基于物理原理和数据驱动的方法用于焊缝几何形状建模
《Welding in the World》:A physics-based and a data-driven approach to weld bead geometry modeling
【字体:
大
中
小
】
时间:2026年04月30日
来源:Welding in the World 2.5
编辑推荐:
摘要
焊接过程涉及复杂的物理现象,对其进行精确建模在计算上可能非常昂贵。然而,为了优化机器人焊接的规划,准确预测焊缝几何形状是必要的。在本研究中,建立了一个假设焊缝轮廓为抛物线的二维焊接模型。抛物线的大小和方向是根据焊接参数和重力方向确定的。另一个模型采用了纯粹的经验主义神经
摘要
焊接过程涉及复杂的物理现象,对其进行精确建模在计算上可能非常昂贵。然而,为了优化机器人焊接的规划,准确预测焊缝几何形状是必要的。在本研究中,建立了一个假设焊缝轮廓为抛物线的二维焊接模型。抛物线的大小和方向是根据焊接参数和重力方向确定的。另一个模型采用了纯粹的经验主义神经网络方法,其中焊缝轮廓具有更灵活的几何参数化,由一组与焊接炬头的径向距离组成。这使得能够表示更复杂的焊缝轮廓。两个模型的校准和验证基于三个焊接测试,焊接方向与水平方向之间的角度从0到45°不等。对于这两个模型,建模与测量的焊缝轮廓之间的对应关系都很好,尤其是神经网络的准确性最高,特别是在焊缝与基材的过渡区域。然而,还需要进一步验证并将模型推广到焊接参数变化更大的数据集。
1 引言
海上工业使用由钢管制成的大型桁架结构(如图1所示)来支撑生产单元。制造这种结构涉及许多手动操作和较长的交货时间。引入更高程度的自动化有潜力提高制造速度并降低成本。这对于确保欧盟到2050年实现300吉瓦海上风电装机容量的目标尤为重要[1, 2]。其中最耗时的制造步骤之一是焊接。将钢管短段以一定角度切割并手动焊接在一起,以形成称为“短柱”的复杂接头。之后,将这些短柱与长钢管段对接焊接,以建立最终结构。图1中的最终对接焊缝可以看作是结构中的未涂层部分。焊接过程需要严格的过程、人员和检验程序的资格认证[3, 4],以确保焊缝的高结构完整性。结合精确的建模和焊接过程规划,机器人焊接有潜力减少设备和人员的空闲时间,并生产出质量更一致的焊缝,从而减少过程资格认证和检验所需的时间。
图1
这张图片的替代文本可能是使用AI生成的。
挪威Verdal的Aker Solutions建造场中的海上导管架结构。? Aker Solutions ASA,经许可转载。
图2
这张图片的替代文本可能是使用AI生成的。
a) 从透视角度看的简单90°短柱;b) 截面图;c) 放大的焊缝
图2展示了一个由小钢管分支连接到较大主管的短柱示例。像大多数焊缝一样,短柱焊缝由多层焊缝组成,如图2c所示。一种焊缝建模方法是预测每层焊缝的几何形状。这对于规划放置后续焊缝的位置以避免焊接缺陷以及预测焊缝槽的适当填充非常重要。在短柱焊缝中,由于分支表面与主管之间的角度变化以及焊缝槽壁表面的不平整,焊缝槽的截面几何形状会发生变化。这种焊缝槽几何形状的变化要求焊接参数和/或焊缝槽周围焊缝数量的变化。然而,在垂直于焊接方向的焊缝槽截面中,焊缝轮廓仍然可以用如图2所示的二维轮廓来表示。本工作的目标是预测这些轮廓的形状。当然,这些结果可以转移到焊缝槽截面几何形状和焊接参数沿焊接方向不变的简单焊接情况中。
焊缝轮廓的形成是一个复杂的过程,受到对流、表面张力、重力和其他多物理现象的影响[5]。因此,精确预测需要计算流体动力学(CFD)[6]或体积流体(VOF)[7]方法,这些方法在计算上可能非常昂贵。因此,已经开发了几种简化的二维(2D)焊缝模型。纯粹的经验主义模型通常假设焊缝呈正弦形、抛物线形或椭圆形[8,9,10],如果焊缝与前一层焊缝重叠,几何形状也可以更新[9, 10]。然而,将这些模型应用于受焊缝槽侧壁限制的焊接情况并不简单。尽管如此,通过将这些参数作为几何预测的输入,可以改进这些方法对其他焊接参数集的适用性[11, 12]。在[13]中,通过考虑重力和表面张力进一步改进了建模的物理基础。然而,该模型仅在垂直堆叠的单层焊缝上进行了验证。另一个抛物线模型使用模糊系统针对不同的焊接参数进行了校准,并在槽内焊接中进行了演示[14]。在其最简单的形式中,数据驱动的方法(如神经网络)可以使用焊接参数作为输入来预测焊缝的高度和宽度[15,16,17,18,19]。然而,它们也能够校准比手动管理更多的几何模型参数。因此,可以表示更复杂的焊缝轮廓。尽管如此,文献中尚未报道使用神经网络预测详细2D焊缝轮廓的案例。
在本研究中,开发了两种2D焊缝模型。第一个模型通过从焊接参数推导出焊缝的截面面积来预测抛物线焊缝轮廓的范围。计算中考虑了基材几何形状(包括焊缝槽壁),并将抛物线朝向重力方向旋转,以表示焊缝的下垂(因为短柱通常是在水平焊枪位置下焊接的)。第二个模型基于将基材和焊缝轮廓参数化为从焊接炬心出发的等角径向距离。在神经网络中,这些距离被用作输入参数。网络的输出是到焊缝轮廓的距离。使用固定角度射线的距离作为神经网络输入的概念已被用于机器人导航和虚拟环境中的人工智能代理[20, 21],但尚未用于焊缝轮廓的参数化。在以下部分中,将详细介绍开发的焊缝模型,并报告和讨论它们在三种不同坡度角度的槽内焊接中的应用。根据文献中的报告,第一个模型代表了一个复杂且易于校准的基于物理的模型,适用于槽内焊接。第二个模型引入了一种新的焊缝轮廓几何表示方法,能够捕捉焊缝轮廓的高阶特征,特别是在焊缝与基材的过渡区域。虽然当前工作仅对有限的焊接参数范围进行了模型验证,但这些结果可以被视为应用于槽内焊接的概念验证的成功证明。这两种模型应被视为解决此类建模问题的独立替代方法。这些模型在表示单个焊缝形状以及多焊缝整体几何形状的复合效应方面的能力已经进行了比较。
2 方法论
2.1 校准和验证的焊接测试
图3
这张图片的替代文本可能是使用AI生成的。
用于焊接测试的板材组装图。所有尺寸均以毫米为单位。
图4
这张图片的替代文本可能是使用AI生成的。
30°焊接测试的照片,显示了焊接前的倾斜板材组装和焊接后的成品。
进行了气体金属弧焊(GMAW)测试,以提供焊缝模型校准和验证的数据。焊缝布置在壁间角度为45°的槽中。图3显示了所使用的S460级结构钢板的组装。制造了三个组装件,分别在0°、30°和45°的角度进行焊接。焊接角度旨在代表短柱上的不同时钟位置(这也取决于分支与主管的直径比)。焊接是在向下倾斜的方向进行的。图4显示了焊接前后的30°测试结果。焊缝的长度为130毫米。
在测试过程中,使用Fronius TPS 500i焊接机输送了1.2毫米的Nittetsu SM-47A金属芯焊丝。焊接炬头安装在KUKA kr16 r2010工业机器人上。焊接参数的确切值是敏感信息。然而,测量的电流和电压分别在240–280安培和24–28伏特范围内,平均值在测试之间仅变化了6%和1%。送丝速度和焊接速度在测试之间没有变化,分别在6–8米/分钟和6–8米/秒范围内。
在铺设每层焊缝后,焊接的截面轮廓在图4中编号为0到5的六个位置进行了扫描。因此,可以通过比较该位置的两次扫描来确定焊缝的几何形状。使用了Micro-Epsilon ScanCONTROL 2610-100激光轮廓扫描仪,其z轴参考分辨率为2微米。扫描中的点距离在0.15到0.70毫米之间变化。轮廓扫描最初使用已知的工业机器人姿态记录在本地2D坐标系统中。这种设置允许将这些2D焊缝扫描转换为机器人的全局坐标系统,在其中也记录了焊接姿态。然而,实验设置中的几个因素影响了这种转换的准确性,最显著的是焊接过程中的板材表面热变形。尽管总体变化很小,但由于多种因素的相互作用,量化其精确幅度却具有挑战性。
图5
这张图片的替代文本可能是使用AI生成的。
0°测试中位置1-4的测量焊缝截面
图5显示了0°焊接中位置1-4的测量焊缝截面。位置0和5被排除在图中,因为这些位置靠近焊接开始和结束的地方,也是焊接过程最不稳定的地方。从图中可以看出,焊缝轮廓在测量位置之间相当稳定。也就是说,焊缝的波纹和不平整性没有导致测量截面轮廓的大幅变化或漂移。这表明2D模型有望能够表示最终是三维的焊缝轮廓的形状。对于30°和45°焊接也观察到了类似的结果。
2.2 基于物理的抛物线模型
图6
这张图片的替代文本可能是使用AI生成的。
使用基于物理的抛物线模型对槽内焊缝的建模示例
图6展示了第一个焊缝模型——基于物理的抛物线模型——应用于槽内的一个焊缝示例。抛物线的相关部分以实线显示,而虚线表示基材。原始火炬的方向以虚线表示,并且与抛物线的点划线中心线不一致。火炬方向与基材的交点被称为火炬击中点。该模型基于三个关键的物理假设:在焊缝熔化过程中,表面张力会导致其顶面产生特定的曲率;在沉积焊料时,体积保持不变;通过旋转抛物线的中心线来表示重力和毛细作用对焊缝熔化前流动的影响。本小节的其余部分详细描述了模型的控制方程和校准程序。模型假设所有焊珠的高度与宽度比为1/20(高度和宽度分别从平行于和垂直于抛物线中心线的击中点开始测量)。完成模型定义只需确定抛物线的比例和方向,这将在接下来的段落中说明。在供给的焊丝和焊珠之间的体积(V)守恒关系可以得出焊珠的截面积(A):
$$\begin{aligned} \dot{V}_\text {bead}&=\dot{V}_\text {wire}\eta , \text {其中 }\dot{V}_\text {bead}=A_\text {bead}v_\text {welding}{, }\dot{V}_\text {wire}=A_\text {wire}v_\text {feed}\end{aligned}$$ (1) $$\begin{aligned} \Rightarrow A_\text {bead}&=A_\text {wire}\eta \frac{v_\text {feed}}{v_\text {welding}}\text{. } \end{aligned}$$ (2) 这里,v表示焊接速度或焊丝送进速率,\(\eta \)表示沉积效率因子(在模型中设置为0.94 [22, 23],以考虑蒸发以及焊丝芯的熔化)。在图6中,\(A_\text {bead}\)是由基材和焊珠抛物线围成的面积。在图6中,抛物线方向与重力向量之间的角度\(\alpha \)被设定为140°(与原始火炬方向无关)。也就是说,抛物线的中心线与水平面会有一个相对较大的角度,以考虑重力导致的焊珠下垂。然而,在靠近焊缝槽顶部悬垂壁的特殊情况下,由于毛细作用,焊珠会表现出一定的附着性。在模型中,如果击中点距离顶部壁小于6毫米,则将\(\alpha \)减小到115°来考虑这种效应。通过将前一个焊珠的轮廓作为基材的一部分,可以对后续焊珠进行建模。所提出的模型参数是通过系统地改变高度与宽度比例和抛物线方向(对于靠近悬垂顶部壁的焊珠使用一个\(\alpha \)值,对于远离它的焊珠使用另一个值)在30°倾斜角度下进行校准的。一次校准包括了测试中的所有焊珠。使得模型中模拟的击中点与实际测量基材之间的平均距离\(\delta \)最小的参数集被视为最佳拟合。因此,导致后续焊珠位置偏差的模型参数被认为是不合适的。0°和45°倾斜角度下的测试用于验证校准后的模型。校准和验证使用了焊接过程被认为是稳定的焊缝中间区域的测量数据(具体来说,是图4中的位置2)。结果显示在第3.2.3节中。
神经网络模型
图7
这张图片的替代文本可能是使用AI生成的。
全尺寸图片
每层具有N个神经元的神经网络架构
第二个焊珠模型——神经网络模型——基于一个简单的前馈网络,其中输入数据是一个描述前一表面的向量,输出是一个预测焊珠的向量。网络架构如图7所示。从物理上讲,为了获得固定大小的输入和输出向量,问题被重新表述为一个射线投射问题,所有射线都从单个点发出,具有固定的10°?角度分布。这个射线发射点在焊接火炬的局部坐标系中定义,相对于火炬位置向外移动了额外的10毫米(以消除突出校正)。然后局部坐标系隐式地编码了焊接火炬的位置和方向。这在图8中进行了说明,其中15个输入和输出沿着它们各自的射线可视化。模型随后只看到这些射线从下到上的固定顺序的长度。总的角度覆盖范围是相对于火炬方向的±70°,距离基材表面大约10毫米。这个距离和角度分布是通过实验确定的,以覆盖数据集中的所有焊珠。选择15个输入和输出点的分辨率是在表面保真度和网络大小之间的折中。在这里,小的网络大小对于使模型实用至关重要,更重要的是,为了限制网络对小数据集的过拟合。
图8
这张图片的替代文本可能是使用AI生成的。
全尺寸图片
神经网络射线投射的概念,包括输入和输出
网络由16个输入节点组成,其中15个输入用于描述焊缝表面,最后一个输入用于描述焊接台的倾斜角度(取值为0、30或45°)。输入节点后面跟着两个全连接的线性隐藏层,每个隐藏层有20个节点,并使用高斯误差线性单元(GELU)激活函数。网络以15个线性节点结束,预测焊珠的轮廓。所有射线距离都是未缩放的,单位为毫米。该网络使用PyTorch机器学习库实现,并在所有三个焊接测试上进行了训练和验证,共使用了194对焊缝表面和焊珠的数据,这些数据都来自焊接测试中的位置1-4(见图4),训练/验证比例为80/20。使用了L1成本函数,这里表示测量焊珠轮廓与预测焊珠轮廓之间的平均绝对射线长度差异。Adam优化器被使用,学习率为0.015,共训练了1000个周期。训练和验证损失作为周期的函数显示在图9中。如图所示,训练和验证损失之间没有显著差异。
图9
这张图片的替代文本可能是使用AI生成的。
全尺寸图片
神经网络模型的训练和验证损失
3 结果
3.1 基于抛物线物理的模型
图10
这张图片的替代文本可能是使用AI生成的。
全尺寸图片
使用基于抛物线的物理模型,从0°、30°和45°焊接的位置2测量的和建模的横截面
图10显示了三个焊接测试的抛物线焊珠模型的结果。图表按斜率角度递增排序,图10b显示了30°焊接的校准结果,图10a和c显示了其他焊接斜率角度的验证结果。由于当前模型的范围不包括焊缝金属穿透根部开口和生成负焊珠表面的情况,因此省略了对槽中初始根焊珠的建模。从图10可以看出,每层中焊珠的沉积顺序是按照垂直位置递增的。从点划线可以看出,由于靠近顶部槽壁的焊珠的建模规则,每层中最后一个焊珠的抛物线方向与其他焊珠不同。从作为虚线显示的基材轮廓可以看出,随着每个焊珠的焊接,槽壁逐渐靠近。然而,这种效应不足以干扰模型的评估。
考虑到抛物线焊珠模型的简单性,它似乎与图10中的测量焊珠轮廓吻合得很好。模型和测量结果之间的最终焊缝帽的高度变化非常小。模型还相当好地表示了单个焊珠轮廓(无论是在比例还是方向上),这些轮廓似乎主要是凸形状。然而,它无法捕捉到焊珠靠近基材端部的较小凹区域。对于30°和45°的测试,第二个焊珠的表示似乎不够好。这可能是由于来自两个槽壁的毛细作用,而这在模型公式中没有明确考虑。由于每个焊珠的建模都是基于前一个焊珠的建模轮廓,因此没有重置可能累积的任何误差。尽管如此,建模精度似乎几乎没有偏差。在模拟的焊珠与实际测量基材之间的平均距离\(\delta \)分别为30°焊接(用于校准)为0.54毫米,0°和45°焊接分别为0.57毫米和0.37毫米。
3.2 神经网络模型
图11
这张图片的替代文本可能是使用AI生成的。
全尺寸图片
三个焊接的神经网络预测和真实值
图11显示了与图10中相同测试和部分的结果。这些结果是通过递归地向网络提供之前的预测得到的,循环从基础几何形状开始。可以看出,累积误差很小,有轻微的低估趋势。更有趣的是网络对沿壁的毛细作用的模拟,同时保持了中心焊珠的更接近抛物线的形状。在估计的火炬/焊丝尖端位置可以观察到一个明显的误差来源,对于最后一个焊珠,这个位置有越来越接近焊珠表面的趋势。这个误差被网络输入数据捕获,但对预测精度的影响似乎很小。这可能表明网络已经学会了忽略绝对的火炬位置,而是更关注火炬的方向和基材的几何形状。
4 讨论
当前的工作展示了两种焊珠模型在三种不同斜率下焊接的能力。然而,当前测试中焊接参数的变化非常有限。因此,焊接参数甚至没有成为神经网络模型的输入部分。因此,需要更多关于更广泛焊接参数范围的测试数据来校准模型,以便在当前工作呈现的参数空间之外使用。更广泛的校准可能会导致模型公式的更新。从图10可以看出,焊接火炬的方向也在一个相当狭窄的范围内变化。因此,在抛物线焊珠模型中假设火炬方向不影响抛物线轮廓的方向。这个假设对于火炬接近水平位置的焊接可能是合理的,但对于垂直位置的焊接来说,这种特定的公式可能不太适用。需要进行更多其他焊接位置的焊接测试,以便对抛物线模型中的抛物线方向进行有意义的校准。在比当前焊接测试更薄的板材上进行焊接可能会减少热量的散发,并影响焊珠的凝固速率和流动。在抛物线模型中,这可能通过改变抛物线角度和焊珠的高度与宽度比来反映。使用其他焊接焊丝也可能产生与当前测试不同的焊珠几何形状。
图12
这张图片的替代文本可能是使用AI生成的。
全尺寸图片
抛物线模型和神经网络模型对三个焊接的比较
图13
这张图片的替代文本可能是使用AI生成的。
全尺寸图片
对于三个焊接,抛物线模型和神经网络模型的预测偏差
对于神经网络,数据的有限变化可能会导致尽管网络规模较小但仍有一些过拟合。输出没有任何物理约束也是当前架构的一个弱点。一个结合了焊缝区域约束的混合损失函数对于更通用的架构来说是有意义的。在这项工作中,为了评估没有约束的原始架构的预测能力,我们没有包含这一约束。尽管存在这些缺点,该框架似乎是一个强大且灵活的解决方案,可以用于推广焊缝模型。使用来自更复杂仿真的合成焊缝数据可能是校准更通用神经网络模型的一个好方法。使用当前的微小模型进行训练和推理的成本可以忽略不计,1000个训练周期的总训练时间仅为10秒。
图12展示了抛物线模型和神经网络模型之间的比较。从图中可以看出,当预测17到21个焊缝时,两种模型的表现都很好。神经网络模型不采用多项式阶数,这使其在曲率变化方面具有更大的灵活性。这种灵活性得到了很好的体现,且没有出现随着多项式阶数增加而可能出现的振荡行为。
图13显示了所有三个焊缝的每个焊缝的平均绝对距离偏差。这种偏差测量是通过计算模型预测中的每个点与相应的实际测量焊缝轮廓之间的绝对距离来进行的。可以看出,随着焊缝数量的增加,偏差呈现出总体上升的趋势。这是误差累积的自然结果。误差趋于平缓的趋势可能是由于三角形几何形状造成的,在操作进行过程中需要更多的焊缝来覆盖沟槽的宽度。平均而言,这两个模型在这个指标上的表现非常相似。
对于预测焊接沟槽的充分填充而言,两种模型的准确性似乎都是足够的。神经网络模型在焊缝边缘区域的更高准确性使其成为进一步研究更明确焊缝缺陷预测的候选者。
从更广泛的角度来看,所提出的焊缝沟槽表面扫描和焊缝建模的结合为机器人焊接的自适应规划提供了输入,适用于沿焊接方向变化的预先准备好的焊缝沟槽几何形状。这些模型允许在任何焊接操作之前研究不同焊接策略的预测结果,从而可以减少焊接缺陷的数量和修复的需求。然而,在这种评估中,还需要考虑当前几何模型无法预测的未穿透或其他内部缺陷。从当前工作的结果来看,建模精度的偏差似乎足够低,可以根据初始的沟槽轮廓来规划整个焊缝截面。然而,如果热变形相当大,也可以通过逐层进行规划,并在每层之间重新扫描,以最小化误差累积,并提出适当的焊接参数和焊缝数量。
**结论**
在当前的工作中,提出了两种用于预测焊缝轮廓的焊缝几何模型:一种基于抛物线轮廓和物理考虑的模型,另一种是基于更灵活几何参数化的数据驱动模型。以下是一些工作结论。抛物线模型似乎能够很好地捕捉焊缝轮廓的主要形状,但无法表示焊缝与基底之间的凹形区域。体积守恒的假设似乎得到了很好的验证,结果显示从第一个焊缝到最后一个焊缝的准确性偏差很小,焊缝盖层的水平也得到了准确的预测。对于接近水平位置的焊接炬方向,当前的焊缝抛物线方向规则似乎是合适的。神经网络模型总体上表现出最高的准确性,同时也能合理地表示过渡区域的凹形形状。这展示了前馈架构的灵活性和稳定性,在许多方面可以被视为多项式拟合的自然扩展。因此,如果需要更大的灵活性和捕捉更多的几何效应,神经网络模型似乎是抛物线方法的合理扩展。为了创建一个更通用的模型并确保可靠性,应该对神经网络模型进行重新制定,以包含一些对输出的物理约束。这可以通过成本函数的形式添加,例如一个软性的焊缝区域约束,或者作为输入参数间接实现。这至少需要一个焊缝面积有显著变化的新的测试。这些模型是在使用狭窄范围的焊接参数和焊接炬方向进行的焊接测试数据上校准的。需要来自更广泛测试参数范围的校准数据来更新模型公式并扩展其适用性。这些模型为优化焊接前的机器人焊接参数和路径提供了基础,以减少焊接缺陷的数量。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号