英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
采用人工神经网络和粒子群优化算法对药芯焊丝电弧焊进行仿真和参数优化
D. Katherasan · Jiju V. Elias · P. Sathiya · A. Noorul Haq
摘要：药芯焊丝电弧焊（FCAW）是一种焊材为管状焊丝，连续不断地送至焊缝区域的熔焊工艺。广泛应用于工业和船厂的厚板焊接。焊接输入参数对焊接接头的质量起着非常重要的作用。本文采用人工神经网络(ANN)对FCAW过程中焊缝几何形状进行仿真，采用粒子群优化(PSO)算法对工艺参数进行优化。所考虑的输入过程变量包括进丝速度(F)、电压(V)、焊接速度(S)和焊炬角(A)，每个因素5个水平。该工艺的输出特性包括熔宽，余高和熔深。根据田口L25正交试验的统计设计，制作了对焊焊缝。将实验结果反馈给神经网络算法，建立输入和输出参数之间的关系。然后将结果嵌入到PSO算法中，该算法根据目标优化工艺参数。在本研究中，所考虑的目标是最大限度地提高熔深，最小的熔宽和最小的余高。
关键词：FCAW、焊缝成型、ANN、PSO
简介:药芯焊丝电弧焊是一种采用连续管状药芯焊丝从阀芯进入焊枪的熔焊工艺。熔化母材金属、药芯焊丝和焊剂所需的热量是由工件与电极之间的电弧产生的。该焊丝焊芯含有合金元素（可对焊接金属进行改善）、除氧剂、清除多余溶解气体的清除剂、稳定剂、成渣元素和助熔剂材料。这些成分形成的熔渣重量比沉积的焊缝金属轻，作为防止大气污染的保护罩漂浮在焊缝表面，通过化学反应提高强度，并改善焊缝形状（Jeffus 2004）。较深的母材熔深和较高的焊缝金属沉积率使得FCAW工艺优于使用手工焊条电弧焊(MMAW)和气体金属电弧焊(GMAW)等常用焊接技术(Aloraier etal. 2006)。特别是在造船厂、锅炉、压力容器、结构钢等厚板的焊接等应用中，尽管该工艺仅限于黑色金属和镍基合金。
焊接输入参数对焊接接头的质里起着非常重要的作用。接头质量可以根据焊缝几何形状、机械性能和变形等特性来定义(Benyounis和Olabi .2008)。通过文献调查，发现电压、电流、送丝速度、焊接速度、焊炬角度等工艺参数对焊缝几何形状有影响，从而影响焊缝质量。为了预测焊接过程变量对焊缝几何形状和质量的影响，研究人员采用了不同的技术(Kim et al. 2002,2003; 薛等，2005; Correia等，2005; Benyounis et al. 2005a,b;2002。Nouri等(2007)采用 全因子法研究了工艺参数对珠粒几何形状的影响。
焊接过程中，焊接输入参数直接影响焊接接头的质量。
表1母材与填充材料的化学成分(重量单位:%)
|
材料 |
C |
Gr |
Ni |
Mo |
N |
Mn |
Si |
P |
S |
Cu |
Ti |
Nb |
Fe |
|
AISI316L(N) |
0.024 |
16.89 |
10.07 |
2.16 |
0.0597 |
1.51 |
0.42 |
0.026 |
0.0016 |
0.35 |
0.02 |
0.02 |
Bal |
|
316LT |
0.033 |
18.94 |
11.82 |
2.34 |
- |
1.18 |
0.62 |
0.022 |
0.008 |
0.10 |
- |
- |
Bal |
因此，焊接可以看作是一个多输入多输出的过程。理论上，极薄的熔融层可能足以连接要连接的部件。熔合层的厚度也不应超过必要的厚度，以避免浪费能源，边缘烧毁，熔池下垂和深焊缝端杭(Radaj 1992)。焊缝形状的控制是至关重要的，因为焊缝的机械性能受焊缝形状的影响(Connor 1991)。因此，工艺参数的精确选择是必要的。
不幸的是，制造商面临的一个常见问题是控制工艺输入参数，以获得良好的焊接接头与所需的焊缝几何形状和焊接质量残余应力和变形。传统上，为了获得符合要求的焊接接头，必须确定每一种新焊接产品的焊接输入参数。要做到这-点，需要一个耗时的试验和错误开发工作，焊接输入参数由工程师或机器操作员的技能选择。然后对焊缝进行检查，以确定它们是否符合规范。最后可以选择焊接参数，生产出符合要求的焊接接头。此外，没有达到或经常考虑的是优化焊接参数组合，因为焊缝往往可以用非常不同的参数生产。换句话说，通常有一个更理想的焊接参数复合，只有在被确定后才可以投入使用。过建立数学模型来确定输入参数和输出变量之间的特定关系，利用各种优化方法来定义所需的输出变量。
虽然分别考虑响应变量对焊缝质量进行了研究，但在316L (N)材料的FCAW过程中，同时考虑响应变量的文献较少。本文尝试利用L25正交阵进行实验研究。本研究利用人工神经网络算法确定焊接过程的近最优参数，建立输入与输出参数之间的关系。然后将结果嵌入到PSO算法中，该算法考虑多个输出参数对工艺参数进行优化。通过该工艺对焊接参数进行了评定，并与实验结果进行了比较。
实验设计及过程
材料
奥氏体不锈钢被认为是最易焊接的不锈钢。它们通常由所有熔焊和电阻焊工艺连接。在这些合金中焊接接头的两个重要考虑事项是避免凝固开裂，以及保护焊缝和热影响区的耐腐蚀性。本研究以316L (N)型316奥氏体不锈钢的低碳氮控型为母材。316L (N) 型是一 种单相奥氏体(面心立方)不锈钢，在任何温度下都可以达到熔点。与316L 型不锈钢相比，316L (N) 型中的氮在某些情况下增加了对敏化的额外阻力，并提供了一些固溶体硬化，提高了其最小规定屈服强度。与316型和316L型一 样，316L (N)型合金 也具有良好的抗一般腐蚀和点蚀/缝隙腐蚀能力。母材316L (N)的组成见表1。氮含量控制在0.06 ~ 0.09%范围内，避免热裂。测试板尺寸为100mmx50mmx8mm。所用电极为316LT药芯焊丝(AWS 5.22)， 直径1.2 mm,其组成如表1所示。
调查计划
拟开展的工作计划如下:
1.工艺参数的确定
2.找出具有不同工艺参数水平的上限和下限
3.设计矩阵的编制
4.按照设计矩阵5进行实验。样品制备
6.记录的响应
重要工艺参众的确定
通过文献调查发现，工艺参数对焊缝的几何形状和焊接质量有显著影响。工艺参数为送丝度、电圧、悍接速度、焊炬角度、电流、焊丝伸出量、喷嘴到板的高度、气体流量。在上述参数中，电流与送丝速度成正比。因此，这里只考虑送丝速度。本研究迭择的工芝参数为送丝速度(F)、电圧(V)、焊接速度(S)和焊炬角(A)。其他参数例如喷嘴到板的距离，气体流量等参数保持不变。
表2焊接参数及其水平
找出具有不同工艺参费水平的上限和下限
通过试运转，确定了所选参数的工作范围。这是通过改变其中-个参数来实现的，同时保持其余参数的值不变。通过对焊缝进行无明显缺陷的光滑性检测，确定了各工艺参数的工作范围。所确定的工艺参数的不同等级的上下限如表2所示。
设计矩阵的编制
目前的问题是一个四因素五层次的问题。实验设计(DOE)由田口用Minitab-15统计软件完成。实验选用的设计矩阵为田口l25正交阵，适用于6因子5级问题。它由25组编码条件组成。因此，25次实验运行允许估计线性、二次和双向交互作用的影响工艺参数对焊缝几何形状的影响。DOE的结果如表3所示。
根据设计矩降进行实验
实验根据设计矩阵随机进行，避免了系统误差向系统蔓延。根据DOE的要求，在板焊缝上制作了25个焊锋。焊接采用ABB-MIG机器人-500与irc5控制器进行，如图1所示。
表3 l25正交阵
实验采用直径为1.2 mm的316LT药芯焊丝 (AWS 5.22)在 100mmx 50mmx 8mm的不锈钢[ASS316L(N)]板上进行。在15mm时保持出丝恒定，流量为15lpm时采用氩气保护。
样品制备
焊接完成后，每道工序的试样都是用磨料刀具在离边缘25毫米的地方切割而成。然后将试样模压成高25毫米、直径25毫米的圆柱形支架，用240、400、600、800和1000级砂纸依次打磨。他们进一步抛光氧化铝最后完成0.5mu;m金刚石研磨膏。抛光后，用10%草酸对试样进行电蚀刻，以显示熔融金属区。
图2用ImageJ软件(10X)测得的焊缝(SI.No.12)
记录的响应
利用图像分析仪对焊缝的腐蚀形貌进行跟踪，利用ImageJ软件测量熔深的尺寸深度(P)、余高 (R)和熔宽宽度(W)。图2 (Sl .No.12)给出了板焊缝上一个焊缝的尺寸宏像。W、R、P的观测值如表4所示。
方法和实现
利用人工神经网络进行仿真
人工神经网络(ANN)是一种受结构启发的数学模型或计算模型或生物神经网络的功能方面。神经网络由简单的同步处理元素组成，这些元素受到生物神经系统的启发。神经网络的基本单位是神经元。神经元通过突触相互连接;每个突触都有一个权重因子。关于神经网络建模方法的详细信息见其他部分(Massie 2001; Malinov等，2001; Veera Babu等，2009; Nagesh和Datta 2010)。 在大多数情况下，人工神经网络是一种自适应系统，它根据学习过程中流经网络的外部或内部信息来改变结构。现代神经网络是非线性统计数据建模工具。它们通常用于对输入和输出之间的复杂关系建模，或在数据中查找模式。利用MATLAB R2010a软件对神经网络进行仿真。过程如下所述。
固定的参数
对神经网络的参数进行初步选择。要选择的参数包括输入参数的数量、隐藏层的数量、目标(准确性)、纪元的数量和输出参数的数量。在本研究中，每次模拟不同的输出。所以输出的个数取1。输入的数量是4。最大纪元数取1000，目标取0.001。因此，程序要么经过1000次迭代训练，要么精度达到小数点后3位。采用径向基函数网络(RBFN)神经网络。隐层数是需要确定的最重要参数。这是通过试错法确定的。对焊缝宽度、余高和熔深的隐层数分别选择4层、1层和3层。
表4各工艺参数组合考虑5次重复后，按DOE计算的实验结果
编写MATLAB代码
所有输出变量的神经网络仿真的MATLAB代码都是单独编写的，所选的输入参数在程序中给定。训练输入和训练输出也以规范化的形式输入到程序中，以减少误差。
训练和测试神经网络
编写MATLAB代码后，在软件中运行各个程序。为了训练神经网络，三分之二的实验集被输入到神经网络中。随机选择训练实验。本研究选取的训练实验为1、3、5、7、9、11、12、13、15、17、18、20、21、22、23、25。其余的实验都是为了测试ANN。在线性化后，给程序输入相应的变量来模拟相应的输出参数。仿真和实验结果如表5所示，如图3、4、5所示。试验误差的增大可能是由于试验误差较大，且值较小。这些图显示了所提出的模型与实际过程的良好一致性。
表5试验结果与人工神经网络模拟结果对比，计算结果表明
采用粒子群算法对工艺参数进行优化
粒子群优化
粒子群优化(PSO)是埃伯哈特和肯尼迪(1995)基于种群的随机优化技术，其灵感来源于鸟类群集或鱼群群居的社会行为。粒子群算法与遗传算法等进化计算技术有许多相似之处。系统初始化为一个随机的总本，解决方案并通过更新生成来搜索优化。然而，与遗传算法不同，粒子群优化算法没有交叉和变异等进化算子。在粒子群优化算法中，潜在的解称为粒子，通过跟随当前最优粒子在问题空
全文共7077字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1334]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
