Performance optimization and fixation methods for large-scale ultrasonic welding heads
-
摘要:
对大尺寸超声波焊头性能优化及固定方式展开试验分析. 对焊头长槽尺寸进行参数化处理，生成了360组随机样本数据和对应的动态性能参数. 通过构建18-12-8结构的BP(Back Propagation )神经网络模型，建立长槽尺寸与动态性能的映射关系，模型预测误差控制在10%以内，纵向最大振幅误差ε1≤2.58%，最大应力误差 ε4≤7.02%. 随后结合多目标粒子群优化( multi-objective particle swarm optimization，MOPSO )算法，以纵向最大振幅γ1和横向最大振幅γ2、竖向最大振幅γ3和最大应力σmax为目标，筛选出PARETO最优解集. 优化后焊头纵向最大振幅从23.0 μm提升至30.154 μm，增幅达30.43%，同时应力分布满足焊头材料要求. 基于分析结果进一步设计了新型固定方式，选取焊头侧面振动最小位置安装支撑工具. 结果表明，优化后的固定方案刚度提升，隔振效果显著，焊头最大纵向振幅差异仅0.467 μm. 研究验证了MOPSO-BP联合优化策略的有效性，为工业超声焊接系统性能提升提供技术支撑.
Abstract:Experimental analysis of the performance optimization and fixation methods for large-scale ultrasonic welding heads was conducted. Parametric processing of the long slot dimensions of the welding head was performed, generating 360 sets of randomized sample data and corresponding dynamic performance parameters. An 18-12-8 structured back propagation (BP) neural network model was constructed to establish a mapping relationship between long slot dimensions and dynamic performance, achieving a model prediction error within 10%, maximum longitudinal amplitude error ε1 ≤2.58%, and maximum stress error ε4≤7.02%. Subsequently, the multi-objective particle swarm optimization (MOPSO) algorithm was integrated to maximize longitudinal amplitude γ1, transverse amplitude γ2, vertical amplitude γ3, and stress σmax, resulting in a Pareto optimal solution set. The optimized welding head exhibited a 30.43% increase in the maximum longitudinal amplitude from 23.0 μm to 30.154 μm, with stress distribution meeting the material requirements of the welding head. Based on the analysis, a novel fixation method was designed by installing support tools at the welding head’s side with low vibrations. The results show that the stiffness of the optimized fixation scheme is improved, with remarkable vibration isolation effects, and the maximum longitudinal amplitude difference of the welding head is only 0.467 μm. The study validates the effectiveness of the MOPSO-BP hybrid optimization strategy, providing technical support for enhancing the performance of industrial ultrasonic welding systems.
-
0. 序言
石油是工业发展中的“血脉”，为保证石油的运输工作，必须选择兼具高强度和耐腐蚀性能好的材料，尤其是耐化学腐蚀[1]、电化学腐蚀[2]和微生物腐蚀[3]. API5LB级钢承载能力强、强度高，广泛应用于石油工业，但极易受腐蚀，特别是在酸性环境中[4]；Inconel 625镍基合金在表面形成Cr2O3致密的钝化膜，使其能够服役于高温氧化环境中，而在非氧化环境中，钼和镍的协同作用下具有抵抗点蚀和晶间腐蚀的能力[5].由此，镍/钢复合板具备优良的综合性能，能满足石油运输的使用要求.目前制备镍/钢复合板的方法有爆炸法[6]、轧制法[7]和堆焊法[8]等，其中爆炸法环境污染较大，轧制法时板材的几何形状受到限制[9-10]；而堆焊法将镍合金材料直接堆焊沉积在高强钢内壁与石油直接接触，3 ~ 5 mm的镍基合金堆焊层厚度即可满足石油的耐腐蚀性能，成本低，效率高，具有无法比拟的优势[11-13].
关于Inconel 625镍基合金堆焊的研究主要集中在如何保证高沉积效率下实现镍/钢界面充分冶金结合，同时尽可能降低钢基材对镍基合金的稀释和控制镍/钢复合板的变形，前者要求热量较大，后者要求热量较小.在众多堆焊方法中以钨极引弧作为热源的方法具有热输入小，堆焊变形小，易实现自动化控制，满足热量小的要求，但其沉积速率低. Sing等人[14]通过增加焊接电流来提高沉积速率，但避免不了基材稀释率的提高；Singhal等人[15]采用二氧化碳气体保护焊堆焊，虽能在高沉积速率下获得较低稀释率的堆焊层，但结合界面剪切强度低.
单钨极热丝TIG堆焊，可通过钢丝绳作为导轨控制焊枪施焊位置，可以实现复杂工件的堆焊，但传统单钨极热丝TIG焊效率低，虽然增大电流强度[14]、添加助焊剂[16]、K-TIG(锁孔氩弧焊)[17]等方法能够增大熔深，提高沉积率，但稀释率难以控制. Kobayashi等人[19]1998年在传统的TIG焊枪内设置两个相互绝缘的钨极，并分别由两个独立的焊接电源供电，通过施加周期互补的脉冲电流，成功的焊接了体积高达18 000 m3的9%Ni的液化天然储气罐.基于此，提出了双钨极热丝TIG堆焊技术，实现输油管道的内壁堆焊. 双钨极分别由两台独立电源产生多种组合波形，既能保障在高沉积速率下熔池能量的需求，同时又能调节阳极斑点，避免管道内出现较大的弯曲与扭矩变形，这一技术不仅可以提高堆焊层沉积效率，实现熔池扁平化，熔池内还能形成类似于机械搅拌的涡流，同时双钨极热丝TIG堆焊相对于单钨极热丝TIG堆焊熔宽更大，焊枪步径加大，堆焊相同尺寸管道，焊接速度更快，焊接平均热输入更低，也有效的解决了单钨极热丝TIG在高热输入下高稀释率的问题[19-21].尤其是在堆焊Inconel 625镍基合金时，可以解决因液相流动性较差造成的小气孔和裂纹等问题.
文中基于最新研制的双钨极热丝TIG设备在高强钢管内壁堆焊两层Inconel 625镍基合金，分析新工艺下镍基合金堆焊层的微观组织构成、硬度及耐腐蚀性能. 另外，由于Inconel 625镍基合金焊接过程中Nb和Mo等元素出现严重偏析，凝固时Laves相和Nb次生相析出，使焊缝韧性、耐腐蚀性、疲劳和蠕变断裂强度显著下降[22-23]. 鉴于此对Inconel 625镍基合金堆焊层进行不同温度下的固溶处理，探索固溶处理工艺对堆焊层组织和性能的影响，最终旨在获得满足使用要求的输油管道.
1. 试验方法
1.1 试验材料
试验母材选用热轧无缝钢管，牌号为API 5L-46th PSL1 Gr.B，其外径和壁厚尺寸分别为323.9 mm和9.53 mm. 钢管内堆焊层所用是直径为1.2 mm的SFA/AWS A5.14，ERNiCrMo-3焊丝，其化学成分见表1.
表 1 Gr.B级钢和ERNiCrMo-3焊丝的化学成分(质量分数，%)Table 1. Chemical composition of Gr.B steel and ERNiCrMo-3 welding wire材料 C Si Mn Ni Cr Mo Fe Nb Al Ti Gr.B 0.190 0 0.250 0.400 0.04 0.01 0.003 98.770 0.004 — 0.002 ERNiCrMo-3 0.009 3 0.026 0.012 64.31 22.18 9.080 0.101 3.730 0.2 0.300 1.2 双钨极热丝TIG堆焊工艺
采用双钨极热丝TIG在12 m无缝钢管内水平轴向堆焊镍基合金，两把焊枪悬挂在钢丝绳上，两焊枪间距为450 mm，两个钨极的夹角为25° ~ 35°，两个钨极之间间距为0.8 ~ 1.2 mm，在堆焊过程中焊枪固定，双钨极形成共熔池，钢管旋转. 双钨极分别由一个5 A，10.2 V电源和450 A，28 V电源控制，两根ERNiCrMo-3焊丝分别由5 A，10 V和200 A，10 V的热丝电源进行预热. 堆焊过程中的焊接电压为10 ~ 14 V，焊接电流为30 ~ 50 A，焊接速度为1 000 ~ 1 400 mm/min，在钢管上堆焊两层，堆焊层厚度约为3 ~ 3.5 mm， 堆焊过程实物图和示意图如图1所示. 采用双钨极独立耦合两台焊接电源阳极，工件作为双电弧共熔池的公共阳极接驳点，构建双送丝导向装置与独立热丝电源组配系统，保护气体为氩气. 对堆焊后的镍合金/钢进行固溶处理，工艺分别为800 ℃ × 2 h和900 ℃ × 2 h，均进行水淬.
![]()
图 1 堆焊过程实物图和示意图Figure 1. Physical drawings and schematic drawings of surfacing welding process. (a) photo of pipeline cladding application; (b) photo of dual-torch TIG welding system; (c) schematic diagram of dual-power dual-tungsten parallel configuration1.3 微观组织分析
线切割截取堆焊态下和固溶处理后的镍/钢试样，经过研磨、抛光后，使用10%(质量分数)草酸溶液在电压24 V下，电解10 ~ 12 s. 采用光学显微镜和型号为Zeiss Merlin Compact的电子显微镜对镍合金堆焊层进行微观组织和能谱点分析，对镍/钢界面进行线扫描，分析合金中主要元素在界面两侧的分布状态.
1.4 性能测试
采用型号为KB30S-FA的全自动维氏硬度计，依据国家标准GB/T 4340.1—2009《金属材料 维氏硬度试验 第1部分：试验方法》对焊态和热处理后的镍/钢试样进行显微硬度测量，测量过程中载荷为1 Pa，保载时间为15 s，以镍/钢界面为基准点向钢层及镍基合金层进行测试，每个点间隔0.5 mm，每个试样测量9个点.
对堆焊态和固溶处理后的镍/钢样品进行电化学腐蚀试验，沿着距离镍合金/钢界面层分别为0.5 mm，1 mm和1.5 mm处取样，试样尺寸分别为10 mm × 10 mm × 0.5 mm，10 mm × 10 mm × 1.0 mm和10 mm × 10 mm × 1.5mm. 试验采用三电极体系，铂与饱和甘汞电极分别为辅助电极和参比电极，待测试样为工作电极，用去离子水制备3.5%NaCl溶液作为腐蚀介质. 为了去除空气中形成的氧化膜，将试样置于腐蚀液中，在−1.2 V(SHE)的电位下极化180 s，随后浸泡1 h，直到开路电位(OCP)达到准稳态后测量极化曲线，以评估各样品的耐点蚀性能.将待测试样置于0.5 V(SHE)恒电位的钝化电位极化2 h，确保熔覆层表面生成稳定钝化膜. 采用X射线光电子能谱仪(thermo scientific nexsa)对钝化膜的元素成分进行半定量分析，使用标准峰(C1s，284.8 eV)对所有元素峰进行校正.
2. 结果与讨论
2.1 镍/钢堆焊复合板微观组织形貌分析
图2为焊态和热处理态Inconel 625堆焊层横截面的光学显微形貌，图3为图2中红色方框内相对应的镍基合金堆焊层放大. 图2(a)为焊态下镍/钢复合板的全貌，结合图3(a)，可见镍基合金堆焊第一层沿着钢基体向上垂直生长，呈树枝状，且有一枝晶间距. 堆焊第二层晶粒尺寸大于堆焊第一层晶粒，这是由于第二层堆焊过程时对第一层顶部进行了重熔，细化了晶粒. 另外，第二层堆焊合金以第一层合金面为形核点进行凝固，晶粒生长方向开始变得杂乱，第二层堆焊合金层组织可以看出枝晶间距明显增大. 钢侧热影响区显微组织主要由魏氏组织组成，组织严重不均匀.
![]()
图 2 Inconel 625堆焊层横截面微观形貌Figure 2. Cross-section microstructure morphology of Ni/steel surfacing plates. (a) as-welded state; (b) solution treatment at 800 ℃; (c) solution treatment at 900 ℃![]()
图 3 镍基合金堆焊层微观组织形貌Figure 3. Enlarged view on microstructure morphology of Ni-based alloy surfacing layers . (a) as-welded state; (b) solution treatment at 800 ℃; (c) solution treatment at 900 ℃对镍/钢复合板进行800 ℃固溶处理后，钢侧热影响区中组织得到明显改善，主要由块状铁素体和粒状贝氏体组成，镍基合金堆焊第一层和第二层组织明显细化，如图2(b)和图3(b)所示. 对镍/钢复合板进行900 ℃固溶处理后，热影响区与基材组织趋于一致，主要由贝氏体组成，且贝氏体呈团状分布，如图2(c)和图3(c)所示.
图4为焊态和固溶处理镍基合金堆焊层的SEM形貌. 焊态(图4(a)和图4(d))，镍基合金堆焊层中枝晶状组织间含有较多的浅灰色团状物相1号和深灰色小块状颗粒2号；固溶处理温度为800 ℃时(图4(b)b和图4(e))，枝晶状组织之间物相(1号和2号)开始减少；当固溶处理温度为900 ℃时(图4(c)和图4(f))，枝晶状组织之间物相(1号和2号)进一步减少，同时有针状物相3号出现.对图中特征点进行能谱点分析结果见表2. 根据表2结果可以推测，1号为Laves相，即A2B型相：A可能为Ni，Cr和Fe元素，B可能为Nb，Mo和Ti元素，2号可能为碳化物沉淀相(如NbC)，3号可能为δ相.
![]()
图 4 镍基合金堆焊层形貌及局部放大Figure 4. Morphologies and corresponding local magnified image in the nickel-based alloy surfacing layer . (a) as-welded state; (b) solution treatment at 800 ℃; (c) solution treatment at 900 ℃; (d) Fig. 4(a) magnified view; (e) Fig. 4(b) magnified view; (f) Fig. 4(c) magnified view表 2 镍基合金堆焊层中特征点能谱分析(质量分数，%)Table 2. Energy spectrum analysis results of characteristic points in nickel-based alloy surfacing layer特征点 Ni Cr Nb Fe Mo Ti 推测物相 1号 43.27 16.05 10.19 19.42 7.02 4.05 Laves 2号 13.38 3.28 75.42 7.80 — 0.12 NbC 3号 58.32 17.93 8.83 7.29 7.35 0.28 δ 625镍基合金中Nb和Mo主要起到提高强度和耐腐蚀性的作用，但这两种元素特别容易发生偏析. 在镍基合金堆焊层凝固时，首先从液相中析出镍基枝晶状奥氏体相，Nb，Mo和Ti等元素发生偏析并富集在枝晶间，与C形成碳化物沉淀相, 同时由Ni，Cr，Fe和Nb，Mo，Ti等元素形成Laves相(A2B型化合物)的析出均会导致镍基合金中出现贫Mo和Cr区域，从而降低其耐腐蚀性能. 对镍/钢复合板进行800 ℃固溶处理后，Nb和Mo等合金元素在镍基奥氏体的固溶度增加，使得Laves相和NbC减少. 同时，镍基合金堆焊层中析出次级镍基奥氏体γ″相从晶界附近处析出，这种物相位错密度大. 上述组织构成有利于镍基合金堆焊层强度、硬度和耐腐蚀性的提升. 进一步增加固溶温度至900 ℃，镍基合金中元素呈现过饱和态，次级镍基奥氏体γ″相增多，大量这种亚稳态γ″相会引起晶格畸变，从而促使δ相在紧密堆积面的堆积断层中成核，最终组织中有稳定的针状δ相产生，过多的针状δ相对性能有恶化作用.
2.2 镍/钢堆焊复合板硬度
图5是镍/钢堆焊复合板横截面硬度分布曲线.由图可知，焊态下从钢基材至镍基合金堆焊层硬度先下降后上升，在钢基材热影响区内硬度最低，这主要是因为焊态下钢基材中Fe元素向镍基合金堆焊层扩散，随后的快速冷却中热影响区魏氏体组织的形成而导致该区域的硬度值最低，这与Pu等人[24]结果一致.
对镍/钢复合板进行固溶处理后，钢基材硬度随温度的升高而升高，镍基合金堆焊层的硬度随温度的升高先上升后下降. 固溶处理工艺使元素扩散更加充分，热影响区内组织逐渐均匀化，故钢基材硬度随温度的上升而增加. 固溶温度为800 ℃时，镍基堆焊层中析出次级镍基奥氏体γ″相，位错密度逐渐增加，镍基合金堆焊层硬度上升. 然而，当固溶温度为900 ℃时，树枝晶间的γ″相转变为稳定δ相后，硬度反而开始下降.
2.3 堆焊层耐腐蚀性能
2.3.1 动电位极化曲线
为了探讨镍基堆焊层合金的耐腐蚀性能，在距离镍/钢界面0.5 mm，1.0 mm和1.5 mm处分别取样进行电化学腐蚀试验，不同位置试样的动电位极化曲线如图6所示. 由图6(a)和图6(b)可知，距离镍/钢界面层0.5 mm和1.0 mm时，固溶处理前后，镍基合金堆焊层的动极化曲线极为相似，耐腐蚀性能变化相差不大，均存在钝化区，钝化膜破碎后，耐腐蚀性能急剧下降. 用Cview软件对动电位极化曲线进行拟合得到自腐蚀电位与自腐蚀电流，结果见表3. 有研究表明腐蚀电位Ecorr反映着接头的腐蚀倾向，自腐蚀电流密度Icorr是相对较为常用且能够准确反映接头腐蚀速度的指标. Ecorr越大，Icorr越小，其耐腐蚀性能越好[25]. 根据表3结果可知，焊态下试样初始腐蚀电位最低，800 ℃固溶处理下试样初始腐蚀电位最高，自腐蚀电流密度最低，未见明显的点蚀电位.
![]()
图 6 不同样品在3.5%NaCl溶液中的电化学极化曲线Figure 6. Potential dynamic polarization curves of different specimens at 3.5%NaCl solution . (a) located at 0.5 mm away from the Ni/steel interface; (b) located at 1.0 mm away from the Ni/steel interface; (c) located at 1.5 mm away from the Ni/steel interface表 3 不同试样腐蚀电位及腐蚀电流密度Table 3. Corrosion potential and corrosion current density of different specimens镍基合金堆焊层 腐蚀电位 Ecorr /V 腐蚀电流密度 Icorr /(10−7A·cm−2) 焊态-0.5 mm −0.969 13 4.592 3 800 ℃-0.5 mm −0.940 06 3.854 3 900 ℃-0.5 mm −0.955 25 4.334 3 焊态-1.0 mm −0.951 06 5.234 7 800 ℃-1.0 mm −0.898 00 4.091 3 900 ℃-1.0 mm −0.931 12 5.086 6 焊态-1.5mm −0.547 06 1.995 9 800 ℃-1.5mm −0.300 25 1.432 5 900 ℃-1.5mm −0.423 06 3.189 1 2.3.2 阻抗谱分析
图7是不同位置的试样在3.5%NaCl溶液中的Nyquist图. 容抗弧半径的大小，可以反映试样表面腐蚀发生的快慢，从图7中可以观察到，经过800 ℃固溶处理后的试样容抗弧半径的最大，耐腐蚀性能最好.
![]()
图 7 不同试样在3.5%NaCl溶液中的Nyquist图Figure 7. Nyquist diagram of different samples in 3.5%NaCl solution . (a) located at 0.5 mm away from the Ni/steel interface; (b) located at 1.0 mm away from the Ni/steel interface; (c) located at 1.5 mm away from the Ni/steel interface图8为不同试样在3.5%NaCl溶液中的Bode图，从图中可以看出，所有试样在中频最大相位角都接近90°，表明所有试样在3.5%NaCl溶液中都具有钝化行为. 采用ZView软件拟合数据，拟合数据见表4，等效电路图如图9所示，其中 Rs为溶液电阻，Rf 表示钝化膜的电荷转移电阻，CPE(Qf)为恒相元，n为CPE弥散指数. 指数范围在0≤n≤1之间，其中接近 -1，0 或 1 的 n 值分别表示电感、电阻和电容行为. 所有试样的n值都接近1，显示出电容行为.从表4中可以看到，800 ℃固溶处理下试样Rf值最高，而焊态的Rf值最低，表明800 ℃固溶处理下试样的耐蚀性能最好，这与极化曲线测试结果一致.
![]()
图 8 不同试样在3.5%NaCl溶液中的Bode图Figure 8. Bode diagram of different samples in 3.5%NaCl solution . (a) located at 0.5 mm away from the Ni/steel interface; (b) located at 1.0 mm away from the Ni/steel interface; (c) located at 1.5 mm away from the Ni/steel interface表 4 不同试样电化学阻抗谱拟合数据Table 4. Data of different samples were fitted by electrochemical impedance spectroscopy试样 溶液电阻Rs/(Ω·cm2) CPEQf/
(10−5Ω−1·cm2·Ω-n)CPE弥散
指数
n电荷转
移电阻
Rf/(Ω·cm2)焊态-0.5 mm 4.596 6.941 2 0.879 41 28 092 800 ℃-0.5 mm 4.486 9.485 9 0.833 45 38 204 900 ℃-0.5 mm 4.968 6.936 3 0.869 85 36 496 焊态-1.0 mm 4.876 8.434 8 0.854 74 35 972 800 ℃-1.0 mm 4.689 8.808 7 0.844 61 50 409 900 ℃-1.0 mm 4.25 7.419 3 0.872 43 42 254 焊态-1.5 mm 4.227 6.700 5 0.881 55 46 124 800 ℃-1.5 mm 10.57 4.207 5 0.899 31 80 719 900 ℃-1.5 mm 9.047 9.291 1 0.870 82 60 404 ![]()
图 9 堆焊层EIS 拟合采用的等效电路Figure 9. Equivalent circuit used for surfacing layer EIS fitting2.3.3 钝化膜XPS分析
考虑钢基材中Fe元素对镍基堆焊层耐腐蚀性能的影响，取距离镍/钢界面0.5 mm处的堆焊层试样表面进行XPS(X-ray photoelectron spectroscopy，XPS)分析，其焊态和不同固溶处理温度下元素总谱图如图10所示. 由图可知，热处理工艺不改变堆焊层表面钝化膜元素组成，信号峰较强的元素主要是C, O, Cr, Fe, Nb, Mo和 Ni, 说明钝化膜的主要成分是Cr, Nb,和Mo的氧化物，还有少量Fe的氧化物.
![]()
图 10 距镍/钢界面0.5 mm试样表面钝化膜 XPS 总谱图Figure 10. XPS analysis total spectrum of passivation film on the surface of the sample located at 0.5mm away from the Ni/steel interface由于焊态和不同固溶处理温度的各元素XPS精细谱相差不大，选择800 ℃固溶处理镍基合金堆焊层的精细图谱进行详细分析. 图11是O1s，Cr2p，Fe2p，Ni2p，Mo3d和Nb3d所对应的精细图谱，由图11(a)可知，O1s精细图谱存在3个不同结合能的峰，分别是表面化学吸附氧OH−(531.50 eV)、表面晶格氧O2−(529.78 eV)以及C = O(533.06 eV)[26-27].由此可得，钝化膜主要成分由M·OH和M·O(M代表金属元素)组成；从图11(b)中Nb3d可知，钝化膜中Nb腐蚀产物主要是Nb2 + (202.50 eV)和Nb5 + (206.64 eV)；图11(c)表示Cr主要存在3个特征峰，分别是金属态Cr(574.3 eV), Cr6 + (76.4 eV)和Cr3 + (577.3 eV) . 镍基合金熔覆层钝化膜中可能含有Cr，Cr2O3，Cr(OH)3和Cr(OH)3；图11(d)表示Fe2p也存在3个特征峰，Fe(706.7 eV)，Fe2 + (709.3 eV)和Fe3 + (711.3 eV)，这表明Fe2 + 和Fe3 + 是钝化膜中铁氧化物的主要种类，可能为FeO和Fe2O3；图11(e)表示在钝化膜表面均检测到金属Mo，Mo4 + 和Mo6 + ，Mo能使钝化膜更加致密牢固，从而有效提高堆焊层镍基合金的耐Cl−离子腐蚀性，是有益合金元素；图11(f)表示钝化膜中Ni2P存在一个特征峰，金属态Ni(852.8 eV)，Ni是奥氏体形成元素，Ni能起到提高自腐蚀电位，增大钝化区的作用，所以能提高耐点蚀能力，能减缓镍基合金的腐蚀现象[28].
![]()
图 11 镍基合金堆焊层的钝化膜中主要元素XPS图谱Figure 11. XPS spectra of main elements in the passivation film of Ni-based alloy surfacing layer. (a) O1s; (b) Nb3d; (c) Cr2p; (d) Fe2p; (e) Mo3d; (f) Ni2pInconel 625镍基合金表面的主要腐蚀方式是由低Nb和Mo区域与析出相之间引起的电位差而形成的电偶腐蚀[29]. 文中镍基合金堆焊层在NaCl溶液中电化学腐蚀时，Nb和Mo优先溶解， 在钝化膜的外层先形成M·OH，随着腐蚀时间的推移，M·OH脱水分解形成M·O，构成了钝化膜的内层. 另外，优先形成的Nb和Mo部分腐蚀产物进入腐蚀孔隙，阻碍NaCl电解液进一步向镍基合金中渗透，而电解液渗透进入镍基合金内部后，Cr和Fe元素比Ni元素又优先发生电解腐蚀， 底层最终主要是Ni单质. 由此，钝化膜内层主要为Cr，Fe，Nb和Mo的氧化物，外层主要为Cr，Fe，Nb和Mo的氢氧化物. 史鹏和Zhang等人[30-31]验证了上述分析结果.
3. 结论
(1) 双钨极热丝TIG堆焊技术可以在输油管道高强钢内壁制备成形好、变形小及无明显缺陷的625镍基合金堆焊层，第一层堆焊层晶粒尺寸小于第二层.
(2) 800 ℃和900 ℃固溶处理使镍/钢复合板中钢侧热影响区组织更加均匀统一. 从焊态到900 ℃固溶处理，镍基合金堆焊层组织中镍基奥氏体枝晶间Laves相和碳化物不断减少，最终有针状δ相产生.
(3)镍/钢堆焊复合板焊态组织中显微硬度呈现梯度分布特征，具体表现为镍基堆焊层高于钢基体，在焊接热循环的作用下钢材热影响区硬度最低，固溶处理提高了相应区域的硬度. 当固溶处理温度为800 ℃时，组织中有大量次级镍基奥氏体γ″相生成，此相位错密度较高，硬度值最大.
(4) 堆焊层越靠近基材，腐蚀性能越差. 相比于焊态和900 ℃固溶处理，800 ℃固溶处理时625镍基合金堆焊层耐腐蚀性能最佳. 经XPS分析，堆焊层表面钝化膜由两层构成，内层主要为Cr，Fe，Nb和Mo的氧化物，外层主要为Cr，Fe，Nb和Mo的氢氧化物.
-
![]()
图 5 优化后焊头的振动性能
Figure 5. Vibration performance of the optimized ultrasonic welding head. (a) maximum longitudinal amplitude before optimization; (b) maximum Longitudinal amplitude after optimization; (c) resonant stress before optimization; (d) resonant stress after optimization
![]()
图 7 焊头侧面振动情况
Figure 7. Lateral vibration condition of the welding head.(a)lateral overall deformation amplitude;(b) lateral longitudinal deformation amplitude
![]()
图 9 K1点和K2点安装支撑工具对比
Figure 9. Comparison of the installation positions of support tools at points K1 and K2. (a) overall deformation amplitude; (b) longitudinal deformation amplitude
表 1 参数取值
Table 1 Parameter values
槽中心与上表面距离
A/mm槽长
L/mm长槽半径
R/mm两槽中心距
D/mm61.5，63.5，65.5，
67.5，69.573，76，79，
82，884，5，6 23.0，25.5，
28.0，30.5
下载: 导出CSV
表 2 随机组的长槽尺寸
Table 2 Long slot dimensions of the random group
序号 槽中心与上
表面的距离
A/mm槽长
L/mm长槽半径
R/mm两槽中心距
D/mm1 66 86 4.5 24 2 63 86 4.5 24 3 68 80 5.5 24 4 66 80 4.5 30 5 66 74 5.5 24 6 63 80 4.5 27 7 68 74 4.5 30 8 63 74 5.5 30 9 68 74 4.5 27 10 66 74 5.5 27 11 66 80 5.5 27 12 63 80 5.5 27 13 63 74 4.5 27 14 68 86 5.5 24 15 66 74 4.5 27
下载: 导出CSV
表 3 随机组的网络预测值
Table 3 Network predicted values for the random group
序号 纵向最大振幅
γ1/μm横向最大振幅
γ2/μm竖向最大振幅
γ3/μm最大应力
σmax/MPa1 28.023 9.283 9.382 191.484 2 31.693 10.236 9.374 299.783 3 24.148 9.065 9.290 163.958 4 27.841 10.194 9.250 234.061 5 21.709 9.079 9.223 130.978 6 28.469 10.547 9.341 236.185 7 23.698 9.534 9.186 153.762 8 26.341 11.467 9.148 270.740 9 22.617 9.061 9.225 128.564 10 22.980 9.281 9.211 162.817 11 27.225 9.561 9.351 248.449 12 30.390 10.863 9.363 399.301 13 24.691 10.305 9.123 156.849 14 28.080 9.196 9.302 224.794 15 23.128 9.484 9.155 129.676
下载: 导出CSV
表 4 随机组的有限元计算值
Table 4 Finite element calculation values for the random group
序号 纵向最大振幅
γ1/μm横向最大振幅
γ2/μm竖向最大振幅
γ3/μm最大应力
σmax/MPa1 28.766 9.234 9.250 205.940 2 31.700 10.269 9.275 308.216 3 23.990 9.227 9.238 159.446 4 28.071 10.161 9.277 235.685 5 21.474 9.179 9.207 135.813 6 28.576 10.685 9.282 231.679 7 23.957 9.233 9.209 147.905 8 26.407 11.390 9.271 271.043 9 22.892 9.161 9.182 124.156 10 22.831 9.218 9.237 164.459 11 27.059 9.285 9.301 247.955 12 30.423 11.046 9.321 395.756 13 24.818 10.450 9.137 153.166 14 27.850 9.287 9.298 221.264 15 23.475 9.149 9.168 134.199
下载: 导出CSV
表 5 随机组的网络预测误差
Table 5 Prediction error of the network for the random group
序号 纵向最大
振幅误差
ε₁(%)横向最大
振幅误差
ε2(%)竖向最大
振幅误差
ε3(%)最大应力
误差
ε4(%)1 2.58 0.53 1.43 7.02 2 0.02 0.32 1.07 2.74 3 0.66 1.76 0.56 2.83 4 0.82 0.32 0.29 0.69 5 1.09 1.09 0.17 3.56 6 0.37 1.29 0.64 1.94 7 1.08 3.26 0.25 3.96 8 0.25 0.68 1.33 0.11 9 1.20 1.09 0.47 3.55 10 0.65 0.68 0.28 1.00 11 0.61 2.97 0.54 0.20 12 0.11 1.66 0.45 0.90 13 0.51 1.39 0.15 2.40 14 0.83 0.98 0.04 1.60 15 1.48 3.66 0.14 3.37
下载: 导出CSV
表 6 优选值
Table 6 Optimal value
序号 槽中心与上表面的距离
A/ mm槽长
L/ mm长槽的半径
R/ mm两槽的中心距
D/ mm纵向最大振幅
$ {\gamma }_{1} $/ μm横向最大振幅
$ {\gamma }_{2} $/ μm竖向最大振幅
$ {\gamma }_{3} $/ μm最大应力
$ {\sigma }_{\max} $/ MPa1 63.721 85.759 4.815 23.902 30.957 9.939 9.371 307.441 2 67.568 87.128 4.164 29.636 30.655 9.703 9.408 260.371 3 65.355 87.646 4.091 24.268 30.154 9.474 9.405 198.244 4 62.239 77.542 5.233 30.334 30.088 12.529 9.210 412.880 5 63.051 81.099 4.596 27.937 30.055 10.975 9.376 289.682 6 63.723 85.865 4.063 23.518 29.69 9.686 9.377 211.015 7 63.344 82.905 4.000 24.359 28.735 9.935 9.349 189.654 8 68.901 86.259 5.996 25.514 28.648 9.248 9.276 270.912 9 68.794 87.252 4.962 26.076 28.567 9.235 9.333 217.682 10 67.847 86.660 4.378 26.720 28.563 9.241 9.365 184.226 11 62.479 77.383 4.250 29.110 28.539 11.973 9.091 210.101 12 67.551 87.728 4.066 24.164 28.343 9.116 9.356 164.991 13 69.345 82.223 4.171 23.386 25.259 9.007 9.405 116.051 14 63.463 78.738 4.725 23.442 25.207 9.493 9.310 167.586 15 66.985 78.774 4.176 25.927 25.125 9.254 9.378 134.279
下载: 导出CSV
-
[1] 李欢, 李俊, 李哲, 等. 超声焊接纯铜过程塑性变形与微观组织演变[J/OL]. 焊接学报, 1 − 8. http: //kns. cnki. net/kcms/detail/23. 1178. TG. 20250114. 1119. 004. html. LI Huan, LI Jun, LI Zhe, et al. Plastic deformation and microstructures evolution in pure copper ultrasonic welding[J/OL]. Transactions of the China Welding Institution, 1 − 8. http: //kns. cnki. net/kcms/detail/23. 1178. TG. 20250114. 1119. 004. html.
[2] ZHANG C X, LI H, LIU Q X, et al. Ultrasonic welding of aluminum to steel: a review[J]. Metals, 2022, 13(1): 29. doi: 10.3390/met13010029
[3] BHUDOLIA S K, GOHEL G, LEONG K F, et al. Advances in ultrasonic welding of thermoplastic composites: a review[J]. Materials, 2020, 13(6): 1284. doi: 10.3390/ma13061284
[4] 成先明, 杨可, 邵壮, 等. 超声波焊接能量对铜/铝导线接头结合性能的影响[J]. 焊接学报, 2024, 45(4): 65 − 70. doi: 10.12073/j.hjxb.20230504001 CHENG Xianming, YANG Ke, SHAO Zhuang, et al. Effect of ultrasonic welding energy on the bonding properties of Cu-Al cables[J]. Transactions of the China Welding Institution, 2024, 45(4): 65 − 70. doi: 10.12073/j.hjxb.20230504001
[5] LI H J, CHEN C, YI R X, et al. Ultrasonic welding of fiber-reinforced thermoplastic composites: a review[J]. The International Journal of Advanced Manufacturing Technology, 2022, 120(1): 29 − 57.
[6] LIU Z G, LI Y, LIU Z W, et al. Ultrasonic welding of metal to fiber-reinforced thermoplastic composites: a review[J]. Journal of Manufacturing Processes, 2023, 85: 702 − 712. doi: 10.1016/j.jmapro.2022.12.001
[7] KALYAN K R, OMKUMAR M. Investigation of ultrasonic welding of carbon fiber reinforced thermoplastic to an aluminum alloy using a interfacial coating[J]. Materials and Manufacturing Processes, 2021, 36(11): 1323 − 1331. doi: 10.1080/10426914.2021.1905839
[8] DOBROTA D, LAZAR S V. Ultrasonic welding of PBT-GF30(70% polybutylene terephthalate + 30% fiber glass) and expanded Polytetrafluoroethylene (e-PTFE)[J]. Polymers, 2021, 13(2): 298. doi: 10.3390/polym13020298
[9] KOTHURU V V, SISTLA V S, MOHAMMED I H, et al. Design and numerical analysis of rectangular sonotrode for ultrasonic welding[J]. Trends in Sciences, 2022, 19(11): 4215 − 4215. doi: 10.48048/tis.2022.4215
[10] CHEN K, ZHANG Y. Mechanical analysis of ultrasonic welding considering knurl pattern of sonotrode tip[J]. Materials & Design, 2015, 87: 393 − 404.
[11] TORRES-MORENO J L, CRUZ N C, ALVAREZ J D, et al. An open-source tool for path synthesis of four-bar mechanisms[J]. Mechanism and Machine Theory, 2022, 169: 104604. doi: 10.1016/j.mechmachtheory.2021.104604
[12] SUN L, HU S J, FREIHEIT T. Feature-based quality classification for ultrasonic welding of carbon fiber reinforced polymer through Bayesian regularized neural network[J]. Journal of Manufacturing Systems, 2021, 58: 335 − 347. doi: 10.1016/j.jmsy.2020.12.016
[13] PEREIRA J L, OLIVER G A, FRANCISCO M B, et al. A review of multi-objective optimization: methods and algorithms in mechanical engineering problems[J]. Archives of Computational Methods in Engineering, 2022, 29(4): 2285 − 2308. doi: 10.1007/s11831-021-09663-x
[14] HUANG Q, ZHAO B, QIU Y T, et al. MOPSO process parameter optimization in ultrasonic vibration-assisted grinding of hardened steel[J]. The International Journal of Advanced Manufacturing Technology, 2023, 128: 903 − 914. doi: 10.1007/s00170-023-11949-2
[15] ELSHEIKH A H, ELAZIZ M A, VENDAN A. Modeling ultrasonic welding of polymers using an optimized artificial intelligence model using a gradient-based optimizer[J]. Welding in the World, 2022(66): 27 − 44.
[16] KUO C C, TSAI Q Z, LI D Y, et al. Optimization of ultrasonic welding process parameters to enhance weld strength of 3C power cases using a design of experiments approach[J]. Polymers, 2022, 14(12): 2388. doi: 10.3390/polym14122388
[17] DHILIP A, NAMPOOTHIRI J. Investigating the effects of ultrasonic assistance on TIG welding of AA7075 alloys: a machine learning-based optimization study using RSM-PSO[J]. Physica Scripta, 2024, 100(1): 016002.
[18] LIANG H W, QI L Z, LIU X. Modeling and optimization of robot welding process parameters based on improved SVM-PSO[J]. The International Journal of Advanced Manufacturing Technology, 2024, 133(5): 2595 − 2605.
计量
- 文章访问数: 6
- HTML全文浏览量: 1
- PDF下载量: 2
