水下濕法FCAW焊縫幾何尺寸的BP神經網絡預測

石永華，林水強

（華南理工大學機械工程學院，廣東 廣州510640）

水下濕法FCAW焊縫幾何尺寸的BP神經網絡預測

石永華，林水強

（華南理工大學機械工程學院，廣東 廣州510640）

水下焊接焊縫幾何尺寸的準確預測是水下焊接質量研究的基礎。由于環境惡劣，水下焊接往往達不到滿意的焊接質量，因此要進行水下焊接質量研究，而對水下焊接焊縫幾何尺寸的預測是必不可少的。基于神經網絡BP建立了水下焊接焊縫幾何尺寸的預測模型，也對該模型進行檢驗；此外還與回歸擬合方法進行預測準確性的比較；同時進行了敏感度分析。

水下焊接；神經網絡BP；敏感度

0 前言

水下濕法焊接的焊縫幾何尺寸對于水下焊接結構的力學性能有很大的影響，預測濕法焊接焊縫幾何尺寸可以指導水下焊接工藝參數的制定。但是，與陸上焊接相比，水下焊接過程涉及更為復雜的物理化學變化，焊接工藝參數、水的傳熱特性以及焊接過程中氣泡的產生與破裂、水的擾動等，都造成了水下濕法焊接過程的特殊性。這種特殊性影響焊接電弧的穩定性[1]，因而焊縫幾何尺寸也會隨之出現復雜性的變化。

對于復雜的非線性焊接系統，常用的焊接過程建模難以達到滿意的效果。如采用非線性擬合方法得到的公式，模型適應范圍窄，外界的變動常常使所建立的模型產生較大誤差。而人工神經網絡有很強的自學習、自適應和自組織能力，且具有簡單易用和黑箱控制的特點，能很好地處理非線性的焊接過程數據[2]。目前，雖然對于焊縫幾何參數預測已進行了一些研究[3]，但國內外對水下濕法焊縫幾何參數預測研究還未見報道。因此，建立水下濕法FCAW焊接焊縫幾何參數預測的人工神經網絡模型，可提高水下焊縫幾何參數預測的準確性，對水下濕法焊接工藝的制定具有重要的指導作用。

1 水下濕法藥芯焊絲焊接試驗

水下濕法藥芯焊絲焊接（FCAW）試驗在壓力艙內進行，水下焊接前向壓力艙內注入水，然后向艙內加注高壓氣體來模擬不同的水深（每0.1MPa壓力相當于10 m水深）。

對水下焊接焊縫幾何參數的BP神經網絡預測試驗主要考慮五個因素：電壓U、電流I、焊接速度v、CWTD和水深H。表征焊縫幾何尺寸的參數是熔寬、熔深和余高。選用五因素四水平正交試驗表L16（45）設計實驗方案，試驗參數及測量結果見表1。此外還進行了額加的7組試驗用于檢驗模型，見表2。

2 BP神經網絡的設計

BP神經網絡是一種基于誤差反傳的多層前饋網絡，各神經元接受前一層的輸入，并輸出給下一層，沒有層內聯接、隔層聯接和反饋聯接[4]。

分別用三個神經網絡模型來預測熔寬w、熔深d和余高h，焊縫預測的BP模型可以設計為一個五節點輸入層，一節點輸出，隱層節點數取10，取2個隱層[5]。所建立的BP模型如圖1所示。

通過建立的BP網絡模型，可做出訓練和檢驗樣本的實際值與預測值的比較圖，如圖2～圖4所示。可見，在訓練樣本中，預測值都與真實值一致；而在檢驗樣本中，預測值與真實值的誤差在一定范圍之內，說明所建立的BP神經網絡模型是比較準確的。

3 神經網絡與回歸分析的對比

利用回歸分析法建立熔寬w、熔深d和余高h與焊接電流I、電弧電壓U、焊接速度v、CWTD（D）、水深H之間的數學公式。根據表1的正交試驗數據并開發Matlab回歸分析程序，可建立以下的經驗公式

把所有樣本代入式（1）中可得出相應的熔寬，與BP神經網絡預測的熔寬相比較（見圖5），可見在訓練階段BP神經網絡預測值幾乎與實際值重合；而曲線擬合得到的熔寬預測值與實際值偏離較大。在檢驗階段，BP神經網絡預測值也與實際值走向相同，誤差控制在8%范圍；而曲線擬合得到的熔寬不穩定，最大誤差超過12%。從離散的程度來看，可采用方差分析中的方差和神經網絡BP得到的方差和為1.635 3；而曲線擬合的方差和為10.316 9，說明神經網絡BP的離散程度較小。

同樣，由圖6可見，在訓練階段BP神經網絡預測值也與實際值重合；而曲線擬合的熔深預測值與實際值偏離較大。在檢驗階段，BP神經網絡預測值與實際值趨勢相似，誤差控制在16%以內；而曲線擬合的熔深預測值的最大誤差達到28.3%。從離散的程度來看，BP神經網絡得到的方差和為0.689 6；而曲線擬合的方差和為3.4012，說明BP神經網絡的離散程度較小。

由圖7可知，在訓練階段，BP神經網絡預測值也與實際值重合；而曲線擬合的余高預測值與實際值偏差較大。在檢驗階段，BP神經網絡預測值與曲線擬合預測值都有一定的偏差。但整體來看，BP神經網絡對余高的預測曲線更貼近實際余高的曲線。從離散的程度來看，BP神經網絡得到的方差和為0.833 6；而曲線擬合的方差和為2.3326，也說明了BP神經網絡的離散程度較小。

4 焊縫尺寸影響因素的敏感性分析

所謂參數敏感性分析，就是先設定一系統，其系統特性為F=f（x1，x2，…，xn）（xi為參數），給定某一基準狀態X'=（x1'，x2'，…，xn'），其系統特性為F'=f（X'），令各參數在可能的范圍內移動，分析參數的變化對F的影響程度。繪制Δxi/xi'-F/F'（i=1，2，…，n）曲線，曲線斜率的定義為敏感度系數，而敏感度系數是反映各參數對系統特性的影響程度[6]。

在焊縫預測中，熔寬、熔深、余高是焊縫的主要參數，因此分別將其作為系統特性，而其影響參數為電壓、電流、速度、CTWD和水深。設置焊接穩定的參數為基準狀態，即電流I=310 A，電壓U=30 V，速度v=10 mm/s，CTWD=20 mm和水深H=20 m。電流280～340A，電壓28～32V，焊接速度6～12mm/s，CTWD為18～24 mm，水深0.1～60 m。在其他參數不變、只變動一個參數的條件下，從BP神經網絡獲得的進而根據這些數據可繪制Δxi/xi'-F/F'（i=1，2，…，n）曲線[F分別代表熔寬w，熔深d和余高h，而xi分別代表電流I，電壓U，速度v，導電嘴CTWD和水深H]，如圖8所示。

圖8a是電流的ΔIi/Ii'-F/F'曲線，從斜率大小可知電流對熔寬、熔深和余高的敏感度。紅色曲線斜率絕對最大，即電流對熔深的影響力最大，其次是熔寬，而對余高影響最小。圖8b是電壓的ΔUi/Ui'-F/F'曲線，藍色曲線斜率絕對最大，即電壓對余高的影響力最大，其次是熔深，而對熔寬影響最小。圖8c是焊接速度的Δvi/vi'-F/F'曲線，黑色曲線斜率絕對最大，即速度對熔寬的影響力最大，其次是熔深，而對余高影響最小。圖8d是CTWD的ΔDi/Di'-F/F'曲線，黑色曲線斜率絕對最大，即對熔深的影響力最大，其次是熔深，對余高影響最小。圖8e是水深ΔHi/Hi'-F/F'曲線，紅色曲線斜率絕對最大，即速度對熔寬的影響力最大，其次是余高，而對熔寬影響最小。

通過圖8的曲線斜率計算出電流敏感度Si、電壓敏感度Su、速度敏感度Sv、CTWD敏感度SD和水深敏感度SH，如圖9～圖11所示。

由圖9可知，對于熔寬的影響，電流的敏感度最大，其次是焊接電壓和速度對熔寬的影響較小，而水深對熔寬的最小。由圖10可知，對于熔深的影響，電流的敏感度最大，其次是電壓，接著是CTWD，再者是速度，而水深對熔深的影響也是最小。由圖11可知，對于余高的影響，電壓的敏感度最大，其次是電流，而CTWD、速度和水深對熔深的影響都很小。

5 結論

研究了基于BP神經網絡的水下濕法FCAW的焊縫幾何尺寸預測數學模型：

（1）用BP神經網絡建立了熔寬、熔深和余高的模型，并對預測模型進行了檢驗和誤差分析。通過與曲線擬合方法得到的熔寬、熔深和余高預測值進行比較，表明BP神經網絡模型對水下濕法FCAW焊縫幾何尺寸的預測更為準確，誤差更小。

（2）進行了五個焊接工藝參數對焊縫幾何參數的敏感度分析，分析了各因素對熔寬、熔深和余高的影響，以及隨著這些因素的變化，熔寬、熔深和余高的變化趨勢，結果表明電流對熔寬和熔深的敏感性最大，電壓對余高的敏感性最大。

[1] 石永華，鄭澤培，黃 晉.水下濕法藥芯焊絲焊接電弧穩定性研究[J].焊接學報，2012，33（10）：49-53.

[2] 李曉峰，徐玖平.BP人工神經網絡自適應學習算法的建立及其應用[J].系統工程理論與實踐，2004（5）：1-8.

[3] 于秀萍，孫 華，趙希人，等.基于人工神經網絡的焊縫寬度預測[J].焊接學報，2005，26（5）：17-19.

[4] 裴浩東，樊 丁.人工神經網絡及其在焊接中的應用[J].甘肅工業大學學報，1996，22（1）：1-5.

[5] 余圣甫，李志遠，王福德，等.基于人工神經網絡的藥芯焊絲焊接工藝研究[J].華中理工大學，2000，28（4）：1-3.

[6] 夏元友，熊海豐.邊坡穩定性影響因素敏感性人工神經網絡分析[J].巖石力學與工程學，2004，23（16）：2703-2707.

Geometry dimensions prediction of underwater wet FCAW weld based on BP neural network

SHI Yong-hua，LIN Shui-qiang
（SchoolofMechanicalandAutomotiveEngineering，SouthChinaUniversityofTechnology，Guangzhou510640，China）

The accurate prediction of Underwater welding weld geometry dimensions is the basis of the study of underwater welding quality.Because of the bad environment,the underwater welding often cannot achieve satisfactory welding quality,therefore must carry on the underwater welding quality research,and the prediction of underwater welding weld geometry parameters is essential.This article is based on BP neural network to establish the forecast model of underwater welding weld geometry parameters,at the same time to test the model.In addition with the prediction accuracy are compared with the curve fitting,and sensitivity analyses.

underwater wet welding；BP neural network；sensitivity

TG456.5

：A

：1001-2303（2014）02-0009-05

10.7512/j.issn.1001-2303.2014.02.02

2013-06-25

國家自然科學基金資助項目（51175185，50705030）

石永華（1973—），男，副教授，博士，主要從事水下焊接及自動化的研究工作。