Welding current and voltage detection and control method based on visual sensing
-
摘要:
焊接电流及电压是影响焊接质量的重要参数,为了提高焊接质量,研究了一种基于视觉传感技术的焊接电流及电压在线检测及精确控制方法. 首先,分析焊接电流及电压图像的预处理,分割出了焊接电流及电压对应的字符图像;然后,使用了一种基于投影特征的焊接电流及电压对应字符的识别方法,并进一步实现了焊接电流及电压的识别;最后,研究了基于专家控制的焊接电流及电压自动控制方法,可提高焊接电流及电压自动调节的稳定性、准确性和快速性. 结果表明,利用文中的方法,在线识别焊接电流及电压的准确度高于99.75%,可实现焊接前及焊接过程中焊接电流及电压的自动检测控制,而且焊道尺寸根据需要在线调整,有助于提高焊接的自动化程度及焊接质量.
Abstract:Welding current and voltage are important parameters that affect welding quality. In order to improve welding quality, a method of on-line detection and accurate control of welding current and voltage based on visual sensing technology has been studied in this paper. Firstly, the preprocessing of welding current and voltage image is studied, and the character image corresponding to welding current and voltage is segmented. Then, a recognition method of corresponding characters of welding current and voltage based on projection feature is studied, and the recognition of welding current and voltage is further realized. Finally, the automatic control method of welding current and voltage based on expert control is studied, which can improve the stability, accuracy and rapidity of automatic regulation of welding current and voltage. The experimental results show that using the method studied in this paper, the accuracy of online identification of welding current and voltage is higher than 99.75%. It can achieve automatic detection and control of welding current and voltage before and during welding, and can adjust the weld bead size online as needed, which helps to improve the automation level and welding quality.
-
0. 序言
焊接电流及电压的检测控制对于智能焊接具有重要意义,是影响焊接质量和稳定性的关键因素,通过在线检测及精确控制,可以有效避免焊接缺陷,提高焊接件的强度和可靠性.
随着科技的不断进步,焊接自动化技术正逐步实现智能化,提高了焊接的效率和质量,目前,国内外专家针对焊接自动化开展了多方面的研究. 利用旋转电弧稳定性传感器实现了电弧稳定性的在线检测[1];设计了一种能实时监测核电蒸汽发生器堵管 TIG 焊接过程的光谱监测系统[2];构建了基于深度学习的多维信息融合模型,能够对焊接状态进行高精度在线识别[3];利用图像处理技术,可从包含大量噪声干扰的图像中提取出熔池轮廓[4],也可实现焊接熔透状态的识别[5];也研究了利用激光扫描实现焊接点的监测[6];机器学习算法使用边缘、角等图像特征可以识别不同焊接接头类型[7];利用被动视觉传感系统识别出焊缝与焊枪之间的偏移量[8];输出焊缝图像的热力图来预测焊缝特征点位置,提升了特征提取速度[9];基于数字孪生技术提出了一种焊接轨迹跟踪模型,并实现了焊接轨迹跟踪[10]. 但未见基于视觉的送丝机上焊接电流及电压的检测及控制方面的报道,并且,焊工调节送丝机上焊接电流及电压旋钮费时费力.
针对上述问题,文中研究了一种基于视觉传感技术的焊接电流及电压在线检测方法,并使用专家控制技术自动控制焊接电流及电压,可减少焊接缺陷,提高生产效率及焊接质量.
1. 基于视觉传感技术的焊接电流及电压在线检测方法
1.1 焊接电流及电压图像的预处理
焊接电流及电压图像的预处理流程,如图1所示. 首先,利用视觉传感器采集到焊接电流及电压的彩色图像;再对图像进行灰度化处理,得到灰度图像;其次,进行水平矫正,使灰度图像中的焊接电流及电压数字变成水平;然后,进行ROI(region of interest)裁剪,裁剪出图像中的焊接电流及电压区域;最后,分割出焊接电流及电压数字对应的字符,并输出每个数字对应的单字符图像.
1.2 基于投影特征的焊接电流及电压识别方法
设分割出的单个字符图像共有a行b列,水平投影为包含a个元素的列向量,将该水平投影按行号平均分为3个部分,第1部分从第1行至第a1行,第2部分从第a1行至第a2行,第3部分从第a2行至第a行,其中,a1 = round(a/3),round()为四舍五入的取整函数,a2 = 2a1. 设定水平投影的波峰阈值为Th1 = k1 × b,且k1 = 0.5,当检测到水平投影的峰值大于Th1时,将该部分标记为状态值1;否则,赋值为0;将这3个部分峰值状态按顺序存储在表示水平投影特征的数组HP里.
对于竖直投影,首先将单个字符图像平均分为上下两部分,再分别进行竖直投影,对于得到的两个竖直投影再分别按列号平均分为左右两部分,竖直投影的波峰阈值为Th2 = k2 × a,其中,k2 = 0.25,当检测到竖直投影的峰值大于Th2时,将该部分标记为状态值1;否则,赋值为0. 将左上、右上、左下及右下4个部分的峰值状态按顺序存储在表示竖直投影特征的数组VP中.
利用字符图像投影的峰值状态数组可以准确识别出具体数字,下面将介绍字符识别的步骤.
步骤1:若分割出的字符图像的高度与宽度比a/b>3,则待识别的字符为数字1,其他数字图片的比值均小于3.
步骤2:判断水平投影峰值状态,字符0,4及7对应的水平投影峰值状态数组HP分别为[1,0,1]、[0,1,0]及[1,0,0],其余数字水平投影峰值状态数组HP均为[1,1,1].
步骤3:当水平投影峰值状态数组HP = [1,1,1]时,利用竖直投影峰值状态数组VP及数字字符对应的竖直投影峰值状态数组见表1,可以进一步识别出当前字符图像对应的数字.
表 1 数字字符对应的竖直投影峰值状态数组Table 1. Vertical projection peak state array corresponding to numeric characters数字字符 竖直投影峰值状态数组 VP 2 [0, 1, 1, 0] 3 [0, 1, 0, 1] 5 [1, 0, 0, 1] 6 [1, 0, 1, 1] 8 [1, 1, 1, 1] 9 [1, 1, 0, 1] 如图2所示,以字符8的图像为例,介绍焊接电流及电压对应字符识别的具体过程,对分割出的图像进行膨胀、提取骨架、剔除毛刺、再次膨胀及裁剪出ROI,见图2(a),然后,对字符图像进行水平投影,见图2(b),可以发现,存在3个峰值,此时,水平投影峰值状态数组HP为[1,1,1],再对字符图像上下两部分分别进行竖直投影,由图2(c)可知,上半部分的竖直投影峰值状态数组为[1, 1],由图2(d)可知,下半部分的竖直投影峰值状态数组也为[1, 1],因此,该字符的竖直投影峰值状态数组VP为[1, 1, 1, 1],由表1可知,该字符为8. 其他字符的识别过程与上面类似,因此,利用文中的研究方法,可实现焊接电流及电压对应字符的自动识别,然后将识别出的字符对应的数字按顺序组合起来,就可以实现焊接电流及电压的识别.
2. 基于专家控制的焊接电流及电压自动控制方法
基于专家控制的焊接电流及电压自动控制方法,如图3所示,Km表示专家控制器输出的电压调节脉冲数Pu与电压调节电机旋转角度θu的关系,或电流调节脉冲数Pi与电流调节电机旋转角度θi的关系,Km = 0.1;f(θ)为电机旋转角度(θu,θi)与焊接电压电流(U,I)的关系.
利用专家控制规则控制电机的转动,模仿焊工转动焊接电压及电流旋钮,可以准确控制焊接电压及电流达到目标值,并且具有较好的鲁棒性,下面介绍专家控制的4条规则.
规则1:由于送丝机上焊接电压与电流旋钮同时调节时会互相影响,为了使焊接电压电流与电机旋转角度为线性关系,单个焊接参数调节时,最大调节速度为0.4 r/s,当焊接电压与电流旋钮同时调节时,最大调节速度为0.2 r/s. 因此,当焊接电压或电流偏差中有一个为0,并且另一个较大时,控制电机高速旋转,其余时间为减小超调采用低速控制.
规则2:为了减小超调,使用小系数的比例控制,每次降低1/3的偏差,同时,判断是否出现超调,若当前识别出的焊接电流或电压偏差与上一次识别出的焊接电流或电压偏差的乘积小于0,说明发生了超调,需要停止调节.
规则3:为了减小偶尔识别错误对系统的影响,当检测到识别出的焊接电流或电压超过取值范围,或显示的焊接电压或电流末位数为奇数(送丝机上显示的电压或电流末位数总是偶数),即当U∈(0, 10)∪(40, + ∞)或I∈(0, 30)∪(350, + ∞)或mod(10U, 2) > 0或mod(I, 2) > 0时,使用上一次检测到的数据,并且不进行控制. mod(10U, 2)表示识别出实际焊接电压U的10倍除以2的余数,mod(I, 2)表示识别出的实际焊接电流I除以2的余数.
规则4:调节过程中,可能出现焊接电压或电流突变的情况,为保证调节过程正常,若相邻两次焊接电压或电流偏差超过误差范围时,如果相邻两次焊接电压或电流偏差减小,则按照输出的控制量进行控制;如果相邻两次电压或电流偏差都不变,则重新检测电压或电流,并计算出控制量;若相邻两次电压或电流偏差增大,则向下位机发送数据,使停止调节.
综上所述,利用规则1,可以提高焊接电流及电压调节的快速性;利用规则2,可以提高焊接电流及电压调节的准确性;利用规则3和4,可以提高焊接电流及电压调节的鲁棒性和稳定性.
3. 试验结果及分析
焊接电流及电压在线检测控制焊接试验结果,如图4所示,试验过程中焊接电流的变化曲线,如图5所示,试验过程中焊接电压的变化曲线如图6所示. 由图4 ~ 图6可知,打开焊接电源时,焊接电流为170 A,焊接电压为17 V,通过软件界面在线输入目标焊接电流为150 A(对应图5中的a点),目标焊接电压为19 V(对应图6中的a点),通过文中焊接电流及电压在线检测控制系统及方法,在图5及图6中的b点时,实际焊接电流达到目标焊接电流(150 A),实际焊接电压达到目标焊接电压(19 V),从而实现了焊接前焊接电流及电压的在线检测及自动控制,然后,使自动焊接小车开始焊接,焊接结果见图4,此时焊道的尺寸为9 mm. 为了提高焊道尺寸,输入目标焊接电流为194 A(对应图5中的c点),目标焊接电压为23 V(对应图6中的c点),使实际焊接电流等于目标焊接电流(对应图5中的d点),使实际的焊接电压等于目标的焊接电压(对应图6中的e点),从而实现了焊接过程中焊接电流及电压在线检测及自动控制,对应的焊接结果见图4,焊道尺寸为11 mm.
综上所述,此方法可以实现焊接前及焊接过程中焊接电流及电压的自动检测控制,可提高焊接的自动化程度和效率.
4. 结论
(1) 分析了焊接电流及电压图像的预处理,分割出电流及电压对应的字符图像;利用字符图像投影的峰值状态数组,分析了基于投影特征的焊接电流及电压识别方法;研究了用于焊接电流及电压控制的规则,并进一步研究了基于专家控制算法的焊接电流及电压自动控制方法.
(2) 进行了焊接电流及电压在线检测及控制试验,分析了焊接试验结果、实际及目标的焊接电流变化曲线、实际及目标的焊接电压变化曲线. 试验结果表明,焊接前及焊接过程中焊接电流及电压都自动调到了目标值,并可在线调整焊道尺寸,提高焊接的质量及效率.
-
表 1 数字字符对应的竖直投影峰值状态数组
Table 1 Vertical projection peak state array corresponding to numeric characters
数字字符 竖直投影峰值状态数组 VP 2 [0, 1, 1, 0] 3 [0, 1, 0, 1] 5 [1, 0, 0, 1] 6 [1, 0, 1, 1] 8 [1, 1, 1, 1] 9 [1, 1, 0, 1] -
[1] Le J, Li F Y, Zeng M R, et al. Research on the online detection method of fillet welding arc stability based on the adaptive model of rotating arc stability sensor[J]. Mechanical Systems and Signal Processing, 2024, 217: 111500. doi: 10.1016/j.ymssp.2024.111500
[2] 白子键, 李治文, 张志芬, 等. 基于电弧光谱的核电堵管TIG焊接质量在线监测[J]. 焊接学报, 2024, 45(5): 8 − 19. doi: 10.12073/j.hjxb.20230610002 Bai Zijian, Li Zhiwen, Zhang Zhifen, et al. On-line monitoring of TIG welding quality of nuclear power plug tube based on arc spectrum[J]. Transactions of the China Welding Institution, 2024, 45(5): 8 − 19. doi: 10.12073/j.hjxb.20230610002
[3] 徐东辉, 孟范鹏, 孙鹏, 等. 基于深度学习的GMAW焊接缺陷在线监测[J]. 焊接学报, 2024, 45(3): 114 − 119. doi: 10.12073/j.hjxb.20230117002 Xu Donghui, Meng Fanpeng, Sun Peng, et al. Online monitoring of GMAW welding defect based on deep learning[J]. Transactions of the China Welding Institution, 2024, 45(3): 114 − 119. doi: 10.12073/j.hjxb.20230117002
[4] 徐远钊, 罗玖田, 方乃文, 等. 基于MS-FCM算法的船体板熔池图像处理技术[J]. 焊接学报, 2024, 45(3): 82 − 90. doi: 10.12073/j.hjxb.20231010001 Xu Yuanzhao, Luo Jiutian, Fang Naiwen, et al. Image processing technology for ship plate melt pool based on MS - FCM algorithm[J]. Transactions of the China Welding Institution, 2024, 45(3): 82 − 90. doi: 10.12073/j.hjxb.20231010001
[5] 王颖, 高胜. 基于改进CeiT的GTAW焊接熔透状态识别方法[J]. 焊接学报, 2024, 45(4): 26 − 35. doi: 10.12073/j.hjxb.20230327002 Wang Ying, Gao Sheng. Identification method of GTAW welding penetration state based on improved CeiT[J]. Transactions of the China Welding Institution, 2024, 45(4): 26 − 35. doi: 10.12073/j.hjxb.20230327002
[6] Aldalur E, Suárez A, Curiel D, et al. Intelligent and adaptive system for welding process automation in T-shaped joints[J]. Metals, 2023, 13(9): 1532. doi: 10.3390/met13091532
[7] Sonwane S, Chiddarwar S. Automatic weld joint type recognition in intelligent welding using image features and machine learning algorithms[J]. Edam-Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 2024, 37: e26.
[8] Lu J, Yang A D, Chen X Y, et al. A seam tracking method based on an image segmentation deep convolutional neural network[J]. Metals, 2022, 12(8): 1365. doi: 10.3390/met12081365
[9] 郭忠峰, 刘俊池, 杨钧麟. 基于关键点检测方法的焊缝识别[J]. 焊接学报, 2024, 45(1): 88 − 93. doi: 10.12073/j.hjxb.20230204001 Guo Zhongfeng, Liu Junchi, Yang Junlin. Weld recognition based on key point detection method[J]. Transactions of the China Welding Institution, 2024, 45(1): 88 − 93. doi: 10.12073/j.hjxb.20230204001
[10] Kang Y H, Chen R S. Welding robot automation technology based on digital twin[J]. Frontiers in Mechanical Engineering, 2024, 10: 1367690. doi: 10.3389/fmech.2024.1367690