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％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：2007—03—29
·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)= 1 i z_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 n 0， (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：
max l Σ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
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)=( · ) )p
rbf(radial basis function)核函数：k( ，xi)=exp(--t l 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
差动位移传感器采集电极位移信号，数据采集系统由12位的
ac6115 a／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40 khz。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1．0 mm低碳钢板标准试样搭接试验，给定焊接
电流5．7 ka。电极压力3．1 kn，焊接时间20周波的信号采样图。
之
脚
：i 一
0