极耳极板施加激光焊时不会从头焊到尾,而是在开头和结尾处各预留一部分未焊区域. 受自动化焊接影响,极耳与极板的前后相对位置及焊接起点位置均不固定,且受焊接时起焊和止焊的影响,在焊缝的头尾处极易出现烧穿、超长漏焊等现象,从而在焊缝开头和结尾处出现幅值减小的“台阶”状信号,分别如图6(c)中红色和黑色曲线所示. 结合试验所采用试样规格及检测工艺参数,开头漏焊缺陷的起始点一般位于100采样点处,结尾漏焊缺陷的终点一般位于550采样点处.
(6)变形内凹. 受极板母材原本形状及焊接过程中夹持装置下压力及焊接应力的影响,极耳极板焊缝会出现图5(f)所示的内凹现象. 极板内凹会导致传感器在检测过程中与焊缝之间的提离值发生先增大再减小的变化,从而导致回波信号幅值基线出现先减小后增大的内凹型,但整体幅值大于1.3 V,如图6(d)中红色曲线所示. 由于只受提离值的影响,且提离值为平稳过度变化,因此回波信号幅值基线为平稳变化的光滑曲线.
(7)局部微小缺陷. 虽然缺陷的存在会改变焊缝的局部电导率和磁导率,使其回波信号幅值减小,但当缺陷尺寸足够小时,涡流会绕过缺陷在其周围形成,且受缺陷的影响,缺陷周围的涡流密度还会增大,使回波信号幅值呈现增大的态势. 在电导率、磁导率和涡流密度的多重作用下,当缺陷尺寸足够小,由缺陷导致的局部电导率和磁导率变化引起的回波信号幅值减小程度小于涡流密度变化所引起的回波信号幅值增大程度时,缺陷部位处的回波信号幅值会大于完好焊缝处的回波信号幅值,呈现出图6(d)中黑色曲线所示的凸起波包.
3.3.2 缺陷位置及长度判别
由上述分析可知,当极耳极板焊缝中存在缺陷时,回波信号的波形和幅值会发生变化. 因此可根据回波信号波形发生变化的位置及长度对缺陷的位置及长度进行判别.
对回波信号的形状进行判别,当回波信号为光滑平直的曲线时,对其幅值进行判定,当幅值大于1.2 V(根据大量检测数据波动范围及阈值余量得出)时,认为焊缝完好无缺陷,当幅值小于1.2 V时认为焊缝为整体漏焊缺陷.
当回波信号呈整体内凹平稳过度变化的光滑曲线且幅值大于1.2 V时,认为焊缝为整体变形内凹,波形幅值最低点即为焊缝内凹最严重点.
当波形存在波包或“台阶”时,首先对波形性质进行区分. 当波形存在“台阶”状时,对“台阶”的位置进行判别,若“台阶”位于焊缝开头处,起始点位于100采样点附近,则该焊缝存在开头漏焊缺陷,缺陷终点位于“台阶”状平稳持续小幅值信号终点加上传感器半径长度对应的位置;若“台阶”位于焊缝尾部,“台阶”终点位于550采样点附近,则该焊缝存在结尾漏焊缺陷,缺陷起始点位于“台阶”状平稳持续小幅值信号起始点减去传感器半径长度对应的位置;若“台阶”位于焊缝内部则焊缝存在缺陷长度大于传感器尺寸的局部断焊缺陷. “台阶”状信号位置对应缺陷位置,“台阶”状平稳持续小幅值信号的起始位置减去传感器半径长度对应的位置即为缺陷起始点位置,“台阶”状平稳持续小幅值信号的终点位置加上传感器半径长度对应的位置即为缺陷终点位置. 缺陷长度为“台阶”状平稳持续小幅值信号长度加上传感器直径.
当波形存在波包时,需对波包个数进行判别. 只存在一个波包,若该波包两侧为向下延伸的负波峰形状,且波包幅值小于完好焊缝幅值,即可认为该焊缝存在缺陷长度小于传感器尺寸的局部断焊缺陷;若该波包为突出形状,幅值大于完好焊缝幅值,即可认为该焊缝存在微小缺陷. 波包处即为缺陷处,波包幅值起始下降点/上升点位置加上传感器半径长度对应的位置即为缺陷起始点位置,波包幅值变化终点位置减去传感器半径长度对应的位置即为缺陷终点位置,波包幅值变化长度减去传感器直径即为缺陷长度.
当波形存在多个波包时,认为该焊缝存在间歇性断焊缺陷,缺陷位置及长度可根据波包的位置及长度进行判别,判别方法同上.
3.3.3 工程检测中的缺陷判别
由上述对缺陷种类及位置、长度的分析判别可知,在检测完毕后,对检测结果采取以下流程顺序进行缺陷种类判别,如图10所示.
若同时存在多个缺陷,当相邻缺陷间距小于最小缺陷长度时,将该相邻缺陷作为一个整体缺陷进行评价,整体缺陷尺寸为相邻缺陷长度与间距之和.
对于不同应用场景、不同功用的锂电池极耳极板焊缝,评价指标不同. 对于航空级别的锂电池极耳极板焊缝,要求相对较为严格. 焊缝不允许出现整体漏焊,单个缺陷长度不得超过2 mm,累计缺陷长度不得超过5 mm. 当开头与结尾漏焊缺陷长度大于5 mm时应进行标记,当焊缝整体内凹变形导致回波信号幅值差异超过0.04 V时,应进行标记.
4. 结论
(1)针对航空锂电池极耳极板激光焊缝的特点,设计制作了一套多通道多频涡流检测系统. 采用自制的带防干扰功能的5通道多频差分式涡流传感器可有效检测出极耳极板焊缝中的局部断焊、间歇性断焊、整体漏焊、开头/结尾漏焊及焊缝变形内凹等典型缺陷,检测灵敏度可达$\phi $1 mm.
(2)基于趋肤效应原理,采用给涡流传感器通以不同频率激励信号的方式,对试样厚度方向进行不同深度的层析成像检测,实现了缺陷三维形貌及分布情况的可视化呈现.
(3)以理论分析为基础,并结合大量试样的检测结果,总结出了缺陷种类的判定依据及缺陷位置、长度的判别方式.
(4)结合航空锂电池极耳极板焊缝应用场景、服役工况及常见典型缺陷的特点与客户需求,制定了工程实际检测中的缺陷判别流程与评定标准.
-
表 1 焊接熔透状态决策信息表
Table 1 Decision information table for welding penetration states
焊接样本集U 熔池形状
参数c1熔池形状
参数c2… 熔池形状
参数cn熔透状态
dx1 v11 v12 … v1n vd1 x2 v21 v22 … v2n vd2 … … … … … … xm vm1 vm2 … vmn vdm 表 2 变间隙-电流焊接下的焊缝背面熔宽
Table 2 Weld back width under variable gap-current welding conditions (mm)
坡口间隙
G /mm焊接电流I /A 155 165 185 205 215 0.4 0 0 0 0 3.44 0.7 0 0 0 3.39 4.72 1.2 2.09 2.42 3.09 4.31 5.15 1.7 2.59 3.40 4.03 5.03 5.37 2.0 3.67 3.87 4.90 — — 表 3 变间隙电流焊接熔透状态决策信息表
Table 3 Decision information table for penetration status of variable gap-current welding
样本号 熔池尾部长度
$ {L_{\rm{T}}} $/μm熔池最大宽度
$ W $/μm熔池尾部长宽比
${L_{\rm{T}}}$/W熔池尾部面积
$ {S_T} $/μm2熔池尾面积系数
${C_{{\rm{TS}}} }$熔池后拖角
$ \alpha $(°)熔池尾宽系数
${C_{{\rm{TW}}} }$熔池背面宽度
$ {W_B} $/mmx1 203.5 227.4 0.895 34 264.2 0.740 58.39 0.818 0 x2 227.1 246.4 0.922 40220.0 0.718 56.96 0.795 0 x3 287.2 279.0 1.029 55 542.4 0.693 51.84 0.766 0 … … … … … … … … … x10 356.5 286.8 1.243 61 489.8 0.601 43.82 0.611 4.724 x11 198.2 195.4 1.015 25 912.6 0.669 52.58 0.722 2.092 x12 229.0 222.6 1.029 33977.0 0.667 51.84 0.708 2.420 … … … … … … … … … x21 222.7 184.4 1.207 26597.0 0.647 45.06 0.678 3.672 x22 250.0 210.8 1.186 33 429.4 0.634 45.74 0.662 3.872 x23 323.8 222.4 1.458 35 481.6 0.618 37.94 0.621 4.904 表 4 离散化后的熔透状态决策信息表
Table 4 Decision information table of penetration state after discretization
样本号 熔池尾部长度
LT熔池最大宽度
W熔池尾部长宽比
LT/W熔池尾部面积
ST熔池尾面积系数
CTS熔池后拖角
α熔池尾宽系数
CTW熔池背面宽度
WBx1 1 2 1 1 3 3 3 0 x2 1 2 1 1 3 3 3 0 x3 2 3 1 3 3 3 3 0 … … … … … … … … … x10 3 3 2 3 1 2 1 2 x11 1 1 1 1 2 3 2 1 x12 1 2 1 1 2 3 2 1 … … … … … … … … … x21 1 1 2 1 2 2 2 1 x22 1 1 2 1 2 2 2 1 x23 2 2 2 1 1 1 1 2 表 5 熔池尾部宽度系数控制规则
Table 5 Control rules for width coefficient of molten pool tail
误差变化率ec 误差e NB ZE PB NB NB NB ZE ZE NB ZE PB PB ZE PB PB 表 6 误差类型及其聚类中心
Table 6 Types of error and their clustering centers
类型 $ e $ $ \bar e $ NB −0.074, −0.055, −0.051, −0.05, −0.041, −0.04 −0.047 ZE −0.007, −0.004, 0, 0.001, 0.002, 0.017, 0.025,
0.04, 0.043, 0.047, 0.0610.023 PB 0.092, 0.105, 0.121, 0.133, 0.134, 0.157 0.127 -
[1] 殷树言. 气体保护焊工艺基础[M]. 北京: 机械工业出版社, 2007. Yin Shuyan. Basic technology of gas shielded welding[M]. Beijing: China Machine Press, 2007.
[2] 吴林, 陈善本. 弧焊机器人智能化技术[M]. 北京: 国防工业出版社, 2000. Wu Lin, Chen Shanben. Intelligent technology of arc welding robot[M]. Beijing: National Defense Industry Press, 2000.
[3] Feng Yanzhu, Gao Xiongdong, Zhang Yanxi, et al. Simulation and experiment for dynamics of laser welding keyhole and molten pool at different penetration status[J]. International Journal of Advanced Manufacturing Technology, 2021, 112: 2301 − 2312.
[4] Ye Guangwen, Guo Xiangdong, Liu Qianwen, et al. Prediction of weld back width based on top vision sensing during laser-MIG hybrid welding[J]. Journal of Manufacturing Processes, 2022, 84: 1376 − 1388.
[5] 杨嘉佳, 王克鸿, 吴统立, 等. 基于熔池视觉特征的铝合金双丝焊熔透识别[J]. 焊接学报, 2017, 38(3): 49 − 52. Yang Jiajia, Wang Kehong, Wu Tongli, et al. Welding penetration recognition in aluminum alloy tandom arc welding based on visual characters of weld pool[J]. Transactions of the China Welding Institution, 2017, 38(3): 49 − 52.
[6] 林俊, 高向东. 电弧焊熔池表征与熔透状态映射研究[J]. 焊接, 2016(10): 34 − 37. doi: 10.3969/j.issn.1001-1382.2016.10.008 Lin Jun, Gao Xiangdong. Mapping relationship between weld pool surface feature and weld penetration during arc welding[J]. Welding & Joining, 2016(10): 34 − 37. doi: 10.3969/j.issn.1001-1382.2016.10.008
[7] 高向东, 林俊, 萧振林, 等. 电弧焊熔透ICA-BP神经网络识别模型[J]. 焊接学报, 2016, 37(5): 33 − 36. Gao Xiangdong, Lin Jun, Xiao Zhenlin, et al. Recognition model of arc welding penetration using ICA-BP neural network[J]. Transactions of the China Welding Institution, 2016, 37(5): 33 − 36.
[8] 刘文焕, 王克争, 何方殿. 人工神经网络控制在焊接中的研究应用[J]. 电焊机, 1997(5): 15 − 18. Liu Wenhuan, Wang Kezheng, He Fangdian. Development and application of artificial neural network in welding[J]. Electric Welding Machine, 1997(5): 15 − 18.
[9] 陈善本, 娄亚军, 赵冬斌, 等. 脉冲GTAW熔池动态过程模糊神经网络建模与控制[J]. 自动化学报, 2002, 28(1): 74 − 82. doi: 10.16383/j.aas.2002.01.010 Chen Shanben, Lou Yajun, Zhao Dongbin, et al. Fuzzy-neural network modeling and control of pool dynamic process in pulsed GTAW[J]. Acta Automatica Sinica, 2002, 28(1): 74 − 82. doi: 10.16383/j.aas.2002.01.010
[10] 张勇, 陈善本, 邱涛, 等. 焊接柔性加工单元中熔池的实时控制[J]. 焊接学报, 2002, 23(4): 1 − 5. doi: 10.3321/j.issn:0253-360X.2002.04.001 Zhang Yong, Chen Shanben, Qiu Tao, et al. Study on real-time control of welding pool in welding flexible manufacturing cell[J]. Transactions of the China Welding Institution, 2002, 23(4): 1 − 5. doi: 10.3321/j.issn:0253-360X.2002.04.001
[11] 徐中路, 李静, 陈丹, 等. 基于受限波尔兹曼机的GMAW管道打底焊的熔透预测方法[J]. 计算机应用与软件, 2013, 30(10): 239 − 242. doi: 10.3969/j.issn.1000-386x.2013.10.066 Xu Zhonglu, Li Jing, Chen Dan, et al. A weld penetration prediction method based on RBM for GMAW pipe-line backing welding[J]. Computer Applications andSoftware, 2013, 30(10): 239 − 242. doi: 10.3969/j.issn.1000-386x.2013.10.066
[12] 刘亮, 杨长祺, 倪加明, 等. 2219铝合金变极性TIG焊熔透状态识别方法[J]. 上海交通大学学报, 2016, 50(Suppl.1): 71 − 74. doi: 10.16183/j.cnki.jsjtu.2016.S.018 Liu Liang, Yang Changqi, Ni Jiaming, et al. Recognition method research for variable polarity TIG welding penetration state of 2219 aluminum alloy[J]. Journal of Shanghai Jiao Tong University, 2016, 50(Suppl.1): 71 − 74. doi: 10.16183/j.cnki.jsjtu.2016.S.018
[13] Feng Y, Chen Z, Wang D, et al. Deep welding: A deep learning enhanced approach to GTAW using multisource sensing images[J]. IEEE Transactions on Industrial Informatics, 2020, 16(1): 465 − 474. doi: 10.1109/TII.2019.2937563
[14] Jiao W, Wang Q, Cheng Y, et al. End-to-end prediction of welding penetration: A deep learning and transfer learning based method[J]. Journal of Manufacturing processes, 2021, 63: 191 − 197. doi: 10.1016/j.jmapro.2020.01.044
[15] Cai W, Jiang P, Shu L S, et al. Real-time monitoring of laser keyhole welding penetration state based on deep belief network[J]. Journal of Manufacturing processes, 2021, 72: 203 − 214. doi: 10.1016/j.jmapro.2021.10.027
[16] Niu Yue, Gao Peng P, Gao Xiangdong. Recognition of DC01 mild steel laser welding penetration status based on photoelectric signal and neural network[J]. Metals. 2023, 13, 871: 1 − 17.
[17] Xiong J, Zou S. Active vision sensing and feedback control of back penetration for thin sheet aluminum alloy in pulsed MIG suspension welding[J]. Journal of Process Control, 2019, 77: 89 − 96. doi: 10.1016/j.jprocont.2019.03.013
[18] 王万东, 王志江, 胡绳荪, 等. 基于模型的GMAW-P焊接熔深自适应预测控制[J]. 机械工程学报, 2019, 55(19): 138 − 145. doi: 10.3901/JME.2019.19.138 Wang Wandong, Wang Zhijiang, Hu Shengsun, et al. Adaptive predictive control of weld penetration depth based on Hammerstein model in pulsed gas metal arc welding[J]. Journal of Mechanical Engineering, 2019, 55(19): 138 − 145. doi: 10.3901/JME.2019.19.138
[19] 吴頓. 基于多源信息融合的铝合金VPPAW成形预测和智能控制研究[D]. 上海: 上海交通大学, 2018. Wu Dun. Research on predicting and intelligent control for weld formation during VPPAW process using multi-information fusion[D]. Shanghai: Shanghai Jiao Tong University, 2018.
[20] Pawlak Z. Rough sets: Theoretical aspects of reasoning about data. Dordrecht: Kluwer Academic Publishing, 1991.
[21] 王国胤, 姚一豫, 于洪. 粗糙集理论与应用研究综述[J]. 计算机学报, 2009, 32(7): 1229 − 1246. doi: 10.3724/SP.J.1016.2009.01229 Wang Guoyin, Yao Yiyu, Yu Hong. A survey on rough set theory and its application[J]. Chinese Journal of Computers, 2009, 32(7): 1229 − 1246. doi: 10.3724/SP.J.1016.2009.01229
[22] Wang B, Chen S B, Wang J J. Rough set based knowledge modeling for the aluminum alloy pulsed GTAW process[J]. The International Journal of Advanced Manufacturing Technology, 2005, 25(9): 902 − 908.
[23] 黎文航, 陈善本, 王加友, 等. 基于变精度粗糙集的脉冲GTAW过程建模方法[J]. 焊接学报, 2008, 29(7): 57 − 59. doi: 10.3321/j.issn:0253-360X.2008.07.015 Li Wenhang, Chen Shanben, Wang Jiayou, et al. Modeling method for pulsed GTAW welding process based on variable precision rough set[J]. Transactions of the China Welding Institution, 2008, 29(7): 57 − 59. doi: 10.3321/j.issn:0253-360X.2008.07.015
[24] Feng Zhiqiang, Liu Cungen, Huang Hu. Knowledge modeling based on interval valued fuzzy rough sets and similarity-based inference: prediction of welding distortion[J]. Journal of Zhejiang University-Science C, 2014, 15(8): 636 − 650. doi: 10.1631/jzus.C1300370
[25] Ziarko W. Variable precision rough set model[J]. Journal of Computer and System Sciences, 1993, 46(1): 39 − 59. doi: 10.1016/0022-0000(93)90048-2
[26] An A, Shan N, Chan C, et al. Discovering rules for water demand prediction: An enhanced rough-set approach[J]. Engineering Application and Artificial Intelligence, 1996, 9(6): 645 − 653. doi: 10.1016/S0952-1976(96)00059-0
[27] 王国胤, 于洪, 杨大春. 基于条件信息熵的决策表约简[J]. 计算机学报, 2002, 25(7): 759 − 766. doi: 10.3321/j.issn:0254-4164.2002.07.013 Wang Guoyin, Yu Hong, Yang Dachu. Decision table reduction based on conditional information entropy[J]. Chinese Journal of Computers, 2002, 25(7): 759 − 766. doi: 10.3321/j.issn:0254-4164.2002.07.013
[28] 于锟, 刘知贵, 黄正良. 粗糙集理论应用中的离散化方法综述[J]. 西南科技大学学报, 2005, 20(4): 32 − 36. doi: 10.3969/j.issn.1671-8755.2005.04.008 Yu Kun, Liu Zhigui, Huang Zhengliang. Overview of the discretization methods in the application of rough set theory[J]. Journal of Southwest University of Science and Technology, 2005, 20(4): 32 − 36. doi: 10.3969/j.issn.1671-8755.2005.04.008
[29] 丁洁琼. MAG焊单面焊双面成形熔池视觉特征与控制模型研究[D]. 南京: 南京理工大学, 2010. Ding Jieqiong. Research on characteristic of MAG weld pool visual image and control model in one-side welding with back formation weld [D]. Nanjing: Nanjing University of Science & Technology, 2010.
[30] Wang K H, Tang X C, Liu Y. Methods of visional detecting MAG weld pool information[J]. Transactions of Nonferrous Metals Society of China, 2005, 15(3): 369 − 374.
[31] 杨伦标, 高英仪. 模糊数学原理及应用[M]. 广州: 华南理工大学出版社, 2005. Yang Lunbiao, Gao Yingyi. Principle and application of fuzzy mathematics[M]. Guangzhou: South China University of Technology Press, 2005.
[32] 章卫国, 模糊控制理论与应用[M]. 西安: 西北工业大学出版社, 2000. Zhang Weiguo. Fuzzy control theory and application[M]. Xi’an: Northwestern Polytechnical University Press, 2000.
-
期刊类型引用(2)
1. 潘睿志,林涛,李超,胡波. 基于深度学习的多尺寸汽车轮辋焊缝检测与定位系统研究. 光学精密工程. 2023(08): 1174-1187 . 百度学术
2. 李文斌. 城市轨道交通车辆高强钢焊接用焊丝的选用方法. 焊接技术. 2022(03): 80-83 . 百度学术
其他类型引用(1)