CN116900450B - 一种高效深熔弧焊辅助焊接方法 - Google Patents
一种高效深熔弧焊辅助焊接方法 Download PDFInfo
- Publication number
- CN116900450B CN116900450B CN202311064998.7A CN202311064998A CN116900450B CN 116900450 B CN116900450 B CN 116900450B CN 202311064998 A CN202311064998 A CN 202311064998A CN 116900450 B CN116900450 B CN 116900450B
- Authority
- CN
- China
- Prior art keywords
- welding
- parameters
- magnetic field
- auxiliary
- deep
- 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.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 354
- 238000000034 method Methods 0.000 title claims abstract description 209
- 238000002844 melting Methods 0.000 title claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 181
- 239000000463 material Substances 0.000 claims abstract description 98
- 230000026676 system process Effects 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000005275 alloying Methods 0.000 claims abstract description 32
- 230000008878 coupling Effects 0.000 claims abstract description 28
- 238000010168 coupling process Methods 0.000 claims abstract description 28
- 238000005859 coupling reaction Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 6
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 5
- 229910052721 tungsten Inorganic materials 0.000 claims description 5
- 239000010937 tungsten Substances 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 description 22
- 239000010959 steel Substances 0.000 description 22
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 229910045601 alloy Inorganic materials 0.000 description 7
- 239000000956 alloy Substances 0.000 description 7
- 210000001503 joint Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 6
- 229910000975 Carbon steel Inorganic materials 0.000 description 5
- 239000010962 carbon steel Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011049 filling Methods 0.000 description 5
- 229910000851 Alloy steel Inorganic materials 0.000 description 3
- 229910000712 Boron steel Inorganic materials 0.000 description 3
- 229910001069 Ti alloy Inorganic materials 0.000 description 3
- 229910001093 Zr alloy Inorganic materials 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 229910000856 hastalloy Inorganic materials 0.000 description 3
- 238000009863 impact test Methods 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 229910001220 stainless steel Inorganic materials 0.000 description 3
- 239000010935 stainless steel Substances 0.000 description 3
- 229910052715 tantalum Inorganic materials 0.000 description 3
- GUVRBAGPIYLISA-UHFFFAOYSA-N tantalum atom Chemical compound [Ta] GUVRBAGPIYLISA-UHFFFAOYSA-N 0.000 description 3
- 238000009864 tensile test Methods 0.000 description 3
- 239000010936 titanium Substances 0.000 description 3
- 229910052719 titanium Inorganic materials 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910000881 Cu alloy Inorganic materials 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 239000010953 base metal Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 210000001787 dendrite Anatomy 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 229910000570 Cupronickel Inorganic materials 0.000 description 1
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 1
- 238000007545 Vickers hardness test Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- YOCUPQPZWBBYIX-UHFFFAOYSA-N copper nickel Chemical compound [Ni].[Cu] YOCUPQPZWBBYIX-UHFFFAOYSA-N 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910001039 duplex stainless steel Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005067 joint tissue Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/16—Arc welding or cutting making use of shielding gas
- B23K9/167—Arc welding or cutting making use of shielding gas and of a non-consumable electrode
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/32—Accessories
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Arc Welding In General (AREA)
Abstract
本发明公开了一种高效深熔弧焊辅助焊接方法,根据焊接材料的焊接特性选择专家***工艺库中的一种辅助焊接工艺对所述焊接材料进行施焊,所述辅助焊接工艺包括微合金化辅助工艺、磁场辅助工艺、微合金化耦合磁场辅助工艺以及模糊神经网络模型生成的焊接配方中至少一种,该方法可以细化接头晶粒大小,提高接头的冲击韧性等使用性能,并适用于多种材料,将为深熔弧焊带来更加广阔的应用前景。
Description
技术领域
本发明涉及焊接技术领域,具体涉及一种高效深熔弧焊辅助焊接方法。
背景技术
高效深熔弧焊是一种采用大电流并加强钨极冷却的高效焊接方法,通过形成具备高挺度和强穿透力的自由电弧,实现无需开设坡口、无需填丝即可一次性焊透3~16mm厚度的金属材料,从而实现单面焊双面成型,这种焊接方法是中厚板焊接中理想的、成本低、效率高的选择。
然而,深熔弧焊的高热输入和快速冷却导致焊接接头组织晶粒粗大,降低接头的冲击韧性,使其力学性能难以满足工业使用要求,常规方法通过调控焊接参数进行细化接头晶粒大小,但可调整的焊接参数的窗口较窄且难以将焊接材料和焊接工艺参数进行快速精准的匹配,往往施焊之前需要较长时间试验才能确定合适的焊接工艺参数,焊接质量和焊接效率均亟待提高,难以进行推广应用。
发明内容
针对现有技术中存在的技术问题,本发明提供一种高效深熔弧焊辅助焊接方法,通过结合微合金化和磁场辅助工艺,在不同焊接工艺参数下进行施焊,并使用模糊神经网络模型来优化焊接工艺参数和预测焊接效果,该方法充分考虑了焊接材料的化学成分、力学性能、板厚、坡口类型等因素,并根据实际使用要求选择合适的焊接工艺,通过实验和数据验证,有效提高了接头的使用性能,同时将配方和工艺参数存储在专家***工艺库中,便于日后使用和优化,该方法在焊接领域具有广阔的应用前景,为高效深熔弧焊在中及超厚板焊接中的推广应用奠定了坚实的基础。
为实现上述目的,本发明提供如下技术方案:
一种高效深熔弧焊辅助焊接方法,根据焊接材料的焊接特性选择专家***工艺库中的一种辅助焊接工艺对所述焊接材料进行施焊,所述辅助焊接工艺包括微合金化辅助工艺、磁场辅助工艺、微合金化耦合磁场辅助工艺以及由模糊神经网络模型建立的预测模型所生成的焊接配方中至少一种。
进一步地,所述焊接配方是基于微合金化辅助工艺、磁场辅助工艺、微合金化耦合磁场辅助工艺中的至少一种的基础上经过模糊神经网络模型训练后得到。
进一步地,所述专家***工艺库按照材料特性进行分类,所述焊接材料根据所述专家***工艺库的材料类别及型号选择所述辅助焊接工艺。
优选的,当所述焊接材料从所述专家***工艺库中匹配到同类但不同型号材料时,则在所述专家***工艺库中选取与所述焊接材料化学成分最接近的材料涉及的微合金化辅助工艺、磁场辅助工艺以及微合金化耦合磁场辅助工艺之一,实施焊接后将满足要求的焊接工艺参数存储在所述专家***工艺库中。
优选的,当所述焊接材料无法从所述专家***工艺库中匹配到同类材料时,在所述专家***工艺库中选取与所述焊接材料化学成分最接近的材料涉及的性能参数训练所述模糊神经网络模型,经过训练过的所述模糊神经网络模型计算后,得到满足要求的所述焊接配方并将所述焊接配方存储在所述专家***工艺库中。
进一步地,在所述专家***工艺库中形成所述微合金化辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性选择微合金参数,
步骤二:使用焊接介质对所述焊接材料按照深熔弧焊工艺进行施焊,所述深熔弧焊工艺具有深熔弧焊工艺参数,
步骤三:获取焊接后的接头制样并检测所述接头制样的性能参数,
步骤四:获取所述性能参数满足要求的所述深熔弧焊工艺参数和所述微合金参数,将所述深熔弧焊工艺参数和所述微合金参数存储于所述专家***工艺库中形成所述微合金化辅助工艺,和/或,
在所述专家***工艺库中形成所述磁场辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性安装磁场装置并设置磁场参数,
步骤二:对所述焊接材料按照所述深熔弧焊工艺进行施焊,
步骤三:获取焊接后的所述接头制样并检测所述接头制样的所述性能参数,
步骤四:获取所述性能参数满足要求的所述深熔弧焊工艺参数和所述磁场参数,将所述深熔弧焊工艺参数和所述磁场参数存储于所述专家***工艺库中形成所述磁场辅助工艺,和/或,
在所述专家***工艺库中形成所述微合金化耦合磁场辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性选择所述微合金参数、安装所述磁场装置并设置所述磁场参数,
步骤二:对所述焊接材料按照所述深熔弧焊工艺参数进行施焊,
步骤三:获取焊接后的所述接头制样,检测所述接头制样的所述性能参数,
步骤四:获取所述性能参数满足要求的所述深熔弧焊工艺参数、所述微合金参数以及所述磁场参数,将所述深熔弧焊工艺参数、所述微合金参数以及所述磁场参数存储于所述专家***工艺库中形成所述微合金化耦合磁场辅助工艺。
进一步地,所述模糊神经网络模型形成的过程包括如下步骤:
步骤一:将所述模糊神经网络模型设置输入层、模糊化层、模糊规则计算层和输出层,所述输入层用于接收输入参数,所述输入参数为所述专家***工艺库中的性能参数,所述输出层用于提取输出参数;
步骤二:将所述输入参数归一化处理并将归一化后的所述输入参数划分为训练集、测试集和验证集。
步骤三:将所述输入参数模糊化,采用高斯隶属函数计算各所述输入参数的隶属度即为所述模糊化的过程,然后进行模糊规则计算。
进一步地,所述高斯隶属函数为:
式中,xj为第j个所述输入参数,λi j为所述输入参数xjj第i个所述隶属度,μi j和σi j分别为所述高斯隶属函数的中心和宽度,j=1,2,...,k,k为所述输入参数的数量,i=1,2,...,n,n为模糊子集的数量。
进一步地,使用连乘算子对各所述输入参数的所述隶属度在所述模糊规则计算层内进行模糊计算得到所述隶属度的连乘积即为所述模糊规则计算过程,
式中,ωi为各参数的所述隶属度的连乘积,i=1,2,...,n;
基于模糊规则计算的结果和所述权重系数得到所述输出参数:
式中,yi为第i个所述输出参数,pi k为所述权重系数。
进一步地,所述权重系数pi k采用所述梯度下降法进行迭代更新,
式中,pi j(g)代表第g次迭代的权重系数,α为学习率,e为输出误差。
进一步地,选择所述辅助焊接工艺的优先级为:所述磁场辅助工艺>所述微合金化辅助工艺>所述微合金化耦合磁场辅助工艺。
进一步地,当焊接电流阈值上下限的差值小于50A或焊接速度阈值上下限的差值小于0.5mm/s或钨针尖端到所述焊接材料表面距离阈值上下限的差值小于0.1mm时,切换所述辅助焊接工艺,包括将所述磁场辅助工艺切换为所述微合金化辅助工艺以及将所述微合金化辅助工艺切换为所述微合金化耦合磁场辅助工艺。
与现有技术相比,该高效深熔弧焊辅助焊接方法具有下述有益效果:
1)精确调控接头组织成分:通过添加微合金元素,能够精确调控接头的组织成分,合理设计微合金元素的成分和形态,实现晶粒尺寸的细化,从而提升焊缝的强度、韧性、耐腐蚀性以及疲劳寿命等使用性能,相较于传统旁路送丝技术,本方案添加微合金元素对焊接过程的电弧稳定性影响较小,尤其适用于对焊接过程稳定性要求较高的深熔弧焊工艺;
2)外加磁场优化焊缝晶粒结构:本发明引入外加磁场,利用其搅拌效应打断焊缝凝固枝晶,进一步细化晶粒尺寸,同时外加磁场还能增强微合金元素的扩散运动,促进微合金元素在焊缝中的均匀分布,优化焊缝的组织成分和使用性能;
3)扩展焊接工艺窗口范围:微合金化辅助和磁场辅助技术的应用,拓展了高效深熔弧焊的工艺窗口范围,通过添加微合金元素和外加磁场,可以更灵活地调节焊接工艺参数,从而提高获得目标使用性能的可达性,简化焊接工艺设计过程;
4)推广适用性广泛:本发明的技术方案适用于多种材料类型,如碳钢、合金钢、不锈钢、特种钢、钛及钛合金、锆合金、钽、哈氏合金、高硼钢、铜及铜合金等,同时,该方案在横焊、立焊等全位置焊接领域中也具有广泛应用前景;
5)提高焊接工艺的效率:本发明的技术方案使得焊接工艺设计涉及的参数更多样化,通过专家***工艺库和模糊神经网络模型的支持,焊接参数和配方的选择更加标准化和规范化,使得焊接过程更加简便,减少了试错和调整的时间,大大提升了焊接效率和焊接质量;
综上所述,本发明的高效深熔弧焊辅助焊接方法在提高焊接效率、优化焊缝组织结构、扩展工艺窗口以及提高工艺设计的简便性方面表现出卓越的优点,这些优势使得该技术方案在深熔弧焊焊接领域具有广阔的应用前景,并有望推动该领域的技术进步和产业发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1是一种微合金化和磁场辅助的高效深熔弧焊方法示意图;
图2是专家***焊接工艺库配方的生成过程;
图3是不同模态磁场示意图;
图4是9Ni钢高效深熔弧焊的试验方案;
图5是9Ni钢高效深熔弧焊接头拉伸测试的结果;
图6是9Ni钢高效深熔弧焊接头低温冲击测试的结果。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
请参阅图1-2,本发明提供一种技术方案:
一种高效深熔弧焊辅助焊接方法,根据焊接材料的焊接特性选择专家***工艺库中的一种辅助焊接工艺对所述焊接材料进行施焊,所述焊接特性包括所述焊接材料的化学成分、力学性能、使用要求、板厚、坡口的类型与尺寸以及对接间隙的焊接工况,所述辅助焊接工艺包括微合金化辅助工艺、磁场辅助工艺、微合金化耦合磁场辅助工艺以及由模糊神经网络模型建立的预测模型所生成的焊接配方中至少一种。
进一步地,所述焊接配方是基于微合金化辅助工艺、磁场辅助工艺以及微合金化耦合磁场辅助工艺中的至少一种的基础上经过模糊神经网络模型训练后得到。
专家***工艺库中的微合金化辅助工艺、磁场辅助工艺以及微合金化耦合磁场辅助工艺为模糊神经网络模型提供数据来源,模糊神经网络模型的输出是优化的焊接工艺参数的选择,所述焊接工艺参数包括深熔弧焊工艺参数、合金参数以及磁场参数,模糊神经网络模型不仅考虑了焊接工艺参数的优化,还能综合考虑辅助焊接工艺对焊缝组织和性能的影响,从而得到更加全面和有效的焊接配方,同时辅助焊接工艺能够对模糊神经网络模型的准确性进行验证,且根据实际情况对所述模糊神经网络模型进行优化,两者相辅相成。
优选的,所述辅助焊接工艺可根据所述焊接材料的类别及型号进行选择。
所述专家***工艺库可按照材料特性进行分类,可以分为碳钢、合金钢、不锈钢、特种钢、钛及钛合金、锆合金、钽、哈氏合金、高硼钢、铜及铜合金。
具体的焊接工艺选择方法如下:当所述焊接材料从所述专家***工艺库中匹配到相同的材料时,则按照该材料涉及的所述焊接配方对所述焊接材料进行施焊,相同的材料可以理解为两者为同类别同型号的材料,例如两种材料都属于碳钢即为同类材料,Q215碳钢和Q235碳钢属于同类别不同型号的材料,合金钢和不锈钢则为非同类材料。
当所述焊接材料从所述专家***工艺库中无法匹配到相同的材料时,优选的,当所述焊接材料从所述专家***工艺库中匹配到同类但不同型号材料时,则在所述专家***工艺库中选取与所述焊接材料化学成分最接近的材料涉及的微合金化辅助工艺、磁场辅助工艺以及微合金化耦合磁场辅助工艺之一,实施焊接后将满足要求的焊接工艺参数存储在所述专家***工艺库中。
优选的,当所述焊接材料无法从所述专家***工艺库中匹配到同类材料时,如果仅进行多次焊接实验寻找符合要求的焊接工艺参数将会大大浪费人力物力成本导致焊接效率和焊接质量低下,此时将采用所述模糊神经网络模型,具体方法如下:在所述专家***工艺库中选取与所述焊接材料化学成分最接近的材料涉及的性能参数训练所述模糊神经网络模型,经过训练过的所述模糊神经网络模型计算后,得到满足要求的所述焊接配方并将所述焊接配方存储在所述专家***工艺库中。
进一步地,在所述专家***工艺库中形成所述微合金化辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性选择微合金参数,所述微合金参数包括微合金元素的种类、形态及尺寸,
步骤二:在对接间隙处预置包含微合金元素的焊接介质,所述焊接介质焊丝或焊片,使用焊接介质对所述焊接材料按照深熔弧焊工艺进行施焊,所述深熔弧焊工艺具有深熔弧焊工艺参数,所述深熔弧焊工艺参数包括焊接电流、焊接电压、焊接速度、气体流速以及钨针尖端到所述焊接材料表面的距离,
步骤三:获取焊接后的接头制样研磨抛光后腐蚀并检测所述接头制样的性能参数,所述性能参数包括所述接头制样的强度、组织成分、低温韧性、耐腐蚀性以及疲劳寿命,
步骤四:判断施焊接头的所述性能参数是否高于国家标准的规定值,获取所述性能参数满足要求的所述深熔弧焊工艺参数和所述微合金参数,将所述深熔弧焊工艺参数和所述微合金参数存储于所述专家***工艺库中形成所述微合金化辅助工艺,若接头不满足要求,则改变深熔弧焊工艺参数或微合金参数中至少一个因素,重新施焊并检测接头的性能参数,直到获得满足要求的所述深熔弧焊工艺参数和所述微合金参数;和/或,
在所述专家***工艺库中形成所述磁场辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性安装磁场装置并设置磁场参数,所述磁场参数包括磁场类型、磁场强度、模态以及磁场频率,
步骤二:对所述焊接材料按照所述深熔弧焊工艺进行施焊,
步骤三:获取焊接后的所述接头制样并检测所述接头制样的所述性能参数,
步骤四:判断施焊接头的性能参数是否高于国家标准的规定值,获取所述性能参数满足要求的所述深熔弧焊工艺参数和所述磁场参数,将所述深熔弧焊工艺参数和所述磁场参数存储于所述专家***工艺库中形成所述磁场辅助工艺,若接头的性能参数不满足要求,则改变深熔弧焊工艺参数或磁场参数中至少一个因素,重新施焊并检测接头的性能参数,直到获得满足要求的所述深熔弧焊工艺参数和所述磁场参数;
磁场类型包括横向磁场、纵向磁场、轴向磁场、尖角磁场、旋转磁场及其复合磁场,参见图3,磁场模态包括恒稳磁场、脉冲磁场、交变磁场和偏置正弦磁场,其中(a)为恒稳磁场示意图,若施加恒稳磁场则在焊接过程中磁感应强度保持不变;(b)为脉冲磁场示意图,通过调节峰值磁感应强度Bp,基值磁感应强度Bb,脉冲频率f以及峰值时间Tp这四个参数来输出所需的磁场;(c)为交变磁场示意图,通过调节峰值磁感应强度Bm和脉冲频率f来输出所需的磁场;(d)为偏置正弦磁场示意图,相当于恒稳磁场耦合交变磁场而成的磁场,通过调节磁感应强度正弦峰值Bm、磁感应强度偏置值B0和脉冲频率f来输出所需的磁场;和/或,
在所述专家***工艺库中形成所述微合金化耦合磁场辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性选择所述微合金参数、安装所述磁场装置并设置所述磁场参数,
步骤二:对所述焊接材料按照所述深熔弧焊工艺参数进行施焊,
步骤三:获取焊接后的所述接头制样,检测所述接头制样的所述性能参数,
步骤四:判断施焊接头的性能参数是否高于国家标准的规定值,若接头满足要求,获取所述性能参数满足要求的所述深熔弧焊工艺参数、所述微合金参数以及所述磁场参数,将所述深熔弧焊工艺参数、所述微合金参数以及所述磁场参数存储于所述专家***工艺库中形成所述微合金化耦合磁场辅助工艺,若接头的性能参数不满足要求,则改变深熔弧焊工艺参数、磁场参数以及微合金参数中至少一个因素,重新施焊并检测接头的性能参数,直到获得满足要求的深熔弧焊工艺参数、磁场参数以及微合金参数。
按照以上三种辅助焊接工艺的步骤,前期通过对各种焊接材料进行大量的焊接实验或焊接经验将最优选的焊接材料的性能参数以及对应的焊接特性存储于所述专家***工艺库中,这样在后续工程实践过程中可以比对焊接材料的焊接特性后直接进行选用,因此可以大大提高焊接质量、效率和经济性,以满足具体应用的需求。
由于各因素之间的关系是复杂的且彼此相互影响,综合考虑后才能确定最优选的工艺参数,通过合理选择微合金参数以及磁场参数,可以进一步优化焊缝晶粒结构和性能,在选择微合金化耦合磁场辅助工艺时,要综合考虑微合金化和磁场辅助的优势,实现两者之间的协同效应,以获得最佳的焊接效果。
以9Ni钢为例,寻找最优选的焊接材料的性能参数以及对应的焊接特性并将其存储于所述专家***工艺库的过程如下:
9Ni钢是一种高强度(>700MPa)、低温冲击韧性良好以及成本低的结构材料,在LNG储罐、管道和运输船的建设中有着广泛的应用,9Ni钢的化学成分如表1所示。
表1 9Ni钢的化学成分(wt.%)
在焊接过程中,由于难以进行回火处理,9Ni钢接头中的焊缝低温韧性比母材的通常显著降低,为了改善9Ni钢接头焊缝的焊接效率和低温韧性,一方面采用高效深熔弧焊技术对中厚板进行高钝边打底焊,另一方面在焊缝中添加金属元素和外施磁场辅助焊接工艺来提升焊缝的低温韧性,该工艺的具体方法为:首先在焊缝中添加Ni和Mo元素改变焊缝的成分和组织性能,然后在焊枪上预置励磁线圈产生轴向交变磁场,产生洛伦兹力打断液态熔池的凝固枝晶,从而细化焊缝的晶粒尺寸。
图4为9Ni钢高效深熔弧焊的试验方案,根据不同的试验目的,在焊缝中填充或预置相对应的Ni丝/片和Mo丝,进行了不同条件下的打底焊试验,分别为(1)在焊缝中填充Ni丝;(2)在焊缝中填充Ni片和Mo丝;(3)在焊缝中填充Ni丝并外施交变磁场;(4)在焊缝中填充Ni片和Mo丝并外施交变磁场,通过不同组合产生12组不同焊接条件下的工艺试验,如表2所示,各组对接试样采用高效深熔弧焊进行打底焊后得到不同条件下的接头制样,采用线切割方法取得所需的接头制样,然后借助维氏硬度计、万能拉伸测试机和摆锤冲击试验机进行相应的测试。
对维氏硬度测试过程中设定的条件为:加载载荷1000g,加载保压时间为5s,测量间距0.5mm,待测试完毕后,画出焊缝区、热影响区以及母材对应的硬度值分布图,接头制样采用对焊方式,因而适合采用平板拉伸测试方法对接头制样的性能进行测定,沿着垂直焊缝方向进行横向切样,并对整个试样上下面及侧面进行粗磨去除应力集中,拉伸试验速度设置为3mm/min,初始应变速率为0.002/s,为了降低误差,每组测试两个2样品并取数据平均值,最后得到接头制样的抗拉强度和伸长率,本发明采用金属摆锤冲击试验机对焊缝区、熔合线以及热影响区进行冲击试验,根据GB/T《金属夏比冲击试验方法》标准选用权尺寸10mm×10mm×55mm的V型缺口试样,V型缺口与工件上下表面垂直。
表2 9Ni钢高效深熔弧焊工艺参数
图5为9Ni钢高效深熔弧焊接头拉伸测试的结果,拉伸测试时断裂位置均在母材区,接头制样的抗拉强度略高于母材的平均强度,这意味着高效深熔弧焊后接头焊缝区具有优于母材区的抗拉强度,这也说明在焊接加工后并不降低材料的抗拉使用性能。
图6为9Ni钢高效深熔弧焊接头低温冲击测试的结果,由接头No.1~No.4的低温冲击结果来看,Ni元素和Mo元素的添加或填充确实能有效地提高焊缝的冲击性能,研究表明,Ni元素和Mo元素主要通过细化晶粒尺寸来提高焊缝的低温韧性,在接头制样No.1~No.3中,添加Mo元素后焊缝的低温韧性都得到了提高,接头No.6、No.5和No.4相对于接头No.1、No.2和No.3分别提高了16.3J(139%)、16.7J(17.2%)和24J(52.9%),且冲击性能越差焊缝的提升效果越明显,这表明Mo元素在提高9Ni钢焊缝低温韧性方面具有突出的成效,在添加Ni元素获得良好韧性的基础上,Mo元素的添加依然可以进一步提升焊缝的低温韧性,外加磁场后,No.7接头的低温韧性相比No.1接头的提升了223.9%,No.8接头的低温韧性相比No.2接头的提升了22.8%,No.9接头的低温韧性相比No.3接头的提升了19.9%,这结果表明外加磁场对材料焊接低温韧性有积极改善的作用。
对比磁场和Mo元素在不同Ni元素含量下接头的低温韧性结果可知,在常规9Ni钢材料中,添加Mo元素、外加磁场和Mo元素耦合磁场均能将焊缝的低温韧性提升至标准值以上(27J),其中,外加磁场对焊缝低温韧性的提升效果最好,Mo元素耦合磁场次之,在添加0.5mm Ni片的接头中,外加磁场和添加Mo元素均能提升焊缝的低温韧性,但Mo元素耦合磁场时焊缝的低温韧性有所下降。
对9Ni钢而言,添加Ni元素的提升焊缝的低温韧性效果最明显,其次是外加磁场,它们的耦合对提升焊缝的低温韧性也有促进的作用,因此,通过高效深熔弧焊并添加Ni元素、外加磁场以及它们的耦合来提升9Ni钢的焊缝低温韧性效果较优,最后将9Ni钢的焊接特性以及性能参数存储于所述专家***工艺库中以备后续选用。
进一步地,所述模糊神经网络模型包括输入层、模糊化层、模糊规则计算层和输出层,所述输入层用于接收输入参数,所述输出层用于提取输出参数,所述输入参数依次经过输入层、模糊化层、模糊规则计算层和输出层最终得到所述输出参数;
所述模糊神经网络模型形成的过程包括如下步骤:
步骤一:将所述模糊神经网络模型设置输入层、模糊化层、模糊规则计算层和输出层,所述输入层用于接收输入参数,所述输入参数为所述专家***工艺库中的性能参数,所述输出参数即为所述焊接配方,所述输出层用于提取输出参数,将所述输入参数输入所述神经网络模型中;
步骤二:将所述输入参数归一化处理,归一化处理的目的为使得各个参数有统一的度量标准方便进行后续的计算,将归一化后的所述输入参数划分为三个数据集合,分别为训练集、测试集和验证集,所述训练集、所述测试集以及所述验证集均为归一化处理后的所述焊接工艺参数集合;
步骤三:分别对所述训练集、所述测试集和所述验证集中归一化后的所述输入参数进行模糊化并进行模糊规则计算,即首先将训练集中的所述焊接工艺参数输入所述神经网络模型中,训练完成所述神经网络模型,再将测试集中的所述焊接工艺参数输入所述神经网络模型测试所述神经网络模型的性能,最后将验证中的所述焊接工艺参数输入所述神经网络模型验证该模型的准确性,采用高斯隶属函数计算各所述输入参数的隶属度即为所述模糊化的过程;
优选的,80%数据为所述训练集,15%数据为所述测试集,5%数据为验证集,所述训练集用于训练所述模糊神经网络模型,所述测试集用于评估所述模糊神经网络模型的性能,所述验证集用于调整所述模糊神经网络模型的超参数和防止过拟合;
步骤四:提取所述输出参数。
所述模糊神经网络模型还可以持续进行优化,例如将所述焊接材料的目标性能参数输入所述模糊神经网络模型进行计算得到所述焊接配方,然后按所述焊接配方涉及的所述辅助焊接工艺对所述焊接材料进行施焊并对焊接后的接头制样进行性能参数的检测,通过利用所述模糊神经网络模型可以大大提高焊接的效率,如果检测的结果与目标有所偏差还可以有针对性地调整所述模糊神经网络模型内部的结构参数以提高其精确度。
所述模糊神经网络模型能够在多个因素之间建立复杂的关联性,考虑到各种因素之间的交互作用,使得焊接配方更加精确和全面,可以对大量的实验数据进行学习和归纳,充分利用已有的知识和经验避免重复性试验,能够根据实际接头的性能参数要求快速生成满足要求的焊接配方,所述焊接配方指导实际的焊接工艺,提高焊接过程的稳定性、可控性以及焊接效率。
基于模糊神经网络模型生成的配方能够更加全面、准确地优化焊接工艺参数,进而实现更好的接头性能参数,提高焊接质量和效率。
进一步地,采用高斯隶属函数计算各所述输入参数的隶属度即为所述模糊化的过程,所述高斯隶属函数为:
式中,xj为第j个所述输入参数,λi j为所述输入参数xjj第i个所述隶属度,μi j和σi j分别为所述高斯隶属函数的中心和宽度,j=1,2,...,k,k为所述输入参数的数量,i=1,2,...,n,n为模糊子集的数量;
使用连乘算子对各所述输入参数的所述隶属度在所述模糊规则计算层内进行模糊计算得到所述隶属度的连乘积即为所述模糊规则计算过程,
式中,ωi为各参数的所述隶属度的连乘积,i=1,2,...,n;
基于模糊规则计算的结果和所述权重系数得到所述输出参数即为所述提取输出参数过程,所述输出参数即为所述焊接配方:
式中,yi为第i个所述输出参数,pi k为所述权重系数。
进一步地,采用梯度下降法计算各输入参数的权重系数,所述权重系数利用输入参数与输出参数迭代计算而得,以提高所述模糊神经网络模型的训练效果和预测准确性,例如利用第i步的输入参数与输出参数计算得到第i步的所述权重系数,再利用第i步的所述权重系数计算获得第i+1步的输出参数:
式中,pi j(g)代表第g次迭代的权重系数,α为学习率,e为输出误差。
进一步地,在具体执行时该如何选定焊接工艺,为此需要制定相应的规则,根据焊接成本和操作的简便性,优先磁场辅助工艺,再考虑微合金化辅助工艺,最后才考虑微合金化耦合磁场辅助工艺,磁场装置安装方便,且安装一次可持续使用,而微合金化技术每次焊接都要预置焊丝或焊片,这将会增加时间成本,因此选择所述辅助焊接工艺的优先级为:所述磁场辅助工艺>所述微合金化辅助工艺>所述微合金化耦合磁场辅助工艺。
进一步地,当焊接电流阈值上下限的差值小于50A或焊接速度阈值上下限的差值小于0.5mm/s或钨针尖端到所述焊接材料表面距离阈值上下限的差值小于0.1mm时,切换所述辅助焊接工艺,包括将所述磁场辅助工艺切换为所述微合金化辅助工艺以及将所述微合金化辅助工艺切换为所述微合金化耦合磁场辅助工艺,其中某参数的阈值上下限的差值即为该参数最大值与最小值之间的差值。
高效深熔弧焊能够一次焊透3~16mm厚的板材,对于大厚度的板材则需要开坡口才能一次性焊透,所述坡口为V型,所述焊接材料的板厚与所述坡口的约束关系如下,若所述板厚小于12mm,所述焊接材料无需开所述坡口,若所述板厚大于等于12mm,所述坡口夹角为56-64°,所述坡口的钝边厚度为8-12mm。
在焊接工艺规程设计时,对于不同材料要选择不同的微量元素。焊接材料包括但不限于:低碳钢、双相不锈钢、高强度钢、特种钢、钛合金、锆合金、钽、哈氏合金、高硼钢、白铜(镍铜),常见涉及焊接的微合金元素包括Ti、Mn、Ni、Mg、V、Cr、Co、Nb、Mo、Zr、Al、Ca等,对于不活跃的微合金元素,则其成分以纯金属形式存在,而对于活跃的微合金元素,则其成分以合金形式存在,所述微合金元素形成的所述焊接介质包括焊丝或焊片,所述焊丝的直径为0.1mm~3mm范围内,所述焊片的宽度尺寸为0.1mm~1mm范围内,当所述微合金元素需求量较小时则将所述焊接介质加工成所述焊丝,当所述微合金元素需求量较大或所述焊接材料的坡口的钝边厚度较大时则将其加工成所述焊片,所述焊片的厚度尺寸小于所述焊接材料的板厚或小于所述焊接材料所述坡口的钝边厚度,所述焊片的长度尺寸等于或略小于所述焊接材料的焊缝的长度。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高效深熔弧焊辅助焊接方法,其特征在于:根据焊接材料的焊接特性选择专家***工艺库中的一种辅助焊接工艺对所述焊接材料进行施焊,所述辅助焊接工艺包括微合金化辅助工艺、磁场辅助工艺、微合金化耦合磁场辅助工艺以及由模糊神经网络模型建立的预测模型所生成的焊接配方中至少一种;
在所述专家***工艺库中形成所述微合金化辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性选择微合金参数,
步骤二:使用焊接介质对所述焊接材料按照深熔弧焊工艺进行施焊,所述深熔弧焊工艺具有深熔弧焊工艺参数,
步骤三:获取焊接后的接头制样并检测所述接头制样的性能参数,
步骤四:获取所述性能参数满足要求的所述深熔弧焊工艺参数和所述微合金参数,将所述深熔弧焊工艺参数和所述微合金参数存储于所述专家***工艺库中形成所述微合金化辅助工艺,和/或,
在所述专家***工艺库中形成所述磁场辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性安装磁场装置并设置磁场参数,
步骤二:对所述焊接材料按照所述深熔弧焊工艺进行施焊,
步骤三:获取焊接后的所述接头制样并检测所述接头制样的所述性能参数,
步骤四:获取所述性能参数满足要求的所述深熔弧焊工艺参数和所述磁场参数,将所述深熔弧焊工艺参数和所述磁场参数存储于所述专家***工艺库中形成所述磁场辅助工艺,和/或,
在所述专家***工艺库中形成所述微合金化耦合磁场辅助工艺包括如下步骤:
步骤一:根据所述焊接材料的焊接特性选择所述微合金参数、安装所述磁场装置并设置所述磁场参数,
步骤二:对所述焊接材料按照所述深熔弧焊工艺参数进行施焊,
步骤三:获取焊接后的所述接头制样,检测所述接头制样的所述性能参数,
步骤四:获取所述性能参数满足要求的所述深熔弧焊工艺参数、所述微合金参数以及所述磁场参数,将所述深熔弧焊工艺参数、所述微合金参数以及所述磁场参数存储于所述专家***工艺库中形成所述微合金化耦合磁场辅助工艺;
所述模糊神经网络模型形成的过程包括如下步骤:
步骤一:将所述模糊神经网络模型设置输入层、模糊化层、模糊规则计算层和输出层,所述输入层用于接收输入参数,所述输入参数为所述专家***工艺库中的性能参数,所述输出层用于提取输出参数;
步骤二:将所述输入参数归一化处理并将归一化后的所述输入参数划分为训练集、测试集和验证集;
步骤三:将所述输入参数模糊化,采用高斯隶属函数计算各所述输入参数的隶属度即为所述模糊化的过程,然后进行模糊规则计算。
2.根据权利要求1所述的高效深熔弧焊辅助焊接方法,其特征在于,所述焊接配方是基于微合金化辅助工艺、磁场辅助工艺、微合金化耦合磁场辅助工艺中的至少一种的基础上经过模糊神经网络模型训练后得到。
3.根据权利要求1所述的高效深熔弧焊辅助焊接方法,其特征在于,所述专家***工艺库按照材料特性进行分类,所述焊接材料根据所述专家***工艺库的材料类别及型号选择所述辅助焊接工艺。
4.根据权利要求3所述的高效深熔弧焊辅助焊接方法,其特征在于,当所述焊接材料从所述专家***工艺库中匹配到同类但不同型号材料时,则在所述专家***工艺库中选取与所述焊接材料化学成分最接近的材料涉及的微合金化辅助工艺、磁场辅助工艺以及微合金化耦合磁场辅助工艺之一,实施焊接后将满足要求的焊接工艺参数存储在所述专家***工艺库中。
5.根据权利要求3所述的高效深熔弧焊辅助焊接方法,其特征在于,当所述焊接材料无法从所述专家***工艺库中匹配到同类材料时,在所述专家***工艺库中选取与所述焊接材料化学成分最接近的材料涉及的性能参数训练所述模糊神经网络模型,经过训练过的所述模糊神经网络模型计算后,得到满足要求的所述焊接配方并将所述焊接配方存储在所述专家***工艺库中。
6.根据权利要求1所述的高效深熔弧焊辅助焊接方法,其特征在于,所述高斯隶属函数为:
式中,xj为第j个所述输入参数,λi j为所述输入参数xj第i个所述隶属度,μi j和σi j分别为所述高斯隶属函数的中心和宽度,j=1,2,...,k,k为所述输入参数的数量,i=1,2,...,n,n为模糊子集的数量。
7.根据权利要求6所述的高效深熔弧焊辅助焊接方法,其特征在于,使用连乘算子对各所述输入参数的所述隶属度在所述模糊规则计算层内进行模糊计算得到所述隶属度的连乘积即为所述模糊规则计算过程,
式中,ωi为各参数的所述隶属度的连乘积,i=1,2,...,n;
基于模糊规则计算的结果和权重系数得到所述输出参数:
式中,yi为第i个所述输出参数,pi k为所述权重系数。
8.根据权利要求7所述的高效深熔弧焊辅助焊接方法,其特征在于,所述权重系数pi k采用梯度下降法进行迭代更新,
式中,pi j(g)代表第g次迭代的权重系数,α为学习率,e为输出误差。
9.根据权利要求1-8任一项所述的高效深熔弧焊辅助焊接方法,其特征在于,选择所述辅助焊接工艺的优先级为:所述磁场辅助工艺>所述微合金化辅助工艺>所述微合金化耦合磁场辅助工艺。
10.根据权利要求9所述的高效深熔弧焊辅助焊接方法,其特征在于,当焊接电流阈值上下限的差值小于50A或焊接速度阈值上下限的差值小于0.5mm/s或钨针尖端到所述焊接材料表面距离阈值上下限的差值小于0.1mm时,切换所述辅助焊接工艺,包括将所述磁场辅助工艺切换为所述微合金化辅助工艺以及将所述微合金化辅助工艺切换为所述微合金化耦合磁场辅助工艺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311064998.7A CN116900450B (zh) | 2023-08-22 | 2023-08-22 | 一种高效深熔弧焊辅助焊接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311064998.7A CN116900450B (zh) | 2023-08-22 | 2023-08-22 | 一种高效深熔弧焊辅助焊接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116900450A CN116900450A (zh) | 2023-10-20 |
CN116900450B true CN116900450B (zh) | 2024-01-02 |
Family
ID=88366877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311064998.7A Active CN116900450B (zh) | 2023-08-22 | 2023-08-22 | 一种高效深熔弧焊辅助焊接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116900450B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101862913A (zh) * | 2010-05-13 | 2010-10-20 | 重庆大学 | 一种电磁电流耦合场辅助的激光-tig电弧复合熔钎焊方法和设备 |
CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
CN111177976A (zh) * | 2019-12-25 | 2020-05-19 | 广东省焊接技术研究所(广东省中乌研究院) | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
CN112122758A (zh) * | 2020-09-22 | 2020-12-25 | 哈尔滨工业大学(威海) | 一种Ni元素调控的磁场辅助铝合金与钢的电阻单元焊接方法 |
CN112643175A (zh) * | 2020-12-16 | 2021-04-13 | 天津大学 | 镍基合金-低合金高强钢功能梯度材料的制造方法及装置 |
CN112809135A (zh) * | 2021-01-15 | 2021-05-18 | 广东福维德焊接股份有限公司 | 一种9Ni钢自动高效深熔氩弧焊接工艺 |
CN113385820A (zh) * | 2021-06-11 | 2021-09-14 | 绍兴文理学院 | 一种双磁场和超声波协同辅助激光深熔焊接装置 |
CN115255555A (zh) * | 2022-08-09 | 2022-11-01 | 惠州丰采贵金属制造有限公司 | 一种焊接工艺 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6950813B2 (en) * | 2001-04-23 | 2005-09-27 | Hrl Laboratories, Llc | Fuzzy inference network for classification of high-dimensional data |
US20150122781A1 (en) * | 2013-11-04 | 2015-05-07 | Illinois Tool Works Inc. | System and method for selecting weld parameters |
-
2023
- 2023-08-22 CN CN202311064998.7A patent/CN116900450B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101862913A (zh) * | 2010-05-13 | 2010-10-20 | 重庆大学 | 一种电磁电流耦合场辅助的激光-tig电弧复合熔钎焊方法和设备 |
CN109865916A (zh) * | 2019-03-19 | 2019-06-11 | 山东大学 | 一种基于cbr和rbr的机器人焊接工艺参数优化方法 |
CN111177976A (zh) * | 2019-12-25 | 2020-05-19 | 广东省焊接技术研究所(广东省中乌研究院) | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
CN112122758A (zh) * | 2020-09-22 | 2020-12-25 | 哈尔滨工业大学(威海) | 一种Ni元素调控的磁场辅助铝合金与钢的电阻单元焊接方法 |
CN112643175A (zh) * | 2020-12-16 | 2021-04-13 | 天津大学 | 镍基合金-低合金高强钢功能梯度材料的制造方法及装置 |
CN112809135A (zh) * | 2021-01-15 | 2021-05-18 | 广东福维德焊接股份有限公司 | 一种9Ni钢自动高效深熔氩弧焊接工艺 |
CN113385820A (zh) * | 2021-06-11 | 2021-09-14 | 绍兴文理学院 | 一种双磁场和超声波协同辅助激光深熔焊接装置 |
CN115255555A (zh) * | 2022-08-09 | 2022-11-01 | 惠州丰采贵金属制造有限公司 | 一种焊接工艺 |
Also Published As
Publication number | Publication date |
---|---|
CN116900450A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suresh et al. | Sustainable friction stir spot welding of 6061-T6 aluminium alloy using improved non-dominated sorting teaching learning algorithm | |
Katherasan et al. | Simulation and parameter optimization of flux cored arc welding using artificial neural network and particle swarm optimization algorithm | |
Bandhu et al. | Assessment of weld bead geometry in modified shortcircuiting gas metal arc welding process for low alloy steel | |
Srinivasan et al. | Application of GRA and TOPSIS optimization techniques in GTA welding of 15CDV6 aerospace material | |
Saad et al. | Evaluation of welding processes based on multi-dimensional sustainability assessment model | |
Guo et al. | Microstructure and mechanical properties of an underwater wet welded dissimilar ferritic/austenitic steel joint | |
Wang et al. | Effect of heat input on MA constituent and toughness of coarse grain heat-affected zone in an X100 pipeline steel | |
Pathak et al. | Three-dimensional finite element analysis to predict the different zones of microstructure in submerged arc welding | |
Katherasan et al. | Flux cored arc welding parameter optimization using particle swarm optimization algorithm | |
Mohammadijoo et al. | Characterization of HAZ of API X70 microalloyed steel welded by cold-wire tandem submerged arc welding | |
Rajalingam et al. | Optimization of laser beam spot welding (LBSW) parameters to maximize the load bearing capability of AHS-DP1000 steel lap joints | |
Carvalho et al. | Development of optimal deposition strategies for cladding of Inconel 625 on carbon steel using wire arc additive manufacturing | |
Yin et al. | Microstructures and their distribution within HAZ of X80 pipeline steel welded using hybrid laser-MIG welding | |
Kumar et al. | On the influence of welding stainless steel on microstructural development and mechanical performance | |
CN116900450B (zh) | 一种高效深熔弧焊辅助焊接方法 | |
Kumar et al. | Effect of process parameters on microhardness and microstructure of heat affected zone in submerged arc welding | |
Vykunta Rao et al. | Vibratory weld conditioning during gas tungsten arc welding of al 5052 alloy on the mechanical and micro-structural behavior | |
Katherasan et al. | Modeling and optimization of flux cored arc welding by genetic algorithm and simulated annealing algorithm | |
Dadi et al. | A review paper on optimization of shielded metal arc welding parameters for welding of (Ms) Sa-516 Gr. 70 plate by using Taguchi approach | |
Komerla et al. | The effect of beam oscillations on the microstructure and mechanical properties of electron beam welded steel joints | |
Math et al. | Analysis optimization and modelling of CO2 welding process parameters in fabrication of mild steel plates | |
Tashev et al. | Mathematical modeling and optimization of parameters of the mode for tungsten-inert gas remelting with nanomodification of the surface layer | |
Kalpana et al. | Implementation of generalized regression neural network to establish a relation between vibration parameters and time of vibration for welded joints | |
Wiednig et al. | Toughness evaluation of EB welds | |
Poonguzhali et al. | Application of ANN modelling and GA optimization for improved creep and corrosion properties of spin-arc welded AA5083-H111 alloy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |