书签 分享 收藏 举报 版权申诉 / 13
立即下载 加入VIP,免费下载
当前位置： 首页 > 作业；运输 > 机床；其他类目中不包括的金属加工 > 基于粗糙集的旋转电弧气保焊焊缝偏差识别方法.pdf

基于粗糙集的旋转电弧气保焊焊缝偏差识别方法.pdf

  • 上传人：32
  • 文档编号：4727541
  • 上传时间：2018-11-02
  • 格式：PDF
  • 页数：13
  • 大小：3.88MB
    • 摘要
    申请专利号：

    CN201310042456.X

    		 申请日：

    2013.02.04
    公开号：

    CN103084708A

    		 公开日：

    2013.05.08
    当前法律状态：

    终止

    		 有效性：

    无权
    法律详情：

    未缴年费专利权终止IPC(主分类):B23K 9/095申请日:20130204授权公告日:20141105终止日期:20170204|||授权|||实质审查的生效IPC(主分类):B23K 9/095申请日:20130204|||公开
    IPC分类号：

    B23K9/095; B23K9/127; B23K9/16

    		 主分类号：

    B23K9/095
    申请人：

    江苏科技大学
    发明人：

    黎文航; 杨峰; 王加友; 王俭辛; 朱杰
    地址：

    212003 江苏省镇江市梦溪路2号
    优先权：

    专利代理机构：

    南京经纬专利商标代理有限公司 32200

    		 代理人：

    楼高潮
    PDF完整版下载： PDF下载
    内容摘要

    本发明公开了一种基于粗糙集的旋转电弧气保焊焊缝偏差识别方法。所述方法是采用焊接电弧电信号传感器、焊接电弧位置传感器、数据采集卡等采集焊接实验数据，在粗糙集建模模式下，所采集实验数据通过数据预处理模块构建决策表，然后经属性约简模块、属性值约简模块、规则约简模块构建粗糙集模型。在在线预测偏差模式下，所采集实验数据经数据预处理模块处理后与粗糙集建模模式下所构建的粗糙集模型匹配，并采用不确定推理预测焊缝偏差，经过统计模块，输出焊缝偏差。本发明实现对焊缝偏差识别的非参数建模，系统构成简单，抗干扰能力强、工程实用性好，可达到实时提取焊缝偏差，供相应纠偏装置实时纠偏的目的。

    权利要求书

    权利要求书一种基于粗糙集的旋转电弧气保焊焊缝偏差识别方法，其特征是包含如下步骤：
    （1）采用霍尔传感器测量焊接电弧电信号，即焊接电弧电流或焊接电弧电压；采用凹槽式光电开关和开孔/开槽的光栅盘检测旋转电弧处于焊接前方时的信号即焊接电弧位置信号；
    （2）将步骤（1）检测得到的焊接电弧电信号和焊接电弧位置信号通过数据采集卡接入到PC机，并置模式选择器为进入在线预测模式；
    （3）在PC机中采用数据预处理模块对数据采集卡获取的当前电弧旋转周期的焊接电弧电信号进行预处理，获得适合粗糙集模型的输入信号；
    （4）将上述得到的粗糙集模型输入信号经过粗糙集模型和不确定推理模块，获得当前电弧旋转周期的焊缝偏差值；
    （5）将当前电弧旋转周期的焊缝偏差值和之前n个电弧旋转周期的焊缝偏差值，经过统计模块选择其中算数平均值或权重平均值或出现频率最高的焊缝偏差预测值作为当前电弧旋转周期的最终焊缝偏差值输出，其中n为大于1的自然数。
    根据权利要求1所述的基于粗糙集的旋转电弧气保焊焊缝偏差识别方法，其特征是步骤（3）所述数据预处理模块具体步骤如下：
    1)利用焊接电弧位置信号提取当前电弧旋转周期的焊接电弧电信号；
    2）将该电弧旋转周期内的焊接电弧电信号进行偶数等区间划分，提取每个区间的焊接电弧电信号平均值和左右对应区间焊接电弧电信号平均值的差值；
    3)将上述每个区间焊接电弧电信号平均值和左右对应区间焊接电弧电信号平均值的差值进行离散化，即将连续属性值转换为离散属性值；
    4）将步骤3）离散化后得到的一维数列输出。
    根据权利要求1所述的基于粗糙集的旋转电弧气保焊焊缝偏差识别方法，其特征是步骤（4）所述粗糙集模型采用如下步骤获得：
    a)根据焊缝偏差可能的取值范围，等距选择有限个值即预设焊缝偏差值，将预设焊缝偏差值分别进行焊接实验，并根据步骤（1）采集焊接电弧电信号和焊接电弧位置信号；
    b)将步骤（1）检测得到的焊接电弧电信号和焊接电弧位置信号通过数据采集卡接入到PC机，并置模式选择器为进入粗糙集建模模式；
    c）在PC机中采用数据预处理模块对数据采集卡获取的所有电弧旋转周期的焊接电弧电信号进行预处理，预处理后每个电弧旋转周期的输出信号作为一个样本输入，每个电弧旋转周期对应的预设焊缝偏差值作为一个样本输出，所有样本构成一个粗糙集决策表，即输入输出表；
    d)利用属性约简模块对粗糙集决策表进行约简，去除粗糙集决策表中冗余的输入列，即属性项；
    e)针对步骤d）处理后的粗糙集决策表，采用属性值约简模块去除粗糙集决策表中每个样本中的冗余输入项，即属性值项；
    f)针对步骤e)处理后的数据，利用规则约简模块构建最小覆盖集合的规则集，即粗糙集模型。
    根据权利要求3所述的基于粗糙集的旋转电弧气保焊焊缝偏差识别方法，其特征是步骤d）所述约简算法采用基于区分矩阵算法，具体步骤如下：
    i)计算粗糙集决策表的区分矩阵DM，统计各条件属性出现的概率，以此作为属性重要性；
    ii)提取区分矩阵DM中元素为单个条件属性的项，求取其并集，则得到粗糙集决策表的属性约简核，赋值给属性集D；
    iii)将所有与D的交集不为空的区分矩阵元素设置为空集；
    iv)若区分矩阵中元素全部为空集，则D为属性约简，结束程序；否则，转下一步；
    v)从区分矩阵中剩余的条件属性集E中按照属性重要性定义提取最重要的条件属性，赋值给a，并将所有与{a}的交集不为空的区分矩阵元素设置为空集，并将a添加到D中，并从E中删除，转第iv）步。
    根据权利要求3所述的基于粗糙集的旋转电弧气保焊焊缝偏差识别方法，其特征是步骤e）所述属性值约简算法采用基于区分矩阵的算法，具体步骤如下：
    (I)对于步骤d）属性约简后所得粗糙集决策表，选择一未选择的样本h，计算样本h区分矩阵DMh；
    (II)计算该区分矩阵中由单个条件属性组成元素的并集F，即为该样本的属性值约简核；
    (III)设置与F交集不为空的区分矩阵元素为空集，保存此时的区分矩阵为DMh2；
    (IV)若DMh为空矩阵，则F为该样本的一个属性约简，转步骤（V）；否则从矩阵中随机选择一个属性b，并设置区分矩阵中与{b}交集不为空的元素为空集，转步骤(IV)；
    (V)若已经求得k个该样本的属性值约简，则转步骤(VI)；否则，将DMh2赋值给DMh，转步骤(IV)；k为大于1的自然数；
    (VI)若粗糙集决策表的所有样本都已被选择，则粗糙集决策表的属性值约简求解结束，否则，转步骤(I)。
    根据权利要求3所述的基于粗糙集的旋转电弧气保焊焊缝偏差识别方法，其特征是步骤f）所述规则约简算法采用基于区分矩阵的算法，具体步骤如下：
    A)根据步骤e)计算的属性值约简，计算其区分矩阵DM3，统计各项出现的概率，以此作为属性重要性；
    B)提取区分矩阵DM3中元素为单个的项，求取其并集，则得到规则约简核，赋值给属性集G；
    C)将所有与G的交集不为空的区分矩阵元素设置为空集；
    D)若区分矩阵中元素全部为空集，则G为规则约简，结束程序；否则，转下一步；
    E)从区分矩阵中剩余项的集H中按照属性重要性定义提取最重要的项，赋值给c，并将所有与{c}的交集不为空的区分矩阵元素设置为空集，并将c添加到G中，并从H中删除，转第D)步。

    说明书

    说明书基于粗糙集的旋转电弧气保焊焊缝偏差识别方法
    技术领域
    本发明涉及焊接技术领域，特指一种基于粗糙集的旋转电弧气保焊焊缝偏差识别方法。本发明针对旋转电弧气保焊的焊缝跟踪，采用粗糙集方法对焊缝偏差进行提取，克服以往很多算法依赖精确的数学模型，应用时容易受到干扰的缺点。
    背景技术
    旋转电弧气保焊接作为一种高效的焊接技术，在中厚板焊接领域受到广泛的应用，为保证焊接质量，避免出现侧壁未熔合等缺陷，需要保证焊接过程中电弧处于坡口中心位置，即需要进行实时有效的跟踪控制，其关键是能实时可靠地提取焊缝偏差。
    目前常用传感器有以下几种类型：机械传感器、电磁感应式传感器、超声传感器、焊接温度场传感器、CCD视觉传感器、电弧传感等，电弧传感器作为一种在线实时传感装置与其它附加式传感器相比，具有结构简单、成本低、不需要附加额外设备、可达性好，无延迟和响应速度快等优良特性，尤其是高速旋转电弧传感器的灵敏度高，成为当前乃至今后焊接传感器一个非常重要的研究领域，具有强大的生命力和应用前景，适宜应用在弧焊机器人和类似于机器人的机械装置上。
    利用电弧传感器进行焊缝跟踪的关键是根据电弧电流或电压的变化提取偏差信号。目前偏差信号识别的方法有很多种，如传统数学建模方法、模糊控制、神经网络建模等智能控制方法，但是弧焊过程是一个非常复杂的随机动态过程，由于噪声的干扰以及熔滴过渡等本身内在复杂机制的作用，使得信号的处理变得非常复杂。随着神经网络、支持向量机、统计模式识别等智能模式识别技术的发展及其应用领域的不断扩大，也给基于电弧传感器的焊缝跟踪技术研究带来新的希望。
    高速旋转电弧气保焊焊时，熔化金属受到侧壁拘束作用，同时由于焊丝的高熔敷率，熔池中液态金属较厚，液面倾角较大，其电弧形态有特殊的变化规律，使得已有电弧传感方法应用效果需要重新验证，而且焊接过程中大量不确定因素的存在，如熔池后端铁水的堆积、电弧对熔池的搅拌作用、坡口加工精度不高、装配误差、工件装配或热变形导致的错边等，都会对焊缝跟踪算法提出考验，难以对该过程进行精确的数学建模，从而智能建模和控制方法受到重视。
    已有授权专利申请号为2007100342723，磁控电弧传感式焊缝自动跟踪控制方法，该专利主要针对TIG焊接电弧，另一申请号为200910025826.2专利，针对正弦摆动时电弧传感器采用最小二乘法拟合的方法获取不同偏差对应的电流波形，也未针对旋转电弧。
    粗糙集作为一种智能建模和控制方法，能有效处理不确定信息，且能有效地从实验数据中去除冗余信息，获取知识。故可以利用它从实验数据中总结焊缝偏差的预测模型。
    本专利针对旋转电弧气保焊的焊缝偏差智能建模，在试验基础上对焊接电弧电信号的变化规律进一步研究，并借鉴已有焊缝偏差识别方法提出可靠性较高的偏差识别方法。
    基于智能建模和控制的方法若能应用于焊缝偏差识别，尤其是三维偏差的识别，实现三维空间曲线焊缝的全自动高精度跟踪，从而提高弧焊机器人和专机的自动化程度，扩大其应用领域。
    发明内容
    本发明的目的是为了解决上述问题，提供一种基于粗糙集的旋转电弧传感气保焊焊缝偏差识别方法，充分发挥粗糙集在处理不完整、不确定信息方面的优势，改善目前精确数学模型难以建立，智能建模方法依靠经验的状况。
    为了达到上述目的，本发明的基于粗糙集的旋转电弧传感气保焊焊缝偏差识别方法所基于的焊缝偏差识别系统包括：旋转电弧焊炬、焊接电弧位置传感器、焊接电弧电信号（电流或电压）传感器、焊接电源、PC机、数据采集卡、模式选择器、数据预处理模块、粗糙集模型、不确定推理模块、统计模块、属性约简模块、属性值约简模块、规则约简模块等构成。焊接电弧电信号传感器为霍尔电流或电压传感器；电弧位置传感器由凹槽式光电开关和开槽（或通孔）的光栅盘构成，凹槽式光电开关固定于旋转电弧焊炬的不旋转部分，光栅盘固定在旋转电弧焊炬的旋转部分与电弧同步转动，安装时使电弧旋转到焊接前方位置时，凹槽式光电开关的光路正好穿过光栅盘的开孔或开槽，凹槽式光电开关输出脉冲，从而能够通过检测该脉冲判断电弧位置；传感器所得焊接电弧电信号和焊接电弧位置信号接入数据采集卡，数据采集卡与PC机相连。在PC机中，可通过模式选择器选择在线预测模式和粗糙集建模模式。粗糙集建模模式是将数据采集卡采集的所有电弧旋转周期的焊接电弧电信号依次经过数据预处理模块、属性约简模块、属性值约简模块、规则约简模块处理得到粗糙集模型。该粗糙集模型在在线预测模式下被使用。在线预测模式下，将数据采集卡采集的当前电弧旋转周期焊接电弧电信号经过数据预处理模块处理后作为粗糙集模型的输入信号，并采用不确定推理模块处理，得到当前电弧旋转周期的焊缝偏差；为克服偶然因素的影响，将当前电弧旋转周期的焊缝偏差与之前n个电弧旋转周期焊缝偏差一起，作为统计模块的输入，处理后进行焊缝偏差输出。
    基于粗糙集的旋转电弧气保焊焊缝偏差识别方法，包含如下步骤：
    （1）采用霍尔传感器测量焊接电弧电信号即焊接电弧电流或焊接电弧电压；采用凹槽式光电开关和开孔/开槽的光栅盘检测旋转电弧处于焊接前方时的信号即焊接电弧位置信号；
    （2）将所步骤（1）检测得到的焊接电弧电信号和焊接电弧位置信号通过数据采集卡接入到PC机，并置模式选择器为进入在线预测模式；
    （3）在PC机中采用数据预处理模块对数据采集卡获取的当前电弧旋转周期的焊接电弧电信号进行预处理，获得适合粗糙集模型的输入信号；
    （4）将上述得到的粗糙集模型输入信号经过粗糙集模型和不确定推理模块，获得当前电弧旋转周期的焊缝偏差值；
    （5）将当前电弧旋转周期的焊缝偏差值和之前n个电弧旋转周期的焊缝偏差值，经过统计模块选择其中算数平均值或权重平均值或出现频率最高的焊缝偏差预测值作为当前电弧旋转周期的最终焊缝偏差值输出，其中n为大于1的自然数。
    步骤（3）所述数据预处理模块具体步骤如下：
    1)利用焊接电弧位置信号提取当前电弧旋转周期的焊接电弧电信号；
    2）将该电弧旋转周期内的焊接电弧电信号进行偶数等区间划分，提取每个区间的焊接电弧电信号平均值和左右对应区间焊接电弧电信号平均值的差值；
    3)将上述每个区间焊接电弧电信号平均值和左右对应区间焊接电弧电信号平均值的差值进行离散化，即将连续属性值转换为离散属性值；
    4）将步骤3）离散化后得到的一维数列输出。
    步骤（4）所述粗糙集模型采用如下步骤获得：
    a)根据焊缝偏差可能的取值范围，等距选择有限个值即预设焊缝偏差值，将预设焊缝偏差值分别进行焊接实验，并根据步骤（1）采集焊接电弧电信号和焊接电弧位置信号；
    b)将步骤（1）检测得到的焊接电弧电信号和焊接电弧位置信号通过数据采集卡接入到PC机，并置模式选择器为进入粗糙集建模模式；
    c）在PC机中采用数据预处理模块对数据采集卡获取的所有电弧旋转周期的焊接电弧电信号进行预处理，预处理后每个电弧旋转周期的输出信号作为一个样本输入，每个电弧旋转周期对应的预设焊缝偏差值作为一个样本输出，所有样本构成一个粗糙集决策表，即输入输出表；
    d)利用属性约简模块对粗糙集决策表进行约简，去除粗糙集决策表中冗余的输入列，即属性项；
    e)针对步骤d）处理后的粗糙集决策表，采用属性值约简模块去除粗糙集决策表中每个样本中的冗余输入项，即属性值项；
    f)针对步骤e)处理后的数据，利用规则约简模块构建最小覆盖集合的规则集，即粗糙集模型。
    其中，步骤d）所述约简算法采用基于区分矩阵算法，具体步骤如下：
    i)计算粗糙集决策表的区分矩阵DM，统计各条件属性出现的概率，以此作为属性重要性；
    ii)提取区分矩阵DM中元素为单个条件属性的项，求取其并集，则得到粗糙集决策表的属性约简核，赋值给属性集D；
    iii)将所有与D的交集不为空的区分矩阵元素设置为空集；
    iv)若区分矩阵中元素全部为空集，则D为属性约简，结束程序；否则，转下一步；
    v)从区分矩阵中剩余的条件属性集E中按照属性重要性定义提取最重要的条件属性，赋值给a，并将所有与{a}的交集不为空的区分矩阵元素设置为空集，并将a添加到D中，并从E中删除，转第iv）步。
    步骤e）所述属性值约简算法采用基于区分矩阵的算法，具体步骤如下：
    (I)对于步骤d）属性约简后所得粗糙集决策表，选择一未选择的样本h，计算样本h区分矩阵DMh；
    (II)计算该区分矩阵中由单个条件属性组成元素的并集F，即为该样本的属性值约简核；
    (III)设置与F交集不为空的区分矩阵元素为空集，保存此时的区分矩阵为
    (IV)若DMh为空矩阵，则F为该样本的一个属性约简，转步骤（V）；否则从矩阵中随机选择一个属性b，并设置区分矩阵中与{b}交集不为空的元素为空集，转步骤(IV)；
    (V)若已经求得k个该样本的属性值约简，则转步骤(VI)；否则，将赋值给DMh，转步骤(IV)；k为大于1的自然数；
    (VI)若粗糙集决策表的所有样本都已被选择，则粗糙集决策表的属性值约简求解结束，否则，转步骤(I)。
    步骤f）所述规则约简算法采用基于区分矩阵的算法，具体步骤如下：
    A)根据步骤e)计算的属性值约简，计算其区分矩阵DM3，统计各项出现的概率，以此作为属性重要性；
    B)提取区分矩阵DM3中元素为单个的项，求取其并集，则得到规则约简核，赋值给属性集G；
    C)将所有与G的交集不为空的区分矩阵元素设置为空集；
    D)若区分矩阵中元素全部为空集，则G为规则约简，结束程序；否则，转下一步；
    E)从区分矩阵中剩余项的集H中按照属性重要性定义提取最重要的项，赋值给c，并将所有与{c}的交集不为空的区分矩阵元素设置为空集，并将c添加到G中，并从H中删除，转第D)步。
    本发明的基于粗糙集的旋转电弧气保焊的焊接偏差识别方法的特点和有益效果：
    1、本发明的方法是针对焊接过程存在大量不确定因素，其本质是一个高阶、非线性、时变和时滞的非线性过程，利用粗糙集处理不确定信息的能力，构建非参数模型，提高模型的适应能力。
    2、现有的焊缝跟踪方法，主要是依赖电流/电压极值或是积分法。但是焊接过程时的瞬间短路会造成局部极值而使得极值法出现误判。积分法或是平均值法只是针对左右区间的一定区间，而本发明的方法是采用智能处理的方法从数据本身总结有益的信息，能更好地应用各方面信息。
    附图说明
    图1是基于粗糙集的旋转电弧气保焊焊缝偏差识别系统原理图；
    图2是数据预处理模块流程图；
    图3是粗糙集建模中属性约简模块流程图；
    图4是粗糙集建模中属性值约简模块流程图；
    图5是粗糙集建模中规则约简模块流程图。
    具体实施方式
    为了加深对本发明的理解，下面结合附图和具体实施例对本发明作进一步的详细叙述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
    如图1所示，本发明的基于粗糙集的旋转电弧传感气保焊焊缝偏差识别方法所基于的焊缝偏差识别系统包括：旋转电弧焊炬(1)、焊接电弧位置传感器(2‑1,2‑2)、焊接电弧电信号（电流或电压）传感器(3)、焊接电源(4)、PC机(7)、数据采集卡(8)、模式选择器(9)、数据预处理模块(12)、粗糙集模型(13)、不确定推理模块(14)、统计模块(17)、属性约简模块(19)、属性值约简模块(20)、规则约简模块等构成(21)。焊接电弧电信号传感器(3)为霍尔电流传感器；电弧位置传感器(2‑1,2‑2)由凹槽式光电开关(2‑1)和开槽（或通孔）的光栅盘(2‑2)构成，凹槽式光电开关(2‑1)固定于旋转电弧焊炬(1)的不旋转部分，光栅盘(2‑2)固定在旋转电弧焊炬(1)的旋转部分与电弧同步转动，安装时使电弧旋转到焊接前方位置时，凹槽式光电开关(2‑1)的光路正好穿过光栅盘(2‑2)的开孔或开槽，凹槽式光电开关(2‑1)输出脉冲，从而能够通过检测该脉冲判断电弧位置；传感器所得焊接电弧电信号(6)和焊接电弧位置信号(5)接入数据采集卡(8)，数据采集卡(8)与PC机(7)相连。在PC机(7)中，可通过模式选择器(9)选择在线预测模式(10)和粗糙集建模模式(11)。粗糙集建模模式(11)是将数据采集卡(8)采集的所有电弧旋转周期的焊接电弧电信号(6)依次经过数据预处理模块(12)、属性约简模块(19)、属性值约简模块(20)、规则约简模块(21)处理得到粗糙集模型(13)。该粗糙集模型(13)在在线预测模式(10)下被使用。在线预测模式(10)下，将数据采集卡(8)采集的当前电弧旋转周期焊接电弧电信号(6)经过数据预处理模块(12)处理后作为粗糙集模型(13)的输入信号，并采用不确定推理模块(14)处理，得到当前电弧旋转周期的焊缝偏差(15)，并与之前n个电弧旋转周期焊缝偏差(16)一起，作为统计模块(17)的输入，处理后进行焊缝偏差输出(18)。
    该方法的步骤如图1所示，具体如下：
    （1）采用焊接电弧电信号(此处为电流)传感器(3)测量焊接电弧电信号(6)；采用凹槽式光电开关(2‑1)和开孔/开槽的光栅盘(2‑2)检测旋转电弧处于焊接前方时的信号，即焊接电弧位置信号(5)；
    （2）将所采集的焊接电弧电信号(6)和焊接电弧位置信号(5)通过数据采集卡(8)接入到PC机(7)，并置模式选择器(9)为进入在线预测模式(10)；
    （3）在PC机中采用数据预处理模块(12)对数据采集卡(8)获取的当前电弧旋转周期焊接电弧电信号(6)进行预处理，获得适合粗糙集模型(13)的输入信号；
    （4）将上述得到粗糙集模型(13)输入信号，利用粗糙集模型(13)和不确定推理模块(14)，获得当前电弧旋转周期的焊缝偏差值(15)；其中不确定推理模块(14)采用将粗糙集模型(13)输入信号与粗糙集模型(13)中规则匹配，选择匹配度大于60%的最匹配的5条规则，取其预测值的加权平均；
    （5）考虑当前电弧旋转周期焊缝偏差值(15)和之前n个电弧旋转周期焊缝偏差值(16)，经过统计模块(17)，选择其算数平均值或权重平均值或出现频率最高的焊缝偏差预测值作为当前电弧旋转周期的最终焊缝偏差值输出(18)。此处n取值为10，统计模块(17)计算算术平均值。
    步骤（3）所述数据预处理模块(12)算法流程如图2所示，具体如下：
    1)利用焊接电弧位置信号(5)提取当前电弧旋转周期的焊接电弧电信号(6)；
    2)将该电弧旋转周期内的焊接电弧电信号(6)进行偶数等区间划分，提取每个区间的焊接电弧电信号(6)平均值和左右对应区间焊接电弧电信号(6)平均值的差值；此处偶数取为12；
    3)将上述每个区间焊接电弧电信号(6)平均值和左右对应区间焊接电弧电信号(6)平均值的差值进行离散化，即将连续属性值转换为离散属性值；此处采用基于熵的离散化算法对粗糙集决策表中的输入进行离散化，并根据其与输出的相关系数大小设定其停止条件；此处设置相关系数绝对值属于[0，0.3]时最大离散化断点数为2，相关系数绝对值属于（0.3，0.6]时最大离散化断点数为3，相关系数绝对值属于（0.6，1]时最大离散化断点数为4；
    4)将离散化后的一维数列输出。
    步骤（4）所述粗糙集模型获取步骤如图1所示，具体如下：
    a)根据焊缝偏差可能的取值范围，等距选择有限个值，预设这些焊缝偏差值分别进行焊接实验，此处设置焊缝偏差分别为+1mm、+0.5mm、0mm、‑0.5mm、‑1mm，其中正数为左偏，负数为右偏，并根据步骤（1）采集焊接电弧电信号(6)和焊接电弧位置信号(5)；
    b)将所采集的焊接电弧电信号(6)和焊接电弧位置信号(5)通过数据采集卡(8)接入到PC机(7)，并置模式选择器(9)为进入粗糙集建模模式(11)；
    c）在PC机(7)中采用数据预处理模块(12)对数据采集卡(8)获取的所有电弧旋转周期焊接电弧电信号(6)进行预处理，预处理后每个电弧旋转周期的输出信号作为一个样本输入，每个电弧旋转周期对应的预设焊缝偏差值作为一个样本输出，所有样本构成一个粗糙集决策表，即输入输出表；
    d)利用属性约简模块(19)对粗糙集决策表进行约简，去除粗糙集决策表中冗余的输入列，即属性项。
    约简算法采用基于区分矩阵算法，具体步骤如图3所示：
    i)计算粗糙集决策表的区分矩阵DM，统计各条件属性出现的概率，以此作为属性重要性；
    ii)提取区分矩阵DM中元素为单个条件属性的项，求取其并集，则得到粗糙集决策表的属性约简核，赋值给属性集D；
    iii)将所有与D的交集不为空的区分矩阵元素设置为空集；
    iv)若区分矩阵中元素全部为空集，则D为属性约简，结束程序；否则，转下一步；
    v)从区分矩阵中剩余的条件属性集E中按照属性重要性定义提取最重要的条件属性，赋值给a，并将所有与{a}的交集不为空的区分矩阵元素设置为空集，并将a添加到D中，并从E中删除，转第iv）步；
    e)针对步骤d）处理后的粗糙集决策表，采用属性值约简模块(20)去除粗糙集决策表中每个样本中的冗余输入项，即属性值项。属性值约简算法采用基于区分矩阵的算法，具体步骤如图4所示：
    (I)对于步骤d）属性约简后所得粗糙集决策表，选择一未选择的样本h，计算样本h区分矩阵DMh；
    (II)计算该区分矩阵中由单个条件属性组成元素的并集F，即为该样本的属性值约简核；
    (III)设置与F交集不为空的区分矩阵元素为空，保存此时的区分矩阵为
    (IV)若DMh为空矩阵，则F为该样本的一个属性约简，转步骤（V）；否则从矩阵中随机选择一个属性b，并设置区分矩阵中与{b}交集不为空的元素为空集，转步骤(IV)；
    (V)若已经求得k个该样本的属性值约简，则转步骤(VI)；否则，将赋值给DMh，转步骤(IV)；此处k取值为5。
    (VI)若粗糙集决策表的所有样本都已被选择，则粗糙集决策表的属性值约简求解结束，否则，转步骤(I)；
    f)针对步骤e)处理后的数据，利用规则约简模块(21)构建最小覆盖集合的规则集，即粗糙集模型(13)。
    规则约简算法采用基于区分矩阵的算法，具体步骤如图5所示：
    A)根据步骤e)计算的属性值约简，计算其区分矩阵DM3，统计各项出现的概率，以此作为属性重要性；
    B)提取区分矩阵DM3中元素为单个的项，求取其并集，则得到规则约简核，赋值给属性集G；
    C)将所有与G的交集不为空的区分矩阵元素设置为空集；
    D)若区分矩阵中元素全部为空集，则G为规则约简，结束程序；否则，转下一步；
    E)从区分矩阵中剩余项的集H中按照属性重要性定义提取最重要的项，赋值给c，并将所有与{c}的交集不为空的区分矩阵元素设置为空集，并将c添加到G中，并从H中删除，转第D)步。

    举报
    举报     版权申诉
    版权申诉     PDF格式文档无特别注明外均可编辑修改；预览文档经过压缩，下载后原文更清晰！ 立即下载
    关 键  词：
    基于 粗糙 旋转 电弧 气保焊 焊缝 偏差 识别 方法
      专利查询网所有文档均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论，赶快抢占沙发吧。

    关于本文
    本文标题：基于粗糙集的旋转电弧气保焊焊缝偏差识别方法.pdf
    链接地址：https://www.zhuanlichaxun.net/p-4727541.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
    经营许可证编号:粤ICP备2021068784号-1