基于BP 神經(jīng)網(wǎng)絡的激光焊接工藝參數(shù)優(yōu)化及組織性能研究

吳許祥，王 成，薛華軍，沈店祥

（1.江蘇亞威機床機床股份有限公司，江蘇 揚州 225200；2.江蘇省金屬板材智能裝備重點實驗室，江蘇 揚州 225200）

1 引言

與傳統(tǒng)的焊接方式如TIG、MIG 焊相比較，激光焊接具有無可比擬的優(yōu)勢。激光焊接的光斑直徑可聚焦到很小的區(qū)域范圍內(nèi)，一般為零點幾毫米，而激光功率可以高達幾千萬甚至上萬瓦，從而形成高強熱源。具有高能量密度的聚焦光斑沿著焊接接頭軌跡并按照一定速度進行焊接工作。激光焊接可以和電子束焊接形成類似的焊接效果，同時激光焊接可以在大氣氛圍下進行。激光焊接是一種非接觸式焊接工藝，通俗來說“只要能看見焊縫，就能實現(xiàn)激光焊接”[1]。激光焊接可以在較遠的工位或者通過窗口焊接，實現(xiàn)常規(guī)焊接方式所不能達到的工藝或者工位，為各種焊接接頭的開發(fā)提供了多種可能性。

人工神經(jīng)網(wǎng)絡（ANN）是一種以模擬動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的。由于人工神經(jīng)網(wǎng)絡具有自學習、高容錯、高度非線性描述能力等優(yōu)點[2]，為解決未知不確定非線性系統(tǒng)的模型建立提供了一種新的解決方法。激光焊接過程中影響因素眾多，如激光功率、掃描速度、離焦量、保護氣體種類、保護氣流量、板材裝夾精度、板材厚度、板材種類等8 個重要影響因素。運用控制變量法，每種影響因素只設置5 個參數(shù)變量，試驗最少要做58=390625 組試驗。在考慮重復性的基礎上，實驗的工作量要翻上幾倍甚至幾十倍，這在實際操作中是無法實現(xiàn)的。激光焊接工藝過程中通常運用經(jīng)驗法，預估激光焊接的各項工藝參數(shù)，這就嚴重的限制了激光焊接工藝在國內(nèi)的應用與推廣。本文致力于建成光纖激光焊接工藝的高精度BP 神經(jīng)網(wǎng)絡預測分析模型，進而提高激光焊接焊接質量。

2 實驗研究條件

實驗激光源采用IPG YLS-6000 型連續(xù)光纖激光器，最大功率為6000W。激光模式為基模，圓形光斑。選用KUKA 機器人作為焊接手臂，焊接頭選用Precitec YW-52。激光器產(chǎn)生激光，經(jīng)過傳輸光纖，激光到達焊接頭后，再經(jīng)過f=150mm 準直鏡，焦距f=300mm 的透射聚焦鏡聚焦后，聚焦在焊接板材上，焦點光斑直徑D=400μm，0 焦點處光斑直徑為0.4mm。KUKA 機器人負責控制激光掃描板材的路徑。

板材選用尺寸為100mm×40mm，厚度分別為1mm、2mm、4mm、6mm 的SS304 不銹鋼板，采用對接焊的方式，用Ar 作為保護氣，改變焊接功率、激光掃描速度、離焦量等工藝參數(shù)進行激光焊接的工藝探索。一系列激光工藝探索之后，得到各個厚度板材的焊縫形貌，再經(jīng)過線切割、鑲嵌、磨拋以及最后的金相檢測，得到焊縫金相圖并測量焊縫尺寸。如圖1 所示給出2mm 厚焊縫典型的橫截面宏觀圖。其中圖1a激光功率1000W，掃描速度1.5m/min，離焦量0mm；圖1b 激光功率800W，掃描速度1.5m/min，離焦量0mm。圖1a 的焊縫抗拉強度為744MPa，圖1b 的焊縫抗拉強度為577MPa，SS304 不銹鋼母材的抗拉強度為780MPa。測試結果顯示焊縫于焊接接頭處斷裂，焊縫試樣抗拉強度低于母材。從圖1 可以明顯看出，圖1a 與圖1b 焊縫形貌存在明顯差別，實驗結果證明焊縫上表面尺寸與焊縫下表面尺寸的比值越接近1 時，焊縫橫截面的形貌越優(yōu)良，同時焊縫缺陷較少、抗拉強度越強。

圖1 焊縫典型的橫截面宏觀圖

將實驗得到的36 組有效數(shù)據(jù)按公式（1）進行焊縫形貌評判，評判公式如下

式中：Xmax為焊縫上下表面寬度的最大值；Xmin為焊縫上下表面寬度的最小值；X 為焊縫宏觀形貌評判參數(shù)。評判參數(shù)X 在0～1 之間變動，有利于網(wǎng)絡的訓練并能加快最終結果的收斂。將實驗所得結果分成兩組，26 組作為神經(jīng)網(wǎng)絡的訓練樣本（見表1），剩余的10 組試驗樣本作為測試樣本。表1 中的P 表示激光功率，V 表示激光掃描速度，I 表示離焦量，S為焊縫的抗拉強度，X 上表示焊縫上表面寬度，X 下表示焊縫下表面寬度，X 為焊縫宏觀形貌評判參數(shù)。

表1 訓練神經(jīng)網(wǎng)絡的樣本

3 激光焊接工藝參數(shù)的神經(jīng)網(wǎng)絡建立

BP 神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP 網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。神經(jīng)網(wǎng)絡具有很強的學習能力以及由此而來的泛化能力，泛化能力是指神經(jīng)網(wǎng)絡可以在遇到不在訓練集中的數(shù)據(jù)時仍然可以產(chǎn)生相對合理的輸出。本實驗通過正交實驗法的預實驗，研究了激光功率P、掃描速度V、離焦量I 三因素與焊縫形貌評判標準X 的定性關系，實驗表明，三因素對上下焊縫尺寸比的影響為：激光功率最大，掃描速度次之，離焦量最小。為進一步優(yōu)化工藝參數(shù)取值范圍，補充實驗樣本，建立了工藝參數(shù)與焊縫形貌指標X 關系的BP神經(jīng)網(wǎng)絡計算模型。

本試驗中的BP 神經(jīng)網(wǎng)絡包括5 個輸入層，8 個隱含層、1 個輸出層，不僅含有輸入輸出節(jié)點，而且含有多層隱含節(jié)點、當有信息輸入時，輸入信息送到輸入節(jié)點，在隱含層經(jīng)過功能函數(shù)處理后，送到輸出節(jié)點；將得到的輸出值與期望值進行比較，若有誤差，則誤差反向傳播，逐層修改權值系數(shù)知道滿足迭代次數(shù)或者滿足收斂為止。

多層BP 神經(jīng)網(wǎng)絡的拓撲結構圖如圖2 所示。其中包括輸入層（Input layer）、隱含層（Hidden layer）和輸出層（Output layer)。為了建立復雜的神經(jīng)網(wǎng)絡關系，需要多隱含層，不同層所含的節(jié)點個數(shù)也不同，且相鄰層之間通過神經(jīng)元相連接。神經(jīng)元是構成神經(jīng)網(wǎng)絡的最基本單元，大量的形式相同的神經(jīng)元連接在一起就組成了神經(jīng)網(wǎng)絡，只有了解了神經(jīng)元才能夠認識到神經(jīng)網(wǎng)絡的本質。一個神經(jīng)元結構如圖3 所示，它模仿了生物神經(jīng)元的三個最重要的功能：加權、求和、轉移，每一個神經(jīng)元從其他n-1 個神經(jīng)元接受信息，生神經(jīng)興奮和沖動。在其他條件不變的情況下,無論何種刺激，只要能達到閾值以上，就能產(chǎn)生一個動作電位，并以最快的速度作非衰減的等幅傳遞輸出。一旦輸入總和小于閾值，神經(jīng)元處于抑制狀態(tài)，沒有被激活，也就沒有任何輸出產(chǎn)生。

圖2 BP 神經(jīng)網(wǎng)絡的拓撲結構圖

圖3 神經(jīng)元結構模型

其中神經(jīng)元的輸入和輸出可以以某種函數(shù)形式表示，公式如下。

中間層輸入函數(shù)：

中間層輸出函數(shù)：

輸出層輸入函數(shù)：

輸出層輸出函數(shù)：

式中：f 表示神經(jīng)元的傳遞函數(shù)（Transfer Function），傳遞函數(shù)是單調(diào)上升函數(shù)，而且必須是有界函數(shù)，因為細胞傳遞的信號不可能無限增加，必有一最大值。按logsig 函數(shù)計算中間層傳遞函數(shù)：

4 神經(jīng)網(wǎng)絡的訓練及范化性檢驗

將表1 數(shù)據(jù)分別作為輸入、輸出量進行BP 神經(jīng)網(wǎng)絡的訓練，設定最大誤差精度為0.003，隱含層神經(jīng)元上的傳遞函數(shù)為正切S 型函數(shù)logsig，該函數(shù)連續(xù)可微，輸出層傳遞函數(shù)選用purelin 函數(shù)，網(wǎng)絡訓練函數(shù)選用動量梯度下降函數(shù)traingdm。對BP 神經(jīng)網(wǎng)絡進行學習訓練時，設定網(wǎng)絡均方差目標為0.003，預設代次數(shù)為3000 次，均方差（Mean Squared Error）達到目標要求時自動停止。圖4 為神經(jīng)網(wǎng)絡模擬曲線圖，圖5 為訓練過程中均方根誤差的下降曲線，發(fā)現(xiàn)BP 神經(jīng)網(wǎng)絡在預定迭代次數(shù)內(nèi)達到了誤差目標要求，迭代4 次，收斂過程比較平穩(wěn)。圖6 為網(wǎng)絡輸出誤差變化曲線，從圖中可以明顯看出輸出值（Output）與目標值（Target）基本重合，誤差小，建立了基于焊縫評判標準的BP 神經(jīng)網(wǎng)絡模型。

圖4 神經(jīng)網(wǎng)絡模擬曲線

圖5 均方根(Mean Squared Error)誤差下降曲線圖

此時網(wǎng)絡已經(jīng)訓練完成，但是為了檢驗網(wǎng)絡的范化性，采用10 組訓練樣本以外的測試樣本對已訓練好的網(wǎng)絡進行仿真試驗，并將仿真結果進行反歸一化處理。焊縫評判標準的試驗值與網(wǎng)絡仿真值對比圖如表2 所示。其中P、V、I，S 分別表示激光功率、掃描速度、離焦量焊縫抗拉強度，X 為焊縫評判標準試驗值，X′為仿真值，△為仿真值與試驗值得相對誤差。

表2 試驗值與網(wǎng)絡仿真值得對比

從表中可以看出，通過上述方法建立的神經(jīng)網(wǎng)絡能獲得焊縫形貌評判參數(shù)與工藝參數(shù)之間較好的映射關系，焊縫形貌評判參數(shù)網(wǎng)絡仿真值之間的差值較小，相對誤差小于5%，在可以接受的范圍以內(nèi)，從而驗證了該網(wǎng)絡模型的準確性，可以近似認為該網(wǎng)絡模型是可靠的。運用此模型進行試驗的預測，大大降低了試驗工作量。

5 基于BP 神經(jīng)網(wǎng)絡的參數(shù)優(yōu)化

①選定激光焊接工藝參數(shù)范圍，設計正交實驗，通過數(shù)值模擬獲得實驗結果；②得到不同工藝參數(shù)下的焊接熔深數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練樣本；利用訓練樣本對BP 神經(jīng)網(wǎng)絡進行訓練，得焊接工藝參數(shù)和焊接熔深之間的非線性映射關系；③在選定的最優(yōu)熔深數(shù)據(jù)點附近對每個工藝參數(shù)增加和減少某一微小步長，獲得新的一組工藝參數(shù)，新設計正交實驗，得新的工藝參數(shù)組合；④通過BP 神經(jīng)網(wǎng)絡仿真預測新的工藝參數(shù)下的熔深數(shù)據(jù)；⑤在新的熔深數(shù)據(jù)中查找最逼近合適熔深數(shù)據(jù)的點，熔深已滿足要求，優(yōu)化結束，不滿足要求則回到步驟③，繼續(xù)優(yōu)化，直到獲得最優(yōu)工藝參數(shù)。

6 激光焊接試樣的組織分析

選用預測神經(jīng)網(wǎng)絡焊縫評判仿真值X′接近1 的工藝參數(shù)，進行工藝驗證試驗。2mm 厚SS304 不銹鋼預測焊接工藝參數(shù)為：激光功率2500W，掃描速度7m/min，零離焦，得到焊縫全貌圖7、焊縫熱影響金相圖8。

圖7 焊縫全貌圖

圖8 焊縫熱影響金相圖

從圖7 觀察焊縫焊縫全貌可以看出焊縫上表面與下表面尺寸接近，焊縫整體形狀均勻，同時母材與基板平滑過渡，無明顯缺陷。焊縫抗拉試驗為736MPa，為母材強度的80%左右，其抗拉強度符合對不銹鋼焊縫強度要求。

觀察圖8 可知，熔池形貌的焊縫區(qū)域的組織與母材的組織明顯不一樣，焊縫與母材之間有一條明顯的分界線，即熔合線。各層的顯微組織的有較大的差別，熔合線附近為粗大的柱狀晶，且柱狀晶是指向焊縫中心并垂直于熔合線生長的；遠離熔合線的焊縫中部為排列無序的枝晶和部分等軸晶交錯存在；而焊縫中心為細小的等軸晶。造成這種現(xiàn)象的原因是：液態(tài)熔池中，靠近母材的區(qū)域有許多未熔化的母材晶粒，熔池中的液態(tài)金屬可以依附于這些未熔化的母材晶粒上形核，這種形核方式也稱為異質形核。焊接過程中，作為晶核的母材晶粒是各向異性的，初始形核時，結晶位向是不同的，熔池邊界熔合線的方向正好和等溫線是一致，而垂直于等溫線的方向的溫度梯度最大，由于晶體的擇優(yōu)生長，會優(yōu)先向溫度梯度最大的方向生長，并淘汰其他取向不利的晶體，所以晶體在長大的過程中會垂直于熔合線，這就形成了焊縫邊緣區(qū)域這種獨特的組織形貌。

7 結論

利用對非線性問題具有高度解決能力的BP 神經(jīng)網(wǎng)絡，建立了SS304 不銹鋼焊接工藝與焊縫橫截面具體尺寸之間神經(jīng)網(wǎng)絡模型，并對神經(jīng)網(wǎng)絡進行訓練。

通過仿真試驗，8 組樣本的測試紙與試驗值之間相對誤差在4%以內(nèi)，表明了該神經(jīng)網(wǎng)絡模型與工藝參數(shù)形成高度的映射關系。

從焊縫區(qū)域的顯微組織圖中可以看出，靠近熔合線的區(qū)域為細長的樹枝晶，這些樹枝晶均是向著焊縫表面指向焊縫中心，遠離熔合線的焊縫中部為排列無序的枝晶，焊縫中心為細小的等軸晶。激光焊接SS304 不銹鋼的抗拉強度與硬度在較優(yōu)工藝參數(shù)下，其強度與母材相當。