基于DOE方法的機器人焊接試驗設計

馬曉麗， 曹力軍， 陳秋龍， 周偉敏， 楊海瀾， 張躍龍

(上海交通大學 材料科學與工程學院，上海 200240)

?

基于DOE方法的機器人焊接試驗設計

馬曉麗， 曹力軍， 陳秋龍， 周偉敏， 楊海瀾， 張躍龍

(上海交通大學 材料科學與工程學院，上海 200240)

為了更好地預測機器人焊接工藝參數與焊縫成形參數之間的關系，通過DOE方法的全因子試驗設計，在機器人焊接系統上對低碳鋼進行兩因素三水平焊接實驗，定量分析了機器人焊接工藝參數與焊縫成形參數間的關系，建立相關預測模型，將預測結果與測試結果進行了對比驗證。熔深、熔寬不僅受焊接功率和焊接速度主效應的影響，還受其交互作用的影響;余高只受到焊接功率和焊接速度主效應的影響，而與交叉效應無關，且通過實驗確定了熔深、熔寬和余高的預測范圍。結果表明，基于DOE方法的焊接試驗設計為獲得性能優異的焊接接頭質量提供了參考，為實現焊接過程優化設計提供了一種新方法。

焊接功率; 焊接速度; 熔寬; 熔深; 余高

0 引 言

工業焊接機器人是當今世界最引人矚目的高新產業之一。隨著先進制造技術的發展，實現焊接產品制造的自動化、柔性化與智能化已成為必然趨勢。在機器人焊接工業生產中，焊縫接頭質量的好壞具有重要意義[1-6]。對于各種不同的焊接方法, 評定焊縫質量的主要因素包括焊縫幾何形狀和力學性能等, 而幾何形狀又取決于各個焊接工藝參數的選定。由于焊接過程涉及的工藝參數較多, 采用傳統的實驗方法選擇各個最佳參數所需的實驗次數龐大, 極為不現實。近年來，在焊接過程中引入各種最優化方法, 通過建立相關數學模型來分析焊接參數和輸出變量間關系, 預測最佳參數組合, 已成為焊接研究人員的研究熱點[7-9]。DOE(Design of Experiment)方法便是得到重點應用的方法之一，此方法是以概率論和數理統計為理論基礎，合理安排試驗的一種方法論。通過試驗設計DOE方法，設計合理的焊接工藝實驗，分析焊接工藝參數與焊縫質量參數間的關系，建立相關預測模型，實現焊接過程優化設計，目前已經得到很好的實驗應用[10-16]。其中全因子實驗設計是最有效和直接的方法，即將所有可能的組合進行實驗。本文通過試驗設計DOE方法，以船用低碳鋼板為研究對象，設計合理的焊接工藝實驗，分析焊接工藝參數與焊縫質量參數間的關系，建立相關預測模型，實現焊接過程優化設計。

1 基于DOE的全因子試驗設計方法

全因子試驗設計可以對機器人焊接工藝進行優化設計并對試驗結果進行科學的分析。本實驗選用的是兩因素三水平的九組全因子實驗設計，試驗設計的選擇流程如圖1所示。

圖1 全因子試驗設計流程圖

確定機器人焊接試驗輸出結果的幾個重要因素，包括焊接功率和焊接速度。對參與試驗的因素及各個因素交互作用對指標的影響進行定量分析，通過分析確定改善方向并最終找出最優參數。機器人焊接參數存在交互作用，需要采用如下回歸模型：

式中,b0，bi，bii，bij為回歸系統的系數。

對焊接試驗結果進行方差分析，定量地分析出各因素對指標的影響并確定試驗誤差，從統計上確定哪個因素是真正的重要因素。 最后對試驗結果進行回歸分析，揭示焊接參數與焊縫成形參數之間的相互關系，根據因素水平對焊縫成形參數進行預測，主要包括確定相關系數、方差分析檢驗，方差檢驗如表1所示。表中：

表1 兩因素方差檢驗

2 試驗條件及設計參數

本系統以PLC作為控制核心，包括一臺弧焊機器人及相關外部設備。弧焊機器人由PLC系統編程，實現軌跡示教、再現與焊接作業等。工作時，PLC負責發出控制指令，由弧焊機器人夾持焊槍，完成焊接作業，機器人焊接實驗裝置如圖2所示。DOE全因子試驗設計及焊縫成形參數平均值(每組實驗進行3次)，如表2所示。其中焊絲干伸長為14 m，板厚10 mm，氣體采用80%Ar+20%CO2，流量15 L/min。

圖2 機器人焊接實驗系統

3 試驗結果及分析

根據表1所列出的檢驗方法對表2的焊縫成形參數進行分析，可得到各因子對焊縫成形參數的主效應和交叉效應。方差分析如表3所示，可以看出：熔深和熔寬均受焊接功率和焊接速度主效應和交叉效應的影響，而余高僅受主效應的影響，而與交叉效應無關。通過方差分析，在置信度為95%，α=0.05時，可求出焊縫成形參數3個表達式:

表2 機器人焊接全因子試驗設計和焊縫成形參數

熔深的擬合預測值

P=3.448 1+1.772X1-0.784 8X2-0.662 9X1X2

熔寬的擬合預測值

W=11.135+4.773X1-1.32X2-0.916X1X2

余高的擬合預測值

H=3.867 4+0.677 9X1-0.328 3X2

式中:P為熔深；W為熔寬；H為余高；X1為焊接功率；X2為焊接速度。

散點圖表示應變量隨自變量而變化的大致趨勢，據此可以選擇合適的函數對數據點進行擬合。本實驗將連續性的輸入屬性視為獨立變量，預測屬性視為依賴變量，即X軸表示實際值，Y軸表示預測值。由圖3可以看出，散點基本落在45°角線上，證明該模型較為準確。

表3 方差檢驗結果

圖3 焊縫成形參數預測值與測量值的散點圖

圖4 焊縫成形參數測量值與預測上下限值的回歸分析結果

機器人焊接工藝的焊縫成形參數不是固定在某一值，而是在一定的范圍內變化。因此，對于機器人焊接工藝實驗所得到的實驗數據對焊縫成形參數的范圍預測具有很大的實際意義。由圖4可以看出，熔深的預測范圍約為1.5 mm，熔寬的預測范圍約為2.0 mm，余高的預測范圍約為1.5 mm。

4 結 語

通過兩因素(焊接功率和焊接速度)三水平的試驗設計及統計分析建立了機器人焊接系統焊接輸入參數和焊縫成形輸出參數的數學關系表達式。基于DOE方法的全因子試驗設計，建立了兩因素三水平的工藝實驗，通過交互作用分析與方差檢驗討論了焊接功率與速度兩個因素對焊縫成形參數的影響。熔深、熔寬不僅受焊接功率和焊接速度主效應的影響，還受到其交互作用的影響。余高只受到焊接功率和焊接速度主效應的影響，而與交叉效應無關。熔深的預測范圍約為1.5 mm，而熔寬的預測范圍約為2.0 mm，余高的預測范圍約為1.5 mm。

[1] Ushio M, Su Gitani Y, Tanaka M. Recent development of high efficiency welding systems in Japan[J]. Journal of Lanzhou University of Technology, 2005, 30(3):25-31.

[2] 許燕玲, 林 濤. 焊接機器人應用現狀與研究發展趨勢[J]. 金屬加工, 2010, 11(20)：32-36.

[3] 王田苗, 陶 永. 服務機器人技術研究現狀與發展趨勢[J]. 中國科學信息科學, 2012, 30(2)：1049-1066.

[4] 施春芳. 焊接機器人技術現狀和發展趨勢的研究[J]. 中國科技投資, 2012, 6(24)：161.

[5] Namkug K, Sol H. Design of controller for mobile robot in welding process of shipbuilding engineering[J]. Journal of Computational Design and Engineering, 2014(4):243-255.

[6] 毛鵬軍, 黃石生, 李 陽. 焊接機器人技術發展的回顧與展望[J]. 焊接, 2001(8)：6-9.

[7] Murugan V V, Gunara J V. Effects of process parameters on angular distortion of gas metal arc welded structural steel plates[J]. Welding Journal, 2005, 84(11):165-171.

[8] Gholamreza K, Seyed E S H, Amirreza K,etal. Split tensile strength of OPC-based geopolymers: Application of DOE method in evaluating the effect of production parameters and their optimum condition[J]. Ceramics International, 2014,40(7):10945-10952.

[9] 何 楨, 潘 越, 劉子先,等. 因子試驗、RSM與田口方法的比較研究[J]. 機械設計,1999,11(10)：1-4.

[10] Kumara S, Xua X M, Gokhaleb R,etal. Formulation parameters of crystalline nano-suspensions on spray drying processing: A DoE approach[J]. International Journal of Pharmaceutics, 2014, 464(1) :34-35.

[11] Juang S C, Tarng Y S. Process parameters selection for optimizing the weld pool geometry in the tungsten inert gas welding of stainless steel[J]. Journal of Material Process Technology, 2002, 122:33-37.

[12] Bappa A, Arunanshu S K, Souren M,etal. Modeling of laser transmission contour welding process using FEA and DOE[J]. Optics & Laser Technology, 2012,44(5):1281-1289.

[13] 劉儒軍, 周朝輝, 杜曙威. DOE在高頻電流感應釬焊焊接工藝參數優化中的應用[J]. 工藝與新技術,2014,43(9)：33-36.

[14] Allen T T, Richardson R W, Tagliabue D P,etal. Statistical process design for robotic GMA welding of sheet metal[J]. Welding Journal, 2002, 81(5):69-77.

[15] 劉志斌. DOE在焊接插針設備優化中的運用研究[D]. 上海：上海交通大學，2012.

Experiment Design for Robot Welding Based on DOE Method

MAXiao-li，CAOLi-jun,CHENQiu-long,ZHOUWei-min,YANGHai-lan,ZHANGYue-long

(School of Materials Science and Engineering, Shanghai Jiaotong University, Shanghai 200240, China)

In order to predict the effect of the welding parameters on the shape parameters in robot welding, full factorial experiment of DOE method was designed by two factors and three levels to quantitatively analyze the relationship between welding parameters and shape parameters. Prediction model was established to verify the results between predicting and testing. The main and interaction effect of welding power and welding speed on weld penetration and weld width, the main effect of welding power and welding speed on excess weld metal were determined, and the predict range of weld penetration, weld width and excess weld metal were identified. This new experimental method could verify the effect of welding power and welding speed on shape parameters, provide an evidence for good quality of weld joints and welding process optimization.

welding power; welding speed; weld width; weld penetration; excess weld metal

2015-03-13

馬曉麗(1981-)，女，遼寧海城人，工程師，現主要從事材料檢測分析、實驗室管理及焊接工藝及機理研究等相關工作。

Tel.:021-34202769；E-mail: mxl@sjtu.edu.cn

TG 444+.73

A

1006-7167(2016)01-0054-04