基于神經網絡的X65管線鋼閃光焊接頭性能預測

盛 安，高世一，張 鴻，劉正林

(1.中南大學材料科學與工程學院，湖南 長沙 410083;2.廣州有色金屬研究院 廣東省現代焊接技術重點實驗室，廣東 廣州 510650)

0 前言

近年來，隨著油氣管道需求的猛增［1］，國內外已經開發出了多種高強度管線鋼。管線鋼焊接方法主要有根焊道技術、TIG焊、閃光對焊等。管道閃光對焊作為一種自動化焊接方法，焊接質量穩定可靠、焊接效率高，因此在該領域具有廣闊的應用前景。

管道閃光焊焊接質量與多個工藝參數有關，工藝參數與焊接質量之間是一個復雜的非線性關系，難以直接建立數學模型。而人工神經網絡具有非線性映射能力，因此可以用來解決X65管線鋼閃光焊焊接質量預測問題。

目前，國內已有人采用人工神經網絡建立了多種焊接質量預測模型。如呂其兵等人建立了基于BP人工神經網絡的鋼軌交流閃光焊焊接接頭預測模型［2］;顧玉芬等人建立了基于神經網絡的低合金鋼接頭性能預測模型［3］;張永志使用徑向基神經網絡建立了TC4鈦合金TIG焊焊接工藝參數與焊接接頭力學性能關系的網絡模型［4］等。本研究將采用BP神經網絡搭建X65管線鋼閃光焊焊接工藝參數與焊接接頭彎曲試驗結果關系的網絡模型。

1 BP神經網絡

BP神經網絡是一種多層前向型神經網絡。BP網絡的基本思想是:學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱含層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱含層向輸入層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習訓練次數為止。

2 預測模型建立

2.1 焊接接頭力學性能特征量確定

管道閃光焊焊接接頭力學性能受多個因素影響，如焊接電流、閃光速度、焊接接頭溫度場及頂鍛量等。當焊接接頭溫度高、加熱區寬而頂鍛量又較小時，焊接接頭端面的夾渣難以擠出;當焊接接頭溫度低、加熱區窄而頂鍛量又較大時，焊接接頭容易形成裂紋。而影響焊接接頭溫度場的因素并不是唯一的。激發閃光階段和穩定閃光階段的燒化量決定了對應階段閃光時間長短，燒化量大則一定程度上延長了閃光時間，增加了接頭的能量輸入。快速閃光階段對溫度場影響更加明顯，該階段的閃光不僅使得接頭端面趨于平整，同時使端面各個部位的溫度相近，溫度場趨于平穩。故選擇激發閃光階段和穩定閃光階段的燒化量以及快速閃光階段的閃光時間作為特征量。頂鍛階段是焊接接頭成型的最終階段，通過給待焊管道施加足夠的頂鍛力，使接頭端面的夾渣隨液態金屬擠出，從而獲得優質的焊接接頭。而頂鍛量大小決定了焊接接頭能否徹底擠出夾渣，消除缺陷。帶電頂鍛產生的熱量使接頭端面冶金過程順利進行，確保最終獲得牢固的焊接接頭。因此，將頂鍛量和帶電頂鍛時間也作為力學性能特征量。

綜上所述，最終確定激發閃光階段燒化量、穩定閃光階段燒化量、快速閃光階段閃光時間、頂鍛量以及帶電頂鍛時間為焊接接頭力學性能特征量。

2.2 網絡結構

由前面確定的接頭力學性能特征量可以知道，輸入層共含有五個節點，分別與五個特征量對應。輸出層輸出的是接頭的力學性能指標，故確定為一個節點，表示彎曲試驗結果。

隱含層節點數對于整個BP神經網絡來說至關重要。隱含層節點數過多將增加網絡訓練時間，降低網絡泛化能力;隱含層節點數過少，網絡從樣本中獲取信息的能力就差，需要進行多次訓練或在規定訓練次數內無法達到指定精度。本試驗將采用“試湊法”確定最佳隱含層節點數，即先確定隱含層節點數大致范圍，然后一個個對其建立網絡，比較網絡性能，再從中確定一個最優的節點數。通過查閱相關文獻［6］，確定隱含層節點數經驗公式為

式中 n為隱含層節點數;n0、n1分別為輸入層和輸出層節點數;a為1～10之間的任意常數。

X65管線鋼閃光焊焊接接頭彎曲試驗結果預測模型的網絡結構如圖1所示。

圖1 X65管線鋼焊接接頭彎曲試驗結果預測模型網絡結構示意

圖1中，X向量表示BP網絡的輸入向量，X1～X5分別代表第一階段燒化量、第二階段燒化量、第三階段閃光時間、帶電頂鍛時間、頂鍛量，X0=－1是為隱含層神經元引入閾值設置的。V向量表示輸入層到隱含層之間的權值矩陣，其中列向量Vj為隱含層第j個神經元對應的權向量。Y向量則表示隱含層的輸出向量，y0=－1是為輸出層神經元引入閾值設置的;W向量為隱含層到輸出層的權值矩陣。O向量為網絡輸出向量，表示彎曲試驗結果。

2.3 BP神經網絡的改進及訓練

本試驗焊接的管線鋼為X65，通過正交試驗方法，共安排了30組試驗，其中包括三組重復試驗。輸入量中的燒化量通過測量動夾具的位移得到。彎曲試驗結果分為四種情況，即表面無裂紋、表面產生裂紋但長度小于3 mm、表面產生裂紋且長度超過3 mm以及完全斷裂，以上四種情況分別用數字0～3表示。在不重復的27組試驗中，隨機選取20組作為訓練樣本，用于對網絡進行訓練和學習。另外七組作為測試樣本，用于測試網絡的預測能力。網絡訓練誤差取0.01。

2.3.1 BP網絡訓練方法及隱含層節點數確定

BP人工神經網絡雖然具有非線性映射能力、泛化能力和容錯能力的優點，但是也存在一些不足，如易形成局部最小而得不到全局最優;訓練次數多使得學習效率低，收斂速度慢;隱含層節點數的選取缺乏理論指導。針對上述不足，目前已提出了不少有效的改進算法，其中比較常用的有三種:附加動量法、自適應調節學習速率法以及彈性梯度下降法。本試驗將采用自適應調節學習速率法對網絡進行訓練。自適應調節學習速率法的基本原理是檢查權值的修正值是否真正降低了誤差函數，若確實降低了誤差函數，則表明學習速率可適當增大;否則表明產生了過調，應適當減小學習速率。

由式(1)可知，當a取值為1～10時，n的范圍為3～13，實際取n為5～13。在隱含層節點數分別取5～13的情況下，表1記錄了采用自適應調節學習速率法訓練網絡的訓練次數與隱含層節點數的關系，初始學習速率取0.05。

由表1可知，隱含層節點數為12時，訓練網絡的訓練次數最少，故確定隱含層節點數為12。在隱含層節點數為12的條件下，再從訓練樣本中隨機抽出七組訓練數據，用來考察網絡的記憶能力，預測結果如圖2所示。由圖2可知，訓練樣本的輸出結果與實際結果吻合良好，說明網絡訓練已經達到要求。

表1 采用自適應調節學習速率法訓練網絡的訓練次數與隱含層節點數的關系

圖2 參加訓練樣本的輸出結果與實際結果

2.3.2 樣本歸一化處理

樣本歸一化是指通過變換處理將網絡的輸入、輸出數據限制在［0，1］或［－1，1］區間內。進行樣本歸一化的原因主要是為了讓各輸入分量在訓練開始時具有同等地位;防止因凈輸入絕對值過大而使神經元輸出飽和;避免網絡只針對總誤差調整權值。另據一些文獻提出［7－8］，由于0和1分別為S型函數的極值，此時就要求權值足夠大才能使網絡輸出值與其匹配，從而需要進行多次訓練來調整權值，導致訓練次數增多，收斂緩慢。故采用文獻［8］提出的變換公式

式中 xi為第i個輸入或者輸出數據;xhmin為第h個輸入或者輸出數據變化范圍的最小值，xhmax為第h個輸入或者輸出數據變化范圍的最大值為歸一化后得到的輸入或者輸出數據。

當采用式(2)進行歸一化處理彎曲試驗結果時，由于其結果只有0、1、2、3四種。當取 0 或者3時，變換后得到的數據為0、1。由于0和1是S型變換函數的極值，將影響網絡的收斂速度。因此，需要對式(2)進行改進，改進后的歸一化公式為

使用改進后的歸一化公式對彎曲試驗結果進行歸一化，變換后區間為［0.285 7，0.714 3］。對20組訓練樣本取隱含層節點數為12，圖3為使用式(2)的歸一化公式對網絡輸入輸出數據進行歸一化處理后訓練誤差與訓練次數的關系;圖4為使用式(2)對網絡輸入數據進行歸一化處理，使用式(3)對網絡輸出數據進行歸一化處理后訓練誤差與訓練次數的關系。

圖3 使用式(2)歸一化處理后網絡訓練誤差與訓練次數的關系

對比圖3和圖4可以發現，使用式(2)歸一化處理后，網絡需要訓練4 526次，而使用改進后的式(3)歸一化處理后，網絡只需要訓練1 541次。說明使用改進后的歸一化公式確實能夠提高網絡訓練速度。

3 BP神經網絡力學性能預測結果

圖4 使用改進歸一化公式后神經網絡訓練誤差與訓練次數的關系

利用式(2)和式(3)分別對輸入樣本和輸出樣本進行歸一化處理，用20組數據樣本對網絡進行訓練，隱含層節點數取12，建立X65管線鋼閃光焊焊接接頭彎曲試驗結果預測模型，利用該模型對剩余的七個焊接接頭的彎曲試驗結果進行預測，并與實際結果比較。根據國家標準GB/T 2653－2008焊接接頭彎曲試驗方法［9］，對焊接接頭進行側彎試驗，試樣尺寸17 mm×13 mm×300 mm，彎曲角度90°，彎軸直徑90 mm。國家標準規定，試樣表面上長度小于3 mm的缺陷均應判定為合格。為便于判斷預測結果是否準確，對預測結果進行整定，統一以合格和不合格表示，彎曲試驗效果如圖5所示，具體結果如表2所示。由表2可知，七組預測樣本中，有兩組預測結果與實際不符，其余五組均預測準確。

4 結論

通過試驗證明，將激發閃光階段燒化量、穩定閃光階段燒化量、快速閃光階段閃光時間、頂鍛量、帶電頂鍛時間作為焊接接頭力學性能特征量是可行的。采用自適應調節學習速率法和改進后的歸一化公式后，網絡的性能確實得到了提升。最后的實際結果表明，用該網絡對X65管線鋼閃光焊焊接接頭的彎曲試驗結果進行預測，獲得了較好的預測結果，可以作為焊接接頭力學性能預測的輔助手段。但是該網絡也存在某些不足，比如目前僅限于預測彎曲試驗一個力學性能指標，無法預測抗拉強度、屈服強度等指標;焊接材料僅限于X65管線鋼;預測精度還存在提升空間，這些不足將通過后續工作加以完善。

表2 X65管線鋼閃光焊焊接接頭彎曲試驗預測結果

圖5 彎曲試驗效果

［1］史耀武.油氣長輸管線焊接技術回顧與發展［J］.焊管，2005，28(6):1 －6.

［2］呂其兵，戴 虹，譚克利，等.基于BP人工神經網絡的鋼軌交流閃光焊焊接接頭質量預測［J］.焊接學報，2005，26(5):65 －68.

［3］顧玉芬，樊 丁.基于神經網絡的低合金鋼接頭性能測試［J］.電焊機，2009，39(4):117 －120.

［4］張永志，董俊慧，張艷飛.基于徑向基神經網絡焊接接頭力學性能預測［J］.焊接學報，2008，29(7):81 －84.

［5］夏 欣，韓翔宇.閃光焊接技術及其在管道建設中的應用［J］.油氣儲運，2000，19(6):23 －27.

［6］喬小杰.基于BP神經網絡鋼/鋁激光焊工藝優化及組織性能研究［D］.湖南:湖南大學，2013.

［7］李宗坤，鄭晶星，周 晶.誤差反向傳播神經網絡模型的改進及其應用［J］.水利學報，2003(7):111－114.

［8］劉國東，丁 晶.BP網絡用于水文測試的幾個問題探討［J］.水利學報，1999(1):65－69.

［9］GB/T 2653－2008，焊接接頭彎曲試驗方法［S］.