用于對用激光對接焊的板或帶上的焊縫進行質量檢驗的方法和裝置的制作方法

專利名稱：用于對用激光對接焊的板或帶上的焊縫進行質量檢驗的方法和裝置的制作方法
技術領域：
本發(fā)明涉及用于對用激光對接焊的板或帶上的焊縫進行質量檢驗的方法，其中多個傳感器數據由至少兩個圍繞焊接處設置的傳感器測得，并且傳感器數據被送到至少一個用于對焊縫進行質量檢驗的綜合和相關的測量數據處理器作為輸入值，其中傳感器數據由至少一個設置在焊接處，收集焊接等離子體的傳感器測得，其中傳感器數據由至少一個設置在焊接處后面的傳感器測得，其中在相關和綜合的測量數據處理時至少兩個傳感器的多個傳感器數據分別作為至少一個數據處理的輸入值被輸入，其中關系到同一地點的傳感器數據的數據處理的結果被存儲在一個存儲器單元中。
EP0655294公開的方法中激光焊接的焊縫質量借助于同時進行的溫度測量來確定。為此借助于高溫測定的溫度測量獲得特征的，對過程敏感的數據，并用于質量檢驗。在此方法中在焊縫的至少兩個規(guī)定的位置上借助于最好快速的高溫計進行溫度測量。各個高溫計測得的信號借助于一個電子信號處理器被關聯。此外由激光焊縫設備按標準獲得的測量值被輸出和與高溫計測量值進行邏輯運算。這個綜合和相關的測量數據處理器使得可以借助測得的過程值進行焊縫的質量檢驗。
這種方法的缺點在于，隨著被測過程值數量的增長，由于它們在焊接過程中的相互影響，通過一個基于規(guī)則的模型進行分析是困難的。
由Sepold，Egler的文章“大結構激光材料處理的前景”，第12次國際會議(LASER95)報告，1995第275-284頁，可知激光材料處理設備的系統(tǒng)智能由于利用傳感器而被提高，從而可以在線響應過程—和工件的不規(guī)律性。為此建議在激光處理位置之前、之上和之后設置一個傳感器，并且送測量值給一個處理計算機。
此方法的缺點是測量數據處理器只能靜態(tài)地響應已知的系統(tǒng)狀態(tài)。在未知狀態(tài)下靜態(tài)測量數據處理器失去作用。
由“焊接與切割”1997年第二冊第75-80頁的文章“通過人造神經網絡在金屬—防護氣焊時進行在線質量檢驗”一文，公開了在激光焊接中采用人造神經網絡。為了質量檢驗，焊縫上的數據被一個人造神經網絡處理。神經網絡可以基于其結構處理多個測量數據。此外，當出現未知的系統(tǒng)狀態(tài)時它們也可以進行焊縫的質量檢驗。
這種方法的缺點在于，不可能判斷各個測量數據對焊縫質量的影響?，F有的神經網絡只提供好/壞判決作為結果，使用者不知道各個測量數據對判決結果有什么影響。
本發(fā)明的目的在于進行焊縫的現代化的質量檢驗，它使得焊接結果的實時真實的分析成為可能。
上述任務是如此實現的存儲的數據作為輸入值被送給至少一個具有基本上分層網絡結構的可訓練的人造神經網絡，此具有基本上分層網絡結構的至少一個可訓練的人造神經網絡由至少兩個基本獨立的、可訓練的人造神經子網絡構成，第一個人造神經子網絡由至少兩個獨立的人造神經子網絡組成，這些第一個人造神經子網絡分別被饋給數據處理的結果作為其輸入值，第二個人造神經子網絡被饋給第一個人造神經子網絡的結果作為其輸入值，并且至少一個人造神經網絡的結果被用于質量檢驗。
本發(fā)明方法使得對激光焊縫的現代化質量檢驗成為可能，其中至少一個分層的人造神經網絡被用于處理多個傳感器數據。業(yè)已表明，對結論最有意義的是在焊接等離子體和焊縫幾何位置之上的傳感器數據。由存儲器單元將從屬于一個焊接地點的傳感器數據并行地送到人造神經網絡。這樣從屬于各個焊縫地點的信號的地點相關可被人造神經網絡進行。通過利用第二個獨立的人造神經網絡，在第一個人造神經網絡中數據量被壓縮到一個最小值并且在第二個人造神經網絡中這些數據被相互相關。此外，這樣也可以將第一個人造子網絡的結果相互分開考慮，并且必要時用于控制不同的焊接機參數。此外，這些結果可以被存儲，并且對于以后出現的焊縫故障可借助于這些數據來尋找原因。這在產品保險的情況下是有好處的。通過利用具有分層網絡結構的人造神經網絡可以利用非常多的傳感器來判斷質量，并且多個傳感數據可以它們的多種組合可能性被利用。因此除了可評估過程參數外也可評估機器參數，如激光器的參數，例如功率，模式、功率分布，聚焦位置，以及焊接設備的參數，例如壓力，防護氣焊縫冷卻和進料速度。外界影響，例如它能損傷傳感器的功能，也可參與評估。其中在生產車間中的照度和溫度被考慮。此外，對于有噪聲的信號也得到友好的結果。
增加一個傳感器用來收集縫幾何形狀的方法是有優(yōu)點的，其中傳感器設置在焊接地點之前，借助于這個傳感器，焊接前的棱角偏差被收集，這樣可以判斷焊接質量與棱角偏差的關系，此外借助此信息可在焊接過程中重新調整板的相互位置。
關于焊接的質量結論與接縫間隙的依賴關系可以用以下方法得到，其中在焊接地點之前增加設置一個傳感器，它被用來收集接縫間隙。借助于此傳感器來收集焊接前接縫間隙的大小。此外也可借助于此關于接縫間隙的信息在焊接過程中進行重新調整。
按照本發(fā)明的另一設計，一個傳感器被用來收集焊接地點后面不遠處的焊縫溫度。
如果每個第一個人造神經子網絡由三層構成，可以有效和快速評估傳感器數據，其中第一層由一個神經構成，第二層由多個神經構成，并且第三層由一個神經構成。此外利用一個過程參數使關于故障概率的判斷自動化進行。
按照另一個方案，第二個人造神經子網絡由三層構構成，基中第一層由多個神經構成，第二層由多個神經構成，而第三層由一個神經構成。這樣，存在多個輸入神經，第一個神經子網絡的大多數的輸出并行地饋給第二個公共的人造神經子網絡。這使得各個傳感器數據相互間的并行相關成為可能，從而可以考慮多個傳感器數據對焊縫進行質量判定。第三層的一個輸出神經提供一個信號，它使得激光焊接的焊縫的質量判定成為可能。
此外，人造神經網絡的學習過程借助于回傳(Backpropagation)學習算法進行，其中第一個人造神經子網絡以0.01至0.1之間的學習率η和0.1至0.6之間的動量α被調節(jié)，并且第二個人造神經子網絡以學習率η和動量α被調節(jié)，它們基本上適配于人造神經子網絡的輸出的故障函數的梯度分布。人造神經子網絡的故障函數例如如此構成實際輸出和額定輸出之差的平方和被求出。子網絡的各個神經單元的權重在學習過程中不斷被適配，使得此故障函數達到最小。第一和第二個子網絡不間斷地被適配。在訓練之前找到的網絡結構在測試階段保持不變。借助于一個合適的學習算法，第二個神經子網絡的學習率和動量可適配于故障函數的梯度分布，其結果是故障函數的粗略最小值以大概率被找出并且故障函數的局部最小值被忽略。
為了從傳感器數據中濾出關于質量評估的信息，在數據預處理時進行傳感器數據的特征提取。這樣實現巨大的數據壓縮，這導致在被接通系統(tǒng)中的一個加速的計算，此計算使得現代化的質量判定成為可能。
在對代表縫寬的傳感器數據進行特征提取時，設置在焊接地點前面的一個傳感器所測得的傳感器數據作為輸入值饋入一個誤差抑制，誤差抑制的結果作為輸入值送到一個基本上可自由定義的窗平均(Fenstermittelung)，并且構成窗平均結果的差。誤差抑制濾去由錯誤的測量所產生的傳感器數據。窗平均用于抑制傳感器數據中的噪聲影響。通過構成差值可以還原關于縫寬的數據。
此外在提取代表等離子體強度的傳感器數據特征時，由等離子體強度傳感器測得的傳感器數據作為輸入值被送到一個窗口變換。窗口變換允許從測得的等離子體強度數據中濾出對判斷焊縫質量關系重大的數據。
按照本發(fā)明另一有優(yōu)點的設計，在提取代表焊縫入侵度的傳感器數據特征時，由一個幾何傳感器測得的傳感器數據作為輸入值被送到一個窗平均。通過不同的窗平均的窗寬度，局部的，以及有傾向的信號變化可以合乎目的地被評估。
本發(fā)明方法的另一個設計是在提取代表棱角情況的傳感器數據的特征時，由一個幾何傳感器測得的傳感器數據被作為輸入值送給一個平均值變換，并且平均值變換的結果被送到一個窗平均。通過平均值變換，可以調整信號在總平均值上下。窗平均可以濾出棱角偏差的傾向性變化。棱角偏差不僅可在焊接之前，而且也可在其后被測量。尤基是在圓弧焊時可以僅借助于一個幾何傳感器不僅測量焊接前的，也測量焊接后的棱角偏差。
為了限制各個傳感器數據的誤差值在一個公共的數值范圍內，第一個人造神經子網絡的結果被數值范圍歸一化，并且被送到第二個人造神經子網絡。這些數值范圍的最大值可以表示例如局部測得的過程參數的一個最大的故障概率。
本發(fā)明的另一主題是一個裝置，其特征在于，至少兩個用于收集傳感器數據的傳感器被設置在焊接地點附近。其中一個收集焊接等離子體的傳感器被設置在焊接地點處，并且一個收集焊縫幾何特性的傳感器被設置在焊接地點之后，傳感器數據給一個數據預處理作為輸入值，存儲單元存儲用于相同地點的數據處理結果，存儲單元中的登錄項用作基本上可訓練的人造神經網絡的并行輸入值，并且神經網絡的結果用于焊縫的質量判定。通過并行的傳感器收集以及通過一個基本上可訓練的、人造神經網絡的計算，現代化的焊縫質量判定是可能的。
在本發(fā)明裝置的一個方案中在焊接地點之前設置一個幾何傳感器。此外可在焊接地點上設置一個高溫傳感器。在焊接地點之前設置一個裂縫傳感器是有好處的。設置多個傳感器使得在焊接的同時收集多個過程參數成為可能。此外，質量判定依賴于有多少不同的過程參數被測量，從而裝置必須如此被設計，使得多個傳感器信號能被接收和處理。
下面借助附圖所示實施例詳細說明本發(fā)明。
附圖中

圖1示出一個用于對一個焊縫進行質量檢驗的裝置，圖2示出一個人造神經網絡的分層網絡結構，圖3示出第一個人造神經子網絡的結構，圖4示出傳感器數據的窗變換，圖5示出第二個人造神經子網絡的結構，
圖6示出本發(fā)明方法的簡化框圖。
圖1示出用于對用激光對接焊的板或帶的焊縫進行質量檢驗的裝置的第一個實施例。兩個相互對接焊的板或帶100，102用一個圖中未示出的傳送—和對縫裝置以規(guī)定的接縫104以傳送方向F被傳送到激光焊接設備的焊頭112的下面。在焊頭112的區(qū)域中板100、102在一個焊縫中用一個激光束L相互對接焊。
沿著焊縫106或接縫104設置傳感器108，110，114和116。傳感器108收集在焊接前接縫104的幾何形狀。并且板的垂直棱角偏差被傳感器108測量。傳感器110收集接縫104的縫寬。同時板100，102的距離被適合此工作的傳感器測量，它們例如按照光切割—或穿透光方法工作。傳感器114用于收集激光焊接射束L的等離子體強度。幾何傳感器116用于收集在焊接之后焊縫106的棱角偏差和焊縫入侵度。在圓弧焊時(圖中未示出)接縫104的幾何形狀以及焊縫106的幾何形狀僅用一個傳感器收集。此外借助于一個高溫傳感器(圖中未示出)獲得焊接溫度。
由傳感器108，110，114和116收集的傳感器數據被數據預處理單元118，120，122和124以規(guī)則的時間間隔查詢。查詢頻率在各個數據預處理單元中在幾赫茲至數千赫茲之間。
傳感器108測得的數據被數據預處理單元118以規(guī)則的時間間隔讀入。對于由傳感器108測得的棱角偏差，這些傳感器數據在窗口寬度上的算術平均值借助于一個窗平均被計算。計算的各個窗口的算術平均值被調整到總平均值上下。
由數據預處理單元120讀入的接縫傳感器110對于接縫104的右棱角和左棱角的位置的傳感器數據借助于內插和線性多項式被重構，因為由于有誤差的測量，傳感器信號與實際的焊縫形狀有大的偏差。由重構的傳感器數據借助于窗平均構成一個算術平均值。由如此得到的接縫104的右及左棱角的傳感器數據求出差值，它給出關于縫寬大小的信息。
由等離子體傳感器114測得的傳感器數據被數據預處理單元122讀入，它按圖4所示過程工作。其中傳感器數據被送到輸入端400，在單元402中借助于一個窗平均，由這些傳感器數據計算出每最后10個測得的傳感器數據的算術平均值。在單元404中計算實際測得的傳感器值和單元402的計算結果之差。在單元406中，計算單元404的輸出信號的總平均值。由單元406的輸出值，在單元408中計算粗略的標準偏差。在單元410中借助于一個窗平均計算單元404的最后10個結果的算術平均值。單元412借助單元410和404的結果計算局部的標準偏差。在單元414中計算單元404的輸出和單元410的輸出之間的最大差別。在單元416中如此計算數據預處理的結果單元414的結果與單元412的結果相乘，并且如此求出的值被單元408的結果除。
由數據預處理單元124讀入的傳感器116傳感器數據被進行一個用于構成平均值的窗變換。這里窗口寬度可如此調整，在平均值計算中不僅局部的，而且傾向性的焊縫106的縫入侵度變化被顯現出來。在10個數據點的窗口寬度下，在縫入侵度短時間變化時給出比10個數據點的窗口寬度時更強的算術平均值變化。
借助于數據預處理單元118、120、122和124計算出的值被存儲在存儲單元119、121、123和125中。借助于這些存儲單元可以將從屬于同一焊縫點的所有傳感器的數據在相同的時刻饋送給人造神經網絡128。因為一個焊縫點被傳感器108至116測得的傳感器數據是在不同時刻測量的，傳感器數據以不同的間距被數據預處理單元118，120，122和124查詢，并且不同傳感器數據的數據預處理分別要求不同的計算開銷，屬于一個焊縫點的數據不同時出現在數據預處理單元118，120，122和124的輸出端。通過數據在單元119，121，123和125中的存儲，這些時間上的偏離被均衡掉，使得人造神經網絡128在同一時刻收到一個焊接點的數據。這樣由人造神經網絡128進行傳感器數據的相關是可能的。存儲器單元119，121，123和125由公共的時鐘信號CLK控制。屬于一個焊縫點的存儲數據在時鐘信號出現時被送到可訓練的人造神經網絡128。在此人造神經網絡128中由數據預處理單元118，120，122和124輸出的數據計算一個輸出信號130，借助于它的幫助得出關于焊縫質量的結論。
圖2示出具有基本上分層的網絡結構的可訓練的人造神經網絡128。神經網絡128由多個第一人造神經子網絡218，220，222和224以及一個第二人造神經子網絡242組成。數據預處理單元118，120，122和124的結果，被分別送到一個第一人造神經子網絡218，220，222或224。
第一人造神經子網絡218，220，224和226的網絡結構示出在圖3中。它由一個輸入層316，一個被遮蓋的層318以及一個輸出層320組成。輸入層316由一個輸入神經300組成。第一人造神經子網絡的輸入值301，即數據預處理單元的輸出值被輸入神經300以不同的權重分配到被遮蓋的層318的多個神經上。被遮蓋的層318由多個神經302-312組成。
借助于激活函數，由各單個神經的計權的輸入信號確定輸出信號的大小。激活函數可以是例如一個反曲函數(Sigmoidalfunktion)或一個正切雙曲函數(Tangenshyperbolicusfunktion)。
由被計權的輸入信號和一個門限值的和作為一個激活函數的輸入值計算輸出信號的大小如下Yj＝Fj(∑ωij*Xi+θj)其中，Yj輸出信號的值，Fj激活函數，ωij輸入信號的權重，Xi神經的輸入信號，θj神經的門限值。
被遮蓋的層318的神經的輸出信號被送給輸出層的神經314。這里也借助于輸入信號的權重，一個激活函數和一個門限值計算輸出信號316的值。
第一人造神經子網絡218-224的輸出分別被歸一化。通過歸一化，第一人造神經子網絡218-224輸出被歸一化到例如0至1的范圍內，這樣第一人造神經子網絡218-224的輸出可被看作局部故障值。例如人造神經子網絡224的輸出值為1，則意味著縫入侵度的故障概率為100％。人造神經子網絡218的輸出值為0.5意味著由幾何傳感器測得的，對應于第一人造神經子網絡218的過程參數棱角偏差概率為50％。
各個局部故障概率被并行地送給第二人造神經網絡242。
第二人造神經子網絡242的結構如圖5所示。第二個人造神經子網絡242由一個輸入層516，一個被遮蓋的層518以及一個輸出層520組成，輸入層516由多個神經532，534，536和538組成，第二人造神經子網絡242的輸入層516的神經的輸入值是第一人造神經子網絡232-238的相應的歸一化輸出值。在神經532-538中也借助于一個激活函數以及輸入信號的權重和一個門限值求出輸出信號值，就像借助于圖3所說明的那樣。
在被遮蓋的層518中有多個神經502-512，輸入層516的所有神經532-538的輸出信號被送給這些神經。
所有神經502至538的輸入被計權。借助于一個激活函數和一個門限值計算神經502至538的輸出信號。
在輸出層520中僅有一個神經514，被遮蓋的層518的神經502-512的輸出信號被送給它，這里輸入信號也被計權，被計權輸入信號的和與一個門限值相加，并且相加結果被用作為激活函數的輸入值。由此得到的輸出值被用作焊縫的質量評估，在第一人造神經子網絡218-224以及第二人造神經子網絡242中的神經的各個權重在訓練階段如此被建立，使得人造神經網絡128的結論模仿一個人工考察者的評估結果。借助于參考焊接，可以在人造神經網絡128的輸出端進行額定值/實際值比較，并且借助于回傳學習算法調整權重。
第二人造神經子網絡242由多個輸入值求出一個輸出值244，它使得評估焊縫質量成為可能。各個過程參數間的相互作用被第二人造神經子網絡242考慮。從而這是可能的過程參數縫偏差的故障概率為80％，然而通過與其它過程參數的共同作用，焊縫的總故障概率為10％。
各方法步驟以其邏輯順序被示于圖6中，首先傳感器數據600被不同的傳感器，如幾何傳感器，縫寬傳感器，高溫傳感器或等離子體傳感器收集。這些傳感器數據被送去由人造神經網絡602進行數據分析。借助于人造神經網絡求出的值可進行焊縫評估604。此外關于焊接設備狀態(tài)例如進料速度，焊縫冷卻，焊接功率或墳力的判斷是可能的。焊縫評估的結果以及傳感器數據被存儲在數據庫608中。在數據庫608中存儲的數據組被用于生產和設備評估，此外這些數據在可能發(fā)生的產品責任情況下被用作證據。這些數據也可作為用于證明質量的證據。
焊縫評估604的結果被用于構造一個調整回路610，數據一方面用于調整設備603a，另一方面用于調整激光器603b。設備調整包括焊接設備的調整，如壓力，防護氣體的饋送，焊縫冷卻以及被焊板的進料速度。激光器的調整603b包括焊接功率，焊接溫度，功率分布以及焊束的聚焦位置的調整。因而借助本發(fā)明方法一方面可以評估產品質量，與一方面可以在線調整設備參數。
權利要求
1.用于對用激光對接焊的板或帶上的焊縫進行質量檢驗的方法，—其中多個傳感器數據由至少兩個設置在焊接地點附近的傳感器測得，—其中傳感器數據被作為輸入值送給至少一個綜合和相關測量數據處理器，以對焊縫進行質量評估，—其中傳感器數據被至少一個設置在焊接地點上的收集等離子體的傳感器測得，—其中傳感器數據被至少一個設置在焊接地點之后，收集焊縫幾何形狀的傳感器測得，—其中在進行相關和綜合的測量數據處理時，至少兩個傳感器的多個傳感器數據分別被作為輸入值送給數據預處理電路，—其中對應于同一地點的傳感器數據的數據預處理的結果被相應存儲在一個存儲器單元中，其特征在于，—被存儲的數據作為輸入值被送給至少一個具有基本上分層的網絡結構的可訓練的人造神經網絡，—至少一個具有基本上分層的網絡結構的可訓練的人造神經網絡由至少兩個基本上獨立的可訓練的人造神經子網絡構成，—第一人造神經子網絡由至少兩個獨立的人造神經子網絡構成，—數據預處理的結果分別被作為輸入值送給第一人造神經子網絡，—第一人造神經子網絡的結果被作為輸入值送給第二人造神經子網絡，并且—至少一個人造神經網絡的結果被用于質量檢驗。
2.如權利要求1所述的方法，其特征在于，一個傳感器被用于收集縫幾何形狀，該傳感器被設置在焊接地點之前。
3.如權利要求1至2中任一項所述的方法，其特征在于，一個傳感器被用于收集接縫間隙，該傳感器被設置在焊接地點之前。
4.如權利要求1至3中任一項所述的方法，其特征在于，一個傳感器被用于收集高溫溫度，此傳感器設置在焊接地點之后不遠處。
5.如權利要求1至4中任一項所述的方法其特征在于，每個第一人造神經子網絡由三層構成，其中第一層僅由一個神經構成，第二層由多個神經組成，而第三層僅由一個神經組成。
6.如權利要求1至5中任一項所述的方法其特征在于，第二人造神經子網絡由三層組成，其中第一層由多個神經組成，第二層由多個神經組成，而第三層只由一個神經組成。
7.如權利要求1至6中任一項所述的方法，其特征在于，人造神經網絡的學習過程借助于一個回傳學習算法進行，其中第一人造神經子網絡以0.01至0.1之間的學習率η和0.1至0.6之間的動量α被調整，第二人造神經子網絡以學習率η和動量α被調整，它們基本上適配于人造神經子網絡的輸出的故障函數的梯度變化。
8.如權利要求1至7中任一項所述的方法，其特征在于，在數據預處理時進行傳感器數據的特征提取。
9.如權利要求8所述的方法，其特征在于，在對反映縫寬的傳感器數據進行特征提取時，由設置在焊接地點的傳感器測得的傳感器數據被作為輸入值送給一個誤差抑制電路，誤差抑制的結果被作為輸入值送給一個基本上可自由定義的窗平均電路并且窗平均的結果的差被構成。
10.如權利要求8或9所述的方法，其特征在于，在對代表等離子體強度的傳感器數據進行特征提取時，由等離子體強度傳感器測得的傳感器數據被作為輸入值送給一個窗口變換電路。
11.如權利要求8至10中任一項所述的方法其特征在于，在對代表縫入侵度的傳感器數據進行特征提取時，由幾何傳感器測得的傳感器數據被作為輸入值送給一個窗平均電路。
12.如權利要求8至11中任一項所述的方法，其特征在于，在對代表棱角偏差的傳感器數據進行特征提取時，由幾何傳感器測得的傳感器數據被作為輸入值送給一個平均值變換電路，并且平均值變換的結果被送給一個窗平均電路。
13.如權利要求1至12中任一項所述的方法其特征在于，第一人造神經子網絡的結果分別被歸一化(參見說明上第14頁上發(fā)明人的提示)，并且歸一化結果被送給第二人造神經子網絡。
14.主要是用于完成權利要求1至13中任一項所述的方法的裝置，其特征在于，—至少兩個用于收集傳感器數據的傳感器被設置在焊接地點附近，—其中收集焊接等離子體的傳感器被安裝在焊接地點上，并且—其中收集焊縫幾何形狀的傳感器被安裝在焊接地點之后，并且—傳感器數據分別被用作一個數據預處理的輸入值，—對應于同一地點的傳感器數據的數據預處理結果存儲在存儲器單元中，—存儲器單元的內容用作一個基本上可訓練的人造神經網絡結構的并行輸入值，—至少一個具有基本上分層網絡結構的可訓練的人造神經網絡具有至少兩個基本上獨立的人造神經子網絡，—第一人造神經子網絡具有至少兩個獨立的人造神經子網絡，—第一人造神經子網絡分別處理作為輸入值的數據預處理結果，—第二人造神經子網絡處理作為輸入值的第一人造神經子網絡結果，并且—神經網絡結構的結果用于焊縫的質量評估。
15.如權利要求14所述的裝置，其特征在于，一個幾何傳感器基本上被設置在焊接地點之前。
16.如權利要求14或15所述的裝置，其特征在于，一個高溫傳感器被設置在焊接地點上。
17.如權利要求14至16中任一項所述的裝置，其特征在于，一個縫傳感器被設置在焊接地點之前。
全文摘要
本發(fā)明涉及用于對用激光對接焊的板或帶上的焊縫進行質量檢驗的方法,其中多個傳感器數據由至少兩個設置在焊接地點附近的傳感器測得,并且傳感器數據被作為輸入值送給至少一個進行綜合和相關的測量數據處理電路,以對焊縫進行質量評估。對于焊縫的現代化質量檢驗,它使得實時分析焊接結果成為可能一存儲的數據被作為輸入值送給一個具有基本上分層網絡結構的可訓練人造神經網絡,至少一個具有基本上分層網絡結構的可訓練人造神經網絡由至少兩個基本獨立的,可訓練人造神經子網絡構成,第一人造神經子網絡由至少兩個獨立的人造神經子網絡構成,數據預處理的結果分別被作為輸入值送給第一人造神經子網絡,第一人造神經子網絡的結果被作為輸入值送給第二人造神經子網絡,并且至少一個人造神經網絡的結果被用于質量檢驗。
文檔編號B23K31/00GK1384772SQ00814905
公開日2002年12月11日 申請日期2000年11月10日 優(yōu)先權日1999年11月27日
發(fā)明者格萊格·埃瑟, 馬丁·考克, 托馬斯·斯特格曼－奧阿基 申請人:蒂森克魯伯鋼鐵股份公司