CN102999676A - 一种钢/铝激光熔钎焊的工艺优化方法 - Google Patents
一种钢/铝激光熔钎焊的工艺优化方法 Download PDFInfo
- Publication number
- CN102999676A CN102999676A CN2012105650666A CN201210565066A CN102999676A CN 102999676 A CN102999676 A CN 102999676A CN 2012105650666 A CN2012105650666 A CN 2012105650666A CN 201210565066 A CN201210565066 A CN 201210565066A CN 102999676 A CN102999676 A CN 102999676A
- Authority
- CN
- China
- Prior art keywords
- steel
- optimization method
- laser welding
- soldering
- aluminium
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Laser Beam Processing (AREA)
Abstract
本发明公开了一种钢/铝激光熔钎焊的工艺优化方法,采用有限元分析软件在特定的条件下对钢/铝激光熔钎焊过程进行模拟,利用人工神经网络建立起各个工艺参数与熔深之间的映射关系,从而对不同工艺参数下熔深进行预测,在综合考虑焊缝凝固收缩的条件下得到理想的焊缝熔深,进而得到较优的工艺参数,本发明应用于钢/铝激光熔钎焊工艺参数的选取,将计算机模拟和预测技术的有机结合对生产实践中钢/铝激光焊接工艺参数的选取有一定的指导意义,从而克服了钢/铝激光熔钎焊工艺参数凭经验和大量实验来选取的困难,进而提高了生产效率和产品质量,节约了生产成本。
Description
技术领域
本发明涉及焊接技术领域,具体为一种针对钢/铝激光熔钎焊的性能要求,制定的优化工艺参数的方法。
背景技术
汽车轻量化已成为21世纪汽车技术的前沿和热点。车身的轻量化对于整车的轻量化起着具足轻重的作用,而钢/铝一体化车身框架结构是高性能轻质材料与优化车身结构相结合路线的典型应用。但是其应用目前还处于起步阶段,钢/铝激光熔钎焊过程中熔池形状对焊缝质量起着至关重要的作用,熔深是衡量焊缝质量的重要参数之一,然而各个工艺参数对熔深又有着极其重要的影响,但是钢/铝激光熔钎焊过程中很难捕捉到其熔池形状,尤其是熔深,因此涉及到钢/铝激光焊接的工艺设计和工艺优化时,很少能给出工艺参数与熔池熔深之间的关系,所以就大大增加了钢/铝激光焊接工艺制定的难度。若能在钢/铝激光熔钎焊领域引入计算机模拟和预测技术,则能够迅速准确的预测钢/铝激光熔钎焊的熔深并能及时调整和优化工艺,对于钢/铝激光焊接的研发和生产实践具有十分重要的指导作用。
发明内容
本发明所解决的技术问题在于提供一种钢/铝激光熔钎焊的工艺优化方法,该方法是针对钢/铝激光熔钎焊的性能要求,制定的一种工艺选取和优化的方法,以解决上述背景技术中的问题。
本发明所解决的技术问题采用以下技术方案来实现:
一种钢/铝激光熔钎焊的工艺优化方法,采用有限元分析和人工神经网络的结合得到钢/铝激光熔钎焊的熔池熔深的预测模型,训练好的人工神经网络模型用来预测不同工艺条件下钢/铝激光熔钎焊的熔池熔深,具体包括以下步骤:
(1)采用有限元分析软件ANSYS进行钢/铝激光焊接的模拟仿真,从中收集模拟结果数据,筛选整理成人工神经网络的训练样本;
(2)用步骤(1)得到的训练样本来训练人工神经网络模型,建立起激光焊接工艺参数和熔深之间的映射关系;
(3)利用步骤(2)训练好的人工神经网络模型进行钢/铝激光焊接熔深的预测,从而指导并优化工艺参数。
本发明步骤(1)所述的钢/铝激光焊接的模拟仿真要求实验的各个工艺参数在常用的工艺范围之内,得到的样本数据均匀分散。
本发明步骤(2)所述的人工神经网络模型采用三层结构,包括输入层、隐含层和输出层,其中输入层和隐含层间采用非线性映射函数,隐含层和输出层间采用线性映射函数。
本发明步骤(2)所述的人工神经网络模型的输入层采用以下焊接工艺参数:焊接功率1.8~2.6kw、焊接速度35~55mm/s、离焦量0~+4mm。
与现有技术相比,本发明的有益效果是:本发明利用有限元软件模拟仿真和人工神经网络的结合,计算速度较快,比较准确的进行了钢/铝激光焊接过程的模拟,节约了生产成本,缩短了生产周期,并且人工神经网络非线性映射能力强,自学性能优和容错性好,训练出来的模型预测精度高,适用于钢/铝激光焊接工艺参数的制定和优化。
附图说明
图1为本发明的算法流程图。
图2为本发明的人工神经网络拓扑结构图。
具体实施方式
为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明白了解,下面进一步阐述本发明。
参见图1和2所示,下面以钢/铝激光焊接为例说明本方法的具体实施方案:
(1)通过有限元分析软件ANSYS并进行焊接过程的模拟,通过软件自带的APDL语言来改变激光焊接的各个工艺参数来获得不同的熔池形状,从而得出各个工艺参数下对应的熔深,要求各个工艺参数在常用的工艺范围内,得到的样本尽量均匀离散,收集实验结果数据,从实验中得到25组实验数据,随机筛选其中的20组数据作为人工神经网络模型的训练样本。
(2)由上述模拟实验收集而来的训练样本来训练人工神经网络,建立起钢/铝激光熔钎焊工艺参数与熔深之间的映射关系,人工神经网络训练采用误差反向传播算法,网络采用三层结构各层节点数分别为3-9-1,包括Inputlayer、Hiddenlayer和Outputlayer,输入层包括焊接功率、焊接速度、离焦量三个工艺参数,输出层为熔池的熔深。
(3)人工神经网络为多层前馈神经网络,它的学***方和最小,其隐层函数为logsig,输出层函数为purelin,训练函数为traingdm。
(4)利用训练好的人工神经网络模型对剩余的5组数据进行钢铝激光熔钎焊的熔深的预测,在制定焊接工艺时只需输入焊接工艺参数,模型可以直接预测数钢/铝激光熔钎焊的熔深,从而来设计和制定焊接工艺。
仿真实验的情况如下:
(1)试样尺寸: 钢100×35×1.4 mm ,铝 100×35×1.3 mm;
(2)焊接方法:铝搭接在钢上;
(3)工艺参数:焊接功率1.8~2.6KW、焊接速度35~55mm/s、离焦量0~+4mm;
(4)实验内容:测得不同工艺参数下的焊接熔池的熔深;
(5)实验结果:实验数据记录如表1,预测值与仿真值对比如表2;
表1 实验数据记录表
试验号 | 功率W | 速度mm/s | 离焦量mm | 焊接熔深mm |
1 | 1800 | 35 | +4 | 0.9313 |
2 | 1800 | 40 | +3 | 0.9318 |
3 | 1800 | 45 | +2 | 0.9223 |
4 | 1800 | 50 | +1 | 0.8926 |
5 | 1800 | 55 | 0 | 1.0783 |
6 | 2000 | 35 | +3 | 1.2221 |
7 | 2000 | 40 | +2 | 1.1962 |
8 | 2000 | 45 | +1 | 1.1244 |
9 | 2000 | 50 | 0 | 1.2518 |
10 | 2000 | 55 | +4 | 0.8143 |
11 | 2200 | 35 | +2 | 1.3132 |
12 | 2200 | 40 | +1 | 1.2783 |
13 | 2200 | 45 | 0 | 1.3347 |
14 | 2200 | 50 | +4 | 1.0372 |
15 | 2200 | 55 | +3 | 0.9686 |
16 | 2400 | 35 | +1 | 1.3686 |
17 | 2400 | 40 | 0 | 1.403 |
18 | 2400 | 45 | +4 | 1.2531 |
19 | 2400 | 50 | +3 | 1.2356 |
20 | 2400 | 55 | +2 | 1.2058 |
21 | 2600 | 35 | 0 | 1.5279 |
22 | 2600 | 40 | +4 | 1.3254 |
23 | 2600 | 45 | +3 | 1.302 |
24 | 2600 | 50 | +2 | 1.287 |
25 | 2600 | 55 | +1 | 1.2673 |
表2样本仿真值与预测值对比
试验号 | 功率W | 速度mm/s | 离焦量mm | 仿真值mm | 预测值mm | 相对误差% |
1 | 1800 | 50 | +1 | 0.8926 | 0.9691 | 8.57 |
2 | 2000 | 45 | +1 | 1.1244 | 1.2290 | 9.30 |
3 | 2200 | 35 | +2 | 1.3132 | 1.3505 | 2.84 |
4 | 2400 | 40 | 0 | 1.4030 | 1.4546 | 3.68 |
5 | 2600 | 50 | +2 | 1.2870 | 1.3139 | 2.09 |
以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种钢/铝激光熔钎焊的工艺优化方法,其特征是:采用有限元分析和人工神经网络的结合得到钢/铝激光熔钎焊的熔池熔深的预测模型,训练好的人工神经网络模型用来预测不同工艺条件下钢/铝激光熔钎焊的熔池熔深,具体包括以下步骤:
(1)采用有限元分析软件ANSYS进行钢/铝激光焊接的模拟仿真,从中收集模拟结果数据,筛选整理成人工神经网络的训练样本;
(2)用步骤(1)得到的训练样本来训练人工神经网络模型,建立起激光焊接工艺参数和熔深之间的映射关系;
(3)利用步骤(2)训练好的人工神经网络模型进行钢/铝激光焊接熔深的预测,从而指导并优化工艺参数。
2.根据权利要求1所述的一种钢/铝激光熔钎焊的工艺优化方法,其特征是:步骤(1)所述的钢/铝激光焊接的模拟仿真要求实验的各个工艺参数在常用的工艺范围之内,得到的样本数据均匀分散。
3.根据权利要求1所述的一种钢/铝激光熔钎焊的工艺优化方法,其特征是:步骤(2)所述的人工神经网络模型采用三层结构,包括输入层、隐含层和输出层,其中输入层和隐含层间采用非线性映射函数,隐含层和输出层间采用线性映射函数。
4.根据权利要求1所述的一种钢/铝激光熔钎焊的工艺优化方法,其特征是:步骤(2)所述的人工神经网络模型的输入层采用以下焊接工艺参数:焊接功率1.8~2.6kw、焊接速度35~55mm/s、离焦量0~+4mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105650666A CN102999676A (zh) | 2012-12-24 | 2012-12-24 | 一种钢/铝激光熔钎焊的工艺优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105650666A CN102999676A (zh) | 2012-12-24 | 2012-12-24 | 一种钢/铝激光熔钎焊的工艺优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102999676A true CN102999676A (zh) | 2013-03-27 |
Family
ID=47928236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105650666A Pending CN102999676A (zh) | 2012-12-24 | 2012-12-24 | 一种钢/铝激光熔钎焊的工艺优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102999676A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279075A (zh) * | 2013-04-24 | 2013-09-04 | 常州大学 | 一种间歇化工生产过程及其控制方法 |
CN106529034A (zh) * | 2016-11-09 | 2017-03-22 | 重庆邮电大学 | 一种金线键合工艺优化方法 |
CN107598370A (zh) * | 2017-08-28 | 2018-01-19 | 温州大学 | 一种钢/铝激光焊接的工艺优化方法 |
CN108380993A (zh) * | 2018-01-31 | 2018-08-10 | 山东交通学院 | 铝钢熔钎焊界面金属间化合物控制新方法 |
CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
CN108732927A (zh) * | 2018-06-09 | 2018-11-02 | 王天骄 | 能量束热作用状态控制方法 |
CN109317772A (zh) * | 2018-11-20 | 2019-02-12 | 武汉理工大学 | 一种实验表征和数值模拟相结合探究激光钎焊工艺参数的方法 |
CN109409520A (zh) * | 2018-10-17 | 2019-03-01 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
WO2020077694A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
CN111461398A (zh) * | 2020-02-27 | 2020-07-28 | 季华实验室 | 焊接工艺参数优化方法、设备及可读存储介质 |
CN114406465A (zh) * | 2022-03-15 | 2022-04-29 | 南京航空航天大学 | 一种不均匀间隙结构的焊接熔深的控制方法及其*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908083A (zh) * | 2010-05-13 | 2010-12-08 | 上海市特种设备监督检验技术研究院 | 一种基于人工神经网络的q345焊接接头力学性能预测方法 |
CN102103646A (zh) * | 2010-12-14 | 2011-06-22 | 武汉理工大学 | 基于有限元技术和人工神经网络的精冲模具磨损预测方法 |
-
2012
- 2012-12-24 CN CN2012105650666A patent/CN102999676A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908083A (zh) * | 2010-05-13 | 2010-12-08 | 上海市特种设备监督检验技术研究院 | 一种基于人工神经网络的q345焊接接头力学性能预测方法 |
CN102103646A (zh) * | 2010-12-14 | 2011-06-22 | 武汉理工大学 | 基于有限元技术和人工神经网络的精冲模具磨损预测方法 |
Non-Patent Citations (3)
Title |
---|
周惦武,吴平等: "镀Zn钢-6016铝合金异种金属的激光熔钎焊及数值模拟", 《中国有色金属学报》, vol. 22, no. 6, 30 June 2012 (2012-06-30), pages 3 - 2 * |
林盾: "Ti-3Al激光焊工艺的人工神经网络的模拟研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》, no. 3, 15 September 2004 (2004-09-15) * |
汪兴均: "基于BP神经网络的5A06铝合金电子束焊接熔深预测", 《电焊机》, vol. 37, no. 3, 31 March 2007 (2007-03-31) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279075A (zh) * | 2013-04-24 | 2013-09-04 | 常州大学 | 一种间歇化工生产过程及其控制方法 |
CN103279075B (zh) * | 2013-04-24 | 2015-07-22 | 常州大学 | 一种间歇化工生产过程的控制方法 |
CN106529034A (zh) * | 2016-11-09 | 2017-03-22 | 重庆邮电大学 | 一种金线键合工艺优化方法 |
CN107598370A (zh) * | 2017-08-28 | 2018-01-19 | 温州大学 | 一种钢/铝激光焊接的工艺优化方法 |
CN108380993A (zh) * | 2018-01-31 | 2018-08-10 | 山东交通学院 | 铝钢熔钎焊界面金属间化合物控制新方法 |
CN108500498A (zh) * | 2018-03-26 | 2018-09-07 | 华中科技大学 | 一种焊缝成型质量监测方法 |
CN108732927A (zh) * | 2018-06-09 | 2018-11-02 | 王天骄 | 能量束热作用状态控制方法 |
CN109409520A (zh) * | 2018-10-17 | 2019-03-01 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
WO2020077694A1 (zh) * | 2018-10-17 | 2020-04-23 | 深圳市微埃智能科技有限公司 | 基于神经网络的焊接工艺参数推荐方法、装置及机器人 |
CN109409520B (zh) * | 2018-10-17 | 2021-10-29 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
CN109317772A (zh) * | 2018-11-20 | 2019-02-12 | 武汉理工大学 | 一种实验表征和数值模拟相结合探究激光钎焊工艺参数的方法 |
CN111461398A (zh) * | 2020-02-27 | 2020-07-28 | 季华实验室 | 焊接工艺参数优化方法、设备及可读存储介质 |
CN114406465A (zh) * | 2022-03-15 | 2022-04-29 | 南京航空航天大学 | 一种不均匀间隙结构的焊接熔深的控制方法及其*** |
CN114406465B (zh) * | 2022-03-15 | 2022-10-18 | 南京航空航天大学 | 一种不均匀间隙结构的焊接熔深的控制方法及其*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102999676A (zh) | 一种钢/铝激光熔钎焊的工艺优化方法 | |
CN106909727B (zh) | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 | |
Jiang et al. | Optimization of laser welding process parameters of stainless steel 316L using FEM, Kriging and NSGA-II | |
CN104572998B (zh) | 用于自动问答***的问答排序模型更新方法及装置 | |
CN107598370B (zh) | 一种钢/铝激光焊接的工艺优化方法 | |
Nagaraju et al. | Optimization of welding process parameters for 9Cr-1Mo steel using RSM and GA | |
CN101908083B (zh) | 一种基于人工神经网络的q345焊接接头力学性能预测方法 | |
CN105574300B (zh) | 基于bp神经网络和遗传算法的钢轨焊缝精铣机床横梁体优化设计方法 | |
CN106650045B (zh) | 一种二级箱间段结构优化设计与强度分析方法 | |
Chandrasekhar et al. | Optimization of hybrid laser–TIG welding of 316LN stainless steel using genetic algorithm | |
CN105956235A (zh) | 基于svr-pso的超声加工特种刀具优化设计方法 | |
Cicconi et al. | A design methodology to support the optimization of steel structures | |
CN111046609A (zh) | 一种基于bp神经网络焊接工艺参数优化方法 | |
CN111144281B (zh) | 基于机器学习的城市轨道交通od客流估计方法 | |
CN102393884A (zh) | 基于bp神经网络的热连轧电磁感应加热温度预测方法 | |
CN109190177A (zh) | 一种轨道车辆车体焊缝疲劳可靠性评估方法及*** | |
CN103273207A (zh) | 基于残余应力定量化分析的消除压力机机身焊接变形的方法 | |
CN106624266A (zh) | 一种用于汽车焊接的焊缝偏差及熔透状态监测方法 | |
CN104484511A (zh) | 一种基于仿真分析的机器人结构动态特性设计方法 | |
Dhas et al. | Modeling and prediction of HAZ using finite element and neural network modeling | |
Hurni et al. | Towards transdisciplinarity in sustainability-oriented research for development | |
CN106355273A (zh) | 一种基于极限学习机的核材料辐照后拉伸性能预测***及预测方法 | |
JP2017062205A (ja) | 溶接部の変形抵抗曲線の算出方法、溶接部を備えた部材の製造方法、プログラム、および、プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
WO2024087524A1 (zh) | 一种摆动激光焊接等效热源建模方法及摆动激光焊接仿真方法 | |
Seo et al. | Welding distortion design formulae of thin-plate panel structure during the assembly process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130327 |