基于RBF神经网络的钢轨交流闪光焊接头灰斑面积预测

针对进口AMS60移动式钢轨交流闪光焊机,高速采集了U71Mn钢轨焊接过程中的焊接电流、电压和动端的位移,并从中提取了加速阶段闪光率、低压二及稳定烧化阶段闪光率、焊接接头的能量输入、烧化量、焊接时间、低压二及稳定烧化阶段短/断路权重因子、加速阶段的短/断路权重因子、顶锻量等8个影响焊接接头灰斑面积的特征量作为RBF神经网络预测模型的输入量,建立了RBF神经网络焊接接头灰斑面积的预测模型;以29个工艺试验焊接接头中的19个作为训练样本,对预测模型进行训练,以余下的10个作为检验样本,确定了扩展速度为1.5的预测模型,并采用训练后的预测模型进行预测,按铁道部标准TB/T1632-2005要求,预测准确率达到了100%.     

基于高速采集的钢轨交流闪光焊质量特征的提取与分析

针对钢轨交流闪光焊的特点，采用PCL-1800高速数据采集卡设计了硬件采集系统，编制了基于LabVIEW软件的高速采集程序，采集了U71Mn钢轨焊接工艺正交试验的焊接电流、焊接电压和动立柱位移等信息参数。通过对这些信息的分析，提出质量特征参数的提取方法．并从中提取了影响焊接接头质量的信息特征参数：低压Ⅱ阶段的闪光率、加速烧化阶段的闪光率、钢轨闪光焊焊接接头的能量输入、焊接接头闪光焊的焊接时间、闪光焊的烧化量，采用数理统计和线性回归的方法分析了这些质量特征参数与钢轨焊接质量之间的关系，分析表明：提取的质量特征参数包含了钢轨焊接接头的质量信息，适合作为钢轨焊接接头的质量评判的特征量。     

基于低频采集数据的钢轨闪光焊接接头质量预测研究

为了实现钢轨闪光焊接接头质量的在线检测要求,低速采集了焊接过程中的焊接电流、焊接电压等焊接参数,从中提取出影响焊接接头质量的特征量作为焊接接头RBF神经网络质量预测模型的输入量,以试验所得的灰斑面积作为RBF神经网络的输出量,建立了基于RBF神经网络的钢轨闪光焊接接头质量预测模型,并采用训练后的模型进行预测,按铁道部TB/T1632-2005要求,预测准确率达到80%。由于采用低速采集,减少了数据量和处理量,采用RBF神经网络模型对灰斑面积进行预测基本能够满足钢轨焊接生产的实时性要求。     

基于神经网络的X65管线钢闪光焊接头性能预测

针对X65管线钢闪光焊接头质量受多个工艺参数影响,焊后接头力学性能难以预测的问题,采用BP(误差反向传播)人工神经网络的方法建立X65管线钢闪光焊接头力学性能预测模型,用于预测焊接接头的弯曲试验结果。确定了五个接头力学性能特征量,建立了输入层节点数为5、隐含层节点数为12的预测模型,同时对归一化公式进行改进。实际结果表明,网络的预测精度较好,能够为焊接接头力学性能预测提供参考。     

基于BP神经网络的钢轨闪光对焊接头灰斑面积预测

针对钢轨闪光对焊的特点,根据GAAS80/580焊机记录的压力、电流和动端位移随时间而变化的曲线,从中提取了10个主要影响接头灰斑面积的特征参数作为BP神经网络预测模型的输入量,建立了钢轨闪光对焊接头的灰斑面积预测模型.采用粒子群算法优化了BP神经网络的权值和阈值,并利用优化后的BP网络模型对接头灰斑面积进行了预测.结果表明,提取的特征参数能较好地反映焊接接头灰斑情况,粒子群算法优化的BP神经网络预测模型能较准确地预测出焊接接头灰斑面积.     

钢轨闪光焊接工艺与接头落锤试验分析

试验采用YHG-1200TH型移动式钢轨闪光焊机,焊接武钢60 kg/m U71Mn G热轧态钢轨.通过观察分析焊接曲线中闪平、脉动闪光、加速闪光与顶锻保压各阶段电流、电压、钢轨位移、压力等因素,结合接头落锤试验情况,调整并优选出合理工艺参数;分析焊接热输入与顶锻量间的搭配关系及接头抗落锤次数,观察断口与接头显微组织.结果表明,试验用钢轨闪光焊接热输入在11.5~12.5 MJ之间且顶锻量在15~16 mm之间时,接头抗落锤情况较集中,质量稳定性好;合理工艺参数焊接且经落锤检验合格的接头断口无明显缺陷,焊缝及热影响区组织为珠光体和少量铁素体,未见马氏体、贝氏体组织或其它缺陷.     

U75V钢轨闪光焊工艺研究

介绍了钢轨连续和脉动闪光焊接工艺.脉动闪光工艺的有效热输入大,有利于降低落锤断口灰斑,适合焊接U75V钢轨.为获得有效加热,脉动闪光工艺参数必须根据加热钢轨接触电阻变化,对焊接参数分多段进行独立调节,确保不发生长时间短路或快速烧化.     

基于闪光声音信息的钢轨焊接接头质量分析

针对移动式钢轨交流闪光焊装备,采用LabVIEW语言编制了钢轨交流闪光焊声音信息采集软件,采集了钢轨焊接接头焊接过程信息,对降噪处理后的闪光声音信号采用四种时频分析方法进行了对比分析,确定了闪光声音信息的最佳分析方法——STFT时频分析方法,在此基础上,提出了闪光声音信号加权平均频率和能量谱密度的算法,编制了相关分析计算软件,计算得到了26个焊接接头时间-能量谱密度关系和时间-闪光声音信号加权平均频率关系曲线,将曲线与焊接接头冲击断口缺陷面积进行对比分析,初步得到了钢轨闪光焊低压烧化后期及加速烧化两个阶段的能量谱密度、闪光声音信号加权平均频率与闪光焊接头灰斑缺陷之间的对应关系,即灰斑缺陷小的焊接接头在低压阶段后期以及加速烧化阶段具备两个特征:能量谱密度逐步提高,没有出现200%以上的突变;闪光声音信号加权平均频率在低压前期的基础上提高约20%以上,在加速阶段增加逐渐平缓,且不出现下降.     

U75V钢轨闪光焊闪光过程有限元分析

采用Abaqus有限元数值分析软件的"生死单元"技术建立了U75V钢轨闪光焊闪光过程三维有限元模型,计算了钢轨闪光焊闪光过程中钢轨温度场的分布情况。通过热电偶法进行测温试验,记录闪光焊过程中钢轨的实时温度分布,结果表明该模型计算结果与钢轨实际焊接测试温度场基本一致。在此基础上,研究了在不同烧化速度下钢轨温度场随烧化量和时间变化的分布规律,并提出了通过控制烧化速度控制塑性变形区宽度的方法,为闪光焊工艺调试指明了方向。     

基于BP人工神经网络的高强度管线钢焊接接头性能参数CTOD预测系统

针对实际中高强度管线钢焊接工艺参数的选择主要依据试验和经验的局限性,使用VC 6.0建立了预测高强度管线钢焊接接头性能参数裂纹尖端张开位移(CTOD)的BP神经网络模型.该模型输入层节点数为4,1个隐层,节点数为14,激活函数为Sigmoid型.根据试验数据提取平均热输入、壁厚、预热温度和接头区域作为预测模型的输入量,预测结果的平均绝对误差为0.154,预测值误差在±20%以内的样本数占总样本数的93.3%.结果表明,人工神经网络方法是预测管线钢焊接接头性能参数CTOD的一种有效途径,可为管线钢焊接过程中主要工艺参数的选择和优化提供有效的手段.     

基于正交试验-BP神经网络的GH4169膜片微束TIG焊接工艺优化

将正交试验与BP神经网络结合用于0.2 mm厚GH4169膜片微束TIG焊接工艺参数优化,根据正交试验结果对神经网络模型进行训练,建立了峰值电流、基值电流、焊接速度、脉冲频率与接头直径、高度、抗拉力的BP神经网络模型. 结果表明,在BP神经网络模型预测的基础上,结合小步长搜索法获得的最佳工艺参数范围为峰值电流11.6 A±0.2 A、基值电流4.3 A±0.1 A、焊接速度4.14 mm/s±0.1 mm/s、脉冲频率52 Hz±2 Hz. 通过试验验证,4组试样各指标试验值均处于模型预测值范围内,抗拉力值均高于先期试验. 试验结果证明,该模型预测精度高,并且该工艺优化方法能有效提高实际工艺设计的效率.     

基于多因素权重法的高压GMAW焊缝成形分析

水下高压干式GMAW焊缝成形难以控制,影响焊接质量,通过多因素权重法对影响高压GMAW焊缝成形的参数进行分析,以确定焊接过程中主要参数与焊缝成形之间的关系. 以高压GMAW焊接正交试验结果作为训练样本,利用BP神经网络建立了焊缝成形预测模型. 将模型预测结果与实际焊接试验结果进行对比,验证了模型的精确度. 以预测模型中的权值为基础,通过Garson算法得出各参数变量对于焊缝成形参数的权重系数,并通过高压干式GMAW试验进行验证. 结果表明,不同焊接参数变化引起的焊缝成形参数变化幅度与相应焊接参数对焊缝成形的影响权重基本对应,所得权重系数对于高压GMAW焊接工程应用具有指导作用.     

Quality estimation of resistance spot welding of stainless steel based on BP neural network

The end value of the dynamic resistance curve of stainless steel was proved to have strong correlation with nugget size by experiments, so it was an important factor for estimation of weld quality. BP neural network was employed to estimate the weld quality. The end value of the dynamic resistance curve, welding current and welding time were selected as the input variables while the nugget diameter, which is closely related to weld quality, was selected as the output variable. Testing results shows that such network has fine fault tolerance and real-time quality estimation is possible.     

基于BP人工神经网络模型的激光焊缝宽度预测方法

激光焊缝宽度是考核激光拼焊板质量的重要指标之一,直接影响到拼焊板的成形性能.因此,通过对激光焊缝宽度进行预测可以达到焊接工艺参数优化的目的,以提高拼焊板的焊接质量与成形性能.本文利用BP人工神经网络技术建立了焊缝宽度预测模型,该模型可以实现对焊缝宽度的有效预测,预测精度达到96%以上,具有较好的工业实用价值.     

基于熔池视觉特征的铝合金双丝焊熔透识别

熔透是焊接质量的重要评价指标之一,铝合金对焊接工艺敏感性较高,容易出现熔透不均匀情况.试验利用近红外视觉传感方法获取了铝合金单面焊双面成形焊接过程中未熔透、熔透和过熔透三种情况下的清晰熔池图像,通过图像处理获得了准确的熔池轮廓,定义并提取了熔宽、半长、面积、周长和抛物线系数等能反映熔透状态的熔池特征参数,建立了基于BP神经网络的铝合金双丝焊熔透识别模型.结果表明,5-13-3结构的BP神经网络对熔透状态识别的正确率最高,达到89.05%.     

基于人工神经网络的焊缝宽度预测

研究了用神经网络预测焊缝宽度的方法。首先对焊接质量检测系统的一些相关问题进行了研究,考虑了弧焊特性的提取、焊接质量的预报以及人工神经网络模型(ANN)的应用,设计了一个基于人工神经网络的焊接质量检测系统,给出系统的组成结构,ANN被用于预测焊缝宽度,建立了焊缝宽度预测的人工神经网络模型。为了验证建立的ANN模型的可行性,进行了仿真研究。仿真结果表明,所建立的ANN模型可预测焊缝宽度,基于人工神经网络的焊接质量检测系统是有效的。     

基于人工神经网络的Q235焊缝强韧性预测

采用正交试验L9(34)设计Q235钢的机器人焊接试验次数及焊接参数，通过拉伸试验和低温冲击试验分别获取9组焊缝抗拉强度和冲击吸收能量样本数据，并进行归一化处理；通过Matlab工具箱函数分别建立BP网络、RBF网络和Elman网络，在尝试性学习训练和泛化验证的基础上确定各网络的最佳结构及主要参数，即BP网络结构确定为3×10×2，RBF网络spread值设为2.4，Elman网络隐含层神经元数设为25个，进而比较分析和研究3种网络模型对Q235钢焊缝强韧性的预测精度和应用效果。结果表明，BP，RBF及Elman神经网络的平均相对误差均低于10%，可用于焊缝的强韧性预测，尤其对焊缝抗拉强度的预测精度相对较高；在样本条件下，相比于BP和RBF网络，Elman网络更加稳定，预测精度更高，综合预测效果最佳，对焊缝抗拉强度和冲击韧性的趋势性预测较为有效，能够反映焊缝强韧性的实际变化规律和趋势；引入机器人焊接和射线检测方法，提高样本数据的准确性和代表性，从而提高神经网络的预测效果。 创新点：(1)比较BP，RBF及Elman神经网络对Q235钢焊缝强韧性的预测精度和效果。 (2)采用机器人焊接、射线检测及正交试验，提高样本数据准确性和代表性。     

Prediction of weld quality in pulsed current GMAW process using artificial neural network

Abstract

Weld joint dimensions and weld metal mechanical properties are important quality characteristics of any welded joint. The success of building these characteristics in any welding situation depends on proper selection-cum-optimisation of welding process parameters. Such optimisation is critical in the pulsed current gas metal arc welding process (GMAW-P), as the heat input here is closely dictated by a host of additional pulse parameters in comparison to the conventional gas metal arc welding process. Neural network based models are excellent alternatives in such situations where a large number of input conditions govern certain outputs in a manner that is often difficult to adjudge a priori. Six individual prediction models developed using neural network methodology are presented here to estimate ultimate tensile strength, elongation, impact toughness, weld bead width, weld reinforcement height and penetration of the final weld joint as a function of four pulse parameters, e.g. peak current, base current, pulse on time and pulse frequency. The experimental data employed here are for GMAW-P welding of extruded sections of high strength Al–Zn–Mg alloy (7005). In each case, a committee of different possible network architectures is used, including the final optimum network, to assess the uncertainty in estimation. The neural network models developed here could estimate all the outputs except penetration fairly accurately.     

基于BP神经网络遗传算法的薄板CMT点焊变形

焊接是汽车车身制造的一个关键环节,焊接质量的好坏严重影响汽车车身质量,所以焊接参数的选择至关重要. 针对薄板焊接质量控制问题,论文利用BP神经网络解决非线性问题的优势,建立焊接变形量与工艺参数之间映射关系模型;结合遗传算法构建基于遗传神经网络焊接的工艺参数优化系统;同时设计正交试验,将该方法与正交试验法相对比. 结果表明,该方法可以有效地实现CMT(cold metal transfer)点焊焊接变形预测与工艺参数优化. 通过预测模型给出合理参数,指导钢薄板和铝合金薄板的CMT点焊变形试验,提高焊接的效率.