电子束焊熔深神经网络模糊控制系统建模与仿真

研究钛合金电子束焊熔深控制系统建模问题。在分析电子束焊接特点的基础上,设计三因素五水平正交试验,通过试验得到不同焊接参数下熔宽和熔深的值,将熔宽和熔深的值作为训练样本对神经网络进行训练,建立以熔宽为输入,以熔深为输出的误差反向传播(Error back propagation,BP)神经网络模型,该模型由一个S型函数隐含层加上一个线性输出层组成。针对熔深数学模型难以获得的情况,设计以熔深的偏差和偏差变化率为输入变量,焊接电流的变化量为输出变量的模糊控制器,该控制器有9条模糊控制规则。将BP神经网络模型和模糊控制器结合起来建立钛合金电子束焊熔深控制系统模型,并且采用单位阶跃信号对该模型进行仿真试验,试验结果表明所设计的控制系统动态性能和稳态性能良好。     

GMAW自动焊熔透影响因素分析及多元回归预测

GMAW自动打底焊易出现未焊透及焊漏现象,成为焊接自动化的瓶颈问题。以焊缝背面熔宽作为表征熔透状态的参考信息,探究对打底焊接质量影响较大的焊接电流、焊接速度、坡口间隙及坡口角度4个焊接工艺参数对背面熔宽的影响规律。开展GMAW打底焊接试验研究,分析背面熔宽随上述焊接参数的变化趋势。试验结果及分析表明:随着焊接电流的增大,背面熔宽呈上升趋势,熔透状态由"未熔透"过渡到"过熔透";随着焊接速度的增大,背面熔宽呈下降趋势,熔透状态由"过熔透"过渡到"未熔透";背面熔宽随着坡口间隙与坡口角度的增大而增大,过小的坡口间隙与角度易产生"未熔透"。鉴于背面熔宽随4个焊接工艺参数增加而单调增加或单调减少,采用多元线性回归方法建立4个参数与焊缝背面熔宽的数学模型,该模型通过了回归模型的拟合优度检验、整体检验及回归系数检验。通过GMAW试验对数学模型进行了验证,结果表明建立的回归模型数学表达式能够对焊缝背面熔宽尺寸进行较为准确的预测,为GMAW自动打底焊参数调节提供指导。     

球头铣刀加工表面形貌仿真预测

根据表面形貌的定义,将球头铣刀加工表面分离为宏观的形状误差和微观的表面粗糙度两部分,综合运用几何建模和神经网络对表面形貌进行仿真预测。利用图形矩阵变换原理和矢量运算法则,推导出球头铣刀相对于工件的运动轨迹方程,建立了基于MATLAB软件的三维表面形貌仿真模型对形状误差进行预测。借助于MATLAB软件,通过反复训练建立了BP神经网络表面粗糙度预测模型。通过实验验证了仿真预测模型的准确性,表明所建立的模型具有有效的预测作用。     

基于视觉传感的GMAW熔透状态预测

熔透信息的实时获取是实现打底焊接自动化的关键环节之一,通过熔池形状特征预测熔透状态可为熔透信息的有效提取提供参考。鉴于焊工通过视觉观察熔池正面形状特征来对熔透状态进行实时判断,建立基于GMAW的双目视觉传感焊接试验系统。在不同焊接电流及焊接速度下开展打底焊接试验,在焊接过程中实时同步采集熔池正面与背面图像。基于熔池图像特点结合成熟的图像处理算法,提取熔池正面二维与三维形状特征参数以及背面熔宽信息,作为训练样本,以熔池正面形状特征参数作为输入量,以背面熔宽作为输出量。通过BP算法对神经网络进行训练,建立熔透状态预测模型,分析熔池正面形状特征参数与背面熔宽之间的映射关系。采用Garson算法计算出每个形状特征参数对于背面熔宽的权重系数。通过GMAW打底焊试验对熔透状态预测模型进行了验证,试验结果表明,建立的BP神经网络模型可以有效地预测焊缝的熔透状态。     

活性激光电弧复合焊接法研究

为了进一步提高激光电弧复合焊接的熔深,提出活性激光电弧复合焊接法。在氧气的保护下,用小功率光纤激光在待焊焊件表面进行预熔处理,使表面熔化生成一层氧化层,然后用激光电弧复合焊接覆盖氧化层,达到增加熔深的目的。结果表明,激光预熔后进行激光电弧复合焊接,电弧明显收缩,熔深增加1.5倍左右,表面成形良好。激光预熔后,焊缝含氧量增加,熔池表面张力温度系数由负变正,使得复合焊接熔深增加。研究工艺参数对焊缝熔深和熔宽的影响,随着激光预熔功率的增加,熔深增加熔宽减小;随着电流的增加,熔深熔宽都增加,但激光预熔后的焊道增加更快。随着复合焊接速度的增加,熔深和熔宽都减小。随着复合焊接中激光功率的增加,熔深增加,对熔宽的影响较小。利用活性激光电弧复合焊接法,可以得到较为细小的焊缝组织,提高焊接接头的抗拉强度,能达到母材抗拉强度的95%,且面弯和背弯180°后未出现裂纹,表明接头具有良好的韧性。     

基于人工神经网络的激光点焊焊点形态预测

建立适用于激光点焊焊点形态预测的人工神经网络模型,以点焊过程中的三个主要工艺参数(激光功率、点焊时间和离焦量)作为模型输入,输出为焊点表面、熔合面、背面直径以及熔深和横截面面积五个焊点形态参数。在此基础上,建立焊点形态模型,模型输入为神经网络的预测结果,输出为焊点形态。所建立的神经网络预测模型和焊点形态模型结合之后,可以实现激光点焊焊点的形态预测。网络测试结果显示实际值与网络预测值之间的RMS误差为0.1左右,模型输出的预测焊点形态与实际焊点形态之间较为吻合。根据模型的仿真结果,进一步研究点焊参数对焊点尺寸和形态的影响规律。结果表明未熔透焊点形态为Y形,而熔透焊点则存在多种形态,形态之间的转变主要受激光功率的影响。     

光纤激光功率和焊接速度对6061铝合金焊缝成形的影响

利用10 kW光纤激光器对2.5 mm厚6061铝合金进行了焊接试验,探究激光功率和焊接速度对焊缝成形的影响。对比分析了不同激光功率和焊接速度获得的焊缝表面形貌、焊缝横截面形貌。试验结果表明:激光功率焊接速度对6061铝合金激光焊缝的熔深和熔宽具有显著影响,熔宽在一定范围内随着激光功率的增加而增加,最终达到某一数值不再增加。激光功率的大小影响激光自身的稳定性,从而影响焊缝的成形。     

304不锈钢大功率光纤激光焊成形研究

为了研究大功率光纤激光焊在304不锈钢上的焊缝成形,使用5~7kW的激光功率,10~100mm/s的焊接速度在16mm厚的304奥氏体不锈钢上进行全覆盖参数试验。随后观察了焊缝的熔深、熔宽、焊缝形状等成形参数。结果表明,焊接速度低于20mm/s时,焊缝表面会形成隆起,熔深随速度减慢,迅速增加;焊接速度在30~40mm/s时,焊缝表面变得凹凸不平且两边存在咬边,熔深随速度减慢且小幅增加;焊接速度介于50mm/s和90mm/s之间时,焊缝的熔深和熔宽几乎不变;而当速度达到100mm/s时,熔深急剧减小,且钉头形焊缝的形状发生了很大的改变。通过以上试验结果结合小孔效应和熔池特性分析了激光焊缝的成形机理,对大功率光纤激光焊接形成了更全面的认识。     

A6061铝合金脉冲MIG焊T型接头应力场有限元模拟

基于B样条拟合非线性曲面的优势建立B样条焊缝模型，根据脉冲熔化极惰性气体保护(MIG)焊接基-峰值电流热输入特点建立高斯面+锥形体组合热源模型，采用该模型模拟A6061铝合金脉冲MIG焊T型接头的温度场及应力场，并进行了试验验证。结果表明：模拟所得T型接头熔池的熔深和熔宽以及特征点峰值温度与试验结果间的相对误差不大于1.4%,验证了模型的准确性。在距焊缝中心约10 mm和30 mm处的纵向残余应力模拟结果与试验结果间的相对误差分别为28.0%和20.6%,其计算精度比采用简化焊缝及双椭球热源模型至少提高了15.7%。     

GA-BP神经网络预测钛合金表面粗糙度

为了有效预测铣削加工中钛合金工件的表面粗糙度,建立了以切削速度、进给量、径向切深、轴向切深为输入参数,表面粗糙度为输出参数的预测模型。该预测模型将遗传算法与BP神经网络结合起来,使用遗传算法优化BP神经网络的初始权值和阈值,进行铣削实验获得实验数据,并对神经网络进行训练,最终获得预测模型。通过对比分析GA-BP预测模型、BP预测模型、线性回归预测模型的预测精度,得出GA-BP预测模型具有相对较好的预测精度,证明该预测模型是有效的。     

Nd:YAG激光焊接殷钢薄板材料的工艺研究

利用Nd:YAG脉冲激光作为焊接热源,对殷钢材料Invar36分别进行了平板单道焊接试验和对焊试验,分析了工艺参数（激光功率、焊接速度、脉冲宽度和离焦量）变化对焊缝的表面形貌、熔宽以及熔透性的影响。对0.85mm厚度的殷钢薄板对焊接头的硬度和成分的变化以及拉伸强度进行了检测。结果表明：激光功率和脉宽是影响焊缝熔深、熔宽和热影响区大小的主要因素;扫描速度对焊缝表面的鱼鳞状条纹间距影响尤为明显;离焦量主要影响焊缝的宽度和熔透性;合理匹配工艺参数能够实现0.85mm厚度薄板对焊,并且获得形貌良好的焊缝。焊缝的组织成分没有发生明显变化,拉伸强度和基体的相当,显微硬度略低于基体硬度。     

用Nd:YAG激光焊接殷钢薄板材料

用Nd:YAG脉冲激光作为焊接热源,对殷钢材料Invar36分别进行了平板单道焊接试验和对焊试验,分析了工艺参数(激光功率、焊接速度、脉冲宽度和离焦量)变化对焊缝的表面形貌、熔宽以及熔透性的影响.检测了0.85 mm厚的殷钢薄板对焊接头的硬度、成分以及拉伸强度.结果表明:激光功率和脉宽是影响焊缝熔深、熔宽和热影响区面积的主要因素;扫描速度对焊缝表面的鱼鳞状条纹间距影响尤为明显;离焦量主要影响焊缝的宽度和熔透性;合理匹配工艺参数能够实现0.85 mm厚度薄板的对焊,并且获得形貌良好的焊缝.焊缝的组织成分没有发生明显变化,拉伸强度和基体强度相当,显微硬度略低于基体硬度.     

高氮钢激光-电弧复合焊焊缝成形多元非线性回归模型

基于响应面法设计方法,进行Nd:YAG激光-熔化极活性气体保护焊(Metal active gas welding,MAG)复合焊高氮钢的平板堆焊试验,获得焊缝熔深、熔宽、余高数据,采用逐步回归法筛选出对焊缝形貌影响显著的因子,建立多元非线性数学回归模型,通过方差分析和回归分析得出该回归模型的R2分别如下:熔深H为0.932,熔宽W为0.915,余高A为0.910,PF值均小于0.001。模型分析结果表明激光功率、焊接电流、电弧电压和热源间距四个因素的主效应和交互作用对焊缝形貌有着很大的影响,其中对熔深影响最大的主效应是激光功率,交互效应是激光功率与电弧电压;对熔宽影响最大的主效应是焊接电流和电弧电压,交互效应是焊接电流与热源间距、电弧电压与热源间距和激光功率与电弧电压;对余高影响最大的主效应是焊接电流,交互效应是电弧电压与热源间距。试验验证结果表明模拟结果和试验结果相吻合。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

基于BP神经网络的车削Ti6Al4V高温钛合金表面粗糙度预测

针对Ti6 Al4 V高温钛合金轴类零件的车削加工过程,设计了Ti6Al4V高温钛合金全因素车削实验,对不同车削参数下表面粗糙度的数值进行了测量,然后以车削参数为输入变量,以表面粗糙度为响应,建立了神经网络预测模型。然后在同等条件下实施验证实验,验证了神经网络模型的预测精度。结果显示,文中研究建立的神经网络模型可以根据切削变量准确预测机械零件表面粗糙度。研究结果可为现场生产选择合适的切削参数提供理论指导,从而实现机械零件表面粗糙度的预测和控制。     

基于BP神经网络的CSP生产线轧制力预测模型

使用数学模型和BP神经网络相结合的方法对轧制力进行预测。与大多数神经网络仅选取轧制变量作为输入量不同,该BP神经网络增加了喷油量和轧制力模型计算值作为输入变量以考虑摩擦对轧制力的影响,避免过大的轧制力预测偏差,从而形成了11×7×1的网络结构,并和轧制力模型组合构成CSP生产线轧制力预测模型。结果表明:该神经网络模型预测值与实测平均值的平均相对误差仅为1.08%,轧制力模型的平均相对误差为6.32%,该神经网络对轧制力实测平均值的跟踪能力更好,有较高的工程应用价值。     

基于时空全卷积循环神经网络的零件表面形貌预测

零件表面形貌预测对于降低产品质量波动和加工成本、减少零件废品率有重要意义。基于高清晰测量数据,提出一种时空全卷积循环神经网络非平稳时空序列预测模型,实现零件加工表面三维形貌的预测。通过计算全局莫兰指数和时间自相关函数进行时空相关性分析,为模型构建准确的输入,并克服传统预测方法未充分利用数据全局特征和局部特征的缺点以及模型输入的随意性。实例研究的结果表明,提出的方法具有更优的综合预测效果,其预测精度优于传统方法12%~18%,预测时间是传统方法的1/5。     

大功率盘形激光焊焊缝背面宽度预测

提出了通过视觉传感获取焊接过程中的焊接特征信息并利用神经网络模型预测焊缝背面宽度的方法。利用大功率盘形激光器焊接了低碳钢SS400焊件,在焊接过程中改变焊接功率、焊接速度和焊接路径,并利用两台高速摄像机同步获取焊件正面和侧面出现的焊接特征信息。对获取的图像进行色彩空间转换、分层、滤波去噪和空域图像处理,提取飞溅、熔池和金属蒸气等焊接特征信息,观察焊接路径对各个特征的影响。最后,建立了一个三层的LMBP(LevenbergMarquardt Back Propagation)神经网络模型,将提取的特征信息作为输入量,预测焊缝的背面宽度。结果显示:当熔透不稳定或出现未熔透状态时,LMBP神经网络拟合度大于0.83,最大训练误差均值为0.002 8mm,最大实际误差均值为0.225 6mm。试验结果表明所建立的预测模型具有良好的准确性和稳定性。     

航空合金钢30CrMnSiA深孔钻削试验研究

在航空合金钢30CrMnSiA深孔钻削中,孔径偏差是影响钻削质量的重要因素,本文通过正交实验设计法,进行了30CrMnSiA航空合金钢Ф2.7mm深孔钻削试验,研究了主轴转速、进给速度和孔深三个钻削参数对孔径偏差的影响规律。通过极差分析发现,孔深是影响孔径偏差的主要因素,同时,分别建立了航空合金钢30CrMnSiAФ2.7mm深孔钻削孔径偏差BP神经网络预测模型和指数预测模型。结果表明:基于BP神经网络的孔径偏差预测模型平均相对误差仅为2. 31%,相对于指数预测模型具有较高的预测精度。     

多维意象下产品造型满意度预测模型研究

为均衡有效地满足用户多维复合意象的情感需求，提升多维意象下产品造型与用户满意度的匹配程度，提出一种结合熵权法与BP神经网络的产品造型满意度预测模型。以老年代步车为例，建立了产品造型元素集和多维意象集，采用语义差分法获取了样本评价值，并采用熵权法计算多维意象权重；将样本造型元素进行编码作为第1层BP神经网络模型的输入变量，将多维意象加权评价值作为第1层输出变量和第2层BP神经网络输入变量；将用户满意度评价值作为第2层BP神经网络输出变量，并通过K-fold交叉验证法训练和测试双重BP神经网络预测模型，验证结果显示：预测模型满意度MSE值小于0.01,表明该模型能有效映射多维意象下产品造型与满意度间的隐性关联。运用该模型对300个新方案进行预测，快速决策出最佳方案，为设计人员提供参考。