欢迎来到天天文库
浏览记录
ID:7189935
大小:38.71 KB
页数:21页
时间:2018-02-07
《基于支持向量机的点焊质量分类》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库。
1、基于支持向量机的点焊质量分类 摘要:以点焊质量监控为目的,通过对点焊过程电极位移信号、动态电阻信号的同步采集和信号分析,从2种信号中提取12个有效的特 征分量,构造点焊过程的监测数据集,以焊点的抗剪强度为指标,利用支持向量机(SVM)和RBF神经网络对焊点质量进行分类。测试 结果表明,2种信号特征向量作为SVM的输入向量,在参数匹配的情况下,使用不同的核函数对喷溅和焊点质量分类均能取得较好的分 类结果.分类器性能明显优于RBF神经网络模型。小样本情况TSVM具有较好的泛化能力,正确率仍保持在80%
2、以上,据此认为提取电 极位移和动态电阻的特征向量构筑输入向量.建立的svM动态模型对点焊接头进行质量分类是可行的。 关键宇:电阻点焊;SVM;质量分类;泛化能力;特征提取 中圄分类号:TG438.2文献标识码:A 电阻点焊自产生以来,以其高效率、低成本、易于实现自 动化的优点广泛应用于大量薄板焊接结构生产中,但点焊过程 的非线性及多变量耦合使得焊接过程难以控制。现代信号处 理、模式识别技术的发展,使得点焊过程质量监控技术有了长 足的进步,Javedt1]以焊接电流、时间、电极压力为输
3、入参数, 焊点质量为输出参数,利用BP网络建立输入与输出的映射; Hao利用线性回归分析建立监控参量与铝合金焊点强度及熔核 直径之间的映射模型【2]。基于概率统计模型得到的各类别特征 向量分布的统计分类方法正逐渐在电阻点焊领域中得到广泛应 用。统计分类方法很多,如:决策树和决策表等。 本文提供一种利用动态电阻和电极位移信号.提取特征向 量构建数据集,建立基于SVM的点焊质量分类模型。 1支持向量机 支持向量机(SVM)是数据挖掘的一项新技术.是借助最 优化方法解决机器学习问题
4、的新工具:是克服“维数灾难”和 “过学习”等困难的有力手段。其基本原理是通过定义适当的 内积函数。将训练数据集从输入空间非线性的映射到一个高维 特征空间(Hilbert空间),使样本在该空间线性可分.然后求 取新空间中的最优线性分类面。 假定训练数据可以被一个超平面正确地分开.则最优超平 面将由离它最近的少数样本点决定.这些决定最优超平面的样 本点就称为支持向量。 设线性可分样本集(毛,),=1,⋯,/Z,X∈Rd,Y∈{+1,一1), d维空间中线性判别函数: 收稿日期:XX—03—2
5、9 ·xr-b,(1) SVM是通过对拉格朗日算子的最大化来确定最大分类间隔 的解。构造拉格朗日函数为: L(w,。,6)=1Iz_Σoei(伽+6)+Σa/, 厶i=1/=1 嘶≥0,i=1,2,⋯,n,(2) 其中,嘶是拉格朗日算子,并且满足下式: 1.1 0≤嘶≤c和n0,(3) i=1 则在上面2个条件下最大化上述构造拉格朗日函数的对偶形式, 就可得出由嘶所决定的支持向量。即: MaxLΣ啦一1Σ嗍辑,(4) i=1-i。j=l 优化D牛苷取决于变换后的特征向量之间的数乘,若用一个核函
6、 数K(x,y)来代替数乘,就可以避免计算变换,此时判别函数 就可以写成Σ()+6。使用核函数来代替数乘就不需要明 确知道,这对于高维特征空间可以有效避免“维数灾难”的问 题。核函数类型的选择,或者说一种变换的选择,对于支持向 量机非常重要,它决定对分类中相似性和相似程度标准的选 择。由于分类问题可以看成一个相似问题。相似性又可以由向 量的内积来描述,因此,选择映射或者说选择核函数将直接影 响分类的结果。 常用核函数有如下形式: 线性核函数:K(x,置)· 多项式核函数:K(x,鼍)=
7、(·))p RBF(RadialBasisFunction)核函数:K(,xi)=exp(--Tl一 置I) Sigmoid核函数:K(x,i)=tanh(s(·i)+g) 50·焊接设备与材料·焊接技术第36卷第5期20o7年10月 2试验数据集 点焊试验系统由恒流控制交流点焊机唐山松下YF一 0201Z2、传感器、数据采集卡以及计算机组成,对焊接电流、 焊接电压、电极位移信号进行实时采集。利用Rogowski流传 感器测取电流、焊接电压取自电极头两端电压,DA一5型直流 差动
8、位移传感器采集电极位移信号,数据采集系统由12位的 AC6115A/D转换卡以及基于该卡用VB开发的数据采集软件构 成,同步采样率可达40kHz。信号分析和特征提取建立在 Madab软件平台上,通过构筑特征向量建立SVM点焊质量分类 模型。图1为厚1.0mm低碳钢板标准试样搭接试验,给定焊接 电流5.7kA。电极压力3.1kN,焊接时间20周波的信号采样图。 之 脚
此文档下载收益归作者所有