水下湿法FCAW焊缝几何尺寸的BP神经网络预测

石永华，林水强

（华南理工大学机械工程学院，广东 广州510640）

水下湿法FCAW焊缝几何尺寸的BP神经网络预测

石永华，林水强

（华南理工大学机械工程学院，广东 广州510640）

水下焊接焊缝几何尺寸的准确预测是水下焊接质量研究的基础。由于环境恶劣，水下焊接往往达不到满意的焊接质量，因此要进行水下焊接质量研究，而对水下焊接焊缝几何尺寸的预测是必不可少的。基于神经网络BP建立了水下焊接焊缝几何尺寸的预测模型，也对该模型进行检验；此外还与回归拟合方法进行预测准确性的比较；同时进行了敏感度分析。

水下焊接；神经网络BP；敏感度

0 前言

水下湿法焊接的焊缝几何尺寸对于水下焊接结构的力学性能有很大的影响，预测湿法焊接焊缝几何尺寸可以指导水下焊接工艺参数的制定。但是，与陆上焊接相比，水下焊接过程涉及更为复杂的物理化学变化，焊接工艺参数、水的传热特性以及焊接过程中气泡的产生与破裂、水的扰动等，都造成了水下湿法焊接过程的特殊性。这种特殊性影响焊接电弧的稳定性[1]，因而焊缝几何尺寸也会随之出现复杂性的变化。

对于复杂的非线性焊接系统，常用的焊接过程建模难以达到满意的效果。如采用非线性拟合方法得到的公式，模型适应范围窄，外界的变动常常使所建立的模型产生较大误差。而人工神经网络有很强的自学习、自适应和自组织能力，且具有简单易用和黑箱控制的特点，能很好地处理非线性的焊接过程数据[2]。目前，虽然对于焊缝几何参数预测已进行了一些研究[3]，但国内外对水下湿法焊缝几何参数预测研究还未见报道。因此，建立水下湿法FCAW焊接焊缝几何参数预测的人工神经网络模型，可提高水下焊缝几何参数预测的准确性，对水下湿法焊接工艺的制定具有重要的指导作用。

1 水下湿法药芯焊丝焊接试验

水下湿法药芯焊丝焊接（FCAW）试验在压力舱内进行，水下焊接前向压力舱内注入水，然后向舱内加注高压气体来模拟不同的水深（每0.1MPa压力相当于10 m水深）。

对水下焊接焊缝几何参数的BP神经网络预测试验主要考虑五个因素：电压U、电流I、焊接速度v、CWTD和水深H。表征焊缝几何尺寸的参数是熔宽、熔深和余高。选用五因素四水平正交试验表L16（45）设计实验方案，试验参数及测量结果见表1。此外还进行了额加的7组试验用于检验模型，见表2。

2 BP神经网络的设计

BP神经网络是一种基于误差反传的多层前馈网络，各神经元接受前一层的输入，并输出给下一层，没有层内联接、隔层联接和反馈联接[4]。

分别用三个神经网络模型来预测熔宽w、熔深d和余高h，焊缝预测的BP模型可以设计为一个五节点输入层，一节点输出，隐层节点数取10，取2个隐层[5]。所建立的BP模型如图1所示。

通过建立的BP网络模型，可做出训练和检验样本的实际值与预测值的比较图，如图2～图4所示。可见，在训练样本中，预测值都与真实值一致；而在检验样本中，预测值与真实值的误差在一定范围之内，说明所建立的BP神经网络模型是比较准确的。

3 神经网络与回归分析的对比

利用回归分析法建立熔宽w、熔深d和余高h与焊接电流I、电弧电压U、焊接速度v、CWTD（D）、水深H之间的数学公式。根据表1的正交试验数据并开发Matlab回归分析程序，可建立以下的经验公式

把所有样本代入式（1）中可得出相应的熔宽，与BP神经网络预测的熔宽相比较（见图5），可见在训练阶段BP神经网络预测值几乎与实际值重合；而曲线拟合得到的熔宽预测值与实际值偏离较大。在检验阶段，BP神经网络预测值也与实际值走向相同，误差控制在8%范围；而曲线拟合得到的熔宽不稳定，最大误差超过12%。从离散的程度来看，可采用方差分析中的方差和神经网络BP得到的方差和为1.635 3；而曲线拟合的方差和为10.316 9，说明神经网络BP的离散程度较小。

同样，由图6可见，在训练阶段BP神经网络预测值也与实际值重合；而曲线拟合的熔深预测值与实际值偏离较大。在检验阶段，BP神经网络预测值与实际值趋势相似，误差控制在16%以内；而曲线拟合的熔深预测值的最大误差达到28.3%。从离散的程度来看，BP神经网络得到的方差和为0.689 6；而曲线拟合的方差和为3.4012，说明BP神经网络的离散程度较小。

由图7可知，在训练阶段，BP神经网络预测值也与实际值重合；而曲线拟合的余高预测值与实际值偏差较大。在检验阶段，BP神经网络预测值与曲线拟合预测值都有一定的偏差。但整体来看，BP神经网络对余高的预测曲线更贴近实际余高的曲线。从离散的程度来看，BP神经网络得到的方差和为0.833 6；而曲线拟合的方差和为2.3326，也说明了BP神经网络的离散程度较小。

4 焊缝尺寸影响因素的敏感性分析

所谓参数敏感性分析，就是先设定一系统，其系统特性为F=f（x1，x2，…，xn）（xi为参数），给定某一基准状态X'=（x1'，x2'，…，xn'），其系统特性为F'=f（X'），令各参数在可能的范围内移动，分析参数的变化对F的影响程度。绘制Δxi/xi'-F/F'（i=1，2，…，n）曲线，曲线斜率的定义为敏感度系数，而敏感度系数是反映各参数对系统特性的影响程度[6]。

在焊缝预测中，熔宽、熔深、余高是焊缝的主要参数，因此分别将其作为系统特性，而其影响参数为电压、电流、速度、CTWD和水深。设置焊接稳定的参数为基准状态，即电流I=310 A，电压U=30 V，速度v=10 mm/s，CTWD=20 mm和水深H=20 m。电流280～340A，电压28～32V，焊接速度6～12mm/s，CTWD为18～24 mm，水深0.1～60 m。在其他参数不变、只变动一个参数的条件下，从BP神经网络获得的进而根据这些数据可绘制Δxi/xi'-F/F'（i=1，2，…，n）曲线[F分别代表熔宽w，熔深d和余高h，而xi分别代表电流I，电压U，速度v，导电嘴CTWD和水深H]，如图8所示。

图8a是电流的ΔIi/Ii'-F/F'曲线，从斜率大小可知电流对熔宽、熔深和余高的敏感度。红色曲线斜率绝对最大，即电流对熔深的影响力最大，其次是熔宽，而对余高影响最小。图8b是电压的ΔUi/Ui'-F/F'曲线，蓝色曲线斜率绝对最大，即电压对余高的影响力最大，其次是熔深，而对熔宽影响最小。图8c是焊接速度的Δvi/vi'-F/F'曲线，黑色曲线斜率绝对最大，即速度对熔宽的影响力最大，其次是熔深，而对余高影响最小。图8d是CTWD的ΔDi/Di'-F/F'曲线，黑色曲线斜率绝对最大，即对熔深的影响力最大，其次是熔深，对余高影响最小。图8e是水深ΔHi/Hi'-F/F'曲线，红色曲线斜率绝对最大，即速度对熔宽的影响力最大，其次是余高，而对熔宽影响最小。

通过图8的曲线斜率计算出电流敏感度Si、电压敏感度Su、速度敏感度Sv、CTWD敏感度SD和水深敏感度SH，如图9～图11所示。

由图9可知，对于熔宽的影响，电流的敏感度最大，其次是焊接电压和速度对熔宽的影响较小，而水深对熔宽的最小。由图10可知，对于熔深的影响，电流的敏感度最大，其次是电压，接着是CTWD，再者是速度，而水深对熔深的影响也是最小。由图11可知，对于余高的影响，电压的敏感度最大，其次是电流，而CTWD、速度和水深对熔深的影响都很小。

5 结论

研究了基于BP神经网络的水下湿法FCAW的焊缝几何尺寸预测数学模型：

（1）用BP神经网络建立了熔宽、熔深和余高的模型，并对预测模型进行了检验和误差分析。通过与曲线拟合方法得到的熔宽、熔深和余高预测值进行比较，表明BP神经网络模型对水下湿法FCAW焊缝几何尺寸的预测更为准确，误差更小。

（2）进行了五个焊接工艺参数对焊缝几何参数的敏感度分析，分析了各因素对熔宽、熔深和余高的影响，以及随着这些因素的变化，熔宽、熔深和余高的变化趋势，结果表明电流对熔宽和熔深的敏感性最大，电压对余高的敏感性最大。

[1] 石永华，郑泽培，黄 晋.水下湿法药芯焊丝焊接电弧稳定性研究[J].焊接学报，2012，33（10）：49-53.

[2] 李晓峰，徐玖平.BP人工神经网络自适应学习算法的建立及其应用[J].系统工程理论与实践，2004（5）：1-8.

[3] 于秀萍，孙 华，赵希人，等.基于人工神经网络的焊缝宽度预测[J].焊接学报，2005，26（5）：17-19.

[4] 裴浩东，樊 丁.人工神经网络及其在焊接中的应用[J].甘肃工业大学学报，1996，22（1）：1-5.

[5] 余圣甫，李志远，王福德，等.基于人工神经网络的药芯焊丝焊接工艺研究[J].华中理工大学，2000，28（4）：1-3.

[6] 夏元友，熊海丰.边坡稳定性影响因素敏感性人工神经网络分析[J].岩石力学与工程学，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

国家自然科学基金资助项目（51175185，50705030）

石永华（1973—），男，副教授，博士，主要从事水下焊接及自动化的研究工作。