p-gmaw焊缝成形过程建模与仿真.docxVIP

p-gmaw焊缝成形过程建模与仿真 0 低碳钢和铝合金脉冲tig焊接过程建模与仿真 焊接大小是决定焊接质量的重要因素。因此，焊接成本控制也是焊接自动化的主要问题。近年来，传感器技术、计算机科学和人工智能理论取得了很大进步，为焊接和形成过程的附近总线提供了新的理论和方法。 焊接过程的建模与仿真是设计控制器的前提与关键环节,国内外关于焊缝成形过程建模与仿真的研究已有许多,但多集中在非熔化极气体保护焊接. 哈尔滨工业大学和上海交通大学的研究者对低碳钢和铝合金脉冲TIG焊接过程建模与仿真进行了系列研究,并提出了多种动态建模方法. 南昌大学的张光云利用BP网络建立了低碳钢TIG熔焊成形中焊缝几何尺寸与焊接工艺参数的关系模型. 对于熔化极气体保护焊,由于存在溶滴过渡的影响,焊接过程的不稳定因素与干扰因素更为复杂,实现焊缝成形的精确建模与控制也更为困难,相关研究也较少. 兰州理工大学的研究者针对铝合金脉冲MIG焊接过程建立了其传递函数模型与多输入多输出(MIMO)控制模型. 文中针对低碳钢P-GMAW,研究了利用神经网络模型进行仿真,进而揭示焊缝成形规律的途径,仿真结果为闭环控制系统的设计提供了依据. 1 p-m-w过程的动态模型的建立 1.1 低碳钢板焊接工艺参数分析 文中所采用的试验系统主要包括脉冲熔化极气体保护焊(P-GMAW)焊接系统,焊接熔池正反面视觉传感系统、焊接工艺参数实时测控系统三个部分. 视觉传感系统示意图如图1所示,图1中的上方为母材和已凝固焊道的截面图. 焊接试件为2 mm厚低碳钢板,接头形式为对接,焊丝材料为H08Mn2SiA,焊丝直径为1.2 mm,喷嘴到工件距离为17 mm,配合脉冲熔化极气体保护焊工艺,采用95%Ar+5%CO2作为保护气体,同时采用MM—350焊机的Synergic焊接工艺参数控制方法,以达到一脉一滴的低飞溅熔滴过渡和良好的焊缝成形. 视觉系统可以在线实时获取焊接熔池的正面特征参量,包括正面熔池宽度Wt和正面熔池尾部边界在焊缝截面投影上的平均高度Hm,同时可以获取反面熔池宽度Wb.Wt和Wb的物理含义如图1所示,由于熔池尾部边界的高度也就是焊道的高度,因此Hm又可表述为焊缝的平均余高.Hm的求取方法参见作者前期的工作. 图1中的H表示传统意义上焊缝的余高,即焊缝凸起于工件表面的最大高度. 1.2 sibwnnn模型 文中选用BP神经网络建立P-GMAW焊缝成形模型,为了简化分析,分别采用焊接电流和焊接速度作为激励信号来获取样本并建模,并分别称其为SIBWNNM(speed inspiriting backside width neural network model)和CIBWNNM(current inspiriting backside width neural network model),通称为反面焊缝成形模型. 以下在以焊接电流作为激励信号的模型中,焊接速度设为固定值6 mm/s,在以焊接速度作为激励信号的模型中,焊接电流设为固定值92 A. 试验结果表明,当前时刻的反面熔宽Wb不仅与当前的焊接工艺参数与正面熔池形状相关,而且与其历史值相关. 根据同样参数下的平板堆焊阶跃试验结果以及文中采用的采样频率确定模型的阶数为6. 在SIBWNNM中,网络的输入选择焊接速度υ、正面熔池宽度Wt、正面熔池高度Hm及它们的历史值,在CIBWNNM中,网络模型的输入为焊接电流I、正面熔池宽度Wt、正面熔池高度Hm及它们的历史值,两种神经网络模型的输入节点数均为21个. 隐含层节点数的选择是一个非常关键的问题,文中以测试样本预测误差作为性能指标,确定隐含层节点数为8. 模型的输出节点数为1,即Wb. 图2为SIBWNNM,CIBWNNM的拓扑结构. 对于SIBWNNM,共设计了16组试验,得到1 415个样本点,将1～11组试验作为训练样本对神经网络进行学习训练,训练算法为L-M算法;第12～13组试验作为检验样本检验训练结果,以确定训练的循环次数;第14～16组试验作为测试样本,对训练得到的模型进行验证. 结果表明SIBWNNM模型预测Wb的平均绝对误差为0.282 mm,平均相对误差为5.52%. 对于CIBWNNM,共设计了20组试验,共1 270个样本点,将1～15组试验作为训练样本对神经网络进行学习训练,训练算法同样为L-M算法;第16～17组试验作为检验样本检验训练结果,以确定训练的循环次数;第18～20组试验作为测试样本,对训练得到的模型进行验证. 结果表明CIBWNNM模型预测Wb的平均绝对误差为0.357 mm,平均相对误差为7.85%. 从SIBWNNM和CIBWNNM的测试结果可以看出,采用焊接工艺参数和正面熔池特征参量的当前值及其历史值,可以较准确地预测当前时刻的反面熔池宽度