Register Login
Human-machine Cooperation & Intelligent Welding | Views : 213 Downloads: 283 CSCD: 0

  • Export

  • Share

  • Collection

  • Album

    • Quality Prediction of Pulse Laser Welding of Aluminum Alloy Based on Machine Learning

    • GOU Xinglu

      12 ,

      WU DI

      123 ,

      DONG Jinfang

      12 ,

      YANG Fangyi

      12 ,

      ZENG Da

      12 ,

      HUANG Hongxing

      12 ,

      ZHANG Peilei

      12 ,

      YE Xin

      12 ,

      SHI Haichuan

      12
    • Vol. 53, Issue 9, Pages: 84-90(2023)   

    • DOI： 10.7512/j.issn.1001-2303.2023.09.11     

    Scan for full text

  • Quote

    PDF

  • GOU Xinglu, WU DI, DONG Jinfang, et al.Quality Prediction of Pulse Laser Welding of Aluminum Alloy Based on Machine Learning[J].Electric Welding Machine, 2023, 53(9): 84-90. DOI： 10.7512/j.issn.1001-2303.2023.09.11.
    Sections

    Abstract

    Pulsed laser welding of aluminum alloy is widely used in precision machining fields such as power batteries and new energy vehicles because it can accurately adjust the laser energy input. However, the inherent properties of aluminum alloy such as high thermal conductivity and high reflectivity, as well as the intense interaction with high energy laser, bring challenges to the optimization of process parameters and welding quality assurance. In this paper, the influences of different pulse laser parameters (peak power, pulse frequency and welding speed) on weld forming were analyzed. Taking the process parameters as multi-dimensional input features, the prediction model of melting width and depth based on BP neural network was further constructed. The results show that different process parameters have direct influences on the weld depth and width, and it is necessary to determine a suitable process window. At the same time, the average prediction error of the constructed model is less than 10%, which has a high prediction accuracy. The research provides a reliable experimental and guiding basis for the quality prediction and process optimization of pulsed laser welding of aluminum alloy.

    transl
     EN

    Keywords

    pulsed laser welding; 1060 aluminum alloy; Weld size; Neural network; Quality prediction

    transl
     EN

    0 引言

    激光焊接因其能量密度高、热影响小、焊接变形小和自动化程度高等一系列优点，在铝合金焊接领域得到广泛应用［

    1-2］。然而，铝合金自身高反射率、高导热性以及低电离能等固有属性，导致焊接过程稳定性较差，容易产生未熔透、咬边、驼峰、裂纹等焊接缺陷，严重影响工件接头质量和力学性能［3］。相比于连续激光焊接，脉冲激光焊接技术能够精准调控能量输入且热输入小，特别适合于薄壁铝合金的精密连接。
    transl
     EN

    张大文等人［

    4］对比了脉冲激光和连续激光焊接5052铝合金板的效果，结果表明脉冲激光焊接能获得更加理想的焊缝。文献［5-6］针对TC4板开展了脉冲激光焊接工艺实验，结果发现，当其他参数不变时，焊缝熔深和熔宽均随激光峰值功率的增加而增大。Jia等人［7］在铝合金脉冲激光焊接时发现随着激光功率增加，熔深和熔宽均逐渐增加，并且当控制脉冲能量不变时，激光功率对熔池尺寸仍然起主导作用。此外，Torkamany等人［8］针对低碳钢板脉冲激光焊接技术，提出了重叠因子概念，并得到了焊接速度与脉冲频率呈正相关的结论，结果表明，当脉冲频率固定不变时，焊接速度要适当降低才能获得最佳焊接效果。朱玮涛等人［9］的研究表明，脉冲宽度增加，则熔深逐渐增加，当脉冲宽度超过某一临界值时，熔深反而下降。王金凤等人［10］研究了小功率激光器在纯铝薄板焊接工艺中的应用，发现激光功率、脉冲宽度、脉冲频率对焊缝成形的影响逐渐减弱，并得到了合适的工艺参数。
    transl
     EN

    结合上述研究发现，国内外学者针对脉冲激光焊接工艺开展了大量研究，并取得了一定成果。然而，脉冲激光焊接作为一个多参数相互耦合的复杂非线性动态系统，利用工艺先验知识建立准确的解析模型以实现对焊接质量的精准预测非常困难，目前更多停留在大量工艺实验和破坏性金相分析测试，这极大降低了生产效率。为解决上述难题，本文首先对不同脉冲激光焊接工艺参数对焊缝形貌的影响规律进行了研究；其次，以工艺参数为多维输入变量，构建基于机器学习方法的焊接质量预测模型，以实现对铝合金脉冲激光焊缝尺寸的精准预测，为工艺优化和焊接质量控制提供试验依据。

    transl
     EN

    1 试验方法

    1.1 试验系统及设备

    激光焊接试验系统如图1所示，主要包括：脉冲激光器（TRUMPF TruPulse 556）、激光头、行走机构和送气系统（压缩空气和保护气）。其中脉冲激光器最大输出功率为10 kW，输出方波脉冲，峰值功率、脉冲频率/时间可调。激光束波长为1 064 nm，聚焦透镜焦距为223 mm，激光头倾斜角为10°。此外采用紫铜保护气喷嘴对焊接区域进行保护避免氧化，保护气为纯度99.99%氩气，流量20 L/min。

    transl
     EN

    fig

    图1  脉冲激光焊接试验系统平台

    Fig.1  Platform of pulsed laser welding test system

    icon Download:  Full-size image | High-res image | Low-res image

    1.2 试验材料及焊接工艺

    试验材料为尺寸100 mm×50 mm×2 mm的1060铝合金薄板，其化学成分如表1所示。试验开始前对工件表面进行打磨抛光，去除表面氧化膜，再使用丙酮溶液将表面擦拭干净，去除油污。

    transl
     EN

    表1  1060铝合金主要化学成分（质量分数，%）
    Table 1  Main chemical components of 1060 aluminum alloy（wt.%）
    AlSiFeCuMnZnMg
    99.60 0.25 0.35 0.05 0.03 0.05 0.03
    icon Download:  Export CSV

    为了系统研究不同脉冲激光焊接参数对焊缝熔深（DP）和熔宽（SW）的影响规律，采取单一变量控制法，分别改变激光峰值功率Ppeak、焊接速度v和脉冲频率f （经前期试验以及对试验参数的优化，当功率3.2 kW，焊速10 mm/s，脉冲频率15 Hz时，焊接接头质量最优），相比其他参数，脉冲宽度对焊缝成形影响最小，为减少后续预测模型的复杂度，本文暂不考虑脉冲宽度的影响。具体工艺参数和对应的焊缝尺寸见表2~表4。激光焊缝尺寸（熔深和熔宽）和成形系数φ的定义如图1所示。

    transl
     EN

    表2  不同峰值功率对应的焊缝尺寸
    Table 2  Weld dimensions corresponding to different peak power
    焊缝编号功率/kW脉冲宽度/ms脉冲频率/Hz焊速/（mm·s-1）单脉冲能量/J熔宽/mm熔深/mm
    1 3.0 10 15 10 18.22 1.002 0.303
    2 3.2 10 15 10 19.37 1.246 0.824
    3 3.6 10 15 10 21.66 1.634 1.231
    icon Download:  Export CSV
    表3  不同焊接速度对应的焊缝尺寸
    Table 3  Weld dimensions corresponding to different welding speeds
    焊接编号焊速/（mm·s-1）脉宽/ms功率/kW频率/Hz单脉冲能量/J熔宽/mm熔深/mm
    4 4 10 3.2 15 19.37 1.189 0.386
    5 8 10 3.2 15 19.37 1.067 0.378
    6 12 10 3.2 15 19.37 1.193 0.322
    icon Download:  Export CSV
    表4  不同脉冲频率对应的焊缝尺寸
    Table 4  Weld dimensions corresponding to different pulse frequencies
    焊缝编号频率/Hz功率/kW脉宽/ms焊速/（mm·s-1）单脉冲能量/J熔宽/mm熔深/mm
    7 12 3.2 10 10 19.37 1.324 0.795
    8 14 3.2 10 10 19.37 1.443 0.803
    9 18 3.2 10 10 19.37 1.470 0.845
    icon Download:  Export CSV

    2 不同激光工艺参数对焊缝形貌的影响分析

    2.1 脉冲峰值功率对焊缝形貌的影响

    图2为不同峰值功率Ppeak的焊缝截面形貌。图3为不同峰值功率Ppeak对熔宽、熔深以及成形系数的影响分布。可以看出，当其余参数保持不变时，增大峰值功率，焊缝熔宽和熔深均增大，同时成形系数不断减小，焊缝类型从传导焊过渡到深熔焊模式。

    transl
     EN

    fig

    图2  不同峰值功率下的焊缝截面形貌

    Fig.2  Appearance of weld section under different peak power

    icon Download:  Full-size image | High-res image | Low-res image
    fig

    图3  不同峰值功率的熔宽、熔深和成形系数变化规律

    Fig.3  The variation law of melting width， melting depth and forming coefficient of different peak power

    icon Download:  Full-size image | High-res image | Low-res image

    当峰值功率为3.0 kW时，传输到工件的热量较少，只能使铝合金表面熔化形成宽而浅的熔池，因此成形系数较大（φ=3.31），此时焊缝处于传导焊模式；随着峰值功率增大到3.2 kW时，产生更多的热量到工件表面，铝合金形成的金属蒸汽具有较高的反冲压力，能够克服液态金属表面张力并将熔融金属排向外围，形成深而窄的匙孔。随后，匙孔壁面通过多重反射不断吸收入射的激光能量，实现匙孔周边金属不断熔化，从而快速增加了焊缝熔深，形成深熔焊缝，焊缝成形系数也明显降低（φ=1.51）。峰值功率增加到3.6 kW后，焊缝表面出现了局部凹陷，产生咬边缺陷。这是由于激光功率过大，焊接速度较快，使得脉冲激光能量下降时间过快，导致熔池匙孔振荡非常剧烈，内部匙孔容易塌陷，从而造成焊缝局部咬边现象。因此，需要一个合理的激光功率和焊接速度匹配区间，来保证获得稳定可靠的焊缝质量。

    transl
     EN

    2.2 焊接速度对焊缝形貌的影响

    不同焊接速度的焊缝截面形貌如图4所示，不同焊接速度对熔宽、熔深和成形系数的影响分布如图5所示。可以看出，当峰值功率、脉冲频率和脉冲宽度等关键参数保持不变时，增大焊接速度，分布在单一焊缝上的线能量减小，导致焊缝熔深随之减小，余高减小；但焊缝熔宽变化幅度不明显，同时焊缝成形系数比较大（φ>2.8），均属于典型的传导焊模式。

    transl
     EN

    fig

    图4  不同焊接速度的焊缝截面形貌对比

    Fig.4  Comparison of weld section morphology at different welding speeds

    icon Download:  Full-size image | High-res image | Low-res image
    fig

    图5  不同焊接速度的熔宽、熔深和成形系数变化规律

    Fig.5  Changes of welding width， depth and forming coefficient at different welding speeds

    icon Download:  Full-size image | High-res image | Low-res image

    2.3 脉冲频率对焊缝形貌的影响

    图6为不同脉冲频率f的焊缝截面形貌对比，图7为不同脉冲频率对熔宽、熔深和成形系数的影响分布。可以看出，在其他焊接参数一定时，当脉冲频率为12 Hz，由于脉冲频率过小，单一时间内的激光作用间隔时间较长，导致前后焊点之间的距离较大，焊缝成形的连续性较差，熔深和熔宽较小；当逐渐增大脉冲频率（f=18 Hz）时，激光能量重叠率较高，工件在单位时间的内吸收的激光能量越高，也增强了金属蒸发作用，进而增加内部匙孔深度，最终增大了焊缝熔深和熔宽。但焊缝成形系数基本上在1.7左右，属于典型的激光深熔焊模式。

    transl
     EN

    fig

    图6  不同脉冲频率的焊缝截面形貌对比

    Fig.6  Comparison of weld cross section morphology at different pulse frequencies

    icon Download:  Full-size image | High-res image | Low-res image
    fig

    图7  不同脉冲频率的熔宽、熔深和成形系数变化规律

    Fig.7  Variation of melting width， melting depth and forming coefficient at different pulse frequencies

    icon Download:  Full-size image | High-res image | Low-res image

    通过系统对比了激光峰值功率、焊接速度和脉冲频率对焊缝尺寸的影响规律，可以看出：（1）脉冲峰值功率对焊缝熔深和熔宽的变化最为明显，焊接速度和脉冲频率对焊缝尺寸的影响不大；（2）需要对不同焊接工艺参数进行匹配，才能避免出现咬边等缺陷，但工艺参数组合对实际焊缝质量的影响规律比较复杂。

    transl
     EN

    3 基于BP神经网络的激光焊缝成形预测

    由上述工艺结果分析可以看出，脉冲激光工艺参数组合与实际焊缝尺寸存在内在的非线性映射关系，工艺参数之间存在复杂强耦合联系，因此传统线性方程难以满足实际预测精度和强泛化能力。BP神经网络（Back Propagation Neural Network）是一个按误差逆传播算法训练的多层前沿网络，是应用最为广泛的神经网络模型之一。作为一种强大的机器学习方法，BP神经网络（Back Propagation Neural Network）可以灵活处理非线性数据，具有算法快、易于理解和预测速度快等优点［

    11-15］。赵子竣通过不同焊接工艺参数开展不同厚度船用高强钢的激光-电弧复合焊工艺试验，验证了神经网络焊缝预测模型在实际应用中的准确性及有效性［16］；文献［17-18］通过BP神经网络为焊接工艺参数的合理选择及优化提供了科学依据。为此，本文采用BP神经网络探讨其在铝合金脉冲激光焊缝形貌预测的应用研究，并验证其可行性。
    transl
     EN

    3.1 BP神经网络算法概述

    针对1060铝合金脉冲激光焊接工艺，本文采用MATLAB软件来进行BP神经网络结构搭建和样本训练，其具体流程和网络结构如图8所示。搭建BP神经网络主要包括输入层、隐含层和输出层。其中，输入层参数主要包括激光峰值功率、焊接速度和脉冲频率，输出层参数为熔深和熔宽，鉴于数据量不大，只设计一层隐含层，其节点数根据经验公式设定为5。选取Levenberg-Marquardt作为模型训练样本的算法，最大训练次数为N=5 000，学习速率为η=0.01，训练要求精度为ε=10-5。

    transl
     EN

    fig

    图8  基于BP神经网络的模型构建和训练过程

    Fig.8  Model construction and training process based on BP neural network

    icon Download:  Full-size image | High-res image | Low-res image

    3.2 样本预测结果分析

    为了验证构建的BP神经网络模型的预测精度，在前期工艺实验的基础上，获得了21组焊接工艺参数与对应焊缝尺寸的样本数据，按一定比例随机分配训练样本和测试样本，分别设置为16和5。BP神经网络的焊缝尺寸预测结果分析如图9所示，可以看出：测试样本的熔深和熔宽预测结果与实际输出基本吻合，最大不超过0.3 mm，平均预测误差低于10%，误差波动都比较小，拟合效果较好，模型具有较高的预测精度。因此可以验证构建的BP神经网模型络能准确反映焊缝形貌与工艺参数的非线性映射关系，从而准确预测焊接质量。

    transl
     EN

    fig
    icon Download:  | High-res image | Low-res image

    图9  基于BP神经网络的焊缝尺寸预测结果分析

    Fig.9  Analysis of weld size prediction results based on BP neural network

    4 结论

    本文以2 mm厚1060铝合金作为研究对象，主要分析了不同脉冲激光工艺参数（峰值功率、脉冲频率和焊接速度）对焊缝成形的影响规律；以工艺参数为多维输入特征，构建了基于BP神经网络的熔宽熔深预测模型。主要结论如下：

    transl
     EN

    （1）单一增大峰值功率时，传递到工件热量输入增大，造成焊缝熔深和熔宽明显增大，焊缝成形系数降低，焊接模式从传导焊变为深熔焊。

    transl
     EN

    （2）单一增大焊接速度时，分布在单一焊缝上的线能量减小，导致焊缝熔深随之减小，余高减小，但焊缝熔宽变化幅度不明显；单一增大脉冲频率时，激光能量重叠率较高，工件在单位时间的内吸收的激光能量越高，焊缝熔深和熔宽也随之增加，但幅度同样不明显。

    transl
     EN

    （3）以脉冲激光峰值功率、焊接速度和脉冲频率为多维输入变量，构建了基于BP神经网络的焊缝熔深和熔宽预测模型，平均预测误差在10%以内，拟合效果较好，具有较高的预测精度，能够满足实际焊接质量诊断要求。

    transl
     EN

    参考文献

    1

    王栋梁. 铝合金激光焊接工艺能耗及焊接质量多目标优化研究［D］.湖北：武汉科技大学，2022. [Baidu Scholar] 

    WANG D L. Research on multi-objective optimization of energy consumption and welding quality of aluminum alloy laser welding process ［D］.Hubei： Wuhan University of Science and Technology，2022. [Baidu Scholar] 

    2

    周英才. 6016铝合金激光焊接接头组织性能强化研究［D］.河北：燕山大学，2021. [Baidu Scholar] 

    ZHOU Y C. Research on Strengthening Micorstructure and Properties of Laser Welded Joints of 6016 Aluminum Alloy［D］.Hebei： Yanshan University，2021. [Baidu Scholar] 

    3

    朱桢. 6061/5182异种铝合金激光焊接接头组织与性能研究［D］.江苏：苏州大学，2022. [Baidu Scholar] 

    ZHU Z. Study on microstructure and properties of 6061/5182 dissimilar aluminum alloy laser welded joints［D］.Jiangsu： Soochow University，2022. [Baidu Scholar] 

    4

    张大文，张宏，刘佳，等．铝合金连续-脉冲激光焊接工艺实验研究［J］.激光技术，2012，36（4）：453-458. [Baidu Scholar] 

    ZHANG D W， ZHANG H， LIU J， et al. Experimental study on Continuous pulse laser welding process of Aluminum alloy［J］. Laser Technology，2012（4）：453-458． [Baidu Scholar] 

    5

    胡玉，张健，谭小军，等.Nd：YAG脉冲激光焊接TC4时峰值功率，脉宽对焊缝成形的影响［J］.应用激光，2014，34（5）：427-432. [Baidu Scholar] 

    HU Y， ZHANG J， TAN X J， et al. Effect of Peak power and pulse Width on weld formation during Nd： YAG pulsed Laser welding TC4［J］. Applying a laser， 2014， 34（5）： 427-432. [Baidu Scholar] 

    6

    Akman E， Demir A， Canel T， et al. Laser welding of Ti6Al4V titanium alloys［J］. Journal of materials processing technology， 2009， 209（8）： 3705-3713. [Baidu Scholar] 

    7

    Jia Z， Zhang P， Yu Z， et al. Effect of pulse shaping on solidification process and crack in 5083 aluminum alloy by pulsed laser welding［J］. Optics & Laser Technology， 2021， 134： 106608. [Baidu Scholar] 

    8

    Torkamany M J， Hamedi M J， Malek F， et al. The effect of process parameters on keyhole welding with a 400 W Nd： YAG pulsed laser［J］. Journal of Physics D： Applied Physics， 2006， 39（21）： 4563. [Baidu Scholar] 

    9

    朱玮涛，张海兵，吴苏兴，等.微波组件壳体激光焊接技术的研究［J］. 雷达与对抗 ， 2014， 34（1）： 53-57. [Baidu Scholar] 

    ZHU W T， ZHANG H B， WU S X， et al.Research on Laser Welding Technology of Microwave Module Shell［J］. Radar and countermeasures， 2014， 34（1）： 53-57. [Baidu Scholar] 

    10

    王金风，张兰.小功率激光器焊接纯铝薄板工艺研究［J］.轻合金加工技术，2017，45（10）：57-60． [Baidu Scholar] 

    WANG J F， ZHANG L. Study on Welding technology of pure aluminum sheet with Low Power laser［J］. Light Alloy plus T Technology， 2017， 45（10）： 57-60. [Baidu Scholar] 

    11

    张帆， 泮佳俊， 刘腾， 等. 基于机器视觉的焊缝识别研究现状与发展趋势［J］. 电焊机， 2022， 52（7）： 24-33. [Baidu Scholar] 

    ZHANG F， PAN J J， LIU T， et al.Research Status and Development Trend of Welding Seam Recognition Based on Machine Vision［J］. Electric Welding Machine， 2022， 52（7）： 24-33. [Baidu Scholar] 

    12

    刘荷花.基于BP神经网络的激光焊接工艺参数优化数据库系统［J］. 激光杂志，2015，36（04）：182-184. [Baidu Scholar] 

    LIU H H. Optimized database system of technologic parameters of laser welding process based on BP neural network［J］. Laser Journal，2015，36（04）：182-184. [Baidu Scholar] 

    13

    任文坚，王永红，李春凯，等.液体火箭发动机推力室熔焊缝数字化胶片图像缺陷识别方法研究［J］. 电焊机，2023，53（1）：9-14. [Baidu Scholar] 

    REN W j， WANG Y H， LI C K， et al.Research on Automatic Detection Method of DR Digital imaging for Brazing Seam Defects of Thrust Chamber Body［J］. Electric Welding Machine， 2023， 53（1）： 9-14. [Baidu Scholar] 

    14

    吴许祥，王成，薛华军，等.基于BP神经网络的激光焊接工艺参数优化及组织性能研究［J］. 锻压装备与制造技术，2021，56（06）：77-82. [Baidu Scholar] 

    WU X X，WANG C，XUE H J，et al. Research on optimization of laser welding process parameters and microstructure performance based on BP neural network［J］. China Metalforming Equipment & Manufacturing Technology，2021，56（06）：77-82. [Baidu Scholar] 

    15

    张爱华， 魏浩， 马晶， 等. 基于时间序列深度学习的超窄间隙焊接质量预测方法［J］. 电焊机， 2020， 50（8）：43-47. [Baidu Scholar] 

    ZHANG A H， WEI H， MA J， et al. A deep learning ultra-narrow gap welding quality prediction method based on time series［J］. Electric Welding Machine，2020， 50（8）：43-47. [Baidu Scholar] 

    16

    赵子竣. 铝合金激光-电弧复合焊接的工艺研究［D］.四川：电子科技大学，2013. [Baidu Scholar] 

    ZHAO Z J. Research on the Process of Laser Arc Composite Welding of Aluminum Alloy［D］. Sichuan： University of Electronic Science and Technology of China，2013. [Baidu Scholar] 

    17

    郭华锋，李菊丽，孙涛.基于BP神经网络的光纤激光切割切口粗糙度预测［J］. 激光技术， 2014， 38（06）：798-803. [Baidu Scholar] 

    GUO H F，LI J L，SUN T. Roughness prediction of kerf cut with fiber laser based on BP artificial neural networks［J］. Laser Technology， 2014，38（06）： 798-803. [Baidu Scholar] 

    18

    郭亮，王少华，张庆茂，等.基于BP神经网络的光纤激光焊接工艺参数优化及性能预测［J］. 应用激光，2010，30（06）：479-482. [Baidu Scholar] 

    GUO L，WANG S H，ZHANG Q M，et al. Optimization of Fiber Laser Welding Process Viarables and Performance Prediction Based on BP Neural Network［J］. Applied Laser，2010，30（06）：479-482. [Baidu Scholar] 

    编辑部网址：http：//www.71dhj.com [Baidu Scholar] 

    Alert me when the article has been cited
    Submit

    Related Articles

    No data

    Related Author

    No data

    Related Institution

    Hebei University of Science & Technology
    School of Electromechanical Engineering,Guangdong University of Technology
    Guangzhou Panyu Gofront Dyeing & Finishing Machinery Manufacturer Ltd.
    Wuxi Institue of Commerce
    College of Mechanical and Electrical Engineering,Jiangsu Normal University
    0