基于人工神经网络的Q235焊缝强韧性预测

乌日根，维力斯，王玉荣

(1.包头职业技术学院，内蒙古 包头 014030；2.西安电子科技大学，西安710126)

0 前言

焊接作为一种金属连接技术已广泛应用于压力容器、发电设备、核设施、车辆工程、矿山工程机械等现代工业生产领域。随着焊接结构日益向大型化、轻量化及高参数化方向发展,对焊缝的强韧性指标要求越来越严苛，以期提高焊接结构的使用安全与寿命。影响焊缝强韧性的因素较多，除母材和焊接材料外，与焊接电流、电弧电压及焊接速度等主要焊接工艺参数有关，但焊接工艺参数与焊缝强韧性之间属于非线性关系，无法采用传统数学方法确定其因果关系。近年来，通过误差反向传播神经网络(BP神经网络)、径向基神经网络(RBF神经网络)、反馈型神经网络(Elman神经网络)等人工神经网络解决焊接相关非线性问题的研究较多，且效果较为显著。例如，陈书翔等人[1]利用BP神经网络建立的激光熔覆关键工艺参数与熔覆层截面形貌的预测模型较好地对熔覆层形貌进行预测；吕小青等人[2]将BP神经网络、RBF神经网络和克里金模型组合为组合模型，预测焊缝余高、接头抗拉强度和冲击吸收能量后发现组合模型较独立模型更有利于提升预测精度和稳定性；何帅等人[3]建立反馈Elman神经网络模型,以电弧长度、焊接电流、焊接速度、送丝速度和保护气体流量为输入量,堆焊焊缝的熔宽、熔高和稀释率为输出量进行堆焊仿真计算，预测模型具备一定的可行性与可靠性。但基于人工神经网络预测焊缝强韧性的文献报道相对较少。

通过MATLAB工具箱(NNET Toolbox)分别建立BP神经网络、RBF神经网络和Elman神经网络3种预测模型，深入研究焊接电流、焊接速度等主要焊接工艺参数与焊缝强韧性之间的非线性问题，比较分析3种网络模型的预测精度，探索焊接工艺参数对焊缝强韧性的影响规律和趋势。

1 试验方法

按照正交试验L9(34)因素水平表要求，制备9组焊接试板，材质为Q235钢，尺寸为250 mm×100 mm×12 mm，加工V形50°坡口，钝边留1 mm。焊丝选用H08Mn2SiA，保护气体为80%CO2+20%Ar。

为提高样本数据的准确性，采用TA-1400型松下弧焊机器人系统实现焊接工艺参数的准确设置和实施，其焊接电源为松下YD-350GL3，每组试板的焊接均采用三层单道摆动焊接工艺。

以填充层为例，在机器人示教程序中将焊接工艺参数值按照正交试验L9(34)因素水平表设置(表1)，以期提高样本数据的代表性。

表1 焊接工艺参数的正交因素水平表L9(34)

采用射线检测设备HS-XY-320,对焊缝进行X射线检测，以避免将裂纹、气孔、未熔合等焊接缺陷带入拉伸和冲击试样中，影响焊缝强韧性指标。

依据国家标准GB/T228.1—2010《金属材料拉伸试验第一部分：室温试验方法》和GB/T229—2007《金属材料夏比摆锤冲击试验方法》对9组焊缝试样进行室温(18 ℃)拉伸试验和低温(-30 ℃)冲击试验。拉力试验机型号为WEW-1000B，冲击试验机型号为JB-30B。从每一组焊接试样中拉伸试验取2块、冲击试验取3块，试验结果为其平均值。

2 样本集及归一化处理

经过拉伸试验和低温冲击试验，共获得9组试验数据，其中训练样本取7组，用于神经网络的训练，其余2组样本作为验证样本，用于验证神经网络的预测精度和泛化能力。

考虑样本数据中各输入参数的单位不同，且大小相差较大，为使输入参数具有同等地位，防止神经元输出过饱和而影响预测效果，对输入参数焊接电流和电弧电压进行归一化处理，使全部输入参数值处于(0,1)范围。RBF和Elman 网络输出层采用线性输出，对输出值无要求，但BP网络输出层的传输函数logsig则限制输出值在(0,1)范围内，故对输出参数也均进行了归一化处理，以便比较3种神经网络的预测精度，见表2。

表2 样本数据与归一化

3 网络模型建立与训练

3.1 BP神经网络

BP神经网络为一种前馈误差反向传播的全局逼近网络，由输入层、隐含层和输出层组成，信息从输入层流向输出层。3层BP网络的输入层神经元数和输入参数依据焊接工艺参数及焊缝强韧性进行设置。具体如下：输入层神经元数为3个，输入参数分别为焊接电流、电弧电压和焊接速度；输出层神经元数为2个，输出参数分别为焊缝的抗拉强度和冲击吸收能量。

隐含层神经元数需适量，太多导致学习时间过长，太少则网络容错性差。故参照经验公式(1)进行尝试性训练，根据网络训练效果和预测误差将隐含层神经元数确定为10个。

(1)

式中：n为隐含层神经元数；ni为输入层神经元数，no为输出层神经元数；a为1～10之间的常数。

BP网络的拓扑结构为3×10×2结构，如图1所示。利用Matlab工具箱函数newff创建BP网络，隐含层和输出层均采用S(sigmoid)型传输函数logsig。网络采用学习率可变的动量BP算法的训练函数traingdx，网络在训练过程中对所有权值和阈值进行修正。训练参数设置如下：学习误差为0.000 1，学习速率为0.02，学习率增量因子和减量因子分别取默认值0.7和1.04，动量因子为0.5，最大迭代计算次数为5×104次。

图1 BP神经网络结构

神经网络训练性能曲线如图2所示。采用训练样本集对BP网络进行学习训练。网络经过276次迭代计算后收敛，网络训练误差曲线如图2a所示。

3.2 RBF神经网络

RBF神经网络为一种前馈反向传播的局部逼近网络，其隐含层为径向基层，输出层为线性层，只对少量权值和阈值进行修正，具有训练速度快的特点。利用Matlab工具箱函数newrb创建RBF神经网络模型，隐含层传输函数为径向基函数radbas，输出层传输函数为线性函数purelin。输入层和输出层神经元数及其参数均与BP网络相同，而隐含层神经元数随网络训练自动从零开始逐渐增加，故无需训练前设置其个数。

考虑扩展系数spread值对RBF网络泛化能力的影响较大，设置网络训练参数时将spread值从1～10之间尝试性训练后确定为2.4，使网络预测能力和泛化能力达到相对最强。网络经过6次迭代计算后完成收敛，如图2b所示。

图2 神经网络训练性能曲线

3.3 Elman神经网络

Elman神经网络为一种反馈型动态神经网络，网络结构包括输入层、隐含层、承接层和输出层，即在传统BP神经网络结构基础上增加了承接层，实现从输出到输入的反馈连接。

利用Matlab工具箱函数newelm创建Elman神经网络模型，隐含层(承接层)传输函数为双曲正切S形函数tansig,输出层传输函数为线性函数purelin，隐含层神经元数为25个，输入层和输出层神经元数及其参数值均与BP和RBF网络相同。Elman网络以traingdx为训练函数，其学习误差等各参数设置与BP神经网络相同。网络经过882次迭代计算后完成收敛，如图2c所示。BP，RBF和Elman网络所调用的Matlab工具箱函数见表3。

表3 神经网络调用函数

4 结果及分析

4.1 网络预测结果

将BP，RBF及Elman神经网络预测的结果经过反归一化处理后列于表4。在3种神经网络预测中，最大相对误差为14.97%，最小为0.12%。可见3种神经网络均能够反映主要焊接工艺参数与焊缝强韧性之间的非线性映射关系，可以用于焊缝强韧性预测研究与实践，但各网络的预测精度存在一定差异。

表4 神经网络预测结果

BP神经网络对焊缝抗拉强度的预测精度较高，平均误差5.90%，而对冲击韧性的预测误差分别为2.69%和14.97%，最大误差已接近15%，BP网络的稳定性不高，预测效果欠佳；RBF神经网络平均相对误差分别为4.65%和9.51%，相对误差最小为4.09%，最大为10.61%，已达到了10%，RBF神经网络的稳定性较好，但预测误差普遍较大；Elman网络的平均相对误差分别为1.72%和4.99%，相对误差最小为0.12%，最大为5.61%，Elman网络预测误差较小，预测效果较佳。3种网络对焊缝抗拉强度的预测精度相对高于对冲击韧性的预测，分别为5.90%，4.65%和1.72%。这与焊缝的抗拉强度受焊接热输入影响较其冲击韧性小[4]，样本数据相对分散度低、代表性更好有关。

综上所述，BP，RBF及Elman神经网络的平均相对误差均低于10%，可以用于焊缝强韧性预测，其中Elman网络相对最稳定，预测精度相对最高，综合预测效果最佳，如图3所示。这是由于Elman网络具有动态学习特征，实现从输出到输入的反馈连接，相比于前馈网络BP和RBF网络在时域和空域进行模式识别更有优势[5-6]。

图3 神经网络预测效果

4.2 焊缝强韧性趋势预测

为了进一步考察焊接电流、电弧电压及焊接速度对焊缝强韧性的影响趋势，选择已训练好，且预测效果相对最好的Elman网络模型对焊缝抗拉强度和冲击韧性进行趋势性预测。

网络输入参数取得方法如下：3个输入参数各设11组，即焊接电流140～160 A，步长为2 A，电弧电压17～18 V，步长为1 V，焊接速度取0.25～0.35 m/min，步长为0.01 m/min。输入参数经过归一化处理后输入网络，输出结果如图4所示。因主要考察影响趋势，故对网络输出值未做反归一化处理。

由图4可见，当焊接电流、电弧电压及焊接速度均较低时曲线波动较小，对焊缝抗拉强度和冲击韧性影响不显著。当焊接参数值继续增加时，焊缝的抗拉强度下降而冲击韧性却呈现上升趋势。这是由于焊接参数值的增加，使焊接热输入总体呈现上升趋势，导致熔池体积变大且冷却速度减缓，合金元素烧损加剧，焊缝金属的淬硬倾向降低所致，但没有焊缝过热而降低韧性[7-8]。可见Elman网络对焊缝抗拉强度和冲击韧性进行趋势性预测较为有效，能够反映焊缝强韧性实际变化规律和趋势。

图4 Elman神经网络预测结果

5 结论

(1)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。

(2)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。

(3)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。