結合焊接機器人和變位機的增材制造方法

張 弛 ，李宏杰 ，朱彥軍 ，武 帥 ，王安紅

（1.太原科技大學，山西太原030024；2.山西省互聯網+3D打印協同創新中心，山西太原030024）

0 前言

增材制造是制造業領域正在迅速發展的一項新興技術，被稱為“具有工業革命意義的制造技術”。其主要過程是：運用計算機軟件設計立體的加工樣式，通過特定的成型設備（一般稱“3D打印機”），用液化、粉末化、絲化的固體材料自下而上逐層“打印”出產品。它是通過連續的物理層疊加，逐層增加材料來生成三維實體的技術，不同于傳統的去除材料加工方法，因此又稱添加制造[1-3]。

MOTOMAN-UP6型弧焊機器人是日本Motoman公司多關節工業機器人，它是一種6自由度的關節型機器人，由機器人本體、控制柜XRC、控制面板和電纜線等組成。焊接變位機是一種焊接輔助設備，可水平翻轉角度，通過工作臺的回轉及翻轉運動使焊縫處于最理想的焊接位置，從而顯著提高焊縫質量，減輕焊工勞動強度，尤其適合焊接各種軸類、盤類、筒體等回轉工件。在現代加工和制造過程中，焊接變位機已成為一種不可缺少的設備，其作用越來越突出[4]。

根據3D打印機的工作原理，基于焊接機器人絲質熔融成型方法[5]，設計由焊接機器人與2R旋傾變位機構成的焊接系統并應用于增材制造領域，減少了示教盒編程的繁瑣過程，且變位機的應用使得對工件加工的點定位更加準確，是快速熔覆制造的新型實現形式。

1 建立焊接成型系統

結合增材制造（3D打?。┘夹g，設計由焊機器人與2R旋傾變位機構成的焊接系統，如圖1所示。

圖1 焊接機器人與變位機焊接系統工作臺Fig.1 Welding robot and positioning machine welding system workbench

1.1 MOTOMAN-UP6型弧焊機器人

MOTOMAN-UP6型弧焊機器人是一種6自由度的關節型機器人，機器人本體有 S、L、U、R、B、T 6個可轉動的關節（軸）。其中S、R、T繞平行于紙面的軸轉動，L、U、B繞垂直于紙面的軸轉動。S（關節1）、L（關節 2）、U（關節 3）、R（關節 4）、B（關節 5）、T（關節6）關節的運動參數如表1所示。

表1 機器人參數Table 1 Robot parameter

MOTOMAN-UP6機器人主要有關節插補MOVJ、直線插補MOVL和圓弧插補MOVC三種軌跡插補方式。

MOTOMAN-UP6型弧焊機器人運用先進的運動控制，大幅提高高速運動時的軌跡精度。機器人動作范圍大、動作速度快、軌跡精度高，在高速弧焊作業時，控制效果仍較好。

1.2 2R旋傾焊接變位機

2R旋傾變位機是較常見的一種變位機，其三維實體模型如圖2所示，主要由底座支架、傾軸和卡盤3部分構成，底座支架固定不動，傾軸做傾斜旋轉運動。

圖2 旋傾變位機結構模型Fig.2 Structural model of rotary tilting positioner

2 單焊道實驗

實驗平臺為MOTOMAN-UP6型弧焊機器人、Motoweld-S350焊機、通用焊接變位機。

2.1 焊接成形的影響因素

焊道成形的影響因素很多，如保護氣體流量、噴嘴高度、焊絲直徑、焊接電流、送絲速度、焊接速度等。為了獲取較高質量的焊縫，需找出影響焊縫成形的主要因素并進行控制，以便選擇合適的焊接條件，減少不利因素對焊縫成形的不良影響[6-10]。

經過大量實驗得出，MOTOMAN-UP6型弧焊機器人的送絲速度與電流有關。選用直徑1.2mm的藥芯焊絲，氣體流量15 L/min，噴嘴高度12mm，焊接電壓為100%電壓。最終確定焊接電流和焊接速度為影響焊道成形尺寸的主要因素。

2.2 實驗記錄

根據焊接電流和焊接速度，共設計采集25組數據。焊接電流為110 A、125 A、140 A、155 A、170 A五組，焊接速度為 40 cm/min、50 cm/min、60 cm/min、70 cm/min、80 cm/min五組，組合成25組。

3 焊接參數的MATLAB仿真

3.1 影響因子與焊道成形的關系

對25組數據進行MATLAB分析，得出焊接電流I和焊接速度v與焊道形狀的幾何關系，分別如圖3、圖4所示。

3.1.1 焊接電流與焊道高度、寬度的關系

由圖3可知，焊接電流與熔寬、余高幾乎都呈線性關系，焊接電流增大，焊道寬度增加，高度增加。

3.1.2 焊接速度與焊道高度、寬度的關系

由圖4可知，焊接速度與熔寬、余高幾乎都呈線性關系，焊接速度增大，焊道寬度減小，高度減小。

圖3 焊接電流與熔寬和余高的關系Fig.3 Welding current and the relationship between the width and residual height

圖4 焊接速度與熔寬和余高的關系Fig.4 Welding speed and the relationship between the width and residual height

3.2 BP神經網絡預測焊接參數

3.2.1 BP網絡的建立

神經網絡采用兩輸入兩輸出模式，輸入層為焊接電流、焊接速度，輸出層為焊道寬度、余高，神經網絡模型結構如圖5所示。確定BP網絡結構后，利用輸入輸出樣本集對其進行訓練，即學習和調整網絡的權值和閾值，使網絡實現給定的輸入輸出映射關系。

圖5 神經網絡模型結構Fig.5 Structure of neural network model

程序運行平臺為Matlab2015，BP訓練結果如圖6所示。圖6a為訓練均方差收斂曲線，模型的訓練誤差在經過一定步數后達到0.001 2。圖6b為訓練樣本輸出數據線性回歸結果，線性相關系數R為0.997 79，模型擬合效果顯著，模型準確度較高。

3.2.2 BP網絡預測模型

以25組數據中前20組數據為訓練樣本，采用BP神經網絡預測后5組數據，結果如表2所示。

由表2可知，數據誤差在合理范圍內，該預測模型可行，并正確預測后面實驗的參數。

4 實驗

4.1 焊接工藝參數

變位機檔位選取5檔，轉動周期15 s，線速度75 cm/min。在此基礎上經試驗得出，焊接電流130 A的情況下，焊接成形效果好。

通過BP算法預測在電流130A、速度75cm/min情況下的熔寬和余高分別為4.64mm、1.84mm，用數字游標卡尺測得實際值分別為4.52mm、1.80mm，誤差很小，進一步驗證了該模型的可靠性。

圖6 BP訓練結果Fig.6 BP training results

表2 焊道尺寸實際值與預測值Table 2 Actual value and prediction value of bead size

4.2 實驗結果與對比

在增材制造過程中，隨著層的增加會出現塌陷，因此選取每隔5層電流降低10 A以減小變形。1～5層電流為 130 A，6～10 層電流為 120 A，11～15 層電流為110 A的15層理論數據。成型對比如圖7所示。

5 結論

通過單焊道實驗，分析焊接電流和焊接速度對熔寬和余高的影響，建立焊道成形的BP神經網絡預測模型并驗證其合理性。在單焊道實驗的基礎上進行兩種方法的增材制造實驗，得出結合變位機方式的成形效果更好，在增材領域具有重要意義。

圖7 實驗成型對比Fig.7 Comparison of experimental molding

參考文獻：

[1]盧秉恒，李滌塵.增材制造（3D打?。┘夹g發展[J].機械制造與自動化，2013，42（2）：1-4.

[2]黃衛東.材料3D打印技術的研究進展[J].新型工業化，2016（3）：54-55.

[3]黃衛東.如何理性看待增材制造（3D打?。┘夹g[J].新材料產業，2013（8）：9-10.

[4]康艷軍.弧焊機器人運動學規劃及機器人/變位機的運動仿真[D].江蘇：河海大學，2005：20-21.

[5]耿海濱，熊江濤，黃丹，等.絲材電弧增材制造技術研究現狀與趨勢[J].焊接，2015（11）：18-19.

[6]杜乃成.弧焊機器人金屬快速成形研究[D].天津：天津大學，2009：68-70.

[7]柏久陽，王計輝，林三寶，等.鋁合金電弧增材制造焊道寬度尺寸預測[J].焊接學報，2015（9）：35-36.

[8]張光云.TIG熔焊成型中焊縫幾何尺寸的建模與控制[D].江西：南昌大學，2008：25-26.

[9]于秀萍，孫華，趙希人，等.基于人工神經網絡的焊縫寬度預測[J].焊接學報，2005（5）：17-20.

[10]張建勛，王軍，裴怡，等.CO2氣保焊焊縫形狀的神經網絡預測模型[J].焊接技術，2002（3）：11-12.