邵海清，廖春，戴昌璐，姜志宏，李宇達

1.江西下壟鎢業(yè)有限公司 江西贛州 341000

2.江西理工大學 江西贛州 341000

1 序言

磁選機是礦冶加工中重要的含鐵或磁性礦物篩選設備，而介質盒則是磁選機的核心部件之一。介質盒是由特種金屬導磁柱焊接固定在兩軟磁金屬薄板之間，且要求焊接表面平整，不允許有脫焊、漏焊，要將焊接變形控制在一定范圍內，因此對溫度及焊接速度均有較高要求。目前，國內磁選機廠商均采用人工焊接，對工人的焊接技術要求很高，且焊接效率較低。因此，通過研究焊接參數(shù)對介質盒焊接變形的影響，可提高焊接效率、焊接質量、合格率等，對降低企業(yè)生產成本、提高企業(yè)的競爭力具有重要意義。

有限元模擬能夠揭示試驗方法難以獲得的焊接變形數(shù)據(jù)，目前許多學者利用有限元方法對焊接變形進行了大量研究。MIKAMI等[1]通過一系列的試驗和數(shù)值分析，提出了一種利用有限元模型預測多道焊接變形和焊接殘余應力的簡化模擬方法，并且驗證了熱輸入模型的有效性。RONG等[2]采用熱-彈-塑性法分析了T形接頭的焊接應力和變形，并進行了試驗驗證，提出了以高斯熱源和錐形熱源結合的新模型來模擬焊接過程，通過仿真與試驗結果對比，驗證了仿真的有效性。WIES?AWA等[3]對TIG焊接變形進行了數(shù)值分析，利用Abaqus軟件進行應力場和焊接變形的模擬仿真，提出的計算結果包括應力場和變形情況。FANG等[4]建立了焊接節(jié)點耦合和解耦的焊接模型，得到焊接變形和焊接殘余應力的分布。經對比分析，焊接變形和焊接殘余應力的結果與試驗測量結果的變化趨勢一致，驗證了有限元模型的有效性，對提高焊接仿真精度具有重要意義。KHOSHROYAN等[5]利用建立三維熱力耦合模型，考慮材料性能隨溫度變化，針對3種不同焊接電流、2種焊接速度、2組不同焊接順序，分別計算材料的應力和變形。

介質盒焊接過程中不同位置的溫度會在較大范圍內持續(xù)發(fā)生變化，焊縫區(qū)域的溫度變化最大，導致了介質盒焊接時產生了較大的非線性變形。這種非線性變形的影響因素很多，涉及多門學科，如熱力學、材料力學等。因此，國內外學者針對利用神經網絡預測非線性變形進行了大量研究。LIU等[6]在模擬機上對合金進行等溫壓縮試驗，提出了一種基于反向傳播學習算法的人工神經網絡模型來預測非線性熱變形，通過對比預測和試驗結果，驗證神經網絡模型的有效性、準確性。LIN等[7]利用等溫壓縮試驗獲得不同溫度、應變和應變速率下的流動應力，利用BP神經網絡技術預測材料各向非線性熱力學參數(shù)，預測與試驗結果較為吻合，因此驗證了該方法對非線性模型的有效性。許良[8]以鈦合金切削過程中加工表面產生的回彈變形量作為研究對象，將有限元仿真結果利用BP神經網絡建立回彈非線性變形預測模型，得到各加工參數(shù)對非線性變形的影響。楊金超等[9]以船用高強鋼T形接頭焊接物理模擬試驗作為基礎，利用神經網絡建立了高強鋼T形接頭焊接變形模型，得到焊接參數(shù)、底板厚度、焊接順序等因素對非線性焊接變形的影響。

2 介質盒焊接變形的有限元仿真技術

2.1 有限元模型的建立

介質盒的焊接過程為熔斷導磁柱與表面金屬薄板焊接在一起，該焊接過程與堆焊屬于同質問題，因此將其簡化為薄板多焊縫焊接過程。在進行仿真時可將熱源移動區(qū)域設置為長矩形。某一規(guī)格介質盒其表面金屬薄板長300mm、寬170mm、厚5mm。為了減少計算量且讓焊接計算收斂，提高運算速度，本文只對介質盒表面金屬薄板進行建模，研究焊接變形規(guī)律。

焊接過程涉及到電弧物理、熱傳導、材料力學等多門學科，而且焊接過程中材料屬性會隨溫度的劇烈變化而有所改變，因此焊接過程呈高度非線性。本文綜合考慮所建立的金屬薄板模型，劃分網格方式為八節(jié)點六面體網格。采用這樣的一種過渡性網格建模方式，保證了焊縫區(qū)域精度，大幅度降低了計算成本。

2.2 材料模型參數(shù)

利用Abaqus對金屬薄板進行焊接仿真前需要了解其熱力學參數(shù)，對于金屬薄板的熱力學參數(shù)主要考慮屈服強度、線膨脹系數(shù)、泊松比、彈性模量、比熱容、導熱系數(shù)與密度等[3]，各參數(shù)隨溫度變化的情況見表1。

表1 焊接材料熱力學參數(shù)

介質盒表面金屬薄板為鎳鐵合金，將焊縫單元的材料熱力學參數(shù)與母材熱力學參數(shù)設為一致。介質盒焊接采用數(shù)控逆變式直流脈沖氬弧焊機焊接，焊接效率為0.75～0.90，熱傳導效率取0.80。

根據(jù)相關文獻及實際焊接情況，對9條焊縫進行編號（見圖1），設計了4種能夠實現(xiàn)且較為典型的焊接順序方案（見表2）。方案1為由上至下依次焊接；方案2為從上下兩側往中間對稱焊接；方案3由中間焊縫開始往上下兩側對稱焊接；方案4為上端到中間再到下端對稱焊接。選取3組焊接電流分別為300A、330A、360A，3組焊接速度分別為15mm/s、20mm/s、25mm/s。

圖1 介質盒表面金屬薄板焊縫序號

表2 介質盒表面金屬薄板多焊縫焊接順序

2.3 仿真結果

利用Abaqus軟件進行多組不同焊接參數(shù)下的仿真，得到介質盒焊接變形量，獲得介質盒表面金屬板變形溫度場云圖。根據(jù)前文所述的多組焊接參數(shù)，即4組焊接順序、3組焊接電流、3組焊接速度，完成36組仿真試驗。通過仿真云圖可以得到不同焊接工藝溫度場的演化，也可獲取變形量，從而得到不同焊接工藝下介質盒表面的變形量。方案一（焊接電流330A，焊接速度25mm/min）的焊接工藝下的溫度場云圖如圖2所示，從圖2a可知，焊接完成后介質盒表面中部的溫度最高，變形量也最大，這與實際焊接過程的結果一致（見圖2b）。后文將焊接變形量分析作為不同焊接工藝下介質盒焊接質量的重要評價參數(shù)。

圖2 金屬薄板焊接變形溫度場云圖

3 介質盒焊接變形的神經網絡預測方法

針對焊接工藝對介質盒焊接變形的影響，以Abaqus有限元仿真數(shù)據(jù)為基礎，建立焊接參數(shù)與焊接變形之間的聯(lián)系，借助BP神經網絡中優(yōu)良的預測精度和非線性泛化能力，實現(xiàn)對某規(guī)格介質盒焊接變形的預測，再對多組不同規(guī)格介質盒焊接變形進行預測。

3.1 BP網絡結構的確定

BP神經網絡形式簡單，對非線性具有較好的適應性和較好的信息處理能力。以焊接順序、焊接電流和焊接速度與某規(guī)格介質盒變形之間的關系為研究對象，基于BP神經網絡的某規(guī)格介質盒焊接變形預測模型的網絡模型結構如圖3所示。

圖3 某規(guī)格介質盒焊接變形預測模型的網絡模型結構

輸入層、輸出層神經元的節(jié)點數(shù)分別對應特征因子（自變量）和系統(tǒng)目標（因變量）個數(shù)。某規(guī)格介質盒焊接變形預測中，輸入變量為焊接順序、焊接電流、焊接速度，輸出變量為介質盒焊接變形量。輸入層神經元的個數(shù)取3、輸出層神經元個數(shù)取1。中間的隱含層神經元的個數(shù)是影響網絡模型能力的關鍵參數(shù)，將直接影響模型的預測精度。若節(jié)點數(shù)目太多，網絡模型復雜，則會產生過擬合；若節(jié)點數(shù)目太少，則網絡的學習效果較差，訓練精確程度不高。常用的隱含層神經元個數(shù)的確定方法可參考以下計算公式，即

式中m——隱含層神經元個數(shù)；

u——輸入層神經元個數(shù)；

v——輸出層神經元個數(shù)；

a——可調節(jié)常數(shù)，1＜a＜10。

根據(jù)上式對網格設置過程的中間隱含層神經元數(shù)量進行多次簡單試驗對比，其結果顯示，當隱含層神經元個數(shù)為5時，本次學習過程中訓練誤差較小且計算速度較快，學習情況良好，最終建立BP神經網絡為3-5-1結構。

3.2 結果分析

基于BP神經網絡建立某規(guī)格介質盒焊接變形預測模型，首先要創(chuàng)建新的BP神經網絡，根據(jù)需求直接調用MATLAB神經網絡工具箱中的S型函數(shù)作為激活函數(shù)，選用BTF作為訓練函數(shù)。取36組仿真試驗中的29組作為訓練樣本和測試樣本數(shù)據(jù)，用于神經網絡的訓練和測試。余下7組作為預測樣本數(shù)據(jù)，用來驗證網絡模型準確性和性能評價。模型訓練過程主要包括網絡初始化、隱含層計算、輸出計算、誤差計算、權值更新、閾值更新和迭代判斷等幾個步驟。所建立BP神經網絡的訓練結果如圖4所示，訓練樣本與網絡學習結果對比見表3。經過375次訓練后達到預設的誤差要求，滿足了預設性能要求。

圖4 神經網絡訓練結果

表3 訓練樣本與網絡學習結果對比

由表3對比數(shù)據(jù)可知，網絡訓練最大誤差為3.39%，最小誤差為0.11%，誤差總體較小，學習狀態(tài)良好。將所建立BP神經網絡預測結果與仿真結果進行對比，獲得的對比曲線如圖5所示。

圖5 網絡預測與仿真結果對比曲線

由圖5可看出，預測值與仿真值誤差較小，所選的7組預測數(shù)據(jù)最大誤差為1.94%，最小誤差為0.50%。因此，可以確定基于BP神經網絡建立的某規(guī)格介質盒焊接順序、焊接電流、焊接速度對焊接變形影響的預測模型有效，且可靠性、準確度較高，實現(xiàn)了焊接參數(shù)與焊接變形之間非線性關系的映射，可為實現(xiàn)各種規(guī)格介質盒焊接變形預測提供理論指導。

4 結束語

本文以介質盒焊接過程有限元模擬仿真作為基礎，利用BP神經網絡卓越的學習能力，有效地建立了焊接參數(shù)與焊接變形之間的非線性邏輯關系。通過對比分析表明，預測數(shù)據(jù)合理、可靠。對比分析有限元仿真值與神經網絡預測值，相對誤差在3.39%以內，說明基于神經網絡建立的介質盒焊接變形預測模型準確、有效。