焊接是一种广泛应用于各个行业的制造和连接技术,包括汽车、航空航天、造船、管道建设等(Singh, 2020; Vendan et al., 2019)。然而,焊接过程的质量和效率仍然很大程度上依赖于焊工的技能和经验知识,这可能导致焊缝几何形状和接头性能的差异。随着制造业需求的增加,使用机器或机器人进行自动焊接变得越来越普遍,通常用于重复性高、批量大的任务,而手动焊接由于其适应性和成本效益,在小规模操作中仍然不可或缺(Kah et al., 2015; Xu et al., 2022)。无论采用何种焊接方法,焊接程序的合格性在确保焊缝接头满足所需的机械、冶金和尺寸性能方面都起着关键作用(Ali et al., 2024; Cheng et al., 2021)。对于厚部件,单道焊接通常不足以实现完全穿透和足够的接头强度。在这种情况下,需要采用多层多道(MLMP)焊接,即依次沉积多道焊缝以填充凹槽并形成最终接头(Xu et al., 2021)。图1展示了一个典型的MLMP焊接接头,包括焊缝、热影响区(HAZ)和基材。从几何角度来看,焊缝轮廓在确保焊缝符合设计规范并避免过度强化或缺乏熔合等缺陷方面起着关键作用。过度强化可能导致焊缝趾部应力集中,从而降低疲劳寿命;而填充不足可能导致熔合不足或未完全穿透。在MLMP焊接中,每道新沉积焊缝的几何形状受到前一道焊缝的几何形状和焊接参数的强烈影响。因此,理解和预测焊缝几何形状的演变对于设计合适的焊接程序和确保接头质量至关重要。
开发一种方法来模拟输入焊接参数、初始几何形状和最终焊缝几何形状之间的关系,在焊接程序的分析和优化中起着重要作用。为此已经提出了几种方法,包括计算流体动力学(CFD)数值建模、数学拟合和机器学习。CFD建模(例如Flow 3D商业软件(Biyikli et al., 2023)是一种强大的工具,能够模拟熔池行为并预测焊缝形成、温度分布和流体流动特性(Jia et al., 2024)。它解决了包括质量守恒、动量守恒和能量守恒在内的控制方程,同时考虑了外部因素,如热输入、马兰戈尼对流效应、体力作用和电弧压力。然而,CFD模型需要详细的材料数据、边界条件,并且计算成本较高,因此较少用于预测焊缝几何形状。
表1总结了使用不同方法预测焊缝几何形状的现有研究。在过去的几十年中,这些研究主要集中在预测少数个别量,如焊缝宽度、高度或穿透深度,而不是使用线性回归(LR)(Biyikli et al., 2023; Baek et al., 2024)、多层感知器(MLP)(Lee and Um, 2000; Nagesh and Datta, 2002)、径向基函数神经网络(RBF-NN)(Ahmed et al., 2018)或Gray模型(Venkata Rao, 2024)来预测整个焊缝轮廓。这些方法简单易实现,并假设变量之间存在线性或低阶关系。例如,MLP模型和线性回归模型之间的主要区别在于模型的灵活性。线性模型简单直接地建立了输入和输出之间的关系,而MLP模型更为复杂且非线性,可以通过多层学习非线性模式。
最近,一些研究尝试超越标量焊缝参数,使用先进的学习框架来预测或重建完整的焊缝几何形状(Horváth et al., 2021)。提出了一种基于模糊系统的模型,用于估计多层焊接中不平整基材表面的焊缝轮廓系数。然而,该方法依赖于手工制作的多项式系数和分段轮廓函数,而不是直接从焊接参数和初始焊缝形状学习完整的截面几何形状(von Querfurth et al., 2025)。开发了一种神经网络模型,其中之前的焊缝轮廓通过CNN处理,并与来自MLP的焊接参数特征融合以预测焊缝几何形状。该方法显示出有希望的结果;然而,它是在少量焊接道次上训练的,并未与传统机器学习模型进行定量比较。一项较新的研究(Rashid et al., 2025)引入了一种基于物理的神经网络(PINN)框架,用于丝弧定向能量沉积中的焊缝几何形状预测。该框架使用基于物理的模型来模拟热场,并将其与几何变化相结合以预测焊缝几何形状。然而,它仍然需要大量的训练时间,并且仅在单道沉积情况下进行了评估。
尽管这些研究在焊缝几何形状预测方面取得了有意义的进展,但它们大多存在一些重要的局限性。首先,大多数现有的焊缝几何形状预测研究仅关注有限的标量描述符,如焊缝宽度、高度或穿透深度,只有少数近期研究尝试重建完整的截面焊缝轮廓。此外,输入几何形状对最终焊缝形状有显著影响,而之前沉积的焊缝的影响被简化或忽略了。此外,一些模型是为特定过程开发的,受到小数据集的限制,或者计算成本较高。
为了弥合这一差距,我们旨在通过同时考虑工艺参数和任意的初始焊缝形状来预测完整的焊缝几何形状。由于这个问题涉及将输入空间轮廓映射到相同维度的输出轮廓,因此编码器-解码器架构非常适合。这种结构允许从输入几何形状中提取多尺度特征,然后可以以原始分辨率进行重建。因此,条件U-Net架构提供了一种强大的机制,可以将之前的焊缝轮廓与基于参数的条件相结合,使其成为这项任务的理想候选者。
总结来说,我们的贡献如下:
•我们开发了一种利用以焊丝尖端为参考的感兴趣区域提取技术的焊缝几何形状数据收集方法。这种方法有效减少了几何波动,并消除了焊接位置变化的影响。
•我们提出了一个基于卷积神经网络的框架,用于从初始几何形状和焊接参数预测焊缝几何形状。我们将其性能与三种传统的机器学习模型进行了基准测试:线性回归、随机森林和多层感知器。
•我们通过使用实验数据成功预测了复杂多层多道焊接序列中的焊缝几何形状,证明了所提出模型的实际应用性。