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％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，