CN111177976A - 一种基于深度学习的弧焊焊缝成形精准预测方法 - Google Patents
一种基于深度学习的弧焊焊缝成形精准预测方法 Download PDFInfo
- Publication number
- CN111177976A CN111177976A CN201911358046.XA CN201911358046A CN111177976A CN 111177976 A CN111177976 A CN 111177976A CN 201911358046 A CN201911358046 A CN 201911358046A CN 111177976 A CN111177976 A CN 111177976A
- Authority
- CN
- China
- Prior art keywords
- welding
- forming
- welding seam
- weld
- seam forming
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003466 welding Methods 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 33
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012821 model calculation Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000035515 penetration Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 9
- 229910000838 Al alloy Inorganic materials 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008018 melting Effects 0.000 description 7
- 238000002844 melting Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 239000000654 additive Substances 0.000 description 5
- 230000000996 additive effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229910052786 argon Inorganic materials 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005496 eutectics Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000001632 homeopathic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005067 joint tissue Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000010310 metallurgical process Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于深度学习的弧焊焊缝成形精准预测方法，包括：根据焊接设备、焊接材料、结构形式和焊接方法设计相应的焊接工艺；根据焊接工艺设计相应的工艺实验，并批量实施；按焊接设备型号、材料牌号、结构形式和焊接方法的不同组合分别建立焊缝成形子数据库；构建以工艺参数作为输入，焊缝成形尺寸和焊缝截面轮廓作为输出的深度神经网络，利用子数据库的数据对深度神经网络进行训练和评估，得到焊缝成形预测模型；采集并输入焊缝成形过程中的实时工艺参数至焊缝成形预测模型，输出对应的焊缝成形尺寸和焊缝截面轮廓，实现弧焊焊缝成形的精准预测。本发明可实现焊缝成形的精准预测。
Description
技术领域
本发明涉及智能焊接领域，具体涉及一种基于深度学习的弧焊焊缝成形精准预测方法。
背景技术
随着航空航天、桥梁船舶、能源交通等重要技术领域对金属零件和大型结构件的性能、精度、成本、制造周期和轻量化程度的要求越来越高，焊接技术也逐渐从粗放式设计生产转向全参数化设计、工艺过程精准控制和高效智能化制造的模式。对于在焊接领域占据主要地位的电弧焊技术，其数字化程度已成为焊接结构性能及可靠性控制的核心和关键。
焊缝成形尺寸由工艺参数决定，严重影响焊接接头显微组织和应力分布状态，尤其对于电弧焊焊接接头强韧性调控至关重要。另外，也是电弧增材制造技术对目标结构成型控制的核心内容，是焊接过程数值模拟热源参数设定的直接依据。然而，电弧焊工艺过程是一个涉及电弧热、力、声、光、电、磁等复杂物理效应、焊丝熔化、熔池流动、焊缝凝固与构件固态相变的复杂冶金过程，其中电磁场、温度场、流场、相场等物理场耦合作用强烈，金属材料固、液、气三态快速转变的传热传质过程极为复杂，导致电弧等离子体形态、熔滴过渡、焊缝成形质量、结构强韧性能的显著变化与差异，另外也是引起气孔、裂纹、驼峰、未熔合等缺陷的内在原因，更是实现高效焊接过程稳定性控制和构件强韧性能调控的关键所在。因此，对于电弧焊从焊接工艺参数到焊缝成形尺寸的高度非线性多输入多输出系统，常规的数学建模手段都难以凑效。
现有基于数学建模、逻辑推理等常规方法建立的焊缝成形预测系统都因焊接数据依赖性高、分析低效、应用困难等限制而存在功能单一、精度低、泛化能力弱、无自主学习能力等问题，无法实际应用，因而极大地限制了焊接或增材工艺设计的数字化、焊接数值计算的高效化和工艺过程的智能化。
发明内容
为解决上述现有技术的问题，本发明提供一种基于深度学习的弧焊焊缝成形精准预测方法。
为实现上述目的，本发明采取的技术方案是：
一种基于深度学习的弧焊焊缝成形精准预测方法，包括：
根据焊接设备、焊接材料、结构形式和焊接方法设计相应的焊接工艺；
根据焊接工艺设计相应的工艺实验，并批量实施，得到工艺试验数据；该工艺试验数据包括焊接设备型号、材料牌号、结构形式、焊接方法、工艺参数、焊缝成形尺寸和焊缝截面轮廓；
按焊接设备型号、材料牌号、结构形式和焊接方法的不同组合分别建立焊缝成形子数据库，各子数据库均包括工艺参数、焊缝成形尺寸和焊缝截面轮廓；
构建以工艺参数作为输入，焊缝成形尺寸和焊缝截面轮廓作为输出的深度神经网络，利用子数据库的数据对深度神经网络进行训练和评估，得到焊缝成形预测模型；
采集并输入焊缝成形过程中的实时工艺参数至焊缝成形预测模型，输出对应的焊缝成形尺寸和焊缝截面轮廓，实现弧焊焊缝成形的精准预测。
其中：
结构形式包括对接、角接、搭接、表面堆焊、增材制造等结构类型，各类型均提供不同材料不同板厚支持。
焊接方法包括焊接位置、坡口形式、焊枪角度、电弧类型等参数，焊接位置包括平焊位置、横焊位置、立焊位置、仰焊位置，坡口形式为I型、U型、X型、Y型或复合型，焊枪角度包括焊枪与焊接方向、焊枪与试板间夹角，电弧类型包括非熔化极气体保护焊TIG、熔化极气体保护焊MIG/MAG/CO2、脉冲PULS焊接、冷金属过渡焊接CMT、等离子弧焊接PLASMA等，并提供双电弧复合焊及多电弧焊接支持。
工艺参数包括填充金属、电弧电压、焊接电流、焊接速度、保护气体、送丝速度等参数，保护气体可选Ar、He、CO2、O2、H2、N2及其二元或三元保护气，任意工艺参数均提供典型周期波形的支持。
根据本发明的一种改进，所述的根据焊接工艺设计相应的工艺实验包括：在弧焊焊缝成形良好的工艺参数范围内，采用正交试验法设计多变量多水平大范围弧焊工艺实验，以最大限度降低工艺试验次数和深度神经网络训练难度。
根据本发明的一种改进，其特征在于：所述的焊缝成形尺寸和焊缝截面轮廓采用基于数字图像量化分析技术对焊缝截面显微组织照片进行自动处理获得。
进一步地，所述的焊缝成形尺寸包括熔深、熔宽、余高、熔合比和深宽比，所述的焊缝截面轮廓由焊缝截面轮廓的坐标点组成。
根据本发明的一种改进，所述的深度神经网络由输入层、输出层和隐含层构成，输入层神经元数量由焊接工艺参数决定，输出层包含焊缝成形尺寸和焊缝截面轮廓，隐含层的层数和神经元数量由焊接工艺到焊缝成形组成的多输入多输出系统的非线性程度、成形预测精准度和模型计算效率共同决定，由网络结构及训练参数自优化算法自动调节。
根据本发明的一种改进，所述的对深度神经网络进行评估包括：综合考虑网络结构大小、网络训练时间、模型计算时间、成形预测精度和用户特殊要求，以评估焊缝成形预测模型的计算开销和效率，保证模型的精准性和稳定性，模型精准度由预测数据和实测数据的线性回归分析确定。
进一步地，所述的网络结构及训练参数自优化算法，根据数据库大小、预测精准度和计算效率需求实现参数的自动优化和自学习。
与现有技术相比，本发明的有益效果是：
本发明的焊缝成形预测模型，具有极强的拟合、泛化和自主学习能力，使其在不同焊接设备、材料牌号、结构形式和焊接方法都能实现对焊接过程设备和工艺历史数据的充分利用和特征提取，对模型预测数据和试验实测数据进行线性回归分析也实现了多输入多输出复杂非线性模型的准确性评估。
本发明弧焊焊缝成形精准预测方法因其高效和智能化的强大优势，特别适用于电弧增材制造、智能焊接和柔性制造领域，同时适用于复杂焊缝、异形截面或大厚材料的多层多道焊接，通过焊缝尺寸的连续控制可以实现焊接温度场、应力场和接头组织分布状态的精确调控，达成焊接结构性能及可靠性控制的最终目的，还可为电弧焊接或增材工艺的设计、数值计算热源尺寸的确定提供数据支撑和科学参考。
附图说明
图1为本发明的焊缝成形预测模型的构建步骤；
图2为本发明的焊缝成形预测模型的核心逻辑；
图3为本发明的深度神经网络结构；
图4为本发明实施例的5083铝合金双丝CMT焊缝截面显微照片；
图5为本发明实施例的5083铝合金双丝CMT焊缝成型预测误差评估结果。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开了一种基于深度学习的弧焊焊缝成形精准预测方法，包括：
根据焊接设备、焊接材料、结构形式和焊接方法设计相应的焊接工艺；
根据焊接工艺设计相应的工艺实验，并批量实施，得到工艺试验数据；该工艺试验数据包括焊接设备型号、材料牌号、结构形式、焊接方法、工艺参数、焊缝成形尺寸和焊缝截面轮廓；
按焊接设备型号、材料牌号、结构形式和焊接方法的不同组合分别建立焊缝成形子数据库，各子数据库均包括工艺参数、焊缝成形尺寸和焊缝截面轮廓；
构建以工艺参数作为输入，焊缝成形尺寸和焊缝截面轮廓作为输出的深度神经网络，利用子数据库的数据对深度神经网络进行训练和评估，得到焊缝成形预测模型；
采集并输入焊缝成形过程中的实时工艺参数至焊缝成形预测模型，输出对应的焊缝成形尺寸和焊缝截面轮廓，实现弧焊焊缝成形的精准预测。
图1示出了焊缝成形预测模型的构建步骤，主要包括焊接材料及设备准备、工艺实验设计和实施、焊接工艺数据预处理、焊缝成形数据库建立、神经网络及自学习系统构建、焊缝成形预测模型在线部署等六个步骤。
步骤一、焊接材料及设备准备，根据常用弧焊设备、焊接材料、结构形式、焊接方法和焊接工艺设计方案，准备焊接试板、焊丝、保护气等材料和焊接电源、机械臂、剪丝机等自动化焊接设备。
结构形式包括对接、角接、搭接、表面堆焊、增材制造等结构类型，各类型均提供不同材料不同板厚支持。
焊接方法包括焊接位置、坡口形式、焊枪角度、电弧类型等参数，焊接位置包括平焊位置、横焊位置、立焊位置、仰焊位置，坡口形式为I型、U型、X型、Y型或复合型，焊枪角度包括焊枪与焊接方向、焊枪与试板间夹角，电弧类型包括非熔化极气体保护焊TIG、熔化极气体保护焊MIG/MAG/CO2、脉冲PULS焊接、冷金属过渡焊接CMT、等离子弧焊接PLASMA等，并提供双电弧复合焊及多电弧焊接支持。
工艺参数包括填充金属、电弧电压、焊接电流、焊接速度、保护气体、送丝速度等参数，保护气体可选Ar、He、CO2、O2、H2、N2及其二元或三元保护气，任意工艺参数均提供典型周期波形的支持。
步骤二、工艺实验设计和实施，根据焊接电源负载性能、焊接试板厚度、焊丝直径、焊接坡口尺寸、焊接位置、焊枪角度和焊接效率等实际需求，设计弧焊焊接工艺试验，并利用自动化弧焊设备批量实施。
优选的，工艺实验设计是在弧焊焊缝成形良好的工艺参数范围内，采用正交试验法设计多变量多水平大范围弧焊工艺实验，以最大限度降低工艺试验次数和神经网络训练难度，避免神经网络过拟合且不影响深度神经网络焊缝成形预测的精度和效率。
步骤三、焊接工艺数据预处理，将工艺试验数据处理成焊缝成形数据库所需的结构化数据，工艺试验涉及的数据内容包括焊接设备型号、材料牌号、结构形式、焊接方法、工艺参数、焊缝成形尺寸和焊缝截面轮廓数据等数据。
焊缝成形尺寸和焊缝截面轮廓数据，是基于数字图像量化分析技术对焊缝截面显微组织照片进行自动处理获得，焊缝成形尺寸包括熔深、熔宽、余高、熔合比、深宽比等参数，焊缝截面轮廓数据由焊缝截面轮廓的坐标点组成。
步骤四、焊缝成形数据库建立，按焊接设备型号、材料牌号、结构形式和焊接方法的不同组合分别建立子数据库，子数据库包括工艺参数、焊缝成形尺寸和焊缝轮廓的结构化数据，用于弧焊焊缝成形预测深度神经网络的训练和验证，并提供用户反馈信息的存储和管理。
步骤五、神经网络及自学习系统构建，设计并实现深度神经网络结构、网络训练参数、深度神经网络训练、预测模型能效评估、网络结构及训练参数自优化等功能，网络结构及训练参数由自优化算法自主调节，得到焊缝成形预测模型。
深度神经网络结构，由输入层、输出层和隐含层构成，输入层神经元数量由焊接工艺参数决定，输出层包含焊缝成形尺寸和焊缝截面轮廓数据，隐含层的层数和神经元数量由焊接工艺到焊缝成形组成的多输入多输出系统的非线性程度、成形预测精准度和模型计算效率共同决定，由网络结构及训练参数自优化算法自动调节。
网络训练参数根据网络结构和模型计算效率确定，由网络结构及训练参数自优化算法自动调节。
预测模型能效评估主要考虑网络模型大小、网络训练时间、模型计算时间、成形预测精度和用户特殊要求等综合参数，用以计算弧焊焊缝成形预测模型的计算开销和效率，保证成形预测系统的精准性和稳定性。模型的精准度通过对模型预测数据和试验实测数据进行线性回归分析确定。
网络结构及训练参数自优化的主要功能是根据数据库大小、预测精准度和计算效率需求实现深度神经网络成型预测模型参数的自动优化和自学习过程的综合控制。
步骤六、焊缝成形预测模型在线部署，将焊缝成形预测模型部署到计算平台，并人机交互数据服务接口，输入为设备型号、材料牌号、结构形式、焊接方法和工艺参数，输出为焊缝成形尺寸和焊缝截面轮廓图示，预留扩展功能。
图2示出了焊缝成形预测模型的核心逻辑，首先，从焊缝成形数据库读取焊接工艺和焊缝成形的多组对应数据；其次，进行深度神经网络结构预设和网络训练参数预设；然后，基于焊接工艺数据和焊缝成形数据，按照预设深度神经网络结构参数和网络训练参数对焊缝成形预测深度神经网络进行训练；接着，对深度神经网络焊缝成形预测模型进行效能评估，如果评估未通过，则通过网络结构优化算法改进深度神经网络结构参数，同时通过网络训练参数优化算法自动调整网络训练参数，并再次进行网路训练，直至模型效能评估通过；最后，对通过效能评估的深度神经网络焊缝成形预测模型进行在线部署，并提供焊缝成形预测模型计算接口。
下面以一个具体的实施例对本发明的基于深度学习的弧焊焊缝成形精准预测方法进行进一步地说明。
本发明实施例构建了基于深度学习的5083铝合金双丝CMT焊缝成形预测系统，焊接设备型号为Fronius TransPlus Synergic 5000CMT R，自动弧焊机器人型号为KUKA KR60HA，材料牌号为5083-H116铝合金，试板尺寸为300mm×150mm×8mm，共6块。
结构形式为平板堆接，焊接方法为平焊位置，焊枪垂直试板，无坡口，电弧类型为双丝共熔池焊接，前丝脉冲PULS+后丝CMT方式，填充金属为ESAB OK Autrod 5183铝合金焊丝，直径1.2mm，电弧电压24V；当前丝焊接电流分别为160A、200A、240A时，后丝CMT电流分别为60A、80A、100A、120A、140A、160A；当后丝CMT电流分别为160A、200A、240A时，前丝脉冲电流分别为60A、110A、160A、210A、260A、310A；焊接速度2m/min、保护气体25L/min、送丝速度8m/min，干伸长12mm，双丝间距4mm，保护气为纯氩气、流量30L/min。
5083铝合金双丝CMT焊接工艺参数及对应焊缝成形尺寸数据如表1所示，对应焊缝截面显微照片数据如图3所示。
成形预测模型包含两输入和三输出，输入为双丝CMT前丝电流和后丝电流，前丝电流范围为60～310A，后丝电流范围为60～160A；输出为熔深、熔宽和余高，熔深范围为0.687～3.054mm，熔宽范围为2.605～7.882mm，余高范围为1.918～3.36mm。由于样本不同特征的取值范围的巨大差异，可能导致迭代速度异常缓慢甚至出现奇异值，为减少特征取值的影响提高神经网络性能，利用最大最小值归一化方法(Min-max normalization)对特征数据进行处理，即对每个特征x，计算它的均值mean(x)、最大值max(x)和最小值min(x)，然后进行线性变换：
使结果落到[0,1]区间，以降低模型的训练难度、加快迭代速度、防止模型过拟合。
5083铝合金双丝CMT焊缝成形精准预测系统深度神经网络结构如图4所示，焊缝成形预测深度神经网络结构包含输入层、隐含层1、隐含层2、输出层，输入层维度为2，隐含层维度为12，输出层维度为3。系统最终参数batch_size为5，epochs为5000，训练数据集大小为31，测试数据集大小为1，神经网络初始化算法为glorot_uniform，学习率为0.1。
5083铝合金双丝CMT焊缝成型预测系统误差评估结果如图5所示，对于最终待部署的焊缝成形预测深度神经网络，属于从前丝脉冲电流Ip和后丝CMT电流Ic到焊缝成形系数熔深D、熔宽W和余高H的多输入多输出高度非线性函数关系，可记为：
为评估深度网络预测模型的有效性、准确性及其泛化能力，在Ip和Ic的合理取值范围内密集的生成大量的数据点进行预测，经拟归一化处理后与实验数据对比，单因素法分析焊缝成形参数的变化趋势，详细分析实测值与预测值之间的相关性和误差范围。
后丝电流Ic分别为90A/120A/150A时，熔深D、熔宽W和余高H随后丝电流Ip的变化趋势如图5a，前丝电流Ip分别为160A/200A/240A时，熔深D、熔宽W和余高H随前丝电流Ic的变化趋势如图5b。如图5a2——前丝电流90A时熔深D、熔宽W和余高H随后丝电流Ic的变化曲线，虚线为实验实测数据曲线，实线为DNN预测数据曲线，对应的两条曲线颜色一致。我们可以直观看出，无论是熔深、熔宽还是余高，预测值曲线随实测值曲线变化平滑无畸变，因防止过拟合导致神经网络泛化能力恶化，预测值并未经过样本数据点，而是贴近顺势变化，对于图5a3-a4和图5b2-b4也同样，预测神经网络表现出极好的多维拟合和泛化效果。根据图5a2-a4绝对误差和图5a1相对误差，训练样本熔深的预测值与实测值的最大误差<＝0.1mm，熔宽的预测值与实测值的最大误差<＝0.2mm，余高的预测值与实测值的最大误差<＝0.15mm，训练样本预测值误差波动较小，而且样本个体的最大相对误差未超过9％。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于深度学习的弧焊焊缝成形精准预测方法，其特征在于：包括：
根据焊接设备、焊接材料、结构形式和焊接方法设计相应的焊接工艺；
根据焊接工艺设计相应的工艺实验，并批量实施，得到工艺试验数据；该工艺试验数据包括焊接设备型号、材料牌号、结构形式、焊接方法、工艺参数、焊缝成形尺寸和焊缝截面轮廓；
按焊接设备型号、材料牌号、结构形式和焊接方法的不同组合分别建立焊缝成形子数据库，各子数据库均包括工艺参数、焊缝成形尺寸和焊缝截面轮廓；
构建以工艺参数作为输入，焊缝成形尺寸和焊缝截面轮廓作为输出的深度神经网络，利用子数据库的数据对深度神经网络进行训练和评估，得到焊缝成形预测模型；
采集并输入焊缝成形过程中的实时工艺参数至焊缝成形预测模型，输出对应的焊缝成形尺寸和焊缝截面轮廓，实现弧焊焊缝成形的精准预测。
2.根据权利要求1所述的一种基于深度学习的弧焊焊缝成形精准预测方法，其特征在于：所述的根据焊接工艺设计相应的工艺实验包括：在弧焊焊缝成形良好的工艺参数范围内，采用正交试验法设计多变量多水平大范围弧焊工艺实验，以最大限度降低工艺试验次数和深度神经网络训练难度。
3.根据权利要求1所述的一种基于深度学习的弧焊焊缝成形精准预测方法，其特征在于：所述的焊缝成形尺寸和焊缝截面轮廓采用基于数字图像量化分析技术对焊缝截面显微组织照片进行自动处理获得。
4.根据权利要求3所述的一种基于深度学习的弧焊焊缝成形精准预测方法，其特征在于：所述的焊缝成形尺寸包括熔深、熔宽、余高、熔合比和深宽比，所述的焊缝截面轮廓由焊缝截面轮廓的坐标点组成。
5.根据权利要求1所述的一种基于深度学习的弧焊焊缝成形精准预测方法，其特征在于：所述的深度神经网络由输入层、输出层和隐含层构成，输入层神经元数量由焊接工艺参数决定，输出层包含焊缝成形尺寸和焊缝截面轮廓，隐含层的层数和神经元数量由焊接工艺到焊缝成形组成的多输入多输出系统的非线性程度、成形预测精准度和模型计算效率共同决定，由网络结构及训练参数自优化算法自动调节。
6.根据权利要求1所述的一种基于深度学习的弧焊焊缝成形精准预测方法，其特征在于：所述的对深度神经网络进行评估包括：综合考虑网络结构大小、网络训练时间、模型计算时间、成形预测精度和用户特殊要求，以评估焊缝成形预测模型的计算开销和效率，保证模型的精准性和稳定性，模型精准度由预测数据和实测数据的线性回归分析确定。
7.根据权利要求5所述的一种基于深度学习的弧焊焊缝成形精准预测方法，其特征在于：所述的网络结构及训练参数自优化算法，根据数据库大小、预测精准度和计算效率需求实现参数的自动优化和自学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911358046.XA CN111177976B (zh) | 2019-12-25 | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911358046.XA CN111177976B (zh) | 2019-12-25 | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111177976A true CN111177976A (zh) | 2020-05-19 |
| CN111177976B CN111177976B (zh) | 2024-04-26 |
Family
ID=
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932539A (zh) * | 2020-10-13 | 2020-11-13 | 南京知谱光电科技有限公司 | 基于熔池图像和深度残差网络的余高与熔深协同预测方法 |
| CN112052554A (zh) * | 2020-07-23 | 2020-12-08 | 中国石油天然气集团有限公司 | 一种建立管道埋藏型缺陷自身高度预测模型的方法 |
| CN112182965A (zh) * | 2020-09-25 | 2021-01-05 | 苏州融睿纳米复材科技有限公司 | 一种基于深度学习来设计红外相变材料的方法 |
| CN113240096A (zh) * | 2021-06-07 | 2021-08-10 | 北京理工大学 | 基于粗糙集和神经网络的铸造气缸盖微组织预测方法 |
| CN113609679A (zh) * | 2021-08-06 | 2021-11-05 | 中建三局第一建设工程有限责任公司 | 焊接工艺参数的适配方法、系统、终端设备及存储介质 |
| CN113657040A (zh) * | 2021-08-24 | 2021-11-16 | 山东大学 | 一种基于神经进化的激光扫描焊接熔深预测方法及应用 |
| CN113779330A (zh) * | 2021-09-13 | 2021-12-10 | 河海大学常州校区 | 一种基于相似性度量的超声检测工艺参数智能计算系统 |
| CN114101855A (zh) * | 2021-12-29 | 2022-03-01 | 福州大学 | 双相不锈钢的电弧增材制造及测试方法 |
| CN114367734A (zh) * | 2022-02-11 | 2022-04-19 | 黄山学院 | 一种自适应板材表层搅拌摩擦加工改性的优化工艺方法 |
| CN114799600A (zh) * | 2022-05-13 | 2022-07-29 | 中车工业研究院有限公司 | 熔宽控制方法、设备、系统、介质及产品 |
| CN114799415A (zh) * | 2022-03-11 | 2022-07-29 | 南京航空航天大学 | 一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 |
| CN116900450A (zh) * | 2023-08-22 | 2023-10-20 | 广东福维德焊接股份有限公司 | 一种高效深熔弧焊辅助焊接方法 |
| FR3134530A1 (fr) * | 2022-04-15 | 2023-10-20 | Psa Automobiles Sa | Systeme de soudage d’entretoise de module de batterie, procede et programme sur la base d’un tel systeme |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103551709A (zh) * | 2013-11-16 | 2014-02-05 | 沈阳工业大学 | 一种a-tig焊焊缝成型的检测装置及方法 |
| CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
| CN109283378A (zh) * | 2018-08-30 | 2019-01-29 | 番禺珠江钢管（珠海）有限公司 | 一种旋转电弧焊缝成形参数检测方法、系统、装置和介质 |
| CN109614729A (zh) * | 2018-12-18 | 2019-04-12 | 上海机电工程研究所 | 一种基于元模型的装备效能评估结果快速分析方法 |
| CN110008554A (zh) * | 2019-03-27 | 2019-07-12 | 哈尔滨工业大学 | 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法 |
| CN110497068A (zh) * | 2019-09-26 | 2019-11-26 | 中海福陆重工有限公司 | 双相不锈钢的tip tig焊接工艺 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103551709A (zh) * | 2013-11-16 | 2014-02-05 | 沈阳工业大学 | 一种a-tig焊焊缝成型的检测装置及方法 |
| CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
| CN109283378A (zh) * | 2018-08-30 | 2019-01-29 | 番禺珠江钢管（珠海）有限公司 | 一种旋转电弧焊缝成形参数检测方法、系统、装置和介质 |
| CN109614729A (zh) * | 2018-12-18 | 2019-04-12 | 上海机电工程研究所 | 一种基于元模型的装备效能评估结果快速分析方法 |
| CN110008554A (zh) * | 2019-03-27 | 2019-07-12 | 哈尔滨工业大学 | 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测优化方法 |
| CN110497068A (zh) * | 2019-09-26 | 2019-11-26 | 中海福陆重工有限公司 | 双相不锈钢的tip tig焊接工艺 |
Non-Patent Citations (2)
| Title |
|---|
| LIMENG YIN等: "Prediction of weld formation in 5083 aluminum alloy by twin-wire CMT welding based on deep learning" * |
| 孙硕: "高强钢激光—电弧复合焊焊缝成型的预测研究" * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052554A (zh) * | 2020-07-23 | 2020-12-08 | 中国石油天然气集团有限公司 | 一种建立管道埋藏型缺陷自身高度预测模型的方法 |
| CN112182965A (zh) * | 2020-09-25 | 2021-01-05 | 苏州融睿纳米复材科技有限公司 | 一种基于深度学习来设计红外相变材料的方法 |
| CN112182965B (zh) * | 2020-09-25 | 2024-02-02 | 苏州融睿纳米复材科技有限公司 | 一种基于深度学习来设计红外相变材料的方法 |
| CN111932539A (zh) * | 2020-10-13 | 2020-11-13 | 南京知谱光电科技有限公司 | 基于熔池图像和深度残差网络的余高与熔深协同预测方法 |
| CN113240096B (zh) * | 2021-06-07 | 2022-03-11 | 北京理工大学 | 基于粗糙集和神经网络的铸造气缸盖微组织预测方法 |
| CN113240096A (zh) * | 2021-06-07 | 2021-08-10 | 北京理工大学 | 基于粗糙集和神经网络的铸造气缸盖微组织预测方法 |
| CN113609679A (zh) * | 2021-08-06 | 2021-11-05 | 中建三局第一建设工程有限责任公司 | 焊接工艺参数的适配方法、系统、终端设备及存储介质 |
| CN113657040A (zh) * | 2021-08-24 | 2021-11-16 | 山东大学 | 一种基于神经进化的激光扫描焊接熔深预测方法及应用 |
| CN113779330A (zh) * | 2021-09-13 | 2021-12-10 | 河海大学常州校区 | 一种基于相似性度量的超声检测工艺参数智能计算系统 |
| CN113779330B (zh) * | 2021-09-13 | 2024-01-26 | 河海大学常州校区 | 一种基于相似性度量的超声检测工艺参数智能计算系统 |
| CN114101855A (zh) * | 2021-12-29 | 2022-03-01 | 福州大学 | 双相不锈钢的电弧增材制造及测试方法 |
| CN114101855B (zh) * | 2021-12-29 | 2023-02-14 | 福州大学 | 双相不锈钢的电弧增材制造及测试方法 |
| CN114367734A (zh) * | 2022-02-11 | 2022-04-19 | 黄山学院 | 一种自适应板材表层搅拌摩擦加工改性的优化工艺方法 |
| CN114367734B (zh) * | 2022-02-11 | 2022-10-28 | 黄山学院 | 一种自适应板材表层搅拌摩擦加工改性的优化工艺方法 |
| CN114799415A (zh) * | 2022-03-11 | 2022-07-29 | 南京航空航天大学 | 一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 |
| FR3134530A1 (fr) * | 2022-04-15 | 2023-10-20 | Psa Automobiles Sa | Systeme de soudage d’entretoise de module de batterie, procede et programme sur la base d’un tel systeme |
| CN114799600A (zh) * | 2022-05-13 | 2022-07-29 | 中车工业研究院有限公司 | 熔宽控制方法、设备、系统、介质及产品 |
| CN114799600B (zh) * | 2022-05-13 | 2024-03-15 | 中车工业研究院有限公司 | 熔宽控制方法、设备、系统、介质及产品 |
| CN116900450B (zh) * | 2023-08-22 | 2024-01-02 | 广东福维德焊接股份有限公司 | 一种高效深熔弧焊辅助焊接方法 |
| CN116900450A (zh) * | 2023-08-22 | 2023-10-20 | 广东福维德焊接股份有限公司 | 一种高效深熔弧焊辅助焊接方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Wire and arc additive manufacturing of metal components: a review of recent research developments | |
| Youheng et al. | Optimization of surface appearance for wire and arc additive manufacturing of Bainite steel | |
| Tarng et al. | The use of grey-based Taguchi methods to determine submerged arc welding process parameters in hardfacing | |
| Rong et al. | Parameters optimization of laser brazing in crimping butt using Taguchi and BPNN-GA | |
| Lei et al. | Real-time weld geometry prediction based on multi-information using neural network optimized by PCA and GA during thin-plate laser welding | |
| Norrish | Advanced welding processes | |
| Chang et al. | Penetration quality prediction of asymmetrical fillet root welding based on optimized BP neural network | |
| Kim et al. | Optimal design of neural networks for control in robotic arc welding | |
| Rojas et al. | Plasma transferred arc additive manufacturing of Nickel metal matrix composites | |
| Zhang et al. | Adaptive filling modeling of butt joints using genetic algorithm and neural network for laser welding with filler wire | |
| Imoudu et al. | The characteristic of cold metal transfer (CMT) and its application for cladding | |
| Kumar et al. | Optimization of gas metal arc welding process parameters | |
| Lu et al. | Predictive control based double-electrode submerged arc welding for filet joints | |
| Zhang et al. | Intelligent control of pulsed GTAW with filler metal | |
| Azadi Moghaddam et al. | Simultaneous optimization of joint edge geometry and process parameters in gas metal arc welding using integrated ANN-PSO approach | |
| Kah | Advancements in intelligent gas metal arc welding systems: fundamentals and applications | |
| CN111177976B (zh) | 一种基于深度学习的弧焊焊缝成形精准预测方法 | |
| CN111177976A (zh) | 一种基于深度学习的弧焊焊缝成形精准预测方法 | |
| Costa et al. | Optimization of welding parameters in underwater wet FCAW on a structural steel using support vector regression and sequential quadratic programming | |
| Kim et al. | A review on optimizations of welding parameters in GMA welding process | |
| Nele et al. | Modeling of multiple characteristics of an arc weld joint | |
| Zhang et al. | Adaptive control for laser welding with filler wire of marine high strength steel with tight butt joints for large structures | |
| Bhadrakali et al. | A hybrid approach consisting of multi-objective and multivariate analyses for WAAM specimens | |
| Ravikumar et al. | Optimization of weld bead geometry in shielded metal arc welding using Taguchi based grey relational analysis | |
| Kah et al. | Approaches for underwater welding control to achieve quality welds |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 510000 No. 363, Changxin Road, Guangzhou, Guangdong, Tianhe District Applicant after: China Uzbekistan Welding Research Institute Guangdong Academy of Sciences Applicant after: Yangjiang Zhongwubaton Institute of Technology Address before: 510000 No. 363, Changxin Road, Guangzhou, Guangdong, Tianhe District Applicant before: Guangdong Welding Institute (China-Ukraine E.O. Paton Institute of Welding) Applicant before: Yangjiang Zhongwubaton Institute of Technology |
|
| GR01 | Patent grant |