基于RBF神經(jīng)網(wǎng)絡(luò)的ZG M n 13堆焊焊條的設(shè)計

劉 政 ，周吉智

（1.徐州工程機械集團有限公司，江蘇 徐州 221004；2.鄭州三和水工機械有限公司，鄭州 450121）

ZGMn13是一種高錳鋼，其零件的制造一般采用鑄造或鍛造的方式，韌性極佳，且具有加工硬化快的性能，因此廣泛應用于耐磨損和耐沖擊場合，如挖掘機斗齒，鍔式破碎機鍔板等.ZGMn13鑄鍛件常常會出現(xiàn)砂眼、縮孔等工藝缺陷，因此需要高錳鋼焊條進行堆焊修補.CaO-CaF2-SiO2渣系屬于強堿性熔渣，氧化性低.采用Si、Mn等強脫氧元素聯(lián)合脫氧，因此焊縫金屬脫氧充分、合金元素過渡充分.通過調(diào)節(jié)配方可以獲得較好的焊接工藝性.渣系中含有大量的CaO和SiO2，因此CaO-CaF2-SiO2渣系脫S、P效果好，有利于提高熔敷金屬的抗裂性能.

神經(jīng)網(wǎng)絡(luò)作為一種優(yōu)化算法在材料學中廣泛應用[1-3]，本文利用RBF神經(jīng)網(wǎng)絡(luò)對ZGMn13堆焊焊條配方進行優(yōu)化設(shè)計，通過加工硬化實驗對其性能進行評價.

1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種在高維空間進行插值和局部逼近的神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)對于每個訓練樣本，只需對少量的權(quán)值和閾值進行修正，訓練速度快[4].根據(jù)該渣系典型配方的情況，選取以下原礦物質(zhì)和鐵合金作為配方的組成成分：大理石、螢石、石墨、硅鐵、中碳錳鐵、錳礦、碳酸鉀、鉬鐵、水玻璃，焊芯為H08MnA焊絲.在前人工藝性能的基礎(chǔ)上，僅考慮影響C、Mn過渡的物質(zhì)和K值.中碳錳鐵影響C、Mn的過渡，錳礦影響Mn的過渡，石墨影響C的過渡，所以本設(shè)計中以中碳錳鐵、錳礦、石墨和K值為影響因素，以加工硬化后的洛氏硬度值為優(yōu)化目標.

應用于ZGMn13堆焊焊條優(yōu)化設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，它的主要功能在于能以一定精度逼近加工硬化后的洛氏硬度值關(guān)于中碳錳鐵含量、錳礦含量、石墨含量和K值的函數(shù).RBF神經(jīng)網(wǎng)絡(luò)由一個輸入層、一個隱含層和一個輸出層組成，輸入層接收來自訓練樣本的值，其神經(jīng)元數(shù)目和樣本數(shù)相同，隱含層神經(jīng)元采用高斯函數(shù)作為傳遞函數(shù)（也稱基函數(shù)），其表達式為：

網(wǎng)絡(luò)輸出為：

式中：y為實際輸出;wi為隱含層到輸出層的連接權(quán)值；i=1,2,3,4,5為隱含層的結(jié)點數(shù).

RBF網(wǎng)絡(luò)的學習過程分為兩個階段.第一階段為預處理階段，可以采用模式識別中的無教師學習方法，根據(jù)各聚類中樣本數(shù)據(jù)的位置分布情況來求出高斯函數(shù)的中心與方差；第二階段即學習權(quán)值階段，在此階段可利用遞推最小二乘法求解隱含層到輸出層的權(quán)值矩陣[5-6].

圖1 應用于ZGMn13堆焊焊條優(yōu)化設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2 焊條設(shè)計

2.1 訓練樣本采集

為保證向熔敷金屬中過渡足夠的C和Mn，通過計算得中碳錳鐵、錳礦和石墨的加入范圍，初步設(shè)計了9組焊條配方，見表1.

以堆焊熔敷金屬表面500 Kg載荷下加工硬化后的洛氏硬度值為優(yōu)化目標，K值、中碳錳鐵含量、錳礦含量、石墨含量為影響因子，對9組焊條的熔敷金屬進行加工硬化試驗，其測試結(jié)果及訓練樣本如表2所示.

表1 初步設(shè)計的焊條配方（%）

2.2 優(yōu)化設(shè)計

依據(jù)上文建立ZGMn13堆焊焊條優(yōu)化設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)，用采集的樣本對其進行訓練.利用matlab軟件對數(shù)據(jù)可視化，圖2為K值為77.5，中碳錳鐵含量為45.5%時，石墨和錳礦的含量變化對硬度的影響；圖3為K值為72.5，中碳錳鐵含量為47.5%時，石墨和錳礦的含量變化對硬度的影響.圖4為錳礦含量為1.5%，石墨含量為5.5%時，中碳錳鐵含量和K值變化對硬度的影響；圖5為K值為72.5，錳礦含量為3.5%，石墨含量為7.5%時，中碳錳鐵含量和K值變化對硬度的影響.

在K值區(qū)間、中碳錳鐵含量區(qū)間、錳礦含量區(qū)間和石墨含量區(qū)間中各均勻取10個值，構(gòu)成一個4維矩陣，將此矩陣代入訓練好的RBF神經(jīng)網(wǎng)絡(luò)，得到每種配方對應的預測值，最后取得最大預測值，從而獲得最優(yōu)的配方，最優(yōu)配方見表3.

表2 加工硬化結(jié)果及訓練樣本

3 加工硬化實驗及結(jié)果分析

3.1 實驗試樣制備

在尺寸為70 mm×70 mm×16 mm的Q235A試樣上堆焊一平面，堆焊金屬厚度為12 mm，焊接時采用小電流、弱規(guī)范、直線不擺動運條的焊接方式，焊后立即水韌處理.

圖2 預測硬度值（K=77.5，中碳錳鐵%=45.5%）

圖3 預測硬度值（K=72.5，中碳錳鐵%=47.5%）

圖4 預測硬度值（錳礦%=1.5%，石墨%=5.5%）

圖5 預測硬度值（錳礦%=3.5%，石墨%=7.5%）

3.2 動載加工硬化試驗

動載加工硬化實驗中沖擊能量分別為：25 N·m、35 N·m、45 N·m，沖擊后在型號為TH-300的洛氏硬度機上測硬度.為更好地觀察硬度隨沖擊能和硬化層深度的變化趨勢，將所得的數(shù)據(jù)點進行擬合，試驗后沖擊痕表面硬度測試結(jié)果如圖6所示；沖擊后硬度隨硬化層深度變化曲線如圖7所示.

表3 最優(yōu)配方

3.3 靜載加工硬化試驗

靜載加工硬化實驗中，先在HB-3000型布氏硬度機上靜載加工硬化，壓頭直徑為2.5 mm，加載時間為20 S；然后在型號為TH-300洛氏硬度機上測壓痕硬度.將實驗所得的數(shù)據(jù)點進行擬合，靜載加工硬化實驗后，硬度隨靜載荷變化結(jié)果如圖8所示.

圖6 沖擊后表面硬度變化

圖7 沖擊后硬化層深度變化

圖8 靜載加工硬化

3.4 試驗結(jié)果分析

從動載加工硬化試驗結(jié)果可以看出，隨著硬化層深度的增加，加工硬化趨勢減弱，而心部仍呈現(xiàn)良好的塑性及韌性.從上述結(jié)果可看出動載試驗加工硬化效果的上升趨勢很大.原因是熔敷金屬表面受到?jīng)_擊載荷或高壓力的作用時，表面迅速產(chǎn)生塑變，形成位錯塞積因而產(chǎn)生加工硬化[7].

從靜載及動載加工硬化試驗結(jié)果可以看出，焊條熔敷金屬的靜載加工硬化曲線呈上升趨勢，即優(yōu)化設(shè)計后的焊條熔敷金屬具有明顯的加工硬化性能.這是因為熔敷金屬（ZGMn13）中含C和Mn量較高（C%=0.9～1.3%，Mn%=11.0～14.0%），而C和Mn都是擴大奧氏體相區(qū)的元素，且焊接時采用了小電流，弱規(guī)范，直線不擺動運條的熱輸入較小焊接方式，再加上焊后的水韌處理使得焊接部位迅速冷卻，保證該部位獲得較多的奧氏體組織，從而滿足對于加工硬化性能的要求.

4 結(jié)論

本文建立了基于RBF神經(jīng)網(wǎng)絡(luò)的CaO-CaF2-SiO2渣系ZGMn13堆焊焊條的配方與性能模型，利用模型對ZGMn13堆焊焊條的配方進行了優(yōu)化設(shè)計，得到最優(yōu)的配方；用優(yōu)化后的配方制成焊條，在Q235試板上堆焊，進行加工硬化實驗，加工硬化效果明顯.

[1]劉玉兵，張宗揚，吳國軍.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的發(fā)動機磨損預測分析[J].潤滑與密封，2009，34（1）：71-72，8 3.

[2]楊莉，杜成超，翟紫陽，等.基于貝葉斯神經(jīng)網(wǎng)絡(luò)的焊縫跟蹤方法[J].熱加工工藝，2011，40（23）：168-170.

[3] Kim K B，Sim K B，Ahn S H. Recognition of concrete surfacecracks using the ART1-based RBF network[J]. Lecture Notes in ComputerScience，2006，3972：669-675.

[4]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與M A TLA B7實現(xiàn)[M].北京：電子工業(yè)出版社，2005：116-119.

[5]傅薈璇，趙紅.M A TLA B神經(jīng)網(wǎng)絡(luò)應用設(shè)計[M].北京：機械工業(yè)出版社，2009：157-159.

[6]李紅，彭濤.基于BP-RBF神經(jīng)網(wǎng)絡(luò)混凝土抗壓強度預測[J].武漢理工大學學報，2009，31（8）：33-36.

[7] Allain S，Chateau J P，Bouaziz O. A physical model of the twinning–induced plasticity effect in a high manganse austenitic steel[J]. Materals Science and Engineering A，2004，387-389：14-147.