吳悠 潘建剛 廖明潮 張亮

摘要： 通過對電弧熔絲增材制造（Wire and arc additive manufacturing，WAAM）單道焊縫試驗數(shù)據(jù)的分類整理，分析用戶需求和使用需要，基于python編程語言下的Django框架，采用B/S架構(gòu)開發(fā)了一個電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)。試驗結(jié)果表明，該系統(tǒng)采用數(shù)據(jù)庫與算法預測模型結(jié)合的方式開發(fā)而成，主要設(shè)置了用戶權(quán)限管理、基本打印數(shù)據(jù)和焊縫形貌預測三大模塊，具有存儲擴展打印試驗數(shù)據(jù)功能和預測未知工藝參數(shù)下焊縫形貌的功能。不同的打印工藝方法引入不同的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用時數(shù)據(jù)庫系統(tǒng)自動讀取庫內(nèi)已有的算法模型或根據(jù)已有的試驗數(shù)據(jù)訓練新的模型，之后錄入試驗數(shù)據(jù)會自動對模型重新訓練，實現(xiàn)隨數(shù)據(jù)庫內(nèi)試驗數(shù)據(jù)擴展或修正自動適應(yīng)的參數(shù)預測，能夠預測未知工藝參數(shù)下的焊縫形貌尺寸。最后，基于MIG工藝設(shè)計了1組驗證試驗對數(shù)據(jù)庫的預測功能效果進行檢驗，熔寬預測誤差為1.3%，余高預測誤差為1.5%，說明了數(shù)據(jù)庫系統(tǒng)預測功能的可行性。

關(guān)鍵詞： 數(shù)據(jù)庫; 電弧熔絲增材制造; 打印工藝; 焊縫形貌預測; BP神經(jīng)網(wǎng)絡(luò)

中圖分類號： TG 44

Database system of wire and arc additive manufacturing based on BP neural network

Wu You1， Pan Jiangang2， Liao Mingchao1， Zhang Liang3

（1. Wuhan Polytechnic University， Wuhan 430023， China；2. Xian Shiyou University， Xian 710065， China； 3. Shenzhen Polytechnic， Institution of Intelligent Manufacturing Technology， Shenzhen 518055， Guangdong， China）

*源文獻：? 吳悠， 潘建剛， 廖明潮， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)［J］. 焊接， 2022（11）： 35-39.

Abstract： Based on the classification of single pass weld experiments data of wire arc additive manufacturing， this paper analyzes the needs of users and uses them. Based on the Django framework under python programming language， a database system of wire and arc additive manufacturing is developed with B/S architecture. The system is developed by the combination of database and algorithm prediction model. It mainly sets three modules： user authority management， basic experiments data management and weld geometry prediction. It has the function of storing and expanding printing experiment data and predicting weld geometry under unknown welding process parameters. Different printing process methods introduce different BP neural network structures. When in use， the database system automatically reads the existing algorithm model in the database or trains a new model according to the existing experimental data. After entering the experimental data， the model will be retrained automatically， so as to realize the parameter prediction automatically adapted with the expansion or correction of the experimental data in the database， it can predict the weld geometry and size under unknown process parameters. Finally， a set of validation tests are designed based on MIG process to test the effect of the prediction function of the database. The prediction error of melt width is 1.3% and the prediction error of reinforcement is 1.5%， which shows the feasibility of the prediction function of the database system.

Key words： ?database； wire and arc additive manufacturing； welding process； geometry prediction； BP neural network

0 前言

電弧熔絲增材制造工藝是一種基于實體3D模型，采用逐層沉積方式“從無到有”制造實體工件的技術(shù)，其應(yīng)用涉及航空航天、機械制造、土木工程等眾多領(lǐng)域。電弧熔絲增材制造工藝是基于傳統(tǒng)的電弧焊接技術(shù)而發(fā)展起來的一種3D打印技術(shù)，具有熱輸入高、成形速度快、材料利用率高等特點，尤其適合中等復雜程度、大型工件的快速制造。在電弧熔絲增材制造分層沉積過程中，單道焊縫的幾何形狀對金屬零件的層厚、表面質(zhì)量和尺寸精度有關(guān)鍵影響［1］。焊絲成分、保護氣體、工藝參數(shù)（電流、電壓、掃描速度）等因素對單道焊縫成形有至關(guān)重要的影響。因此，在探索不同金屬材料的成形參數(shù)的過程中，必然會產(chǎn)生大量的試驗數(shù)據(jù)，針對這些試驗數(shù)據(jù)的分析、管理及應(yīng)用，并基于少量試驗數(shù)據(jù)的工藝—成形預測，對于獲得較優(yōu)的工藝參數(shù)及成形構(gòu)件尤其重要。因此，開發(fā)一款針對電弧增材制造技術(shù)的數(shù)據(jù)庫系統(tǒng)顯得十分必要。

許多研究者針對焊接數(shù)據(jù)庫系統(tǒng)做了大量的工作，這些焊接數(shù)據(jù)庫的設(shè)計開發(fā)一般可分為兩類，第一類是數(shù)據(jù)庫對焊接工藝參數(shù)、焊接流程、人員等基本信息進行分類儲存，操作人員在數(shù)據(jù)庫中可直接定位檢索目的信息，如胡志鵬［2］設(shè)計的焊接工藝數(shù)據(jù)庫，可以將焊接的工藝參數(shù)錄入到數(shù)據(jù)庫系統(tǒng)中并對數(shù)據(jù)進行基本的增刪改查，榮佑珍等人［3］開發(fā)的航空專用焊接數(shù)據(jù)庫及專家系統(tǒng)，可輔助焊接工藝文件的管理，陳振林等人［4］采用B/S架構(gòu)開發(fā)了應(yīng)用于航空發(fā)動機焊接零件的焊接工藝資源數(shù)據(jù)庫系統(tǒng)，焊接數(shù)據(jù)庫系統(tǒng)涵蓋了焊接基礎(chǔ)數(shù)據(jù)庫、焊接參數(shù)數(shù)據(jù)庫、材料焊接性能數(shù)據(jù)庫和典型零件案例庫，促進了焊接知識自動化水平的提高；第二類是在傳統(tǒng)數(shù)據(jù)庫的基本信息儲存功能上加入了推理、經(jīng)驗公式、回歸模型等方法對數(shù)據(jù)庫中沒有錄入的位置參數(shù)進行預測，如馮允宣等人［5-6］設(shè)計的中厚板焊接數(shù)據(jù)庫，不僅能夠?qū)崿F(xiàn)參數(shù)信息的基本增刪改查操作，還引入了BP神經(jīng)網(wǎng)絡(luò)建立了板材厚度與焊接參數(shù)之間的映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，一些學者將BP神經(jīng)網(wǎng)絡(luò)引入到電弧增材制造工藝的開發(fā)中［7-8］，然而目前關(guān)于電弧增材參數(shù)數(shù)據(jù)庫的相關(guān)研究仍然相對匱乏。

文中開發(fā)的數(shù)據(jù)庫系統(tǒng)實現(xiàn)了對試驗數(shù)據(jù)的基本管理，主要用于儲存金屬材料種類，氣體種類，基板種類，打印工藝方法及打印工藝參數(shù)，單道焊縫形貌等基本信息，針對電弧熔絲增材試驗中使用的各類焊接工藝，引入BP神經(jīng)網(wǎng)絡(luò)建立打印參數(shù)與單道焊縫形貌的映射關(guān)系，實現(xiàn)對未錄入打印參數(shù)下焊縫形貌的預測，并賦予模型實時更新功能，即使后續(xù)修改了數(shù)據(jù)庫中的試驗數(shù)據(jù)信息，也確保了模型預測能力的準確性。用戶只需選擇材料、基板種類、保護氣種類、打印工藝方式及打印工藝參數(shù)即可自動調(diào)用算法模型預測出該參數(shù)下的焊縫形貌。該數(shù)據(jù)庫系統(tǒng)不僅將已有試驗數(shù)據(jù)進行完整備份，并進一步開發(fā)了已有試驗數(shù)據(jù)的預測價值，大大節(jié)省了工藝開發(fā)的周期和成本。

1 系統(tǒng)總體設(shè)計

文中所開發(fā)的電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)擁有三大功能模塊：用戶權(quán)限管理模塊，基礎(chǔ)數(shù)據(jù)信息模塊，焊縫形貌預測模塊。用戶權(quán)限管理模塊將管理員用戶和普通用戶進行分級管理以賦予不同權(quán)限?；A(chǔ)數(shù)據(jù)信息模塊用于分類管理已有的試驗數(shù)據(jù)信息，并將試驗數(shù)據(jù)分類型實時地傳遞到焊縫形貌預測模塊。焊縫形貌預測模塊將基礎(chǔ)數(shù)據(jù)信息模塊傳遞的試驗數(shù)據(jù)自動進行BP神經(jīng)網(wǎng)絡(luò)建模并預測單道焊縫形貌的熔寬和余高。電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)的總體結(jié)構(gòu)及相互依賴關(guān)系如圖1所示。文中基于前期試驗獲得的低碳鋼，不銹鋼和鋁合金等單道成形試驗數(shù)據(jù)，通過開發(fā)電弧熔絲增材制造數(shù)據(jù)庫實現(xiàn)數(shù)據(jù)存儲和焊縫形貌（熔寬和余高）預測。

2 系統(tǒng)功能設(shè)計及實現(xiàn)

電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)采用B/S架構(gòu)，開發(fā)過程使用前后端分離模式，后端使用python編程語言下的Django框架進行開發(fā)，前端使用Vue框架進行頁面UI搭建，數(shù)據(jù)庫使用MySQL作為主要關(guān)系型數(shù)據(jù)庫存儲基礎(chǔ)數(shù)據(jù)模塊的試驗數(shù)據(jù)信息，采用Redis作為緩存數(shù)據(jù)庫用于存儲訓練好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)重等信息。Django引入了ORM的概念，可以連接到MySQL數(shù)據(jù)庫中操作數(shù)據(jù)。用戶從前端發(fā)來對數(shù)據(jù)的操作請求后，由Django后端接受到請求，后端選擇先到緩存中獲取數(shù)據(jù)并進行處理，若是緩存沒有獲得數(shù)據(jù)再到數(shù)據(jù)庫中對數(shù)據(jù)進行操作，最后將處理好的數(shù)據(jù)封裝傳遞回前端，由前端動態(tài)的渲染到用戶頁面上。

2.1 用戶權(quán)限管理模塊設(shè)計

用戶的權(quán)限分級分為管理員用戶與普通用戶，普通用戶可以根據(jù)前端注冊，管理員權(quán)限只能夠通過后臺系統(tǒng)賦予。該系統(tǒng)賦予管理員用戶最高權(quán)限，可以對整個數(shù)據(jù)庫的所有信息、模型預測算法內(nèi)容等進行增刪修改；僅賦予普通用戶對庫內(nèi)試驗數(shù)據(jù)的檢索權(quán)以及焊縫形貌的預測權(quán)。

2.2 基礎(chǔ)數(shù)據(jù)信息模塊設(shè)計

基礎(chǔ)數(shù)據(jù)信息模塊主要由絲材、基板、保護氣體、工藝方法及打印參數(shù)、焊縫形貌等基本信息組成，用于存儲試驗數(shù)據(jù)，如圖2所示。后臺數(shù)據(jù)儲存是依靠關(guān)系型數(shù)據(jù)庫數(shù)據(jù)存儲模式的表格制成，通過表格中字節(jié)之型間進行關(guān)聯(lián)。由于電弧熔絲增材制造涉及多種工藝，每種工藝設(shè)置的打印參數(shù)種類也不甚相同。因此，對于打印工藝表的設(shè)計，需要引入“多態(tài)”的概念［9］，具體設(shè)計過程：每種工藝方法及該工藝方法下設(shè)置的工藝參數(shù)標簽及數(shù)據(jù)都單獨地創(chuàng)建成一張表；另外建立一個中間關(guān)聯(lián)表將工藝方法和該工藝方法下的具體某一組參數(shù)關(guān)聯(lián)起來，就可實現(xiàn)用戶界面工藝方法及打印參數(shù)展示的簡潔，在此基礎(chǔ)上進一步設(shè)置了工藝方法增加擴展功能，需要添加新的工藝只需再創(chuàng)建一張表，表中存儲該工藝對應(yīng)的參數(shù)即可，這樣的設(shè)計極大地節(jié)省了存儲空間，并增加了該數(shù)據(jù)庫系統(tǒng)的擴展性。該模塊關(guān)系表實體聯(lián)系圖（E-R圖）如圖3所示，E-R圖描述本數(shù)據(jù)庫系統(tǒng)內(nèi)各項數(shù)據(jù)實體之間的關(guān)系以及每張數(shù)據(jù)表的具體表字段。

2.3 焊縫形貌預測模塊設(shè)計

基于基礎(chǔ)數(shù)據(jù)信息模塊已錄入的試驗數(shù)據(jù)，焊縫形貌預測模塊結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法模型對焊縫形貌進行了預測，設(shè)計示意圖如圖4所示。不同工藝方法下設(shè)置的打印參數(shù)種類也不相同，相應(yīng)地，BP神經(jīng)網(wǎng)絡(luò)算法的模型結(jié)構(gòu)也不相同。在預測過程中，根據(jù)已有的試驗數(shù)據(jù)，選擇對焊縫形貌影響較大的參數(shù)用于算法預測，而不是將所有參數(shù)都用于模型預測，避免影響模型的預測準確度。文中所涉及到的焊接工藝均基于SKS焊機系統(tǒng)研發(fā)，但數(shù)據(jù)庫系統(tǒng)仍可適用于其他焊機下的焊接工藝，針對該焊機系統(tǒng)的MIG工藝及MIG-CC工藝，焊縫形貌預測模塊使用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

MIG工藝的熔滴過渡為脈沖熔滴過渡與短路熔滴過渡相結(jié)合的方式，其對應(yīng)的工藝參數(shù)中脈沖序列決定了單位時間內(nèi)的脈沖數(shù)，每一次脈沖都會產(chǎn)生熔滴過渡，效率更高，MIG-CC工藝為SKS焊機特有的工藝，其熔滴過渡方式為短路熔滴過渡，因此只用通過調(diào)整電流即會較大程度的改變?nèi)鄣芜^度的速度。

由于只選出了對焊縫形貌影響程度較大的參數(shù)用于神經(jīng)網(wǎng)絡(luò)的訓練，神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元不多，不需要使用復雜的網(wǎng)絡(luò)將數(shù)據(jù)庫的數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)訓練之前，需要將數(shù)據(jù)進行歸一化處理， 這樣做的目的是將一個數(shù)據(jù)范圍轉(zhuǎn)換為表示數(shù)據(jù)特征的另一個數(shù)據(jù)范圍，以確保每個焊接參數(shù)對網(wǎng)絡(luò)的影響相同，并適應(yīng)由神經(jīng)網(wǎng)絡(luò)輸出層的激活函數(shù)計算的值。數(shù)據(jù)處理后，所有的訓練數(shù)據(jù)歸一化到閉合區(qū)間［0，1］內(nèi)，即

xnorm=x-xminxmax-xmin（1）式中：x為各個工藝參數(shù)的值，通過式（1）將所有輸入工藝參數(shù)在訓練前歸一化到［0，1］內(nèi)。

隱藏層神經(jīng)元是神經(jīng)網(wǎng)絡(luò)擬合任何非線性關(guān)系的關(guān)鍵點。神經(jīng)元中的激活函數(shù)會扭曲輸入和輸出之間的線性關(guān)系，從而使網(wǎng)絡(luò)模型能夠逼近任何復雜的映射關(guān)系。訓練過程中，所有神經(jīng)元的激活函數(shù)選擇sigmoid函數(shù)，反向傳播過程中使用Adam作為優(yōu)化器，相較于使用隨機梯度下降，Adam優(yōu)化器不容易陷入局部最小值［10］，損失值函數(shù)選擇平均絕對誤差公式用于評定神經(jīng)網(wǎng)絡(luò)的性能，即

ER=|ypred-ytrue|ytrue×100%（2）

式中：ypred表示神經(jīng)網(wǎng)絡(luò)的預測值；ytrue表示數(shù)據(jù)的原始值。之后基于Tensorflow框架進行BP神經(jīng)網(wǎng)絡(luò)模型的搭建，以MIG工藝為例，使用一層循環(huán)調(diào)整隱藏層的神經(jīng)元個數(shù)，最后確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-12-2時損失值最小。

神經(jīng)網(wǎng)絡(luò)模型會根據(jù)數(shù)據(jù)庫中的信息， 將不同條件下的工藝參數(shù)數(shù)據(jù)進行模型訓練，并將訓練過后神經(jīng)網(wǎng)絡(luò)的參數(shù)存儲記錄在服務(wù)器端的緩存數(shù)據(jù)庫，當普通用戶使用預測功能時，不需要等待神經(jīng)網(wǎng)絡(luò)重新訓練，直接加載對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型與模型參數(shù)即可，當數(shù)據(jù)庫中原始數(shù)據(jù)發(fā)生較大變化時，系統(tǒng)內(nèi)部會重新對神經(jīng)網(wǎng)絡(luò)進行訓練，并重新記錄緩存模型參數(shù)。

為驗證焊縫形貌預測功能的準確度，額外進行驗證試驗，驗證試驗的具體打印參數(shù)見表1。使用數(shù)據(jù)庫系統(tǒng)預測功能得出的結(jié)果是焊縫寬度的預測誤差為1.3%，焊縫余高的誤差為1.5%。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)算法可以很好地擬合焊接工藝參數(shù)與焊縫形貌之間的關(guān)系，并且可以實現(xiàn)高精度的焊縫形貌預測效果。

3 結(jié)論

（1）文中開發(fā)的電弧熔絲增材制造數(shù)據(jù)庫系統(tǒng)，實現(xiàn)了不同工藝方法下工藝方法與焊縫形貌的試驗數(shù)據(jù)分類管理以及預測功能，并保留了數(shù)據(jù)庫的擴展功能，降低試驗成本，實現(xiàn)了電弧增材試驗數(shù)據(jù)的信息化管理。

（2）引入BP神經(jīng)網(wǎng)絡(luò)算法，賦予焊縫形貌預測模型實時更新功能，充分開發(fā)已有試驗數(shù)據(jù)的信息價值，實現(xiàn)對未知工藝參數(shù)下焊縫形貌的高精度預測，驗證試驗焊縫寬度的預測誤差為1.5%，焊縫余高的誤差為5%。

參考文獻

［1］ Xiong J， Zhang G， Hu J，? et al. Bead geometry prediction for robotic GMAW-based rapid manufacturing through a neural network and a second-order regression analysis［J］. Journal of Intelligent Manufacturing，? 2014，? 25（1）：157-163.

［2］ 胡志鵬. 基于B/S模式的焊接工藝管理系統(tǒng)［D］. 南昌：南昌航空大學， 2012.

［3］ 榮佑珍， 劉仁培， 魏艷紅. 航空專用焊接數(shù)據(jù)庫及專家系統(tǒng)［J］. 航空制造技術(shù)， 2017（12）：43-47.

［4］ 陳振林， 張玉蓮， 苑興楠， 等. 航空發(fā)動機焊接工藝資源數(shù)據(jù)庫系統(tǒng)開發(fā)［J］. 機械制造文摘——焊接分冊， 2020（4）：1-5.

［5］ 張兆棟， 馮允宣， 祝美麗， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的中厚板焊接數(shù)據(jù)庫系統(tǒng)設(shè)計［J］. 焊接設(shè)備與材料， 2021， 50（5）：107-110.

［6］ 馮允宣. 中厚板高效平位置焊接工藝研究及焊接數(shù)據(jù)庫的建立［D］. 大連：大連理工大學， 2021.

［7］ Hu Z， Qin X， Li Y， et al. Welding parameters prediction for arbitrary layer height in robotic wire and arc additive manufacturing［J］. Journal of Mechanical Science and Technology， 2020， 34（4）： 1683-1695.

［8］ Xia C， Pan Z， Polden J， et al. Modelling and prediction of surface roughness in wire arc additive manufacturing using machine learning［J］. Journal of Intelligent Manufacturing， 2022， 33（5）： 1467-1482.

［9］ 劉晶東， 趙棟梁， 劉達. 基于多態(tài)的自然資源數(shù)據(jù)庫研究［J］. 測繪與空間地理信息， 2020， 43（S1）：68-69.

［10］ 王建輝， 冉金鑫， 沈瑩瑩， 等. 基于GA-ADAM優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)灌水量預測模型［J］. 中國農(nóng)村水利水電， 2022（4）：138-143.

吳悠簡介： 碩士研究生；主要從事電弧增材制造及深度學習的研究；472624271@qq.com。

張亮簡介： 通信作者， 博士， 副研究員；主要從事金屬增材制造的研究；已發(fā)表論文20余篇；zhangliang@szpt.edu.cn。