Microstructure investigation and residual stress numerical simulation on welded joint of 304/Q345R composite plate
-
摘要: 为研究复合板在焊接过程中复杂的热力学行为，利用ABAQUS有限元软件对304/Q345R复合板的焊接过程进行了数值模拟，通过热电偶和盲孔法获得了焊接接头的热循环曲线和残余应力分布规律，验证了有限元模型的正确性. 同时采用光学显微镜和扫描电镜对焊接接头的微观组织、晶粒形貌和元素分布进行了分析，研究焊接接头部位的微观组织演化规律. 结果表明，焊接残余应力最大值为312 MPa，位于焊趾附近，残余应力沿焊缝至母材方向逐渐降低并趋于稳定. 在两种材料的交界面处发现残余应力不连续现象. 焊接接头微观组织主要由奥氏体和铁素体组成，复层熔合线附近的铁素体以板条状和针状形成带状过渡区，而熔合线附近的奥氏体晶粒成柱状形貌且尺寸更为微小.Abstract: In order to study the complex thermo-mechanical behavior of the composite plate in the welding process, a finite element model was developed to simulate the welding process of 304/Q345R composite plate. The thermal cycle curve and residual stress distribution of the welded joint were obtained by thermocouple and blind hole method. The finite element model was verified by the experimental results. Meanwhile, the microstructure, grain morphology and element distribution of the welded joint were analyzed by means of optical microscope and scanning electron microscope, and the microstructure evolution of the welded joint was investigated. The results showed that the maximum welding residual stress was 312 MPa, which was located at the weld toe, and the residual stress gradually decreased and stabilized along the direction from the weld to the base metal. At the interface of the two materials, the residual stress discontinuity was observed. The microstructure of the welded joint was composed of austenite and ferrite. The ferrite in the vicinity of the fusion line of the composite layer presents strip and needle-like shape and forms a banded transition zone, while the austenite grains in the vicinity of the fusion line presents columnar morphology and smaller size.
-
0. 序言
焊接生产智能化与自动化是焊接制造领域的技术发展趋势，实现自动焊接的前提是焊缝的自动识别.激光视觉传感技术是将激光投射在焊缝表面形成包含焊缝轮廓信息的焊缝条纹图像，然后进行特征提取，因其具有非接触、高精度等技术优势在焊缝识别领域得到了广泛应用[1].在自动焊接过程中，对焊缝坡口关键位置信息进行准确提取，可明显提升焊接质量[2-3].余佳杰等人[4]利用质心法提取焊缝中心线，通过最小二乘法和k均值聚类提取焊缝特征点，提高了焊缝识别的准确度；Li等人[5]构造焊缝轨迹特征三角形来提取形状特征，并基于欧几里德距离判别焊缝轨迹，提高了焊接效率与稳定性；Zhang等人[6]提出二阶导数算法对特征点进行初始定位，然后进行线性拟合实现精确定位，实现焊缝实时跟踪；Tian等人[7]通过使用自适应生成动态感兴趣区域(region of interest, ROI)并进行迭代操作，设置ROI内的边界条件后，有效提高该算法的焊缝识别精度.
焊接智能化要求焊缝识别算法具有较强的抗干扰能力和适应能力，以适用于不同场景下的焊接要求.传统的图像识别方法需要各种特征提取算法进行焊缝识别，其适应性和抗干扰能力较差，近年来，深度学习方法已在焊接领域得到了广泛应用[8]，陈凯等人[9]基于深度学习的方法对焊缝识别定位，先对焊缝类型进行分类，再对焊缝图像进行分割以得到焊缝位置信息，该算法轻量高效并具有较高定位精度；杨国威等人[10]引入先验框定位焊缝特征点区域，并将焊缝的位置与置信度相结合，提取焊缝特征点，抑制了噪声干扰，保证了焊接精度，具有一定的适应性；唐溪等人[11]基于改进的CenterNet网络对焊缝进行定位，加入特征融合和注意力机制，提升了检测精度.深度学习方法不同于传统图像识别，省去了繁琐的特征提取，有效提高了焊缝识别的适应性.
文中采用深度学习方法，对焊缝特征识别技术展开分析，将焊缝特征点识别问题变成关键点检测问题.通过采集不同角度的焊缝图像，选取焊缝特征的关键点作为数据集，将标注好的焊缝数据输入特征提取网络模型中，经过一系列卷积、池化操作提取焊缝特征，进行上采样与深浅层特征融合，输出焊缝特征点热力图.热力图中响应值最大的位置为关键点，获取关键点坐标，并返回其位置.由于是从热力图中提取目标信息，不需要非极大值抑制(non-maximum suppression, NMS)进行筛选，减小了网络参数及计算量，提升了特征提取速度.通过对焊缝特征点的定位结果进行分析，满足自动焊接的定位精度和实时性要求.
1. 焊缝特征提取算法
传统的图像处理算法提取焊缝特征点时，面对不同类型的焊缝坡口图像，需要调整阈值，以便找到焊缝的特征点，因此该方法的泛化能力较差.深度学习[12]方法直接使用图像作为网络的输入，将特征表达融于网络的训练过程中，避免了传统识别算法中复杂繁琐的特征提取和数据重建过程，所以使用适应性强、抗干扰能力强的卷积神经网络进行焊缝特征提取，在不同类型的焊缝坡口图像中提取焊缝特征点也有利于提高焊接效率.
CenterNet，HRNet等关键点检测方法[13-15]广泛应用于2D和3D目标检测、人体姿态检测等领域，具有较高的检测速度与精度.受关键点检测方法的启发[16]，并基于在焊接场景下能够准确定位焊缝的坡口位置，获取焊缝特征点位置信息，设计了简单高效的焊缝特征提取网络，如图1所示.
焊缝图像输入尺寸为
$W \times H \times D $ ，式中：$ W $ 为图像宽度；$ H $ 为图像高度；$ D $ 为图像深度.焊缝特征提取网络生成含有焊缝特征点位置的热力图，将热力图进行归一化，其值在0 ~ 1且和为1，操作如下
$$ {Z_{ij}} ={\rm{ Soft}}\max \left( {{{\textit{z}}_{i,j}}} \right) = \frac{{\exp ({{\textit{z}}_{i,j}})}}{{\displaystyle\sum\limits_{i = 1}^w {\displaystyle\sum\limits_{j = 1}^h {\exp ({{\textit{z}}_{i,j}})} } }} $$ (1) 式中：
${Z_{ij}} $ 表示(i, j)点的势力值；i = 1···n；j = 1···h；$\exp ({{\textit{z}}_{i,j}}) $ 为$e ({{\textit{z}}_{i,j}}) $ 生成两个与热力图尺寸一致的矩阵X和Y，具体计算为
$$ \left\{ {\begin{array}{*{20}{c}} {{X_{ij}} = \dfrac{{2j - \left( {w + 1} \right)}}{w}} \\ {{Y_{ij}} = \dfrac{{2i - \left( {h + 1} \right)}}{h}} \end{array}} \right. $$ (2) 从而得到热力图中焊缝特征点的位置坐标
$$ \left( {x,y} \right) = \left[ {{{\left\langle {Z,X} \right\rangle }_F},{{\left\langle {Z,Y} \right\rangle }_F}} \right] $$ (3) 式中：
$ {{\left\langle {Z,X} \right\rangle }_F} $ 表示矩阵Z与矩阵X进行F范数；$ {{\left\langle {Z,Y} \right\rangle }_F} $ 表示矩阵Z与矩阵Y进行F范数，关键点热力图的特征点坐标转换如图2所示.1.1 焊缝特征提取网络
焊缝特征提取网络如图3所示，下采样网络由4个卷积层和3个池化层组成.提取网络将输入焊缝图像进行下采样，每个卷积层含有多个卷积核特征提取器，用于提取输入图像的特征，卷积层提取丰富的焊缝特征信息.池化层对图像进行降维，降低网络模型的复杂度，防止过拟合，提高模型的泛化能力 [17].焊缝特征提取网络进行下采样时，通过卷积和池化操作对焊缝位置信息和边缘特征进行提取，产生了丰富的位置信息.图像经过多次卷积、池化操作，图像的边缘、位置信息会丢失很多，为了将输出的特征映射维度还原为原始图像维度，进行上采样操作.通过上采样恢复图像大小，提高输出图像的分辨率，恢复目标细节并使定位更准确.在网络的上采样过程中，采用的是最邻近上采样，这样可以最大程度保留特征图的语义信息，得到既有良好的空间信息又有较强烈的语义信息的特征图，有利于热力图中心回归预测.
1.2 特征融合
焊缝识别定位的检测需要准确的位置信息，进行下采样操作后会降低图像维度，为减少位置信息的损失，因此加入特征融合机制以提高焊缝定位精度.通过上采样与特征融合，提高输出图像的分辨率，恢复目标细节并使定位更准确.
通过特征融合减少卷积过程的信息损失，增强焊缝检测的鲁棒性，从而提高焊缝的定位精度.如图4所示，深浅层网络特征融合中，1 × 1卷积用于跨通道融合，上采样操作后，利用3 × 3卷积对其进一步融合，消除上采样带来的重叠效应，将相同尺寸但不同语义的特征相融合，最终采用最高分辨率特征图，采用低层与高层信息的特征融合，保留了焊缝像素之间的相对位置，有利于提高焊缝检测的精度与抗干扰性.
1.3 模型训练与数据集
文中采用京航科技公司的JHSM1400相机，采集坡口宽度10 mm，厚度5 mm的焊缝图像，通过采集不同角度和高度的焊缝图像，提高焊缝特征点的检测精度和鲁棒性，以满足焊缝特征点识别的任务需求，将采集到的焊缝数据集分为训练集1 000张，测试集100张.原始图像边缘存在多余的激光条纹，为降低网络模型训练所需的硬件资源与时间成本，将采集的图像尺寸调整为360像素 × 480像素.
为保证焊缝特征点的识别精度，对原始图像进行图像旋转和镜像操作，实现增大数据集的目的，防止因为样本数据较少而出现的欠拟合问题，并提高训练后的网络模型的泛化性能.多种坡口类型的焊缝图像进行处理后，得到3 000张训练集图像，300张测试集图像.
试验中所用的焊缝图像采集好后，对焊缝数据集中的焊缝图像进行标注，标注示意图如图5所示.通过标注在线结构光上的焊缝特征点，将焊缝特征点的位置信息储存在标签文件里，为减小人工标注的误差，多次标注焊缝图像，取多组焊缝数据的平均值作为特征点坐标.
试验使用的计算机配置为16G内存，CPU i5-12500H，GPU GeForce RTX2060，Pytorch 1.6.0.
网络的损失函数Lk选用SmoothL1损失函数
$$ {{{L}}_{{{\rm{k}}}}}(l,t) = \sum\limits_{i \in \left\{ {x,y} \right\}} {{\text{Smoo}}{\rm{t}}{{\rm{h}}_{{\rm{L1}}}}} \left( {{l_i} - {t_i}} \right) $$ (4) 式中：
$ l = \left( {{l_x},{l_y}} \right) $ 表示焊缝特征点的预测位置；$ t = \left( {{t_x},{t_y}} \right) $ 表示真实的焊缝位置信息$$ {\text{Smoo}}{\rm{t}}{{\rm{h}}_{{\rm{L1}}}}\left( x \right) = \left\{ {\begin{array}{*{20}{c}} {0.5{x^2}}, \\ {\left| x \right| - 0.5} , \end{array}} \right.\begin{array}{*{20}{c}} {{\rm{if}}\left| x \right| < 1} \\ {{\rm{otherwise}}} \end{array} $$ (5) 模型训练采用适应性矩估计Adam优化器，学习率设置为0.001，batch bize为4，迭代训练100轮.训练过程中，每30轮循环后更新学习率，学习率衰减为原来的0.1倍，在加载训练数据时，使用实时数据增强，以提高模型的泛化能力.
2. 试验结果与分析
为验证文中算法在焊缝图像特征点上的提取精度，将标注好的焊缝数据输入特征提取网络模型中，输出提取结果的关键点坐标，采用均方根误差(root mean square error, RMSE)来衡量焊缝图像特征点提取精度的评价指标. 图6为不同坡口类型焊缝图像中特征点的提取结果，图中圆圈中心点为SIFT算法提取的焊缝特征点，方框中心点为焊缝特征提取网络预测的焊缝特征点.焊接过程受到噪声干扰时，SIFT算法对提取到的焊缝特征点存在特征点误判情况，反应出了算法具有一定的抗干扰性.对于不同坡口类型的焊缝，所采用的方法均能较准确地检测到焊缝特征点，具有较强的普适性和泛化能力.
![]()
图 6 不同坡口类型焊缝特征点识别结果Figure 6. Weld feature point recognition results of different groove types. (a) SIFT algorithm; (b) key point detection algorithm为了准确对比特征提取结果精度，将3种坡口类型的焊缝图像，分别做100组试验.将识别的焊缝特征点与人工标注的真实位置的误差进行计算，焊缝特征点的提取精度对比结果见表1.焊缝特征点定位误差曲线图如图7 ~ 图9所示，从试验结果可以看出，3种坡口类型的焊缝图像特征点的识别结果均方根误差为0.187 mm.
表 1 焊缝特征点提取精度对比Table 1. Comparison of weld feature points extraction accuracy算法 均方根误差σRMSE/mm V形 搭接 对接 均值 SIFT 0.258 0.247 0.254 0.253 Ours 0.201 0.173 0.188 0.187 ![]()
图 7 V形焊缝特征点定位误差曲线Figure 7. V-weld feature point positioning error graph. (a) left feature point; (b) right feature point![]()
图 8 搭接焊缝特征点定位误差曲线Figure 8. Lap weld feature point positioning error graph. (a) left feature point; (b) right feature point![]()
图 9 对接焊缝特征点定位误差曲线Figure 9. Butt weld feature point positioning error graph. (a) left feature point; (b) right feature point焊缝特征点位置信息的准确提取决定了焊缝定位的精度,为保证定位精度，对焊缝特征点的平均定位误差以及误差分布情况进行评估，如图10所示，大部分焊缝特征点定位误差小于0.2 mm，焊缝特征点检测结果具有很高的精度，满足焊接的要求.
为保证焊接过程中的实时性要求，将各算法在焊缝数据集上的用时进行比较，算法用时见表2.从用时结果来看，文中算法用时32.145 6 ms，略少于SIFT算法用时，满足焊接的实时性要求.综上所述，本文算法用时少，同时提取的焊缝特征点的误差小，可以准确实现焊缝特征点的定位.
表 2 算法用时比较Table 2. Algorithm time comparison算法 时间t/ms V形 搭接 对接 均值 SIFT 40.518 2 39.470 5 40.993 0 40.327 2 Ours 31.626 1 32.907 1 31.903 6 32.145 6 3. 结论
(1)基于关键点检测方法进行焊缝识别，输出焊缝特征点热力图，从热力图中获得焊缝特征位置信息，可实现多坡口类型的焊缝定位.
(2)所提方法具有很高的精度，大部分焊缝特征点定位误差小于0.2mm，满足焊接的要求.
(3)算法用时32.145 6 ms，略少于SIFT算法用时，满足焊接的实时性要求.
-
![]()
图 2 焊接热循环曲线测量
Figure 2. Welding heat cycle measurement. (a) test points A, B, C; (b) schematic diagram of thermocouple installation
![]()
图 5 材料热物理属性参数
Figure 5. Thermophysical properties of Q345R and 304. (a) heat conduction; (b) specific heat capacity; (c) thermal expansion coefficient
![]()
图 6 复层坡口处取样示意图 (mm)
Figure 6. Schematic diagram of sampling groove in the composite layer
![]()
图 7 复层坡口金相组织
Figure 7. Microstructures of the groove in the composite layer. (a) position L; (b) position M; (c) position N
![]()
图 8 复层基层交界处金相图
Figure 8. Metallographic structure of the interface between base metal and composite layer
![]()
图 10 复层焊缝熔合区金相图
Figure 10. Metallographic structure of the fusion area in the composite weld zone
![]()
图 11 304不锈钢对接焊缝熔合区金相图
Figure 11. Metallographic structure of the fusion area in the 304 stainless steel weld zone
![]()
图 13 温度场试验与模拟对比
Figure 13. Comparison of the thermal cycle curves obtained from experiment and simulation at different points. (a) point A; (b) point B; (c) point C
![]()
图 14 焊缝冯米塞斯应力云图
Figure 14. Von mises residual stress distribution of the welded joint. (a) on the top surface; (b) on the cross section
表 1 Q345R和304不锈钢化学成分(质量分数，%)
Table 1 Chemical compositions of Q345R steel and 304 stainless steel
母材 C Si Mn P S Ni Cr Fe Q345R 0.20 0.247 0.604 ≤ 0.025 0.04 0.061 0.052 余量 304 0.07 0.345 1.091 ≤ 0.045 0.036 8.215 18.09 余量 
下载: 导出CSV
表 2 焊接材料化学成分(质量分数，%)
Table 2 Chemical compositions of the filler rods
焊接材料 C Mn Si S P Ni Cr Mo Cu Fe ER50-6 0.105 0.163 0.975 0.013 0.015 0.016 — 0.06 — 余量 J507 0.12 1.60 0.75 0.035 0.040 0.30 0.20 0.30 — 余量 302 0.064 0.80 0.70 0.010 0.030 12.50 24.00 0.40 0.20 余量
下载: 导出CSV
表 3 焊接工艺参数
Table 3 Technological parameters of the welding process
序号 焊接方法 焊层（道） 焊接电流I/A 电弧电压U/V 焊接时间t/s 冷却时间tc/s 焊条型号 直径ϕ/mm 1 氩弧焊 打底焊 146 22 — — ER50-6 3.2 2 焊条电弧焊 基层1 122 20 125 154 J507 3.2 3 焊条电弧焊 基层2 122 20 64 57 J507 3.2 4,5,6,7,8 焊条电弧焊 复层1,2,3,4,5 122 20 32 0 302 3.2 9 焊条电弧焊 复层6 122 20 50 冷却至室温 302 3.2
下载: 导出CSV
-
[1] 张俊旺, 王文先, 黄延平, 等. 奥氏体不锈钢焊缝金属的电化学腐蚀性能[J]. 焊接学报, 2007, 28(2): 103 − 108. doi: 10.3321/j.issn:0253-360X.2007.02.027 Zhang Junwang, Wang Wenxian, Huang Yanping, et al. Electrochemical corrosion properties for weld metal of austenitic stainless steel[J]. Transactions of the China Welding Institution, 2007, 28(2): 103 − 108. doi: 10.3321/j.issn:0253-360X.2007.02.027
[2] 邓德安, 蔡建鹏, 蒋小华, 等. 坡口形式对SUS304奥氏体不锈钢对接接头残余应力和变形的影响[J]. 焊接学报, 2016, 37(2): 63 − 67. Deng Dean, Cai Jianpeng, Jiang Xiaohua, et al. Influence of groove type on residual stress and distortion in SUS304 austenitic stainless steel butt weld[J]. Transactions of the China Welding Institution, 2016, 37(2): 63 − 67.
[3] Jiang W C, Luo Y, Li J H, et al. Residual stress distribution in a dissimilar weld joint by experimental and simulation study[J]. Journal of Pressure Vessel Technology, 2017, 139(1): 011402. doi: 10.1115/1.4033532
[4] Jiang W C, Liu Z B, Gong J M, et al. Numerical simulation to study the effect of repair width on residual stresses of a stainless steel clad plate[J]. International Journal of Pressure Vessels & Piping, 2010, 87(8): 457 − 463.
[5] 丁肖, 李祥. Q345R/304复合板焊接接头组织及性能研究[J]. 热加工工艺, 2015, 44(23): 234 − 236. Ding Xiao, Li Xiang. Study on microstructure and mechanical properties of Q345R/304 composite plate welded joints[J]. Hot Working Technology, 2015, 44(23): 234 − 236.
[6] 欧平, 孙坚, 张茂龙, 等. SA508/316L异种钢焊接接头的显微组织分析[J]. 材料热处理学报, 2013, 34(10): 112 − 118. Ou Ping, Sun Jian, Zhang Maolong, et al. Microstructure of SA508/316L dissimilar steel welding joints[J]. Transactions of Material and Heat Treatment, 2013, 34(10): 112 − 118.
[7] 蔡建鹏, 孙加民, 夏林印, 等. Q345钢对接接头残余应力与变形的预测[J]. 焊接学报, 2015, 36(11): 61 − 64, 68. Cai Jianpeng, Sun Jiamin, Xia Linyin, et al. Prediction on welding residual stress and deformation in Q345 steel butt-welded joints[J]. Transactions of the China Welding Institution, 2015, 36(11): 61 − 64, 68.
[8] 杨江, 王斌, 王维, 等. Q345/IN825复合板焊接接头组织与性能[J]. 材料热处理学报, 2016, 37(1): 150 − 156. Yang Jiang, Wang Bin, Wang Wei, et al. Microstructure and mechanical properties of welding joints of Q345/IN825 composite plates[J]. Transactions of Material and Heat Treatment, 2016, 37(1): 150 − 156.
[9] 杨黎明, 但楚臣. 低合金钢焊接接头金相试样的制备[J]. 理化检验(物理分册), 2016, 52(11): 790 − 792. Yang Liming, Dan Chuchen. Preparation of metallographic speciments of low alloy steel welding joints for macroscopic inspection[J]. Physical Testing and Chemical Analysis (Part A: P-hysical Testing), 2016, 52(11): 790 − 792.
[10] Goldak J, Chakravarti A, Bibby M. A double ellipsoid finite element model for welding heat sources[J]. Metal Transporters, 1985(13): 299−305.
[11] Berbenni S, Favier V, Berveiller M. Impact of the grain sizedistribution on the yield stress of heterogeneoumaterial[J]. International Journal of Plasticity, 2007, 23(1): 114 − 142. doi: 10.1016/j.ijplas.2006.03.004
[12] Zhang M, Zhang T, Cai J, et al. Effect of heat treatment on microstructure and properties of explosive welding clad plate of TA1/Q345[J]. China Welding, 2018, 27(1): 26 − 31.
-
期刊类型引用(5)
1. 金东升，曹文田，张英杰. 双目极线约束下的储罐环焊缝定位算法. 机械科学与技术. 2025(01): 1-8 . 
百度学术
2. 于强，肖澜，郑大伟，彭昭鸿，宋凯宏. 基于计算机视觉的锂电池连接片焊接检测系统. 焊接学报. 2024(10): 38-49 . 本站查看
3. 李春凯，潘宇，石玗，王文楷，赵中博. 基于视觉传感的热丝激光金属沉积熔滴—熔池多特征信息同步监测. 焊接学报. 2024(11): 115-120 . 本站查看
4. 乐健，李发园，束志恒，曾明如，张华. 基于视觉传感的焊接电流及电压检测控制方法. 焊接学报. 2024(11): 85-89 . 本站查看
5. 贾瑞燕，李海超，魏方锴，徐勇，周宇飞. 基于三维点云的磁极焊缝识别及机器人轨迹生成技术. 焊接学报. 2024(11): 50-54 . 本站查看
其他类型引用(2)
计量
- 文章访问数: 505
- HTML全文浏览量: 32
- PDF下载量: 62
- 被引次数: 7
