基于人工神經網絡的Q235焊縫強韌性預測

烏日根，維力斯，王玉榮

(1.包頭職業技術學院，內蒙古 包頭 014030；2.西安電子科技大學，西安710126)

0 前言

焊接作為一種金屬連接技術已廣泛應用于壓力容器、發電設備、核設施、車輛工程、礦山工程機械等現代工業生產領域。隨著焊接結構日益向大型化、輕量化及高參數化方向發展,對焊縫的強韌性指標要求越來越嚴苛，以期提高焊接結構的使用安全與壽命。影響焊縫強韌性的因素較多，除母材和焊接材料外，與焊接電流、電弧電壓及焊接速度等主要焊接工藝參數有關，但焊接工藝參數與焊縫強韌性之間屬于非線性關系，無法采用傳統數學方法確定其因果關系。近年來，通過誤差反向傳播神經網絡(BP神經網絡)、徑向基神經網絡(RBF神經網絡)、反饋型神經網絡(Elman神經網絡)等人工神經網絡解決焊接相關非線性問題的研究較多，且效果較為顯著。例如，陳書翔等人[1]利用BP神經網絡建立的激光熔覆關鍵工藝參數與熔覆層截面形貌的預測模型較好地對熔覆層形貌進行預測；呂小青等人[2]將BP神經網絡、RBF神經網絡和克里金模型組合為組合模型，預測焊縫余高、接頭抗拉強度和沖擊吸收能量后發現組合模型較獨立模型更有利于提升預測精度和穩定性；何帥等人[3]建立反饋Elman神經網絡模型,以電弧長度、焊接電流、焊接速度、送絲速度和保護氣體流量為輸入量,堆焊焊縫的熔寬、熔高和稀釋率為輸出量進行堆焊仿真計算，預測模型具備一定的可行性與可靠性。但基于人工神經網絡預測焊縫強韌性的文獻報道相對較少。

通過MATLAB工具箱(NNET Toolbox)分別建立BP神經網絡、RBF神經網絡和Elman神經網絡3種預測模型，深入研究焊接電流、焊接速度等主要焊接工藝參數與焊縫強韌性之間的非線性問題，比較分析3種網絡模型的預測精度，探索焊接工藝參數對焊縫強韌性的影響規律和趨勢。

1 試驗方法

按照正交試驗L9(34)因素水平表要求，制備9組焊接試板，材質為Q235鋼，尺寸為250 mm×100 mm×12 mm，加工V形50°坡口，鈍邊留1 mm。焊絲選用H08Mn2SiA，保護氣體為80%CO2+20%Ar。

為提高樣本數據的準確性，采用TA-1400型松下弧焊機器人系統實現焊接工藝參數的準確設置和實施，其焊接電源為松下YD-350GL3，每組試板的焊接均采用三層單道擺動焊接工藝。

以填充層為例，在機器人示教程序中將焊接工藝參數值按照正交試驗L9(34)因素水平表設置(表1)，以期提高樣本數據的代表性。

表1 焊接工藝參數的正交因素水平表L9(34)

采用射線檢測設備HS-XY-320,對焊縫進行X射線檢測，以避免將裂紋、氣孔、未熔合等焊接缺陷帶入拉伸和沖擊試樣中，影響焊縫強韌性指標。

依據國家標準GB/T228.1—2010《金屬材料拉伸試驗第一部分：室溫試驗方法》和GB/T229—2007《金屬材料夏比擺錘沖擊試驗方法》對9組焊縫試樣進行室溫(18 ℃)拉伸試驗和低溫(-30 ℃)沖擊試驗。拉力試驗機型號為WEW-1000B，沖擊試驗機型號為JB-30B。從每一組焊接試樣中拉伸試驗取2塊、沖擊試驗取3塊，試驗結果為其平均值。

2 樣本集及歸一化處理

經過拉伸試驗和低溫沖擊試驗，共獲得9組試驗數據，其中訓練樣本取7組，用于神經網絡的訓練，其余2組樣本作為驗證樣本，用于驗證神經網絡的預測精度和泛化能力。

考慮樣本數據中各輸入參數的單位不同，且大小相差較大，為使輸入參數具有同等地位，防止神經元輸出過飽和而影響預測效果，對輸入參數焊接電流和電弧電壓進行歸一化處理，使全部輸入參數值處于(0,1)范圍。RBF和Elman 網絡輸出層采用線性輸出，對輸出值無要求，但BP網絡輸出層的傳輸函數logsig則限制輸出值在(0,1)范圍內，故對輸出參數也均進行了歸一化處理，以便比較3種神經網絡的預測精度，見表2。

表2 樣本數據與歸一化

3 網絡模型建立與訓練

3.1 BP神經網絡

BP神經網絡為一種前饋誤差反向傳播的全局逼近網絡，由輸入層、隱含層和輸出層組成，信息從輸入層流向輸出層。3層BP網絡的輸入層神經元數和輸入參數依據焊接工藝參數及焊縫強韌性進行設置。具體如下：輸入層神經元數為3個，輸入參數分別為焊接電流、電弧電壓和焊接速度；輸出層神經元數為2個，輸出參數分別為焊縫的抗拉強度和沖擊吸收能量。

隱含層神經元數需適量，太多導致學習時間過長，太少則網絡容錯性差。故參照經驗公式(1)進行嘗試性訓練，根據網絡訓練效果和預測誤差將隱含層神經元數確定為10個。

(1)

式中：n為隱含層神經元數；ni為輸入層神經元數，no為輸出層神經元數；a為1～10之間的常數。

BP網絡的拓撲結構為3×10×2結構，如圖1所示。利用Matlab工具箱函數newff創建BP網絡，隱含層和輸出層均采用S(sigmoid)型傳輸函數logsig。網絡采用學習率可變的動量BP算法的訓練函數traingdx，網絡在訓練過程中對所有權值和閾值進行修正。訓練參數設置如下：學習誤差為0.000 1，學習速率為0.02，學習率增量因子和減量因子分別取默認值0.7和1.04，動量因子為0.5，最大迭代計算次數為5×104次。

圖1 BP神經網絡結構

神經網絡訓練性能曲線如圖2所示。采用訓練樣本集對BP網絡進行學習訓練。網絡經過276次迭代計算后收斂，網絡訓練誤差曲線如圖2a所示。

3.2 RBF神經網絡

RBF神經網絡為一種前饋反向傳播的局部逼近網絡，其隱含層為徑向基層，輸出層為線性層，只對少量權值和閾值進行修正，具有訓練速度快的特點。利用Matlab工具箱函數newrb創建RBF神經網絡模型，隱含層傳輸函數為徑向基函數radbas，輸出層傳輸函數為線性函數purelin。輸入層和輸出層神經元數及其參數均與BP網絡相同，而隱含層神經元數隨網絡訓練自動從零開始逐漸增加，故無需訓練前設置其個數。

考慮擴展系數spread值對RBF網絡泛化能力的影響較大，設置網絡訓練參數時將spread值從1～10之間嘗試性訓練后確定為2.4，使網絡預測能力和泛化能力達到相對最強。網絡經過6次迭代計算后完成收斂，如圖2b所示。

圖2 神經網絡訓練性能曲線

3.3 Elman神經網絡

Elman神經網絡為一種反饋型動態神經網絡，網絡結構包括輸入層、隱含層、承接層和輸出層，即在傳統BP神經網絡結構基礎上增加了承接層，實現從輸出到輸入的反饋連接。

利用Matlab工具箱函數newelm創建Elman神經網絡模型，隱含層(承接層)傳輸函數為雙曲正切S形函數tansig,輸出層傳輸函數為線性函數purelin，隱含層神經元數為25個，輸入層和輸出層神經元數及其參數值均與BP和RBF網絡相同。Elman網絡以traingdx為訓練函數，其學習誤差等各參數設置與BP神經網絡相同。網絡經過882次迭代計算后完成收斂，如圖2c所示。BP，RBF和Elman網絡所調用的Matlab工具箱函數見表3。

表3 神經網絡調用函數

4 結果及分析

4.1 網絡預測結果

將BP，RBF及Elman神經網絡預測的結果經過反歸一化處理后列于表4。在3種神經網絡預測中，最大相對誤差為14.97%，最小為0.12%。可見3種神經網絡均能夠反映主要焊接工藝參數與焊縫強韌性之間的非線性映射關系，可以用于焊縫強韌性預測研究與實踐，但各網絡的預測精度存在一定差異。

表4 神經網絡預測結果

BP神經網絡對焊縫抗拉強度的預測精度較高，平均誤差5.90%，而對沖擊韌性的預測誤差分別為2.69%和14.97%，最大誤差已接近15%，BP網絡的穩定性不高，預測效果欠佳；RBF神經網絡平均相對誤差分別為4.65%和9.51%，相對誤差最小為4.09%，最大為10.61%，已達到了10%，RBF神經網絡的穩定性較好，但預測誤差普遍較大；Elman網絡的平均相對誤差分別為1.72%和4.99%，相對誤差最小為0.12%，最大為5.61%，Elman網絡預測誤差較小，預測效果較佳。3種網絡對焊縫抗拉強度的預測精度相對高于對沖擊韌性的預測，分別為5.90%，4.65%和1.72%。這與焊縫的抗拉強度受焊接熱輸入影響較其沖擊韌性小[4]，樣本數據相對分散度低、代表性更好有關。

綜上所述，BP，RBF及Elman神經網絡的平均相對誤差均低于10%，可以用于焊縫強韌性預測，其中Elman網絡相對最穩定，預測精度相對最高，綜合預測效果最佳，如圖3所示。這是由于Elman網絡具有動態學習特征，實現從輸出到輸入的反饋連接，相比于前饋網絡BP和RBF網絡在時域和空域進行模式識別更有優勢[5-6]。

圖3 神經網絡預測效果

4.2 焊縫強韌性趨勢預測

為了進一步考察焊接電流、電弧電壓及焊接速度對焊縫強韌性的影響趨勢，選擇已訓練好，且預測效果相對最好的Elman網絡模型對焊縫抗拉強度和沖擊韌性進行趨勢性預測。

網絡輸入參數取得方法如下：3個輸入參數各設11組，即焊接電流140～160 A，步長為2 A，電弧電壓17～18 V，步長為1 V，焊接速度取0.25～0.35 m/min，步長為0.01 m/min。輸入參數經過歸一化處理后輸入網絡，輸出結果如圖4所示。因主要考察影響趨勢，故對網絡輸出值未做反歸一化處理。

由圖4可見，當焊接電流、電弧電壓及焊接速度均較低時曲線波動較小，對焊縫抗拉強度和沖擊韌性影響不顯著。當焊接參數值繼續增加時，焊縫的抗拉強度下降而沖擊韌性卻呈現上升趨勢。這是由于焊接參數值的增加，使焊接熱輸入總體呈現上升趨勢，導致熔池體積變大且冷卻速度減緩，合金元素燒損加劇，焊縫金屬的淬硬傾向降低所致，但沒有焊縫過熱而降低韌性[7-8]。可見Elman網絡對焊縫抗拉強度和沖擊韌性進行趨勢性預測較為有效，能夠反映焊縫強韌性實際變化規律和趨勢。

圖4 Elman神經網絡預測結果

5 結論

(1)BP，RBF及Elman神經網絡的平均相對誤差均低于10%，可用于焊縫的強韌性預測，尤其對焊縫抗拉強度的預測精度相對較高。

(2)在樣本條件下，相比于BP和RBF網絡，Elman網絡更加穩定，預測精度更高，綜合預測效果最佳，對焊縫抗拉強度和沖擊韌性的趨勢性預測較為有效，能夠反映焊縫強韌性的實際變化規律和趨勢。

(3)引入機器人焊接和射線檢測方法，提高樣本數據的準確性和代表性，從而提高神經網絡的預測效果。