42CrMo钢活塞激光-MAG复合焊接热裂纹试验
Testing of hot crack using laser-MAG combined welding for 42CrMo steel
-
摘要: 利用高速相机观测焊接时熔池流动和焊缝凝固过程,并求得固–液界面移动速率;利用红外热像仪采集焊缝温度随时间变化的相关信息,求得焊缝的温度梯度,对比研究42CrMo调质钢在激光焊接、激光引导的激光-MAG复合焊、电弧引导的激光–电弧复合焊三种焊接工艺时,焊缝接头处的热裂纹倾向.结果表明,激光引导的激光-MAG复合焊工艺比其它两种焊接工艺的固–液界面移动速率更小,焊缝的温度梯度也更小,具有最小的应变率和热裂纹敏感性.最后对激光引导的激光-MAG复合焊焊缝进行了显微组织观察和硬度分析.Abstract: The welding processes of transient flow and solidification behaviors were observed using high speed camera. The moving velocity of the interface between solids and liquids was calculated. The temperature variation of welding process was obtained by infrared thermal imager and the temperature gradient was calculated. The hot crack tendency of welded joint was investigated under three welding process of autogenous laser welding, laser-MAG hybrid welding guided by laser and laser-arc hybrid welding guided by arc. The results show laser-MAG hybrid welding guided by laser produced the lower moving velocity of solids and liquids, the lower temperature gradient, and smaller strain rate and sensitivity of hot crack. The microstructure and hardness were also tested in laser-MAG hybrid welding guided by laser.
-
Keywords:
- 42CrMo steel /
- laser-MAG hybrid welding /
- hot crack /
- girth welding
-
0. 序言
在重大装备制造中,多层多道焊(MLMPW)技术一直是重点和难点[1].MLMPW一般需要进行离线规划[1-3],但是在焊接过程中不可避免的产生偏差,如机器人姿态、焊丝偏差造成的焊道填充不均匀,以及一些常见的焊接缺陷[4-5](未熔合,未熔透,夹渣,气孔等)形成的瓶颈难题严重影响焊接质量,因此需要在焊接过程中进行实时调整.在一般情况下,实时调整的依据是通过熔深对焊缝成形进行控制,然而,从视觉传感器中能直接获取的只有正面熔池的特征几何信息,只能从正面熔池信息预测熔深.中厚板对接中的MLMPW熔池两边侧壁因为受到坡口以及已焊焊道的约束,熔池的特征信息将会有较大差异[6],不同类型的熔池对应不同的熔深进而对应不同类型的成形,从而可以对焊接过程进行较为精确的动态控制.文中主要的研究内容是通过基于视觉注意(SENet[7])模型的VGGNet[8]架构对多层多道焊接熔池进行精确分类.
1. 数据收集
1.1 试验系统和试验参数设置
文中涉及的多层多道MAG焊熔池图像数据是通过视觉传感系统采集的,如图1所示.试验系统包括Fanuc M-10iA型机器人(包括控制器和示教器),工控机,Xiris XVC-1000型高动态范围(HDR)相机(图2),Fronius TPS 400i焊接电源和保护气(80%氩气和20%二氧化碳)组成.试验母材为厚度30mm坡口为30°的Q235普通碳钢,使用直径为1.2mm的焊丝完成多层多道对接填充试验.
如图3所示,遵循先两边后中间的MLMPW顺序,通过试验探索出焊接顺序和对应的焊接参数.MLMPW的焊接方式和工艺参数如表1所示.
表 1 MLMPW参数Table 1. MLMPW parameters焊接类型 焊接速度v/(mm·min−1) 打底焊电流I1/ A 填充焊电流 I2/(A) 焊枪倾斜角θ/ (°) 气流量 q/(L·min−1) 母材尺寸L × W × H/ mm CMT 240 170 ~ 185 210 ~ 280 −15 ~ 15 20 400 × 150 × 30 1.2 试验系统和试验参数设置
如图4所示,机器人MLMPW理论模型分为三种:三角形成形、梯形成形和平行四边形成形.焊道1为三角形成形只对应于打底焊,焊道2,4,7,11,16为梯形成形,焊道3,5,6,8,9,10,12,13,14,15为平行四边形成形.细分的情况为打底焊为类型 1(T1);类型2(T2,焊道2),类型3(T3,焊道4),类型4(T4,焊道7,11,16)为梯形成形中两侧为坡口、一侧为焊道一侧为坡口和两侧为焊道的情况;类型5(T5,焊道3,5,6,8,9)、类型6(T6,焊道10,14,15)和类型7(T7,焊道12,13)为平行四边型中一侧为坡口、一侧为已经填充焊道和盖面焊的情况.
1.3 数据集增广
MLMPW熔池公开的数据集极少,为了能训练熔池分类模型,必须自建数据集.为了应对自建数据集规模较小的问题,必须丰富数据集的多样性和数量,进而对其进行数据增广,包括旋转、翻转、随机平移和缩放的组合操作.如图5所示,随机选取第四层第三道(第七道)对应的熔池作为样例,对数据增广进行展示.
图 5 熔池数据增广. 第1幅为原图,第2-6幅为翻转和顺时针旋转三次90°的图像,第7-9幅图像为随机旋转、缩放和平移组合的图像.Figure 5. Melt pool data augmentation. The first image is the original image, the second to sixth images are flipped and rotated three times 90° clockwise, and the seventh to ninth images are images with random rotation, scaling, and translation.2. 模型与算法
本研究使用基于视觉注意深度学习模型对多层多道熔池进行分类.根据焊接不同的层道特性分为七种熔池模型[6].如图6所示的研究框架,通过MLMPW试验获得熔池图像并进行标记;对数据集进行增广并设定训练集和测试集.为了提高训练效率和精度,分类模型加载预训练权值到分类网络中.试验涉及四个分类模型:(1)从零开始训练VGG16网络(M1),(2)训练Pre-trained VGG16网络(M2),(3)从零开始训练SENet-VGG16网络(M3),(4)训练Pre-trained SENet-VGG16网络(M4).
2.1 VGGNet
如图7所示,VGG16是由一系列连续的3*3卷积层、2*2的池化层、三个完全连接层(FC)和Softmax输出层组成.
2.2 SENet
如图8所示,作为通道注意力机制代表的是squeeze-and-excitation network (SENet)[7],基本原理包括“挤压”(squeeze)和“激励”(excitation)两个操作,分别对特征图进行全局信息的嵌入和自适应重标定,设定不同的通道权值表达视觉注意力影响力.
2.3 迁移学习
为了应对自建数据集中数据相对较少的问题,必须引入迁移学习到MLMPW熔池分类网络中.训练数据集规模较小会引起网络欠拟合,并且从零开始训练网络时间过长,这些因素会引起网络鲁棒性较差.引入预训练模型权值到熔池分类网络中可以应对这些潜在不利因素,提升网络分类性能.
3. 结果和讨论
学习算法中的超参数的合理设定是分类网络准确与否的关键因素.如表2所示,根据试验经验设置超参数.经过训练,M1、M2、M3和M4的分类准确率为93.41%、97.73%、96.78%和98.39%,所设计的分类网络达到最优分割性能.
表 2 超参数设置Table 2. hyperparameter configuration优化算法 Momentum 学习率 损失函数 最大epochs ε Batch size SGD 0.9 0.001 cross entropy 50(eps) 8(幅图) 熔池分类网络的综合评价标准为精确率(Pr)、召回率(Re)、F1分数(F1).可表示为
$$ Pr = \frac{{{{TP}}}}{{{{TP}} + {{FP}}}} $$ (1) $$ {Re} = \frac{{{{TP}}}}{{{{TP}} + {{FN}}}} $$ (2) $$ F 1 = \frac{2 { Pr } \times { Re }}{ { Pr } + { Re }} $$ (3) 式(1) ~ 式(3)中的物理量如表3所示. TP表示预测值为1,实际值也为1;FP表示预测值为0,实际值为1;FN表示预测值为0,实际值为0;TN表示预测值为1,实际值为0.
表 3 混淆矩阵Table 3. Confusion MatrixConfusion matrix Actual value Predicted
valueTP FP FN TN 学习曲线可以可视化分类器的学习性能.网络的训练集和测试集评估模型的准确率和损失的曲线如图9所示,从Loss曲线的波动性情况来分析,所有模型的训练曲线未有波动的情况,这说明训练过程没有陷入局部极小值的情况.引入预训练权值模型的初始精度较高,高于0.85,同时初始的Loss值较低,低于0.4.
如图10所示,为进一步研究分类性能,引入混淆矩阵可视化分类性能.可以看出,多层多道熔池分类整体准确率最高的是M4,达到最高的98.39%,验证了引入SENet可提高整体分类准确率.
综合性能指标如表4所示,可以更全面的判断分类器的性能. 可以看出,除了M1之外,其他模型的精确率都在96%以上.在整体分类精度上,M4是优于其他三个模型的,特别是Type3,M4比M2高1.03%,提升较大;然而,在除了Type3和Type6外的其他类别分类性能出现了小幅度的局部退化,分类性能需再平衡优化.
表 4 熔池分类评价值(%)Table 4. Molten pool classification evaluation value模型 Type1 Type2 Type3 Type4 Type5 Type6 Type7 Pt_se_vgg16 Pr 100.00 98.69 97.58 97.02 98.14 97.07 96.46 Re 99.78 99.04 98.54 96.51 97.19 95.76 98.54 F1 99.89 98.87 98.05 96.76 97.66 96.41 97.49 se_vgg16 Pr 99.87 97.88 98.44 96.31 97.94 95.01 96.65 Re 99.74 98.54 97.35 95.92 96.31 96.19 98.12 F1 99.81 98.21 97.90 96.12 97.12 95.60 97.38 Pt_vgg16 Pr 99.96 97.86 97.90 96.93 97.97 96.53 97.29 Re 99.96 99.04 97.51 96.66 97.46 95.85 98.18 F1 99.96 98.45 97.70 96.80 97.71 96.19 97.73 vgg16 Pr 99.87 95.23 95.18 90.87 93.92 91.90 91.00 Re 99.57 97.09 93.56 91.66 93.84 87.15 94.89 F1 99.72 96.15 94.36 91.26 93.88 89.46 92.90 在所有模型中,多层多道焊Type1为打底焊,达到了近似于1的分类精度,这是因为打底焊熔池与其他层道的熔池特征差距较大。其中Type6的分类精度最低,原因是同属于平行四边形成形对应的熔池,有其相似性,区别在于Type6的熔池前端更加平滑。此时如果有弧光遮挡熔池的前端,将加剧分类的误判。验证了引入 SENet 可提高整体分类准确率.
4. 结论
(1) 为了控制MLMPW质量,开发了熔池可视化监测系统.
(2) 通过试验比较,带有视觉注意力机制的VGG16网络,训练过程通过加载预训练权值获得了整体最优的分类性能.
(3) 精确的对熔池进行分类可以避免在MLMPW过程中出现难以修复的焊道填充缺陷.
-
[1] 李鹏.汽车发动机活塞设计的现状及发展趋势[J].汽车工艺与材料, 2008(1):5-8 Li Peng. States quo and development trend of automotive engine pisiton design[J]. Automobile Technology and Material, 2008(1):5-8 [2] 王宏正,于洪照. 42CrMo合金钢齿轮的焊接[J].焊接, 2001(11):36-37 Wang Hongzheng, Yu Hongzhao. Welding on 42CrMo alloy steel gear[J]. Welding&Joining, 2001(11):36-37 [3] Liu X B, Pang M, Zhang Z G, et al. Characteristics of deep penetration laser welding of dissimilar metal Ni-based cast superalloy K418 and alloy steel 42CrMo[J]. Optics and Lasers in Engineering, 2007, 45(9):929-934. [4] Liu X B, Yu G, Pang M, et al. Dissimilar autogenous full penetration welding of superalloy K418 and 42CrMo steel by a high power CW Nd:YAG laser[J]. Applied Surface Science, 2007, 253(17):7281-7289. [5] 庞铭,郑彩云,刘秀波,等. K418与42CrMo异种金属激光深熔焊接[J].焊接学报, 2007, 28(9):83-86 Pang Ming, Zheng Caiyun, Liu Xiubo, et al. Deep penetration laser welding of dissimilar metal of K418 and 42CrMo[J]. Transactions of the China Welding Institution, 2007, 28(9):83-86 [6] 庞铭,虞钢,王恒海,等. K418与42CrMo异种金属激光焊接接头组织与力学性能[J].焊接学报, 2008, 29(2):85-88 Pang Ming, Yu Gang, Wang Henghai, et al. Microstructure and mechanical properties of K418 and 42CrMo[J]. Transactions of the China Welding Institution, 2008, 29(2):85-88 [7] Liu X B, Yu G, Guo J, et al. Research on laser welding of cast Ni-based superalloy K418 turbo disk and alloy steel 42CrMo shaft[J]. Journal of Alloys and Compounds, 2008, 453(1):371-378. [8] Liu X B, Pang M, Guo J, et al. Transmission electron microscopy characterization of laser welding cast Ni-based superalloy K418 turbo disk and alloy steel 42CrMo shaft[J]. Journal of Alloys and Compounds, 2008, 461(1):648-653. [9] 吴世凯,杨武雄,董鹏,等. 42CrMo钢伞形齿轮轴窄间隙激光焊接接头组织与性能[J].焊接学报, 2007, 28(4):25-28 Wu Shikai, Yang Wuxiong, Dong Peng, et al. Mircostructure and properties of welded joint for narrow gap laser welding of 42CrMo steel bevel gear shaft[J]. Transactions of the China Welding Institution, 2007, 28(4):25-28
计量
- 文章访问数: 337
- HTML全文浏览量: 7
- PDF下载量: 97