水下濕法FCAW焊縫幾何尺寸的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

石永華，林水強(qiáng)

（華南理工大學(xué)機(jī)械工程學(xué)院，廣東 廣州510640）

水下濕法FCAW焊縫幾何尺寸的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

石永華，林水強(qiáng)

（華南理工大學(xué)機(jī)械工程學(xué)院，廣東 廣州510640）

水下焊接焊縫幾何尺寸的準(zhǔn)確預(yù)測(cè)是水下焊接質(zhì)量研究的基礎(chǔ)。由于環(huán)境惡劣，水下焊接往往達(dá)不到滿意的焊接質(zhì)量，因此要進(jìn)行水下焊接質(zhì)量研究，而對(duì)水下焊接焊縫幾何尺寸的預(yù)測(cè)是必不可少的。基于神經(jīng)網(wǎng)絡(luò)BP建立了水下焊接焊縫幾何尺寸的預(yù)測(cè)模型，也對(duì)該模型進(jìn)行檢驗(yàn)；此外還與回歸擬合方法進(jìn)行預(yù)測(cè)準(zhǔn)確性的比較；同時(shí)進(jìn)行了敏感度分析。

水下焊接；神經(jīng)網(wǎng)絡(luò)BP；敏感度

0 前言

水下濕法焊接的焊縫幾何尺寸對(duì)于水下焊接結(jié)構(gòu)的力學(xué)性能有很大的影響，預(yù)測(cè)濕法焊接焊縫幾何尺寸可以指導(dǎo)水下焊接工藝參數(shù)的制定。但是，與陸上焊接相比，水下焊接過程涉及更為復(fù)雜的物理化學(xué)變化，焊接工藝參數(shù)、水的傳熱特性以及焊接過程中氣泡的產(chǎn)生與破裂、水的擾動(dòng)等，都造成了水下濕法焊接過程的特殊性。這種特殊性影響焊接電弧的穩(wěn)定性[1]，因而焊縫幾何尺寸也會(huì)隨之出現(xiàn)復(fù)雜性的變化。

對(duì)于復(fù)雜的非線性焊接系統(tǒng)，常用的焊接過程建模難以達(dá)到滿意的效果。如采用非線性擬合方法得到的公式，模型適應(yīng)范圍窄，外界的變動(dòng)常常使所建立的模型產(chǎn)生較大誤差。而人工神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)和自組織能力，且具有簡單易用和黑箱控制的特點(diǎn)，能很好地處理非線性的焊接過程數(shù)據(jù)[2]。目前，雖然對(duì)于焊縫幾何參數(shù)預(yù)測(cè)已進(jìn)行了一些研究[3]，但國內(nèi)外對(duì)水下濕法焊縫幾何參數(shù)預(yù)測(cè)研究還未見報(bào)道。因此，建立水下濕法FCAW焊接焊縫幾何參數(shù)預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)模型，可提高水下焊縫幾何參數(shù)預(yù)測(cè)的準(zhǔn)確性，對(duì)水下濕法焊接工藝的制定具有重要的指導(dǎo)作用。

1 水下濕法藥芯焊絲焊接試驗(yàn)

水下濕法藥芯焊絲焊接（FCAW）試驗(yàn)在壓力艙內(nèi)進(jìn)行，水下焊接前向壓力艙內(nèi)注入水，然后向艙內(nèi)加注高壓氣體來模擬不同的水深（每0.1MPa壓力相當(dāng)于10 m水深）。

對(duì)水下焊接焊縫幾何參數(shù)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)試驗(yàn)主要考慮五個(gè)因素：電壓U、電流I、焊接速度v、CWTD和水深H。表征焊縫幾何尺寸的參數(shù)是熔寬、熔深和余高。選用五因素四水平正交試驗(yàn)表L16（45）設(shè)計(jì)實(shí)驗(yàn)方案，試驗(yàn)參數(shù)及測(cè)量結(jié)果見表1。此外還進(jìn)行了額加的7組試驗(yàn)用于檢驗(yàn)?zāi)Ｐ停姳?。

2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反傳的多層前饋網(wǎng)絡(luò)，各神經(jīng)元接受前一層的輸入，并輸出給下一層，沒有層內(nèi)聯(lián)接、隔層聯(lián)接和反饋聯(lián)接[4]。

分別用三個(gè)神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)熔寬w、熔深d和余高h(yuǎn)，焊縫預(yù)測(cè)的BP模型可以設(shè)計(jì)為一個(gè)五節(jié)點(diǎn)輸入層，一節(jié)點(diǎn)輸出，隱層節(jié)點(diǎn)數(shù)取10，取2個(gè)隱層[5]。所建立的BP模型如圖1所示。

通過建立的BP網(wǎng)絡(luò)模型，可做出訓(xùn)練和檢驗(yàn)樣本的實(shí)際值與預(yù)測(cè)值的比較圖，如圖2～圖4所示。可見，在訓(xùn)練樣本中，預(yù)測(cè)值都與真實(shí)值一致；而在檢驗(yàn)樣本中，預(yù)測(cè)值與真實(shí)值的誤差在一定范圍之內(nèi)，說明所建立的BP神經(jīng)網(wǎng)絡(luò)模型是比較準(zhǔn)確的。

3 神經(jīng)網(wǎng)絡(luò)與回歸分析的對(duì)比

利用回歸分析法建立熔寬w、熔深d和余高h(yuǎn)與焊接電流I、電弧電壓U、焊接速度v、CWTD（D）、水深H之間的數(shù)學(xué)公式。根據(jù)表1的正交試驗(yàn)數(shù)據(jù)并開發(fā)Matlab回歸分析程序，可建立以下的經(jīng)驗(yàn)公式

把所有樣本代入式（1）中可得出相應(yīng)的熔寬，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的熔寬相比較（見圖5），可見在訓(xùn)練階段BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值幾乎與實(shí)際值重合；而曲線擬合得到的熔寬預(yù)測(cè)值與實(shí)際值偏離較大。在檢驗(yàn)階段，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值也與實(shí)際值走向相同，誤差控制在8%范圍；而曲線擬合得到的熔寬不穩(wěn)定，最大誤差超過12%。從離散的程度來看，可采用方差分析中的方差和神經(jīng)網(wǎng)絡(luò)BP得到的方差和為1.635 3；而曲線擬合的方差和為10.316 9，說明神經(jīng)網(wǎng)絡(luò)BP的離散程度較小。

同樣，由圖6可見，在訓(xùn)練階段BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值也與實(shí)際值重合；而曲線擬合的熔深預(yù)測(cè)值與實(shí)際值偏離較大。在檢驗(yàn)階段，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值趨勢(shì)相似，誤差控制在16%以內(nèi)；而曲線擬合的熔深預(yù)測(cè)值的最大誤差達(dá)到28.3%。從離散的程度來看，BP神經(jīng)網(wǎng)絡(luò)得到的方差和為0.689 6；而曲線擬合的方差和為3.4012，說明BP神經(jīng)網(wǎng)絡(luò)的離散程度較小。

由圖7可知，在訓(xùn)練階段，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值也與實(shí)際值重合；而曲線擬合的余高預(yù)測(cè)值與實(shí)際值偏差較大。在檢驗(yàn)階段，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與曲線擬合預(yù)測(cè)值都有一定的偏差。但整體來看，BP神經(jīng)網(wǎng)絡(luò)對(duì)余高的預(yù)測(cè)曲線更貼近實(shí)際余高的曲線。從離散的程度來看，BP神經(jīng)網(wǎng)絡(luò)得到的方差和為0.833 6；而曲線擬合的方差和為2.3326，也說明了BP神經(jīng)網(wǎng)絡(luò)的離散程度較小。

4 焊縫尺寸影響因素的敏感性分析

所謂參數(shù)敏感性分析，就是先設(shè)定一系統(tǒng)，其系統(tǒng)特性為F=f（x1，x2，…，xn）（xi為參數(shù)），給定某一基準(zhǔn)狀態(tài)X'=（x1'，x2'，…，xn'），其系統(tǒng)特性為F'=f（X'），令各參數(shù)在可能的范圍內(nèi)移動(dòng)，分析參數(shù)的變化對(duì)F的影響程度。繪制Δxi/xi'-F/F'（i=1，2，…，n）曲線，曲線斜率的定義為敏感度系數(shù)，而敏感度系數(shù)是反映各參數(shù)對(duì)系統(tǒng)特性的影響程度[6]。

在焊縫預(yù)測(cè)中，熔寬、熔深、余高是焊縫的主要參數(shù)，因此分別將其作為系統(tǒng)特性，而其影響參數(shù)為電壓、電流、速度、CTWD和水深。設(shè)置焊接穩(wěn)定的參數(shù)為基準(zhǔn)狀態(tài)，即電流I=310 A，電壓U=30 V，速度v=10 mm/s，CTWD=20 mm和水深H=20 m。電流280～340A，電壓28～32V，焊接速度6～12mm/s，CTWD為18～24 mm，水深0.1～60 m。在其他參數(shù)不變、只變動(dòng)一個(gè)參數(shù)的條件下，從BP神經(jīng)網(wǎng)絡(luò)獲得的進(jìn)而根據(jù)這些數(shù)據(jù)可繪制Δxi/xi'-F/F'（i=1，2，…，n）曲線[F分別代表熔寬w，熔深d和余高h(yuǎn)，而xi分別代表電流I，電壓U，速度v，導(dǎo)電嘴CTWD和水深H]，如圖8所示。

圖8a是電流的ΔIi/Ii'-F/F'曲線，從斜率大小可知電流對(duì)熔寬、熔深和余高的敏感度。紅色曲線斜率絕對(duì)最大，即電流對(duì)熔深的影響力最大，其次是熔寬，而對(duì)余高影響最小。圖8b是電壓的ΔUi/Ui'-F/F'曲線，藍(lán)色曲線斜率絕對(duì)最大，即電壓對(duì)余高的影響力最大，其次是熔深，而對(duì)熔寬影響最小。圖8c是焊接速度的Δvi/vi'-F/F'曲線，黑色曲線斜率絕對(duì)最大，即速度對(duì)熔寬的影響力最大，其次是熔深，而對(duì)余高影響最小。圖8d是CTWD的ΔDi/Di'-F/F'曲線，黑色曲線斜率絕對(duì)最大，即對(duì)熔深的影響力最大，其次是熔深，對(duì)余高影響最小。圖8e是水深ΔHi/Hi'-F/F'曲線，紅色曲線斜率絕對(duì)最大，即速度對(duì)熔寬的影響力最大，其次是余高，而對(duì)熔寬影響最小。

通過圖8的曲線斜率計(jì)算出電流敏感度Si、電壓敏感度Su、速度敏感度Sv、CTWD敏感度SD和水深敏感度SH，如圖9～圖11所示。

由圖9可知，對(duì)于熔寬的影響，電流的敏感度最大，其次是焊接電壓和速度對(duì)熔寬的影響較小，而水深對(duì)熔寬的最小。由圖10可知，對(duì)于熔深的影響，電流的敏感度最大，其次是電壓，接著是CTWD，再者是速度，而水深對(duì)熔深的影響也是最小。由圖11可知，對(duì)于余高的影響，電壓的敏感度最大，其次是電流，而CTWD、速度和水深對(duì)熔深的影響都很小。

5 結(jié)論

研究了基于BP神經(jīng)網(wǎng)絡(luò)的水下濕法FCAW的焊縫幾何尺寸預(yù)測(cè)數(shù)學(xué)模型：

（1）用BP神經(jīng)網(wǎng)絡(luò)建立了熔寬、熔深和余高的模型，并對(duì)預(yù)測(cè)模型進(jìn)行了檢驗(yàn)和誤差分析。通過與曲線擬合方法得到的熔寬、熔深和余高預(yù)測(cè)值進(jìn)行比較，表明BP神經(jīng)網(wǎng)絡(luò)模型對(duì)水下濕法FCAW焊縫幾何尺寸的預(yù)測(cè)更為準(zhǔn)確，誤差更小。

（2）進(jìn)行了五個(gè)焊接工藝參數(shù)對(duì)焊縫幾何參數(shù)的敏感度分析，分析了各因素對(duì)熔寬、熔深和余高的影響，以及隨著這些因素的變化，熔寬、熔深和余高的變化趨勢(shì)，結(jié)果表明電流對(duì)熔寬和熔深的敏感性最大，電壓對(duì)余高的敏感性最大。

[1] 石永華，鄭澤培，黃 晉.水下濕法藥芯焊絲焊接電弧穩(wěn)定性研究[J].焊接學(xué)報(bào)，2012，33（10）：49-53.

[2] 李曉峰，徐玖平.BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)算法的建立及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2004（5）：1-8.

[3] 于秀萍，孫 華，趙希人，等.基于人工神經(jīng)網(wǎng)絡(luò)的焊縫寬度預(yù)測(cè)[J].焊接學(xué)報(bào)，2005，26（5）：17-19.

[4] 裴浩東，樊 丁.人工神經(jīng)網(wǎng)絡(luò)及其在焊接中的應(yīng)用[J].甘肅工業(yè)大學(xué)學(xué)報(bào)，1996，22（1）：1-5.

[5] 余圣甫，李志遠(yuǎn)，王福德，等.基于人工神經(jīng)網(wǎng)絡(luò)的藥芯焊絲焊接工藝研究[J].華中理工大學(xué)，2000，28（4）：1-3.

[6] 夏元友，熊海豐.邊坡穩(wěn)定性影響因素敏感性人工神經(jīng)網(wǎng)絡(luò)分析[J].巖石力學(xué)與工程學(xué)，2004，23（16）：2703-2707.

Geometry dimensions prediction of underwater wet FCAW weld based on BP neural network

SHI Yong-hua，LIN Shui-qiang
（SchoolofMechanicalandAutomotiveEngineering，SouthChinaUniversityofTechnology，Guangzhou510640，China）

The accurate prediction of Underwater welding weld geometry dimensions is the basis of the study of underwater welding quality.Because of the bad environment,the underwater welding often cannot achieve satisfactory welding quality,therefore must carry on the underwater welding quality research,and the prediction of underwater welding weld geometry parameters is essential.This article is based on BP neural network to establish the forecast model of underwater welding weld geometry parameters,at the same time to test the model.In addition with the prediction accuracy are compared with the curve fitting,and sensitivity analyses.

underwater wet welding；BP neural network；sensitivity

TG456.5

：A

：1001-2303（2014）02-0009-05

10.7512/j.issn.1001-2303.2014.02.02

2013-06-25

國家自然科學(xué)基金資助項(xiàng)目（51175185，50705030）

石永華（1973—），男，副教授，博士，主要從事水下焊接及自動(dòng)化的研究工作。