Characteristics of TIG overlaying welded joints of aluminum alloy before and after implementing ultrasonic frequency pulse electric signal
-
摘要: 电弧堆焊作为一种低成本高效率的焊接方法在材料表面修复领域具有广阔的应用前景，文中将超声频脉冲电信号与低频交流TIG焊接电信号耦合，将超声能量引入TIG堆焊过程，改善铝合金TIG堆焊质量. 对超声频脉冲电信号耦合前后5083铝合金TIG堆焊焊缝成形、组织及硬度进行对比. 结果表明，随超声电源输出电压的增大，焊缝成形向熔宽减小、余高增大的趋势变化. 超声作用后，晶粒尺寸发生了一定变化，但晶粒形态无明显变化. 熔合区的晶粒细化最显著；焊缝区及热影响区的晶粒细化不明显，相反，随超声电源输出电压的增大，晶粒明显粗化. 熔合区及热影响区的第二相分布呈聚集现象. 超声作用对晶粒内部Mg元素的分布影响较大，增大超声电源输出电压，Mg元素在晶界处的偏析减弱. 硬度测试结果表明，超声频脉冲电信号耦合后焊缝硬度增大.Abstract: As a low-cost and high-efficiency welding method, arc overlaying welding has a broad application prospect in the field of material surface repair. In this study, ultrasonic energy is introduced into the TIG overlaying process to improve the welding quality of aluminum alloy by coupling the ultrasonic frequency pulse electrical signal with the low-frequency AC TIG welding electrical signal. The weld formation, microstructure, and hardness of overlaying welded joints of 5083 aluminum alloy were compared before and after implementing an ultrasonic pulse electrical signal. The results show that the weld formation changes towards the trend of decreased fusion wide and increased surplus height with the increase of the output voltage of the ultrasonic power. The grain size changs to some extent, but the grain morphology changs little after implementing the ultrasonic treatment. Grain refinement is the most significant in the fusion zone, but it is not obvious in the weld zone and the heat-affected zone. On the contrary, grain coarsening is obvious with the increase of the output voltage of the ultrasonic power. The distribution of the second phase in the fusion zone and the heat-affected zone shows an aggregation phenomenon. The ultrasonic effect has a great influence on the distribution of Mg element inside the grain. The segregation degree of Mg element at the grain boundary could be weakened by increasing the output voltage of the ultrasonic power. The hardness test results show that the weld hardness increases after coupling the ultrasonic frequency pulse electrical signal.
-
Keywords:
- ultrasonic frequency electrical signal /
- arc /
- weld formation /
- microstructure
-
0. 序言
磁弧振荡(magnetic arc oscillation，MAO)是通过外部电磁铁控制从而实现电弧的摇摆振荡或者圆周振荡，在电弧熔丝增材制造过程中，对磁弧振荡过程展开监测，有利于优化工艺参数、避免缺陷产生，对提高成形过程的稳定性与成形精度具有重要意义，同时，对于不同类别磁弧振荡模式的监测也是整个零部件制造的关键 [1]. 传统人工监测方式容易受到人为经验和主观因素的影响，存在实时监测困难、无法全面监测等问题，使得监测效率较低、难度较高，如何改善该情况具有现实意义.
随着近年来计算机视觉技术的兴起，机器学习、深度学习以及自然语言处理的不断发展，通过神经网络对电弧增材制造过程进行监测逐渐变为可能[2]. 蒋伟琪等人[3]采用RBF-BP 组合神经网络对焊接过程进行监测，结果表明该模型对焊接环境负荷的产生量预测准确，平均误差仅为6.63%；汤泉等人[4]采用BP神经网络对焊接飞溅特征参数进行判断，获得了95.76%的识别率；孙家豪等人[5]采用Hermite 插值的方法，建立广义回归神经网络模型对焊缝轮廓进行预测，结果与试验吻合良好，获得了99.48%的准确度. 神经网络作为目前应用最多的机器学习方法，能够通过虚拟试验探究微观结构对产品特性的影响[6]、解决复杂的多尺度及多物理场问题，与增材制造结合拥有巨大潜力[7]. 高昶霖等人[8]利用改进的PSO-BP神经网络模型能够明显提升焊接缺陷成因诊断的效率和精度，具有较好的工程应用价值. 随着互联网技术的发展，在大量图像中精确、快速地检索所需的图像已成为研究热点[9]，由此可见，通过训练图像使计算机能够识别电弧状态，是实现过程监测的重要切入点，直接对焊接过程原始图像进行训练是最简洁的方式，但原始图像中存在复杂背景、熔滴及熔池等因素的干扰，使得训练结果并不可观，如何有效解决原始图像中的干扰，提高电弧状态识别的成功率，仍面临巨大挑战.
文中针对复杂环境下电弧状态特征的提取，提出一种基于局部二值模式与GoogLeNet神经网络[10]结合的新方法，该方法通过结合不同沉积层数下电弧的长度、宽度及左右倾角的演变规律，有效提高了电弧状态的识别成功率，为进一步的完善计算机过程监测奠定了基础.
1. 试验设备及焊接工艺参数
磁弧振荡增材制造系统主要由焊枪、磁弧振荡源(电磁线圈)、送丝机以及气体保护罩组成，如图1所示，磁弧振荡源可将电弧的振荡模式分为无振荡、圆周振荡和摇摆振荡，开展钛合金电弧丝增材制造试验，设置3种不同的电弧振荡模式，采用振荡频率为10 Hz，振幅为5 mm，具体增材工艺参数见表1.
表 1 焊接工艺参数Table 1. Welding process parameters沉积电流
I/A移动速度
v1/(mm·s−1)送丝速度
vf/(mm·s−1)电极和工件
的间距d /mm电极和焊丝
的角度θ/(°)GTAW焊枪的
气体流量V1/(L·min−1)移动式惰性
气体的流量V2/(L·min−1)层间停留
时间t/s120 1 000 880 3 60 15 10 120 2. 电弧参数测量
为探究电弧形态随振荡模式及沉积层数的变化规律，对电弧的长度、宽度以及左右倾角进行测量分析. 试验采用无振荡、摇摆振荡和圆周振荡3种模式，对电弧熔丝增材制造钛合金1 ~ 5层沉积过程的电弧图像进行研究，将采集到的视频分为83帧/s，每帧对应的时间约为12 ms. 图2为不同振荡模式的电弧图像，其中图2(a)为圆周振荡在一个周期内的分帧结果，图2(b)和图2(c)分别为摇摆振荡和无振荡在相同时间内的分帧结果，图3为测量长度、宽度以及左右倾角的方式.
![]()
图 2 不同振荡的电弧图像Figure 2. Arc image of different oscillation. (a) circumferential oscillation; (b) side-to-side oscillation; (c) no oscillation图4为电弧参数趋势折线图，为了避免测量过程中电弧或摄像机抖动的影响，对测量数据进行平均处理，所得结果用折线图表示见图4(a) ~ 图4(e).图4(a)与图4(b)分别为圆周振荡型电弧的长度、宽度、左右最大倾角随层数变化的对比，电弧的长度集中在2.4 ~ 2.5 mm，宽度集中在0.6 ~ 0.8 mm，电弧的左倾角变化为17.5° ~ 20.5°，右倾角变化为20.5° ~ 25.5°，可见随着沉积层数的增高，该类型电弧长宽方面的发展趋势平稳，变化并不明显; 左右倾角的变化相对明显，呈相似的增长趋势，且右侧倾角大于左侧倾角. 无振荡型电弧不存在左右倾角，因此该组仅测量电弧长宽随层数变化对比，如图4(c)所示，电弧长度在1、2层间变化剧烈，其余沉积层变化平缓， 图4(d)与图4(e)为摇摆振荡型电弧的长宽、左右最大倾角随层数变化的对比，与圆周振荡型电弧相比，摇摆振荡型电弧的左右倾角演变规律差异较大，其中左侧倾角的变化更为明显，相应角度小于圆周振荡. 电弧随着层数累积出现形态变化现象的原因是电弧伸长量变长导致伸长部分的分压变大，电弧形态变化会进一步引起电弧特性曲线发生变化，所以不会出现电弧自调节现象，而电弧伸长量增加，伸长部分分压变大，其共同作用导致弧压变小[11]. 随着沉积层数增加，工件的散热方式由基板热传导变为以结构内部与外界环境的热辐射和热对流为主，传热速度减小，热积累增加，进而引起电弧形态变化.
![]()
图 4 电弧参数趋势折线图Figure 4. Arc parameter trend line chart. (a) length and width of the circumferential oscillation; (b) angle of the circumferential oscillation; (c) length and width of the no oscillation; (d) length and width of the side-to-side oscillation; (e) angle of the circumferential oscillation; (f) comparison of length; (g) comparison of width; (h) right inclination contrast; (i) left inclination contrast综上所述，3种振荡方式电弧的长宽随层数变化并不明显，需要在左右倾角角度方面对电弧类型进行区分，而电弧形态的变化主要是受热积累方式转变影响. 为进一步直观对比3种电弧状态的参数差异，将测量数据重新整合见图4(f) ~ 图4(i)，由图4(f)和图4(g)可知，3种模式的电弧长度在3 ~ 5层时的相关性较高，宽度方向的差异性较大，能够实现趋势预测，但对于模式识别而言，圆周振荡和无振荡仍具有较高的相关性. 图4(h)和图4(i)通过角度的数据对比，仅能对圆周振荡和摇摆振荡进行区分和趋势预测，不能够涵盖在零角度处的电弧模式识别，因此，要实现3种电弧模式的识别，仅通过数值测量的趋势难以实现，需要结合更多特征.
3. 基于局部二值特征的GoogLeNet神经网络电弧状态识别
实现对不同状态电弧形态特征的探究，采用GoogLeNet神经网络对不同种类的电弧状态进行分类识别，GoogLeNet引入了Inception结构及降维处理，在原有的Inception结构上添加3个1 × 1的卷积核，能够有效降低特征矩阵深度，进而减少参数和计算量，降维结构如图5所示.
3.1 原始图像的神经网络训练
GoogLeNet模型主要由包含多个Inception的串联结构组成，该方式可进一步增强网络的表达能力和泛化能力，Inception结构能够提取不同尺度的特征，同时减少参数和计算量，故将多个Inception结构串联，可在模型计算量较小的同时，提取更丰富的特征，从而进一步提高模型识别的准确率，此外，多个Inception结构进行串联还可用于避免梯度消失的现象出现. 随着网络层数的增加，梯度逐渐变小，进而导致梯度消失甚至无法收敛等问题，使模型无法达到预期训练效果. 通过将多个Inception结构串联，可形成深层次的网络结构，从而使得梯度能够更顺利地传递，避免出现梯度消失的问题. 具体的神经网络结构如图6所示.
为提高神经网络训练识别的准确率，采用9级Inception串联的结构，经全局平均池化以及全连接层后，以Softmax作为激活函数. 根据分帧所得的结果，分别对3个类别的原始数据样本数量进行分组,该样本数据表示圆周振荡、摇摆振荡以及无振荡3个类别中所包含的用于训练的电弧图像的数目分别为6720，7020和6921. 对原始图像不进行任何处理，直接通过GoogLeNet进行训练，完成训练后，分类准确率为32.53%，由于一共有3个类别需要进行识别，故在未经任何训练的情况下，随机抽取一组并毫无依据地说明其类别，都应有33.33%的分类准确率，然而该训练结果的分类准确率仅有32.53%，说明训练不成功，无法对电弧原始图像进行分类识别. 如图7所示，在0~500次迭代中，损失已达峰值，故无法完成目标训练要求.其中，图中的损失函数是用来估量模型的预测值与真实值的不一致程度.
3.2 局部二值模式处理
局部二值模式是用来描述图像局部特征的算子，可以抑制图像中光照、背景等干扰因素，能够达到灰度和旋转不变性的要求[12]，如图8所示. 局部二值模式原始定义为在像素的3 × 3邻域内，以邻域中心像素为阈值，将其灰度值与周围8个相邻像素的灰度值相比较，比中心大的周围像素记为1，小的记为0. 通过上述方式能够产生一个8位二进制数，将该二进制数排列后作为中心像素点的LBP值，具体处理方式见图8(a)，图中的电弧原始图像在经过局部二值模式处理后，提取出电弧的纹理特征见图8(b).该方法能够消除电弧周围模糊背景的干扰，使得电弧与周围背景具有不同的纹理质感，为在有熔滴、熔池等干扰存在下的电弧特征提取提供便利.
![]()
图 8 局部二值模式Figure 8. Local binary pattern. (a) example of LBP; (b) arc images before and after LBP processing3.3 LBP处理后神经网络训练
将训练失败的原始数据经过LBP处理后，由于图像由三通道变为了单通道灰度图，需要对网络的输入输出进行修正，统一更正为单通道图像输入，以7∶3的训练—验证比进行训练并验证训练成果，如图9所示，对于不同类别的电弧识别的准确率达到了99.5%，并且损失在200次迭代左右已经降至近零处，说明训练效果良好.
上述分析可见，由于经过局部二值模式处理，电弧图像中熔池、熔滴、背景等干扰特征被有效消除，电弧模式在神经网络中的识别成功率有大幅度提高.通过使用神经网络对电弧状态进行识别，可以对不同类别电弧的特征进行分析，其特征主要指电弧的形状，它可提供关于焊接过程中能量传递和熔化情况的信息. 电弧通常呈锥形或扁平状，分别对应无振荡时电弧的稳定状态以及添加磁弧振荡时的电弧形态.
借助电弧形状的变化，可以判断焊接过程中的能量输入和熔化情况. 在无振荡的情况下，电弧长期保持在锥形的稳定形态，而圆周振荡和摇摆振荡由于引入了磁弧振荡，导致电弧的形态在锥形和扁平状之间来回变换. 电弧形状可以影响热量在电弧中的分布，锥形电弧由于具有稳定性导致其热量分布更集中于中心区域，会带来更大的熔宽和更浅的熔深与层厚；而扁平形的电弧由于磁弧振荡引起的热量分散导致熔宽较小，熔深较大.
4. 结论
(1) 建立对不同振荡模式的电弧参数进行测量，通过左右最大倾角的变化规律实现了圆周振荡与摇摆振荡的有效识别，其中圆周振荡的角度大于同层数摇摆振荡的角度.
(2) 原始电弧图像存在背景复杂、熔滴及熔池对电弧形态判别干扰严重等因素，故仅通过长度、宽度以及左右最大倾角无法识别3种电弧模式，原始图像不适用于直接训练，需要通过其他方式获取特征.
(3) 经过LBP处理后的电弧图像具有显著的纹理特性，能够有效去除背景模糊、熔滴及熔池等因素干扰，大幅提高电弧状态的识别成功率.
-
![]()
图 2 焊缝形貌特征及硬度测试位置示意图
Figure 2. Schematic diagram of weld appearance and hardness measurement positions
![]()
图 3 焊缝宏观形貌及参数统计
Figure 3. Macroscopic appearance of weld and parameter statistics. (a) macroscopic appearance of weld; (b) statistics of weld formation parameters
![]()
图 4 不同超声电压下的接头晶粒特征
Figure 4. Grain characteristics in welded joints with different ultrasonic voltages
![]()
图 5 不同超声电压下的接头晶粒尺寸
Figure 5. Grain size in welded joints with different ultrasonic voltages
![]()
图 6 不同超声频电压下的焊缝中心第二相分布
Figure 6. Second phase distribution in weld center with different ultrasonic voltages
![]()
图 7 不同超声频电压下熔合区第二相分布
Figure 7. Second phase distribution in fusion zone with different ultrasonic voltages
![]()
图 8 不同超声频电压下热影响区第二相分布
Figure 8. Second phase distribution in heat affected zone with different ultrasonic voltages
-
[1] Wang Y J, Wei B, Guo Y Y, et al. Microstructure and mechanical properties of the joint of 6061 aluminum alloy by plasma-MIG hybrid welding[J]. China Welding, 2017, 26(2): 58 − 63.
[2] Wang D Q, Hua C, Lu H. Numerical analysis of ultrasonic waves in the gas tungsten arc welding (GTAW) with ultrasonic excitation of current[J]. International Journal of Heat and Mass Transfer, 2020, 158: 1 − 10.
[3] Chen C, Fan C L, Cai X X, et al. Characteristics of arc and metal transfer in pulsed ultrasonic-assisted GMAW[J]. Welding Journal, 2020, 99(7): 203s − 208s. doi: 10.29391/2020.99.019
[4] Fattahi M, Ghaheri A, Arabian N, et al. Applying the ultrasonic vibration during TIG welding as a promising approach for the development of nanoparticle dispersion strengthened aluminum weldments[J]. Journal of Materials Processing Technology, 2020, 282: 116672.
[5] Chen C, Fan C L, Liu Z, et al. Microstructure evolutions and properties of Al–Cu alloy joint in the pulsed power ultrasonic-assisted GMAW[J]. Acta Metallurgica Sinica (English Letters), 2020, 33(10): 1397 − 1406. doi: 10.1007/s40195-020-01066-4
[6] Dong H G, Yang L Q, Dong C, et al. Improving arc joining of Al to steel and Al to stainless steel[J]. Materials Science and Engineering A, 2012, 534: 424 − 435.
[7] Watanabe T, Shiroki M, Yanagisawa A, et al. Improvement of mechanical properties of ferritic stainless steel weld metal by ultrasonic vibration[J]. Journal of Materials Processing Technology, 2010, 210(12): 1646 − 1651. doi: 10.1016/j.jmatprotec.2010.05.015
[8] Yuan T, Kou S, Luo Z. Grain refining by ultrasonic stirring of the weld pool[J]. Acta Materialia, 2016, 106: 144 − 154. doi: 10.1016/j.actamat.2016.01.016
[9] 雷玉成, 崔展祥, 路广遥, 等. 超声电弧对6061铝合金MIG焊接头组织和性能的影响[J]. 焊接学报, 2020, 41(2): 33 − 38. doi: 10.12073/j.hjxb.20191006002 Lei Yucheng, Cui Zhanxiang, Lu Guangyao, et al. Effect of arc-ultrasonic on the microstructure and properties of 6061 aluminum alloy joint with MIG welding[J]. Transactions of the China Welding Institution, 2020, 41(2): 33 − 38. doi: 10.12073/j.hjxb.20191006002
[10] 吴敏生, 段向阳, 李路明, 等. 电弧超声的激发及其特性研究[J]. 清华大学学报(自然科学版), 1999, 39(6): 110 − 112. doi: 10.3321/j.issn:1000-0054.1999.06.031 Wu Minsheng, Duan Xiangyang, Li Luming, et al. Study of arc-ultrasonic excitation and its characteristics[J]. Journal of Tsinghua University (Science & Technology), 1999, 39(6): 110 − 112. doi: 10.3321/j.issn:1000-0054.1999.06.031
[11] He L B, Yang P, Li L M, et al. The ultrasonic characteristics of high frequency modulated arc and its application in material processing[J]. Ultrasonics, 2014, 54(8): 2178 − 2183. doi: 10.1016/j.ultras.2014.06.003
[12] 张春雷, 吴敏生. 高频调制电弧超声发射及其物理特性[J]. 焊接学报, 2001, 22(1): 75 − 78. doi: 10.3321/j.issn:0253-360X.2001.01.021 Zhang Chunlei, Wu Minsheng. High-frequency modulated arc as an ultrasonic generator and its physical property[J]. Transactions of the China Welding Institution, 2001, 22(1): 75 − 78. doi: 10.3321/j.issn:0253-360X.2001.01.021
[13] Chen X Z, Shen Z, Wang J J, et al. Effects of an ultrasonically excited TIG arc on CLAM steel weld joints[J]. International Journal of Advanced Manufacturing Technology, 2012, 60(5−8): 537 − 544. doi: 10.1007/s00170-011-3611-0
[14] Qi B J, Yang M X, Cong B Q, et al. The effect of arc behavior on weld geometry by high-frequency pulse GTAW process with 0Cr18Ni9Ti stainless steel[J]. International Journal of Advanced Manufacturing Technology, 2013, 66(9−12): 1545 − 1553. doi: 10.1007/s00170-012-4438-z
[15] 许凯, 侯击波, 刘雅鑫, 等. 旋转磁场对ZL205A堆焊层组织与性能的影响[J]. 热加工工艺, 2019, 48(7): 69 − 72. Xu Kai, Hou Jibo, Liu Yaxin, et al. Influence of rotating magnetic field on microstructure and properties of ZL205A aluminum alloys surfacing layer[J]. Hot Working Technology, 2019, 48(7): 69 − 72.
[16] Chen C, Fan C L, Cai X Y, et al. Analysis of droplet transfer, weld formation and microstructure in Al-Cu alloy bead welding joint with pulsed ultrasonic-GMAW method[J]. Journal of Materials Processing Technology, 2019, 271: 144 − 151. doi: 10.1016/j.jmatprotec.2019.03.030
[17] 陈琪昊, 林三宝, 杨春利, 等. 超声作用阶段及形式对熔池晶粒结晶的影响[J]. 焊接学报, 2020, 41(3): 29 − 32. Chen Qihao, Lin Sanbao, Yang Chunli, et al. Effect of different ultrasonic action stages on grain crystallization in TIG weld pool[J]. Transactions of the China Welding Institution, 2020, 41(3): 29 − 32.
[18] 金礼, 徐敏, 薛家祥, 等. 热输入对铝合金双脉冲MIG焊接头性能的影响[J]. 焊接学报, 2018, 39(1): 89 − 92. doi: 10.12073/j.hjxb.2018390020 Jin Li, Xu Min, Xue Jiaxiang, et al. Effect of line energy on properties of aluminum alloy joints in double pulsed MIG welding[J]. Transactions of the China Welding Institution, 2018, 39(1): 89 − 92. doi: 10.12073/j.hjxb.2018390020
-
期刊类型引用(7)
1. 石铭霄，陈九公，李敬勇，茅卫东，李盛良，马相. 机械振动对铝合金脉冲MIG焊接接头沉淀相的影响. 机械工程学报. 2025(08): 138-147 . 
百度学术
2. 金聪聪，黄立兵，黄文彬，王大力，马月婷，李鹏，董红刚. 新型铝合金MIG焊接头微观组织与力学性能. 焊接学报. 2024(07): 74-82 . 本站查看
3. 杨朝刚，陈家兑，黄海松，杨凯. 实时数据与模型驱动的瞬变焊接电弧数字孪生模型构建方法. 计算机集成制造系统. 2024(07): 2328-2339 . 百度学术
4. 王程程，孙亚龙，陈琪昊，王加友，林三宝. 电弧超声耦合波形对铝合金MIG焊缝成形、组织及性能的影响. 热加工工艺. 2024(17): 42-47 . 百度学术
5. 武建朝，姚渊，汪小华，赵刚，马文军. 5083铝合金TIG焊接缺陷产生机理及预防措施. 机械制造文摘(焊接分册). 2023(01): 39-43 . 百度学术
6. 吴玲，赵磊，于瑞海，周喆，宋利刚，于树洪. A356铸件与6082型材的焊接工艺. 焊接. 2022(01): 34-40 . 百度学术
7. 茅卫东，石铭霄，李盛良，李敬勇，陈书锦，陈九公. 机械振动辅助铝合金MIG焊接接头组织与性能研究. 电焊机. 2022(10): 9-14 . 百度学术
其他类型引用(1)
下载:
计量
- 文章访问数: 401
- HTML全文浏览量: 17
- PDF下载量: 34
- 被引次数: 8
