基于BP神經網絡的電弧熔絲增材制造數據庫系統

吳悠 潘建剛 廖明潮 張亮

摘要： 通過對電弧熔絲增材制造（Wire and arc additive manufacturing，WAAM）單道焊縫試驗數據的分類整理，分析用戶需求和使用需要，基于python編程語言下的Django框架，采用B/S架構開發了一個電弧熔絲增材制造數據庫系統。試驗結果表明，該系統采用數據庫與算法預測模型結合的方式開發而成，主要設置了用戶權限管理、基本打印數據和焊縫形貌預測三大模塊，具有存儲擴展打印試驗數據功能和預測未知工藝參數下焊縫形貌的功能。不同的打印工藝方法引入不同的BP神經網絡結構，使用時數據庫系統自動讀取庫內已有的算法模型或根據已有的試驗數據訓練新的模型，之后錄入試驗數據會自動對模型重新訓練，實現隨數據庫內試驗數據擴展或修正自動適應的參數預測，能夠預測未知工藝參數下的焊縫形貌尺寸。最后，基于MIG工藝設計了1組驗證試驗對數據庫的預測功能效果進行檢驗，熔寬預測誤差為1.3%，余高預測誤差為1.5%，說明了數據庫系統預測功能的可行性。

關鍵詞： 數據庫; 電弧熔絲增材制造; 打印工藝; 焊縫形貌預測; BP神經網絡

中圖分類號： TG 44

Database system of wire and arc additive manufacturing based on BP neural network

Wu You1， Pan Jiangang2， Liao Mingchao1， Zhang Liang3

（1. Wuhan Polytechnic University， Wuhan 430023， China；2. Xian Shiyou University， Xian 710065， China； 3. Shenzhen Polytechnic， Institution of Intelligent Manufacturing Technology， Shenzhen 518055， Guangdong， China）

*源文獻：? 吳悠， 潘建剛， 廖明潮， 等. 基于BP神經網絡的電弧熔絲增材制造數據庫系統［J］. 焊接， 2022（11）： 35-39.

Abstract： Based on the classification of single pass weld experiments data of wire arc additive manufacturing， this paper analyzes the needs of users and uses them. Based on the Django framework under python programming language， a database system of wire and arc additive manufacturing is developed with B/S architecture. The system is developed by the combination of database and algorithm prediction model. It mainly sets three modules： user authority management， basic experiments data management and weld geometry prediction. It has the function of storing and expanding printing experiment data and predicting weld geometry under unknown welding process parameters. Different printing process methods introduce different BP neural network structures. When in use， the database system automatically reads the existing algorithm model in the database or trains a new model according to the existing experimental data. After entering the experimental data， the model will be retrained automatically， so as to realize the parameter prediction automatically adapted with the expansion or correction of the experimental data in the database， it can predict the weld geometry and size under unknown process parameters. Finally， a set of validation tests are designed based on MIG process to test the effect of the prediction function of the database. The prediction error of melt width is 1.3% and the prediction error of reinforcement is 1.5%， which shows the feasibility of the prediction function of the database system.

Key words： ?database； wire and arc additive manufacturing； welding process； geometry prediction； BP neural network

0 前言

電弧熔絲增材制造工藝是一種基于實體3D模型，采用逐層沉積方式“從無到有”制造實體工件的技術，其應用涉及航空航天、機械制造、土木工程等眾多領域。電弧熔絲增材制造工藝是基于傳統的電弧焊接技術而發展起來的一種3D打印技術，具有熱輸入高、成形速度快、材料利用率高等特點，尤其適合中等復雜程度、大型工件的快速制造。在電弧熔絲增材制造分層沉積過程中，單道焊縫的幾何形狀對金屬零件的層厚、表面質量和尺寸精度有關鍵影響［1］。焊絲成分、保護氣體、工藝參數（電流、電壓、掃描速度）等因素對單道焊縫成形有至關重要的影響。因此，在探索不同金屬材料的成形參數的過程中，必然會產生大量的試驗數據，針對這些試驗數據的分析、管理及應用，并基于少量試驗數據的工藝—成形預測，對于獲得較優的工藝參數及成形構件尤其重要。因此，開發一款針對電弧增材制造技術的數據庫系統顯得十分必要。

許多研究者針對焊接數據庫系統做了大量的工作，這些焊接數據庫的設計開發一般可分為兩類，第一類是數據庫對焊接工藝參數、焊接流程、人員等基本信息進行分類儲存，操作人員在數據庫中可直接定位檢索目的信息，如胡志鵬［2］設計的焊接工藝數據庫，可以將焊接的工藝參數錄入到數據庫系統中并對數據進行基本的增刪改查，榮佑珍等人［3］開發的航空專用焊接數據庫及專家系統，可輔助焊接工藝文件的管理，陳振林等人［4］采用B/S架構開發了應用于航空發動機焊接零件的焊接工藝資源數據庫系統，焊接數據庫系統涵蓋了焊接基礎數據庫、焊接參數數據庫、材料焊接性能數據庫和典型零件案例庫，促進了焊接知識自動化水平的提高；第二類是在傳統數據庫的基本信息儲存功能上加入了推理、經驗公式、回歸模型等方法對數據庫中沒有錄入的位置參數進行預測，如馮允宣等人［5-6］設計的中厚板焊接數據庫，不僅能夠實現參數信息的基本增刪改查操作，還引入了BP神經網絡建立了板材厚度與焊接參數之間的映射關系。BP神經網絡具有很強的非線性映射能力，一些學者將BP神經網絡引入到電弧增材制造工藝的開發中［7-8］，然而目前關于電弧增材參數數據庫的相關研究仍然相對匱乏。

文中開發的數據庫系統實現了對試驗數據的基本管理，主要用于儲存金屬材料種類，氣體種類，基板種類，打印工藝方法及打印工藝參數，單道焊縫形貌等基本信息，針對電弧熔絲增材試驗中使用的各類焊接工藝，引入BP神經網絡建立打印參數與單道焊縫形貌的映射關系，實現對未錄入打印參數下焊縫形貌的預測，并賦予模型實時更新功能，即使后續修改了數據庫中的試驗數據信息，也確保了模型預測能力的準確性。用戶只需選擇材料、基板種類、保護氣種類、打印工藝方式及打印工藝參數即可自動調用算法模型預測出該參數下的焊縫形貌。該數據庫系統不僅將已有試驗數據進行完整備份，并進一步開發了已有試驗數據的預測價值，大大節省了工藝開發的周期和成本。

1 系統總體設計

文中所開發的電弧熔絲增材制造數據庫系統擁有三大功能模塊：用戶權限管理模塊，基礎數據信息模塊，焊縫形貌預測模塊。用戶權限管理模塊將管理員用戶和普通用戶進行分級管理以賦予不同權限。基礎數據信息模塊用于分類管理已有的試驗數據信息，并將試驗數據分類型實時地傳遞到焊縫形貌預測模塊。焊縫形貌預測模塊將基礎數據信息模塊傳遞的試驗數據自動進行BP神經網絡建模并預測單道焊縫形貌的熔寬和余高。電弧熔絲增材制造數據庫系統的總體結構及相互依賴關系如圖1所示。文中基于前期試驗獲得的低碳鋼，不銹鋼和鋁合金等單道成形試驗數據，通過開發電弧熔絲增材制造數據庫實現數據存儲和焊縫形貌（熔寬和余高）預測。

2 系統功能設計及實現

電弧熔絲增材制造數據庫系統采用B/S架構，開發過程使用前后端分離模式，后端使用python編程語言下的Django框架進行開發，前端使用Vue框架進行頁面UI搭建，數據庫使用MySQL作為主要關系型數據庫存儲基礎數據模塊的試驗數據信息，采用Redis作為緩存數據庫用于存儲訓練好的神經網絡結構及權重等信息。Django引入了ORM的概念，可以連接到MySQL數據庫中操作數據。用戶從前端發來對數據的操作請求后，由Django后端接受到請求，后端選擇先到緩存中獲取數據并進行處理，若是緩存沒有獲得數據再到數據庫中對數據進行操作，最后將處理好的數據封裝傳遞回前端，由前端動態的渲染到用戶頁面上。

2.1 用戶權限管理模塊設計

用戶的權限分級分為管理員用戶與普通用戶，普通用戶可以根據前端注冊，管理員權限只能夠通過后臺系統賦予。該系統賦予管理員用戶最高權限，可以對整個數據庫的所有信息、模型預測算法內容等進行增刪修改；僅賦予普通用戶對庫內試驗數據的檢索權以及焊縫形貌的預測權。

2.2 基礎數據信息模塊設計

基礎數據信息模塊主要由絲材、基板、保護氣體、工藝方法及打印參數、焊縫形貌等基本信息組成，用于存儲試驗數據，如圖2所示。后臺數據儲存是依靠關系型數據庫數據存儲模式的表格制成，通過表格中字節之型間進行關聯。由于電弧熔絲增材制造涉及多種工藝，每種工藝設置的打印參數種類也不甚相同。因此，對于打印工藝表的設計，需要引入“多態”的概念［9］，具體設計過程：每種工藝方法及該工藝方法下設置的工藝參數標簽及數據都單獨地創建成一張表；另外建立一個中間關聯表將工藝方法和該工藝方法下的具體某一組參數關聯起來，就可實現用戶界面工藝方法及打印參數展示的簡潔，在此基礎上進一步設置了工藝方法增加擴展功能，需要添加新的工藝只需再創建一張表，表中存儲該工藝對應的參數即可，這樣的設計極大地節省了存儲空間，并增加了該數據庫系統的擴展性。該模塊關系表實體聯系圖（E-R圖）如圖3所示，E-R圖描述本數據庫系統內各項數據實體之間的關系以及每張數據表的具體表字段。

2.3 焊縫形貌預測模塊設計

基于基礎數據信息模塊已錄入的試驗數據，焊縫形貌預測模塊結合BP神經網絡算法模型對焊縫形貌進行了預測，設計示意圖如圖4所示。不同工藝方法下設置的打印參數種類也不相同，相應地，BP神經網絡算法的模型結構也不相同。在預測過程中，根據已有的試驗數據，選擇對焊縫形貌影響較大的參數用于算法預測，而不是將所有參數都用于模型預測，避免影響模型的預測準確度。文中所涉及到的焊接工藝均基于SKS焊機系統研發，但數據庫系統仍可適用于其他焊機下的焊接工藝，針對該焊機系統的MIG工藝及MIG-CC工藝，焊縫形貌預測模塊使用的BP神經網絡結構如圖5所示。

MIG工藝的熔滴過渡為脈沖熔滴過渡與短路熔滴過渡相結合的方式，其對應的工藝參數中脈沖序列決定了單位時間內的脈沖數，每一次脈沖都會產生熔滴過渡，效率更高，MIG-CC工藝為SKS焊機特有的工藝，其熔滴過渡方式為短路熔滴過渡，因此只用通過調整電流即會較大程度的改變熔滴過度的速度。

由于只選出了對焊縫形貌影響程度較大的參數用于神經網絡的訓練，神經網絡的輸入層神經元不多，不需要使用復雜的網絡將數據庫的數據放入神經網絡訓練之前，需要將數據進行歸一化處理， 這樣做的目的是將一個數據范圍轉換為表示數據特征的另一個數據范圍，以確保每個焊接參數對網絡的影響相同，并適應由神經網絡輸出層的激活函數計算的值。數據處理后，所有的訓練數據歸一化到閉合區間［0，1］內，即

xnorm=x-xminxmax-xmin（1）式中：x為各個工藝參數的值，通過式（1）將所有輸入工藝參數在訓練前歸一化到［0，1］內。

隱藏層神經元是神經網絡擬合任何非線性關系的關鍵點。神經元中的激活函數會扭曲輸入和輸出之間的線性關系，從而使網絡模型能夠逼近任何復雜的映射關系。訓練過程中，所有神經元的激活函數選擇sigmoid函數，反向傳播過程中使用Adam作為優化器，相較于使用隨機梯度下降，Adam優化器不容易陷入局部最小值［10］，損失值函數選擇平均絕對誤差公式用于評定神經網絡的性能，即

ER=|ypred-ytrue|ytrue×100%（2）

式中：ypred表示神經網絡的預測值；ytrue表示數據的原始值。之后基于Tensorflow框架進行BP神經網絡模型的搭建，以MIG工藝為例，使用一層循環調整隱藏層的神經元個數，最后確定神經網絡結構為3-12-2時損失值最小。

神經網絡模型會根據數據庫中的信息， 將不同條件下的工藝參數數據進行模型訓練，并將訓練過后神經網絡的參數存儲記錄在服務器端的緩存數據庫，當普通用戶使用預測功能時，不需要等待神經網絡重新訓練，直接加載對應的神經網絡模型與模型參數即可，當數據庫中原始數據發生較大變化時，系統內部會重新對神經網絡進行訓練，并重新記錄緩存模型參數。

為驗證焊縫形貌預測功能的準確度，額外進行驗證試驗，驗證試驗的具體打印參數見表1。使用數據庫系統預測功能得出的結果是焊縫寬度的預測誤差為1.3%，焊縫余高的誤差為1.5%。結果表明，BP神經網絡算法可以很好地擬合焊接工藝參數與焊縫形貌之間的關系，并且可以實現高精度的焊縫形貌預測效果。

3 結論

（1）文中開發的電弧熔絲增材制造數據庫系統，實現了不同工藝方法下工藝方法與焊縫形貌的試驗數據分類管理以及預測功能，并保留了數據庫的擴展功能，降低試驗成本，實現了電弧增材試驗數據的信息化管理。

（2）引入BP神經網絡算法，賦予焊縫形貌預測模型實時更新功能，充分開發已有試驗數據的信息價值，實現對未知工藝參數下焊縫形貌的高精度預測，驗證試驗焊縫寬度的預測誤差為1.5%，焊縫余高的誤差為5%。

參考文獻

［1］ Xiong J， Zhang G， Hu J，? et al. Bead geometry prediction for robotic GMAW-based rapid manufacturing through a neural network and a second-order regression analysis［J］. Journal of Intelligent Manufacturing，? 2014，? 25（1）：157-163.

［2］ 胡志鵬. 基于B/S模式的焊接工藝管理系統［D］. 南昌：南昌航空大學， 2012.

［3］ 榮佑珍， 劉仁培， 魏艷紅. 航空專用焊接數據庫及專家系統［J］. 航空制造技術， 2017（12）：43-47.

［4］ 陳振林， 張玉蓮， 苑興楠， 等. 航空發動機焊接工藝資源數據庫系統開發［J］. 機械制造文摘——焊接分冊， 2020（4）：1-5.

［5］ 張兆棟， 馮允宣， 祝美麗， 等. 基于BP神經網絡的中厚板焊接數據庫系統設計［J］. 焊接設備與材料， 2021， 50（5）：107-110.

［6］ 馮允宣. 中厚板高效平位置焊接工藝研究及焊接數據庫的建立［D］. 大連：大連理工大學， 2021.

［7］ Hu Z， Qin X， Li Y， et al. Welding parameters prediction for arbitrary layer height in robotic wire and arc additive manufacturing［J］. Journal of Mechanical Science and Technology， 2020， 34（4）： 1683-1695.

［8］ Xia C， Pan Z， Polden J， et al. Modelling and prediction of surface roughness in wire arc additive manufacturing using machine learning［J］. Journal of Intelligent Manufacturing， 2022， 33（5）： 1467-1482.

［9］ 劉晶東， 趙棟梁， 劉達. 基于多態的自然資源數據庫研究［J］. 測繪與空間地理信息， 2020， 43（S1）：68-69.

［10］ 王建輝， 冉金鑫， 沈瑩瑩， 等. 基于GA-ADAM優化算法的BP神經網絡農業灌水量預測模型［J］. 中國農村水利水電， 2022（4）：138-143.

吳悠簡介： 碩士研究生；主要從事電弧增材制造及深度學習的研究；472624271@qq.com。

張亮簡介： 通信作者， 博士， 副研究員；主要從事金屬增材制造的研究；已發表論文20余篇；zhangliang@szpt.edu.cn。