CO2氣體保護焊的焊縫形貌建模及虛擬化仿真系統開發

肖 罡,歐 敏,李時春,萬可謙,周妃四,楊欽文

(1.江西科駿實業有限公司,南昌 330100;2.湖南科技大學,難加工材料高效精密加工湖南省重點試驗室,湘潭 411201;3.湖南大學機械與運載工程學院,長沙 410082)

0 引 言

焊接工藝在制造業中發揮著十分重要的作用,不可或缺。焊接培訓在培養焊接行業人才方面發揮著至關重要的作用。但是,傳統的焊接培訓模式存在能源消耗大、污染環境、危害人體健康等顯著缺點,與國家綠色低碳的發展目標不符。虛擬仿真技術因具有綠色高效、節省試驗成本、降低資源消耗等顯著優勢而在工業制造領域得到了廣泛應用。越來越多的學者開始聚焦于虛擬仿真技術在焊接培訓中的應用研究,這為焊接培訓領域開辟了新的道路。

程雨瀟等[1]對可以應用虛擬焊接仿真技術的焊接種類以及該技術的發展前景進行了分析,并通過多個實例來證明虛擬焊接仿真的實用性,驗證了虛擬焊接仿真在各個制造行業中扮演的重要角色以及在人才培養方面具有的巨大優勢。張怡青等[2]研究發現,虛擬仿真技術與焊接實訓相結合具有明顯的優勢,是一種經濟、高效、環保、安全的焊接培訓方式,具有現實的經濟效益、社會效益和環境效益。謝本凱等[3]指出,焊縫成形的動態仿真建模是實現虛擬焊接仿真的關鍵技術。然而,目前對焊縫成形的仿真建模的研究皆以靜態仿真為主,缺乏實時的動態交互仿真。基于此,作者通過CO2氣體保護焊V形坡口對接試驗開展了焊縫成形的動態仿真建模研究。首先,根據試驗結果建立工藝參數與焊縫成形幾何形貌的預測模型,實現對不同焊接參數下焊縫成形幾何形貌的實時預測;其次,結合對焊縫截面和表面形貌的量化分析,通過幾何關系和數學模型對焊縫截面和表面形貌進行虛擬化重構,建立焊縫截面和表面形貌的虛擬化仿真模型;最后,開發焊縫形貌預測與虛擬化仿真系統,基于焊接培訓過程中獲取的實時焊接參數,并結合所建立的預測模型與焊縫形貌虛擬化仿真模型實現焊縫形貌的動態仿真與實時交互。

1 試驗方法與結果

試驗所用待焊材料為Q235鋼板,尺寸為100 mm×40 mm×6 mm。采用TransPlus Synergic 5000型焊機進行CO2氣體保護對接焊,鋼板開V形坡口,坡口角度為30°,鈍邊為0.5 mm,根部對接間隙為1 mm。焊絲型號為H08Mn2SiA,直徑為1 mm。

影響CO2氣體保護焊焊縫成形質量和幾何形貌的主要工藝參數包括焊接電流、焊接電壓、焊接速度、氣體流量、焊槍行走角、焊槍工作角、焊絲干伸長、送絲速度等[4-7]。通過預試驗發現,當送絲速度為3.5 mm·s-1時,焊縫成形效果和焊接質量均良好。另外,焊機會自動匹配與送絲速度相適應的焊接電流。作者設計正交試驗時主要考慮焊接電壓、焊接速度、氣體流量、焊槍行走角(左焊法)這4個工藝參數的影響,其他工藝參數保持不變,送絲速度為3.5 mm·s-1,焊絲干伸長為15 mm,焊槍工作角為90°。確定的因素水平如表1所示,采用4因素5水平的正交試驗,共進行25組試驗。焊接時先進行單道打底焊,再進行填充焊。打底焊的熔深和熔寬是衡量打底焊質量的重要指標,也是影響焊縫截面形貌的重要幾何參數,直接影響著后續焊接質量[8-9]。因此,正交試驗時以打底焊的焊縫熔寬、熔深為考核指標。

表1 正交試驗的因素水平

焊后截取焊縫形貌較好區域的焊縫截面,用3000#砂紙打磨后拋光,用王水腐蝕后,采用OST-CF200型光學顯微鏡觀察截面形貌,對熔寬、熔深進行多次測量取平均值,測量方法如圖1所示,結果如表2所示。

圖1 焊縫熔寬和熔深的測量方法示意Fig.1 Diagram of measurement method of weld melting width and depth

表2 正交試驗結果

2 焊縫形貌建模

2.1 焊縫形貌神經網絡預測模型

由于CO2氣體保護焊焊縫形貌受到多個工藝參數影響,并且各參數之間還存在交互作用,使得焊接過程呈現出高度非線性、不確定性等特點,因此采用傳統的數學建模方法來實現焊縫形貌預測極其困難[10-13]。近年來,隨著人工神經網絡研究的深入和發展,其在解決高度非線性和嚴重不確定性系統問題上表現出巨大優勢,具有能逼近任意一個非線性映射函數的特性,這為焊接過程建模開辟了新思路[14-17]。為了實現對不同焊接參數下焊縫形貌的實時預測,作者應用多層感知機神經網絡算法建立了焊接工藝參數與焊縫形貌之間的映射關系,根據輸入和輸出變量確定了多層感知機神經網絡模型結構,并將焊接試驗數據輸入模型進行訓練,最后通過確定各層神經元節點的權值和偏置系數得到了該模型的數學解析式。多層感知機神經網絡模型具體建立過程如下。

首先,通過數據標準化,將樣本數據按照一定比例進行轉換,使其落入一個小的特定區間內,例如0～1或-1～1的區間內,以避免樣本數據之間因數量級差別較大而造成神經網絡的預測誤差較大。為此,作者采用極差標準化方法對訓練樣本(焊接工藝參數)進行數據標準化處理,其計算式為

(1)

式中:x′為標準化后的值;x為工藝參數(焊接電壓、焊接速度、氣體流量、焊槍行走角);xmin為該工藝參數中的最小值;xmax為該工藝參數中的最大值。

經過數據標準化處理后,將焊接工藝參數作為多層感知機神經網絡模型的數據輸入,焊縫形貌幾何尺寸(熔寬、熔深)作為多層感知機神經網絡模型的目標輸出值,建立以焊縫熔寬或熔深為目標函數的多層感知機神經網絡模型,如圖2所示。多層感知機神經網絡模型由多個節點層組成且為全連接,第一層是輸入層,最后一層是輸出層,中間為隱層,每一層包括確定數目的神經元。

圖2 多層感知機神經網絡模型Fig.2 Multi-layer perceptron neural network model

根據多層感知機神經網絡算法原理對模型結構進行解析,其中隱層神經元加權值hj的解析式為

(2)

式中:xi為輸入層輸入變量;ωij為輸入層到隱層連接權值;bj為輸入層連接隱層神經元的偏置系數;i,j分別為輸入層神經元的序數和隱層神經元的序數;n為輸入層神經元的總個數。

隱層神經元激勵函數采用sigmoid函數,解析式為

(3)

輸出焊縫截面形貌y(熔寬或熔深)的解析式為

(4)

式中:ωj為隱層到輸出層連接權值;b為隱層連接輸出層神經元的偏置系數;n′為隱層神經元的總個數。

最后,將焊接試驗數據輸入該模型算法程序中,對模型進行訓練,確定各層神經元節點的權值和偏置系數。將確定的權值和偏置系數代入式(4),得到該模型的數學解析式,完成模型的建立。

2.2 模型的預測性能

應用建立的多層感知機神經網絡模型對熔寬、熔深進行預測,通過python編程進行數據可視化分析,繪制的試驗值與預測值擬合曲線如圖3所示。由圖3可以直觀地看出,模型預測值與試驗值幾乎完全重合。經計算,熔寬預測的最大偏差為0.097 mm,模型擬合優度為0.999 269;熔深預測的最大偏差為0.051 mm,模型擬合優度為0.999 567。綜上分析,建立的多層感知機神經網絡模型擬合優度高,可以實現對焊縫形貌幾何參數的精準預測。

圖3 焊縫熔寬和熔深試驗值與預測值的擬合曲線Fig.3 Fitting curves of test values and predicted values of weld melting width (a) and melting depth (b)

2.3 焊縫形貌虛擬化仿真模型

在V形坡口對接焊過程中,熔滴在重力作用下落入施焊區域,冷卻后形成焊縫。焊縫截面的幾何形貌主要取決于側壁、底部及頂部輪廓形狀,其中側壁及底部幾何形貌可以根據基板尺寸、坡口角度和對接間隙來確定,焊縫頂部則呈現如圖4(a)所示的上凸的弧形或如圖4(b)所示的下凹的弧形,因此需要建立合適的數學模型來擬合焊縫頂部的輪廓。通過幾何關系和數學模型對焊縫截面進行虛擬化重構,建立的焊縫截面虛擬化仿真模型如圖4(c)所示,以熔寬Yw、熔深Yd以及焊縫頂部輪廓曲線ADB數學模型來表征虛擬焊縫截面的幾何結構[18]。

圖4 焊縫截面形貌與虛擬化仿真模型Fig.4 Weld cross-section morphology (a-b) and virtual simulation model (c):(a) convex arc and (b) sunken arc

為了使建立的數學模型能夠同時滿足圖4(a)和圖4(b)的2種截面形貌,以圖4(c)中O點為坐標原點,A(-Yw/2,0)、B(Yw/2,0)為曲線端點,建立余弦模型來擬合焊縫頂部輪廓曲線ADB,具體模型[18]為

Y=a+b′cos(cX) (cX∈[-π/2,π/2])

(5)

(6)

b′=Yd-a

(7)

c=π/Yw

(8)

為了建立焊縫表面虛擬化仿真模型,提取了圖5(a)中焊縫表面形貌的紋理特征和焊縫寬度來表征焊縫表面的幾何形貌。在焊接過程中,焊縫表面的形成過程可以理解為無數個熔池單元沿焊接方向的堆疊,由于熔池紋理類似橢圓曲線,因此選用橢圓模型來表征熔池單元,并通過幾何關系和數學模型對焊縫表面進行虛擬化重構,建立的焊縫表面虛擬化仿真模型如圖5(b)所示,其中橢圓短軸等于Yw,長軸等于2Yw。

圖5 焊縫表面形貌與虛擬化仿真模型Fig.5 Weld surface morphology (a) and virtual simulation model (b)

3 焊縫形貌預測及虛擬化仿真系統的開發

通過Python編程開發CO2氣體保護焊焊縫形貌預測及虛擬化仿真系統,該系統集成了數據的檢索、修改、刪除以及新數據的錄入功能,試驗數據建模功能,焊縫形貌預測與虛擬化仿真演示功能,用戶信息維護與管理功能等,為虛擬焊接培訓提供了焊縫形貌的動態仿真建模與實時交互平臺。焊縫形貌預測及虛擬化仿真系統功能結構總體包括登錄界面、系統主界面、試驗數據與建模、數據預測與仿真及系統管理5個功能模塊,其中試驗數據與建模、數據預測與仿真是本系統的核心功能。該系統的功能結構如圖6所示,具體工作流程如圖7所示。

圖6 仿真系統的功能結構Fig.6 Simulation system functional structure

圖7 仿真系統的工作流程Fig.7 Simulation system workflow

在試驗數據與建模模塊中,以試驗數據作為多層感知機神經網絡的訓練樣本,建立焊接工藝參數與焊縫幾何形貌的映射關系,并通過計算和求解確定多層感知機神經網絡模型中各項權值與偏置系數,從而獲得確定的數學表達式,最終完成焊縫形貌預測模型的建立。試驗數據與建模界面主要包含顯示/編輯試驗數據、試驗數據建模、打印終端信息三大功能。在顯示/編輯試驗數據模塊中可以實現對試驗數據的檢索、修改、刪除以及新數據的錄入。在試驗數據建模模塊中可以應用機器學習智能算法對試驗數據樣本進行學習,通過構建多層感知機神經網絡模型建立焊接工藝參數與焊縫形貌之間的映射關系。打印終端信息生成建模信息,完成焊縫形貌預測模型的建立。

在數據預測與仿真模塊中,以焊接培訓過程中產生的實時焊接參數作為測試數據,結合所建立的預測模型與焊縫形貌虛擬化仿真模型,通過實時獲取測試數據來實現焊縫形貌的動態仿真與實時交互。數據預測與仿真模塊界面主要包含編輯/錄入測試數據功能、仿真數據演示功能、焊縫形貌虛擬化仿真演示功能。在數據預測模塊中可以實現對測試數據的檢索、修改、刪除以及新數據的錄入。在仿真數據演示模塊中可以實時顯示測試數據信息,以及與該組測試數據對應的預測結果。在焊縫形貌虛擬化仿真演示模塊中能夠基于測試參數動態演示虛擬化仿真的焊縫形貌,此時,焊縫截面形貌會隨測試參數時刻發生變化,焊縫表面形貌也會同步發生變化,同時焊縫表面形貌生成的位置也會時刻變化。

4 結 論

(1) 基于試驗數據訓練,建立了焊縫熔寬和熔深的多層感知機神經網絡預測模型,模型對熔寬預測的最大偏差為0.097 mm,擬合優度為0.999 269,對熔深預測的最大偏差為0.051 mm,擬合優度為0.999 567。

(2) 在對焊縫截面幾何結構及表面形貌進行分析的基礎上,構建了以焊縫熔深和熔寬為輸入變量的焊縫截面形貌數學模型和以焊縫熔寬為輸入變量的表面形貌數學模型,實現了焊縫形貌的虛擬化仿真。通過python編程開發了CO2氣體保護焊焊縫形貌預測與虛擬化仿真系統,實現了焊縫成形的實時預測與動態仿真可視化。