陳振款,何建萍,李 芳,華學明,黃文榮

(1.上海工程技術大學 材料科學與工程學院,上海 201620;2.上海市激光制造與材料改性重點實驗室(上海交通大學),上海 200240;3. 滬東中華造船(集團)有限公司,上海 200129)

304L不銹鋼是常溫下具有奧氏體組織的不銹鋼,因其無磁性、塑性高、強度低、耐腐蝕性的優(yōu)點,被廣泛應用于船舶、容器管道、精密零件等行業(yè)[1]。大型LNG船的燃料薄膜艙中,1.2 mm厚SUS304L不銹鋼薄板的等離子弧焊搭接接頭的焊接質量直接決定了MARKⅢ薄膜型圍護系統(tǒng)主屏壁的完整性、安全性[2]。但由于薄板自身約束力很弱,裝配要求高、難度大(0.3 mm間隙以內),焊接中容易發(fā)生變形,導致上下板之間形成間隙,產(chǎn)生填充不足或者未熔合等缺陷[3]。為了降低對焊接裝配精度的要求,焊接過程中的間隙自適應控制技術得到了廣泛的重視。

接頭信息的檢測是間隙自適應控制的首要環(huán)節(jié),非接觸的圖像傳感和激光傳感已有很多研究。顧帆等[4]針對焊縫間隙漸變的裝配情況,開發(fā)了一套基于激光視覺傳感器的多道焊的焊槍姿態(tài)自適應調整方法,提高了中厚板的焊接的智能化水平。樊重建[5]采用光路視覺傳感獲取圖像,以退化恢復、閾值分割、去噪、細化及Hough變換等圖像處理,提取了熔池間隙和流動方向信息。總之,相比較于圖像傳感,激光傳感的檢測技術針對弧光干擾、飛濺、高溫等問題,具有精度更高、穩(wěn)定性更好、抗電磁干擾能力更強等優(yōu)點,被認為是焊縫信息檢測方向的主流[6-9]。

焊接薄板過程是一個復雜的工藝,不同間隙對應的焊接工藝參數(shù)調節(jié)不同,很難精確地用數(shù)學模型來進行線性描述工藝參數(shù)調節(jié)和間隙的關系,模型的構建也存在一定的難度。嚴敏之等[10]通過焊接實驗數(shù)據(jù),建立了焊接電流、焊接電壓與搭接間隙對應的神經(jīng)網(wǎng)絡模型,得到了均勻飽滿的焊縫成形;張克等[11]采用基于反向傳播神經(jīng)網(wǎng)絡(BPNN)結合遺傳算法(GA)的工藝參數(shù)自適應填充模型作為自適應控制器,能夠有效解決間隙帶來的缺陷問題。

現(xiàn)有的間隙自適應焊接的研究,大多是在固定的間隙和裝配條件下來進行工藝參數(shù)優(yōu)化、焊接接頭力學性能預測或焊縫幾何形貌預測,這些都是靜態(tài)優(yōu)化,但在實際的焊接生產(chǎn)過程中,工藝參數(shù)應隨著焊接接頭間隙的變化而動態(tài)實時調整,其相關研究很少[12-13]。

本文基于液化天然氣船薄膜型圍護304L不銹鋼板的脈沖等離子弧搭接機器人自動焊,以激光傳感來實時檢測搭接間隙,通過工藝實驗來考察不同間隙下的焊接速度和峰值電流對焊縫成形質量的影響規(guī)律,建立BP神經(jīng)網(wǎng)絡模型,實現(xiàn)了搭接間隙動態(tài)變化下的焊接速度和峰值電流的實時控制。

1實 驗

1.1 實驗平臺與參數(shù)

工藝實驗平臺由焊接機器人(Fanuc M-1OiD12)、焊接電源(Ewm tetrix551)、激光傳感器(SERVO-ROBOT I-CUBE 100LSTD)3部分組成,如圖1(a)所示。焊槍結構參數(shù)為鎢棒直徑1.6 mm,內縮量2.0 mm,噴嘴直徑為5.26 mm,鎢棒錐度30°。在進行等離子弧搭接焊時,采用流量為0.3 L/min的體積分數(shù)為6%H2+94%Ar的離子氣和流量為12.5 L/min的純度99.99%Ar的保護氣。

圖1 實驗平臺搭接圖(單位:mm)Fig.1 Experimental overlapping platform:(a) experimental equipment; (b) schematic diagram of welding torch space position

選用厚度為1.2 mm的304L不銹鋼,焊前用酒精清洗試樣表面,保護焊縫免受油污和氧化膜污染。焊件尺寸為150 mm×80 mm×1.2 mm,工件裝配的搭接量為20 mm,焊炬高度為2 mm,焊槍對中位置偏上板0.6 mm,并上板夾角為80°,焊接時焊槍空間具體位置如圖1(b)所示。

1.2 實驗方案

實驗的焊接質量評估采用G.T.T(Gaz Transport &Technigaz)公司提供的 M1303標準。該標準對焊縫寬度、熔深等焊縫成形參數(shù)作出了規(guī)定,針對1.2 mm厚SUS304L不銹鋼板的搭接焊,提出熔深要嚴格穩(wěn)定在0.4～1.2 mm以內,焊縫寬度要保持在3.5～6 mm范圍內。

設定搭接間隙為0～0.5 mm,然后每間隔0.1 mm設置了6個不同裝配間隙來進行工藝實驗,實驗研究表明,焊接速度和峰值電流是基于間隙變化進行焊接工藝參數(shù)調節(jié)的2個重要參數(shù)?；趯嶒?確定了以焊接速度取值30、35、40 cm/min、峰值電流取值96、102、105 A來進行不同搭接間隙下的工藝實驗。制備焊接接頭的金相樣品,利用超景深光學顯微鏡讀取焊接接頭的熔寬和熔深數(shù)據(jù)。

1.3 實驗結果討論

通過改變峰值電流和焊接速度,不同搭接間隙下的焊縫成形主要有3種情況,即燒穿、未熔合(表現(xiàn)為空洞)和良好,如圖2所示。其中圖2(a)、(b)、(c)為焊縫的正面形貌,圖2(d)、(e)、(f)為焊縫的背面形貌。

圖2 焊縫成形形貌:(a)、(d)未熔合焊縫正面和背面;(b)、(e)成形良好焊縫正面和背面;(c)、(f)燒穿焊縫正面和背面Fig.2 Welds formation:(a), (d) front and back of unfused weld; (b), (e) front and back of well formed weld; (c), (f) front and back of burnt through weld

實驗結果統(tǒng)計如圖3所示。由圖3中可見,當焊接速度為30 cm/min和峰值電流為96 A時,間隙在0.3 mm以內時,焊縫成形能夠保持良好狀態(tài),當間隙在0.4和0.5 mm左右時,逐漸會出現(xiàn)未熔合缺陷,出現(xiàn)一定的空洞。當峰值電流為102 A,焊接速度為30 cm/min時,對于零間隙以及0.1 mm間隙,焊縫出現(xiàn)了燒穿現(xiàn)象,但是對于間隙為0.3～0.5 mm時,焊縫成形良好,并沒有出現(xiàn)空洞以及燒穿缺陷等。

圖3 焊接實驗結果圖Fig.3 The result of welding test

由此可見,當間隙較大時,增大峰值電流導致熱輸入的增加對于間隙增加帶來的缺陷具有一定的抑制作用;對于間隙過小的情況,這種熱輸入過大會對焊縫造成燒穿缺陷,嚴重影響焊接的質量,其主要原因在于搭接間隙對于熱輸入能量有一定的損失作用。同理,焊接速度降低帶來熱輸入的增加,實時保證焊接熱輸入在合理的范圍之內,對于間隙的變化所帶來的焊接缺陷具有良好的抑制作用,因此建立焊接過程中間隙自適應的工藝參數(shù)調節(jié)的數(shù)學模型尤其重要。

2 工藝參數(shù)建模

2.1 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡的主要優(yōu)點在于有著非線性擬合能力以及強大自學習而帶來的泛化能力,泛化能力是指在遇到不在訓練集的數(shù)據(jù)時可以產(chǎn)生相應的相對合理的輸出[14-15]。

為了確定不同搭接間隙下良好焊縫成形質量的工藝參數(shù)范圍,本文采用搭接間隙、焊縫寬度、熔深作為輸入神經(jīng)元,工藝參數(shù)中峰值電流和焊接速度作為輸出層的神經(jīng)元,通過具有不同數(shù)量隱層神經(jīng)元的模型效果測試,最終構建的神經(jīng)網(wǎng)絡結構拓撲如圖4所示,是一個3層神經(jīng)網(wǎng)絡,輸入層有3個神經(jīng)元,隱藏層有4個神經(jīng)元,輸出層有2個神經(jīng)元。

圖4 BP神經(jīng)網(wǎng)絡訓練拓撲圖Fig.4 BP neural network training topology

為了解決圖4所示神經(jīng)網(wǎng)絡不同量綱所帶來的數(shù)據(jù)處理不一致的問題,本文采用了函數(shù)為MinScaler的歸一化處理,其公式為

(1)

式中:x為需要進行歸一化的特征向量;xmax和xmin分別為x中最大值和最小值;ymax和ymin分別為數(shù)據(jù)歸一化后區(qū)間范圍中的最大和最小數(shù)值。本文中BP模型輸入層與隱含層之間采用雙極性S型函數(shù),如公式(2)所示,輸出層神經(jīng)元采用線性激活函數(shù)。

(2)

進一步地,訓練函數(shù)采用L-M(Levenberg-Marquardt)算法的trainlm函數(shù),該算法通過在HESSLAN矩陣上加上一個正定矩陣來進行評估,這樣比傳統(tǒng)的BP算法迭代次數(shù)少,收斂快,精度較高,其連接權值修正公式為

Δw=(JtJ+μI)-1JtE

(3)

式中:Δw為連接權值;J為誤差對權值微分的雅可比矩陣;I為單位矩陣;μ為標量;E為誤差向量。

為了防止過擬合,本文訓練設計的BP神經(jīng)網(wǎng)絡設置最大迭代次數(shù)為1 000、最小訓練誤差小于0.000 1、學習率為0.1、通過反復試驗得到最佳性能的神經(jīng)網(wǎng)絡模型。

2.2 神經(jīng)網(wǎng)絡的訓練

選用了具有良好焊縫成形質量的40組數(shù)據(jù)來進行BP神經(jīng)網(wǎng)絡訓練和驗證, 5組數(shù)據(jù)進行測試,并采用均方誤差(Mean Squared Error,MSE)和擬合優(yōu)度R2來判斷模型的優(yōu)劣。

圖5(a)為神經(jīng)網(wǎng)絡訓練中誤差變化曲線, 可以看到,BP神經(jīng)網(wǎng)絡通過14次迭代后達到平穩(wěn)狀態(tài),在預定的迭代中能夠達到目標的要求。圖5(b)為神經(jīng)網(wǎng)絡決定系數(shù)結果圖,R=0.984 67,逐漸趨近于1,可以看出輸出值和目標值基本是重合的,表明誤差較小,上述模型能夠達到間隙自適應控制的焊接工藝參數(shù)訓練的目的。

圖5 神經(jīng)網(wǎng)絡模型訓練結果Fig.5 Training results of neural network model:(a) root mean square error variation curve; (b) fitting result of neural network training set

3 基于BP神經(jīng)網(wǎng)絡的間隙自適應控制

3.1 間隙自適應控制系統(tǒng)

為了在不同裝配間隙下得到良好的焊縫成形,本文研究了基于BP神經(jīng)網(wǎng)絡的間隙自適應的工藝參數(shù)控制系統(tǒng),如圖6所示?？傮w概括,通過激光傳感器實時檢測搭接間隙,并將訓練好的BP神經(jīng)網(wǎng)絡模型的權重參數(shù)配置到焊接機器人程序中,通過機器人焊接來完成間隙自適應的工藝參數(shù)實時控制。

圖6 薄板搭接間隙自適應的工藝參數(shù)控制系統(tǒng)Fig.6 Adaptive process parameter control system for lap gap of sheet metal

基于BP神經(jīng)網(wǎng)絡的間隙自適應的工藝參數(shù)控制程序分為3個模塊:輸入模塊、計算模塊和輸出模塊。輸入模塊包括間隙獲取模塊和通信模塊;計算模塊包括控制算法模塊和延遲模塊,輸出模塊主要包括焊接模塊和報警模塊。其中,最為核心的是采用BP神經(jīng)網(wǎng)絡的控制算法模塊。各模塊功能如下。

1)間隙識別模塊:焊接過程中,激光傳感器通過掃描工件,獲得相應的線激光數(shù)據(jù)并進行處理,得到相應的間隙大小。

2)通信模塊:機器人和焊接電源通過Profinet網(wǎng)絡進行實時通信,通過機器人示教器發(fā)出的指令,能夠控制焊接電源輸出相應的熱輸入。激光傳感器和機器人使用以太網(wǎng)通信,將激光傳感器掃描工件后的焊縫截面的幾何形狀和空間位置數(shù)據(jù),通過 socket程序實時的發(fā)送到機器人的寄存器上,可供機器人進行實時的讀取和處理。

3)控制算法模塊:建立良好的神經(jīng)網(wǎng)絡模型,將訓練好的神經(jīng)網(wǎng)絡模型參數(shù)嵌入機器人中,通過機器人的編譯環(huán)境進行處理,輸出到機器人寄存器中。

4)延遲模塊:由于激光傳感器掃描位置比較超前,直接作用焊槍會導致熱輸入作用位置對于焊接的間隙自適應的同步錯誤,會導致焊接缺陷,因此該延遲模塊會對焊槍行走到相應的掃描位置進行判斷,保證了調節(jié)后的工藝參數(shù)能夠精準的作用在對應間隙的接頭的位置上。

5)焊接模塊:對于不同的工件,在焊接過程中,通過控制模塊計算出焊接工藝參數(shù),經(jīng)過通信發(fā)送到焊接電源,作用到焊槍,進行焊接。

6)報警模塊:適當?shù)恼{整,如果超過限度(0.6 mm以內),則發(fā)生報警,進行重新裝配。

3.2 間隙自適應控制與討論

間隙自適應控制是基于圖6所示的控制系統(tǒng),通過對搭接間隙在0～0.6 mm變化時的焊接速度和峰值電流自動實時調節(jié)來進行的。焊接起點的間隙設置為0 mm,焊接終點的間隙通過0.1 mm塞片設置為0.6 mm,圖6所示的系統(tǒng)中,熔寬設定值為4.5 mm,熔深設定值為0.6 mm。

圖7(a)和(b)分別為有、無間隙自適應的焊縫成形圖,圖7(a)的工藝參數(shù)為峰值電流102 A, 焊接速度40 cm/min。從圖中可見,在沒有間隙自適應控制的情況下,隨著間隙的不斷增加,逐漸出現(xiàn)了未熔合的空洞缺陷;而在有間隙自適應自控制的情況下,得到了較好的焊縫成形質量。由此可見,圖6所示的基于BP神經(jīng)網(wǎng)絡的間隙自適應的工藝參數(shù)控制系統(tǒng)在間隙動態(tài)變化的情況下,起到了實時調節(jié)工藝參數(shù)的效果,實現(xiàn)了在有間隙變化的情況下的焊縫成形質量實時控制的目的。

圖7 有無間隙自適應調節(jié)前后對比圖Fig.7 Comparison between gap adaptive adjustment with and no gap adaptive adjustment:(a) weld forming of no gap adaptive adjustment; (b) weld forming of gap adaptive adjustment

上述間隙自適應的工藝參數(shù)調節(jié)過程可進一步由圖8中看到:在搭接間隙大于0.2 mm 時,隨著間隙的逐漸增加,峰值電流不斷的加大,焊接速度也逐漸的降低,即熱輸入增加,空洞狀未熔合的缺陷得到了一定的抑制,其主要原因在于:熱輸入的適當增加,可使金屬熔化量增多,熔池的形狀填充得到了較大的改善,可以較好地填補空洞處缺失的金屬,從而得到良好的焊縫成形質量。

圖8 有間隙自適應工藝參數(shù)實時調節(jié)圖Fig.8 Real time adjustment diagram of gap adaptive process parameters

由圖8同時可知,峰值電流在間隙0.2 mm時達到最低值。實驗研究發(fā)現(xiàn),在搭接焊的過程中,搭接間隙的增大,不僅會引起空洞等缺陷的出現(xiàn),也會造成焊縫熔深和熔寬的減小。在0.2 mm范圍內的間隙增加,雖然沒有出現(xiàn)空洞等缺陷,但造成了焊縫熔深和熔寬的減小,本文通過降低焊接速度來增加熔深和熔寬,以彌補因間隙增大而造成的焊縫熔深和熔寬的減小,但很難使熔深和熔寬同時符合焊縫成形尺寸要求,即會造成熔深過大甚至燒穿。因此,本文進一步通過降低峰值電流來消弱因焊接速度降低而造成的熔深增加過度。當間隙大于0.2 mm,隨著搭接間隙逐漸增大,通過較低的焊接速度就可以保證焊縫熔寬符合焊縫成形尺寸要求,但熔深卻不夠,這是因為搭接的上下板之間間隙過大,熱量向底板的傳導比較困難而導致底板熔化量較少。為了解決這一問題,本文通過提高峰值電流以加強電弧壓力來增加熔深,使熔深也符合焊縫成形尺寸要求。綜上所述,間隙在小于0.2 mm和大于0.2 mm時通過對峰值電流的不同調節(jié)方法,使得峰值電流在間隙0.2 mm左右時達到最低值。

進一步沿焊縫方向不同位置對焊件進行了切割,通過金相制備,在超景深光學顯微檢測下,讀取了沿焊縫方向不同位置的熔深和熔寬尺寸,如圖9所示。從圖中可見,即便在沿焊縫方向的不同位置處的間隙不同,但得到的熔寬和熔深變化不大,保證了焊縫成形的一致性,且各位置的熔寬和熔深尺寸均可以滿足M1303標準對1.2 mm不銹鋼板搭接的焊縫成形尺寸的要求(即熔深要嚴格穩(wěn)定在0.4～1.2 mm以內,焊縫寬度要保持在3.5～6 mm范圍內),其中熔寬最大誤差在0.3 mm以內,熔深最大誤差在0.08 mm以內。由此可見,本文所研究的基于BP神經(jīng)網(wǎng)絡的間隙自適應的工藝參數(shù)控制系統(tǒng)能夠有效的改善焊接質量,具有良好的可行性。

圖9 有間隙自適應焊縫不同位置的熔深和熔寬尺寸分布Fig.9 Size distribution of penetration depth and width at different positions of adaptive weld with gap

4 結 論

1)對1.2 mm厚不銹鋼板搭接的脈沖等離子弧焊進行了不同搭接間隙的工藝實驗,當峰值電流為96 A、焊接速度為30 cm/min時,0.3 mm間隙范圍內的焊縫成形良好,而間隙在0.4～0.6 mm時,會出現(xiàn)空洞形狀的焊接缺陷,適當增加熱輸入可對搭接間隙過大所帶來的空洞等焊接缺陷有抑制作用。

2)基于BP神經(jīng)網(wǎng)絡以搭接間隙、焊縫熔寬和熔深作為輸入量,焊接速度和峰值電流作為輸出量,通過對1.2 mm厚不銹鋼板搭接脈沖等離子弧焊焊接工藝實驗數(shù)據(jù)訓練,建立了工藝參數(shù)與間隙及焊縫成形尺寸的多變量非線性關系。

3)完成的基于BP神經(jīng)網(wǎng)絡的間隙自適應的工藝參數(shù)實時優(yōu)化控制系統(tǒng),在對搭接間隙在0～0.6 mm變化的焊接接頭進行焊接時,獲得了良好的焊縫成形質量,其熔深和熔寬尺寸滿足M1303標準對1.2 mm不銹鋼板搭接的焊縫成形尺寸的要求。