智能手工焊焊接技术开发研究外文翻译资料

 2021-10-26 12:10

英语原文共 13 页

摘要:本研究开发了一套智能焊接工艺评定系统。本系统采用GBT25343.3-2010焊接标准,对Q345R的焊接工艺进行了智能化设计。通过设定焊接方法、 母材、厚度等焊接初始参数,经过推理机四步推理,即可输出焊接过程结果,同时,可以通过人工神经网络(ANN)将这些初始焊接过程参数作为输入值去预测焊接过程的力学性能,完成焊接的质量评定。由于在神经网络中使用了双曲正切函数(tanh),它在处理非线性问题和控制预测误差精度方面会表现得很好,将输出的力学性能数值与实验结果进行比较,可以合理判断焊接工艺规范的合格性。因此,将人工神经网络引入专家系统,对焊接过程进行控制设计。此外, 它们之间建立了互利的关系,人工神经网络为解决专家系统的经验知识类问题提供了一种新的方法;专家系统具有强大的知识库和动态数据库,为人工神经网络提供了大量的训练样本。

关键词:焊接工艺设计、专家系统、人工神经网络、GBT25343 3-2010焊接标准、机械性能预测、焊接

1.介绍

焊接是现代工业生产制造过程中的一项重要技术,已广泛应用于汽车、石油、船舶等工业领域。焊接工艺评定报告(WPQR)和焊接工艺规范(WPS)是目前焊接质量的重要特征。在大多数情况下,它们已被确定为控制焊接质量的法定文件。焊接质量的评定与许多焊接参数有关,因此必须正确、有效地设计焊接工艺,才能获得良好的焊缝质量。在考虑经济因素的情况下,焊接工艺评定也必须以最低成本设计,重复性高。显然,焊接工艺评定是保证焊接质量的重要措施,具有十分重要的意义。因此,为了为保证焊接工艺质量的合理性,各国和各大公司都制定了相应的规范焊接标准,包括AWS, ASME在和NB / T47014[1]

WPQR文件将在焊接工艺鉴定结束时按照焊接标准制作。总的来说, WPQR主要由两部分组成。其中一项是焊接工艺设计的结果,另一项是记录包括机械性能在内的焊接工艺评定的试验结果。焊接生产按焊接工艺进行,焊接工艺评定试验验证焊接工艺质量。

在焊接工艺方面,专家系统在焊接领域得到了广泛的应用和推广, 取得了很大的成功。1994年, 美国爱迪生焊接研究所(EWI)创建了网站http://ww.ewi.org,即美国爱迪生焊接学会焊接第一网络资源站点。显然,这是网络应用[2]焊接技术的先驱。焊接技术网络使得不同地区的焊接工程师可以方便地共享知识,加速知识的传播。遗憾的是,没有关于其推理引擎的详细报告。2000年,英国剑桥焊接研究所(TWI)、C~Spec、UK、 Pleasant Hill and Calf共同开发了一个新的焊接过程认证系统版本,本系统基于ASME IX标准设计,采用Microsoft Windows作为开发平台[2,3]。由于焊接标准的焊接专家系统的出现,让焊接工程师智能地选择更多的定量的实验知识而不是定性的经验知识提供了更好的途径。同时,极大地促进了焊接专家系统向高精度发展。2010年,C~Spec Group开发了WeldOffice @ 2010软件,用于编制焊接程序、焊接程序资质报告等规范技术文件[4]。总的来说,这些成果进一步提高了编制焊接工艺规范文件的效率和准确性。

为了成功地预测焊缝的力学性能,还需要使用人工智能的另-个重要分支——人工神经网络(ANN)。大量关于人工神经网络预测力学性能的研究文献表明,人工神经网络很好地解决了这类问题,技术也越来越成熟[5-7]。有很多文献研究如何充分利用不同焊接方法的数据,Carrino等人最关注的是如何提高GMAW的生产率,他们建立了一个基于多元回归分析的数学模型,并评估了神经模糊方法与数学方法[8]的有效性;Meco等人对MIG/MAG焊接过程中焊缝形状进行预测,寻找最佳拟合神经网络,并对其神经网络进行不同神经元个数、多层不同网络、不同结构[9]的焊接数据库的训练;Peilin等人开发了一种估算埋弧焊热源的方法, 结果表明,该神经网络也可以用来预测所有可能的过程与热源参数[10]之间的关系。

综上所述,焊接专家系统能够完成各种焊接工艺设计和焊接工艺鉴定。然而, 它仍然不能预测焊缝的力学性能。如前所述,焊接工艺和焊缝力学性能对焊接质量的影响是不可分割的,两者的分离是不合理的。因此,开发一个系统是势在必行的,使传统的焊接工艺质量文件管理向智能化管理升级。该智能系统能够完成专家系统设计的焊接工艺任务,并根据积累的焊接工艺鉴定数据预测焊缝的力学性能。

为了完成智能焊接工艺鉴定系统,必须将专家系统与人工神经网络相结合。同时,系统需要满足以下两个基本要求:

1.效率:效率意味着专家系统必须尽可能短的时间来解决这些高度复杂的非线性问题。

2.准确度:准确度表示专家系统必须保证无重复、无遗漏,并及时更新。

Veera等人利用基于人工神经网络(11]的专家系统对拼焊板(TWB)成形进行了研究。在这种情况下,以TWB厚度比、强度比和焊接条件为主要参数,得到了满意的预测结果。他们对基于人工神经网络的专家系统进行了研究,发现该系统能够较好地生成TWB产品。Susanta等人对应变硬化指数n和强度系数K[12]的预测进行了研究。他们提出基于实验的专家系统/人工神经网络预测优于基于正交阵经验模型的人工神经网络预测。Mark等人关注焊接产品[13]的生产时间。结果表明,该专家系统与人工神经网络相结合,可以显著减少确定标准流程时间的时间投入。基于人工神经网络的专家系统也可以应用于焊接控制系统领域,这里没有说明[14-16]。然而,这些与人工神经网络相结合的专家系统仍然偏向于对机械性能的预测;它们难以完成设计的焊接工艺任务。结合力学性能输出结果的焊接艺设计专家系统相关的文献很少。

因此,本研究采用专家系统与人工神经网络相结合的方法,建立了一套智能焊接工艺鉴定系统。选择铁路车辆标准GBT25343 3-2010作为专家系统的基本推理规则。该专家系统采用正演推理和基于案例的推理方法,对一种金属保护弧焊工艺的焊接工艺参数进行了预测。在此基础上,利用所建立的神经网络模型对Q345R碳钢焊接后的力学性能进行了预测。最后, 讨论了神经网络模型的误差。

2.系统结构

本文设计的智能焊接工艺鉴定系统由三个子系统组成,如图1所示。第一个子系统是焊接工艺设计专家系统,该系统可以根据焊接工艺参数作为初始输入值来设计焊接工艺参数。第二个子系统是焊接工艺文件管理系统,该系统对焊接工艺文件和焊接工艺文件进行管理。焊接工艺文件管理系统采用WPS和WPQR文件将焊接工艺设计专家系统与人工神经网络预测系统连接起来。最后一个子系统是人工神经网络预测系统,该系统可以预测焊缝的力学性能,帮助生成合格的WPQR文件。

3.焊接工艺设计专家系统

3.1专家系统推理过程

专家系统的“推理引擎”是基于知识库和动态数据库的,因此,焊接知识和规则必须被挖掘和存储。这些知识是从焊接标准、文献和焊接工程师的经验中挖掘出来的。假设知识库中已经收集了大量为Q345R SMAW编辑的焊接工艺规范,代码分别为WPS-Q345R-001、WPS Q345R-002、WPS-Q345R-003、WPS-Q345R-004,知识库中存储了基于焊接标准GBT 25343-2010的焊接坡口设计主要规则(见表1)。

由于焊接工艺设计过程的复杂性,通常将焊接工艺划分为几个步骤。推理过程如图2所示。在本工作中,设置了四个步骤进行焊接工艺设计。

1.初始条件设置:初始条件包含系统在第一次运行时需要的参数,包括母材、焊接方法、焊接位置、焊接接头形式、母材厚度等。

2.基于案例的推理:这一步通常被确定为必要性判断。在此步骤中,专家系统将在动态数据库中搜索焊接工艺文件,以匹配初始条件。如果母材是Q345R, 我们可以得到四个WPS文件,分别是WPS-Q345R-001, WPS-Q345R-002, WPS-Q345R-003,WPS-Q345R-004。如果用户对这些案例不满意,可以重新设计焊接过程,重新设计的焊接过程也会存储到动态数据库中。

3.中间推理:中间推理过程在焊接工艺设计中占有重要地位。推理结果的正确性依赖于严格的推理规则和充分的初始条件。同样,以Q345R焊接接头坡口形式设计为例,当焊接厚度为8mm时,选择焊接方法为SMAW;根据表1中的推理规则,我们可以设计出表1中顺序为2或3的坡口形式。此外,由于厚度的关系,我们已经知道,表1中的其他参数如角度、间隙、钝边厚度等也可以确定。从以上分析可知,在这一步中,知识库和动态数据库中存储的推理规则越多,就可以启动越精确的推理。然而,推理规则的获取对焊接工程师来说是一个挑战,因为推理规则一般分布在不同的知识领域,必须从焊接标准、文献和焊接工程师的经验中挖掘。经过中间推理,得到的结果参数包括坡口图形参数、焊接材料、材料规格、接头间隙等参数。就像基于案例的推理一 样,用户可以干预结果,比如选择合适的线材、要求线材或修改线材直径推荐值等。

4.最终推理:根据初始条件、基于案例推理和中间推理,设计最终焊接参数。这一步将产生一个焊接工艺规范,包括五个部分:初始条件,焊接材料,焊接接头,预热和热处理,工艺参数。

在整个焊接工艺设计程序的最后,最终的推理结果(焊接工艺规范)将被保存到数据库和知识库中。

如果物理系统发生变化,有两种情况可以使用四步推理过程。在没有新物理系统数据的情况下,系统只能为物理系统构建一个数据库,基于新数据库的基于案例的推理可以发挥其作用。在另一种情况下,已经有了一些关于物理系统的数据,则可以完整地进行四步推理过程。

传统的力学性能检验依赖于大量的焊接工艺试验。

因此,把人工神经网络引入到系统中,将改变传统的做法,形成一个独特的焊接工艺设计专家系统。焊接工艺评定试验前导入力学性能预测过程,如果预测失败,则直接重新设计焊接工艺规程,无需进行焊接工艺鉴定试验,从而减少焊接工艺试验次数。

3.2 ANN预测模型理论

ANN模式由三部分组成:输入层、隐含层和输出层(如图3所示),输入层的每个神经元对应于输入参数,包括焊接速度、焊接电流、焊接电压和预热温度。然而, 每个神经网络模型只能输出一个力学性能,因此输出层只能输出一个性能结果对应的输入神经元。隐含层通过传递函数将输入层和输出层连接起来, 能够很好地预测复杂的非线性问题。

在前人研究的基础上,神经网络已经积累了许多通用的传递函数,如线性函数(purelin)、s形函数(sigmoid)和双曲正切函数(tanh)。选取双曲正切函数作为隐含层与输入层之间的传递函数,由于双曲正切函数具有较强的非线性特性,其表达式为[17]:

其中hi代表第i个隐含层神经元的输出,Wij代表第j输入层神经元对应的第i个隐含层的重量、Xj代表第j输出层神经元的输入值和theta;j表示第j输入层神经元偏差。

由于输入层和隐含层选择非线性能力的双曲正切函数,为了防止出现过拟合问题,隐含层和输出层传递函数为线性函数- purelin, 表达式如下:

其中y代表输出值,Wi代表第i个隐层神经元权重,theta;i代表第i个隐含层和输出层神经元之间的偏差值,重量w和偏差theta;是计算最小误差函数。

反向传播(BP)已成为近年来[1]的标准学习算法。其基本思想是信号正向传播和误差反向传播是学习过程的两个组成部分。误差函数的选取是学习算法的一个重要方面。经典误差函数如下:

其中tj为目标值,yj为输出值。

为了避免模型训练过程中出现过拟合,需要对误差函数进行如下改进:

其中ɑ和beta;是由模型的复杂性决定。ED是如Ep的预测误差,EW是调整误差

基于该BP算法,建立了Q345R SMAW的神经网络预测模型。将焊接电流、焊接电压、焊接速度、预热温度等参数设置为输入值,通过对模型的训练得到输出值(拉伸强度、屈服强度、延伸率)。

4模型预测

4.1数据库构建

该神经网络需要大量的输入和输出数据来保证期望的误差预测,通过使用数据库管理大量数据。将专家系统和人工神经网络相结合,得到输入/输出对的数据集有两种方法: (1)存储在专家系统动态数据库中的焊接过程数据:(2)从焊接过程测试中得到数据的另一部分。

确定了Q345R材料和焊接方法,自然产生了大量的输入数据。包括焊接参数在内的输入数据,这将在后面讨论。在“加工参数≧性能”相关性中,选择Q345R的力学性能作为输出。图4所示的训练模型如下。

4.1.1焊接参数(输入)

输入数据的设置有两个技巧:(1)采用常规焊接参数;(2)科学选择数据,在输入空间的离散分布,降低建模的不确定性。

在焊接电流方面,焊接电流的7种选择分别为160、170、 180、 190、 200、 210和220 A,选取20、 22、24、26 V四种焊接电压,同时考虑焊接速度的影响,考察了两种焊接速度,即快速焊接- 14 cm/min和慢速焊接- 10 cm/min。 预热温度数据集分别包含室温、60°C、 100C、 150°C、 200°C、 250°C和300C。 这些数据如图5所示。

4.1.2机械性能(输出)

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。