文摘

薄板广泛应用于飞机、造船、汽车行业满足轻量级组件的要求。特别是在现代造船、薄板结构不仅满足造船的经济需求,也满足强度和刚度要求的船。然而,薄钢板不太稳定,容易不稳定变形在焊接过程中,严重影响了薄板焊接结构的精度和性能。因此,它有利于焊接前预测焊接变形和残余应力。摘要薄板焊接变形和残余应力预测模型基于粒子群优化(PSO)和网格搜索(GS)改进的支持向量回归(PSO-GS-SVR)。焊接速度、焊接电流、焊接电压、和金属板厚度作为输入参数的改进的支持向量回归模型,而纵向和横向变形和残余应力作为相应的输出。提高预测精度的支持向量回归模型,粒子群优化和网格搜索是用来优化参数。结果表明,改进的支持回归模型可以准确地评估对接焊的变形和残余应力,具有重要的工程指导意义。

1。介绍

焊接是一个过程形成永久性的连接通过加热或按工件的材料来实现原子的结合。与铆接部分相比,铸件,锻件,焊接产品的优点是轻量级的,有一个简单的过程,具有生产成本低,适应性强(1]。焊接技术是不可或缺的加工方法,广泛应用于航空航天、原子能、电子技术、造船、建筑、海洋工程、运输、机械制造等工业部门(2- - - - - -4]。各种焊接变形发生在船舶结构由于冷热不均,当地不协调的塑料品种,焊接残余应力。焊接变形和压力是影响船体结构质量的重要因素,一个伟大的对焊接性能的影响,结构强度,韧性,美学和船舶建造精度控制。在薄板焊接(这种现象更明显5]。因此,研究预测和控制焊接变形和残余应力的薄板具有非常重要的工程应用价值。

数值分析理论的发展,有限元方法(FEM)已被许多研究采用预测焊接变形和残余应力。因为建筑师和Yamakawa分析了对接的焊接热应力和残余应力和角焊thermo-elastic-plastic有限元,许多研究人员继续发展这种方法计算温度、残余应力和变形6]。目前,有限元法也用于不同的焊接接头结构简单,焊接7- - - - - -9]。梁等人研究了铝合金的焊接变形表通过实验和TEP有限元方法。平面外变形预测的有限元法是在良好的协议与测量结果10]。邓小平等人使用有限元方法预测薄板的焊接变形和残余应力的影响,进一步研究外部限制焊接变形(11- - - - - -14]。沈等人得到的应力放大系数考虑初步薄板的变形的影响的基础上,修改后的厚板计算公式。然后,与传统规范的计算,结果比较验证公式的可行性和有效性15,16]。胡锦涛等人建立了一个有限元模型研究了侧弓和方向残余应力s690冷弯薄壁钢(17]。

在许多情况下,变形和残余应力由有限元模拟,然后由实验测量验证。然而,有限元法需要很长时间,需要高的计算机性能和实验测量的实现需要高条件和成本(5]。因此,对设置一个有意义的模型,该模型可以预测在焊接变形和残余应力。在过去的十年中,出现了各种预测模型。他和李应用支持向量机(SVM)定量评估焊接质量(18]。田罗和建立一个智能丁字接头角焊缝的焊接变形预测模型基于组合优化算法(19]。Katherasan等人采用了人工神经网络(ANN)算法来确定焊接工艺参数的近似最优值,然后利用粒子群优化(PSO)优化工艺参数(20.]。埃德温和Kumanan讨论了进化模糊支持向量回归模型的应用在焊接残余应力预测(21]。Ansaripour等人使用ANN算法和多目标优化算法,以减少变形和残余应力在埋弧焊(22]。荣等人分析了影响焊缝轮廓的角变形和角变形的预测无间隙的惰性气体钨弧焊焊缝使用神经网络(23]。Mathewa等人建立了预测模型的残余应力分布的奥氏体不锈钢girth-welded管通过使用人工神经网络(24]。Sagai等人成功应用工艺参数来预测力学性能通过使用随机和非线性并行加工的神经网络模型25]。达斯等人使用机器学习算法来预测不锈钢的焊接残余应力26]。马修等人利用模糊神经网络(FNN)预测压力容器的焊接残余应力,取得好的结果(27]。古等人提出了一个预测模型的焊接残余应力区基于改进支持向量回归(28]。

本文获得了相应的固有变形和残余应力在不同的电压值,电流、速度和板厚度。基于实验数据,焊接变形和残余应力的预测模型基于粒子群优化的薄板和网格search-improved支持向量回归(PSO-GS-SVR)成立。然后,PSO-GS-SVR模型的预测结果与实验结果进行比较。结果表明,有一个高度的预测结果与实验测量结果之间的一致性。研究表明,改进的支持回归模型可以更准确地评估对接焊的焊接变形和残余应力比原来的模型。

本文的其余部分安排如下。部分2显示变形和残余应力对应于不同的焊接参数是通过实验获得。部分3介绍了相关的算法理论。节4一种改进的预测方法,建立了支持向量回归。优化的SVR模型评估了预测结果与实验结果比较,所示部分5。最后,在节6本文总结和指出了未来的研究方向。

2。实验过程

在这个实验中,两个相似的V-joint飞机的 盘子被选中。AH32工件材料的高强度钢。化学成分和力学性能如表所示1。由于焊接变形和残余应力小,有限公司₂采用气体保护焊,特别适用于薄板焊接。工艺参数,即电压( ),电流( ),速度( ),和金属板厚度( ),多种多样的25-31 V, 180 - 210, 5 - 8毫米/ s,分别和3 - 6毫米。详细的测试过程的组合参数设计如表所示2。然后,焊接横向变形和纵向变形测量的坐标测量机(CMM)。工件的残余应力是由x射线衍射测量的。

2.1。变形测量

为了精确测量焊接变形值,v型槽组件焊后的变形结果是坐标测量机的测量。焊接组件放置在测量平台上,和测量平台用作新鲜感弯曲变形。然后,通过测量获得的横向变形和纵向变形测量标记点在工件表面一步一步。横向变形的变形方向垂直于焊缝;纵向变形是焊接的变形方向平行,如图1(一)。变形测量过程如图1 (b)。

2.2。残余应力的测量

目前,有很多方法来测量焊接残余应力。根据不同形式的残余应力测量,它可分为破坏性试验和无损检测(NDT)方法(29日,30.]。无损检测已广泛应用的优势不是破坏性的组件,如磁测量、超声波测量、x射线衍射测量(31日- - - - - -38]。本文选择超声波法测量。因为残余应力垂直于焊缝方向结构强度有很大的影响,这一点在半角行垂直于焊缝方向作为工件的残余应力测量的点(39,40]。图2显示了残余应力的测量过程。

2.3。实验数据集

通过以上实验测量,本研究由24组不同的实验测量数据集。数据集分为两部分。左半部分是不同的 , , ,和工艺参数。正确的一半是变形值和残余应力对应于不同的工艺参数。所有的实验结果如表所示3。

3所示。相关的算法理论

3.1。支持向量回归

为了解决模式识别的问题,提出的支持向量机(SVM)是Vapnik [41]。之后,介绍了不敏感损失函数,并应用于非线性系统的回归估计,形成支持向量回归(SVR)。SVR的基本原理是将数据映射到一个高维空间的非线性变换,然后回归在这个空间来适应一个连续函数最小化损失函数。我们的目标是找到一个最优分类面最小化所有训练数据的误差,为了达到更好的拟合未知样品的性能和泛化能力。SVR有许多独特的优势在解决小样本、非线性、高维模式识别,等等。它已经逐渐应用于焊接变形和残余应力的预测。SVR的学习能力和泛化能力是由正则化系数和核函数的相关参数。的基本模型如下42]: 在哪里代表输入样本空间的非线性映射到特征空间,是权重系数,是抵消。损失函数是通过最小化和 。 受公式(3)如下: 在哪里代表了训练数据,表示正则化系数,是不敏感系数,和松弛变量, 是信心的风险模型。SVR模型如下: 的系数不等于零,利用二次规划技术,解决了相应的训练数据向量称为支持向量,然后呢 是内核函数。

不同的核函数,参数的类型和数量需要决定是不同的。由于RBF核函数具有更少的参数和非线性预测,RBF函数选择的核函数SVR回归模型。所示的RBF核函数的表达公式(5)如下: 在哪里RBF核函数的宽度参数,任何输入样本向量,然后呢是高斯RBF核函数的中心。

因此,重要的是要找到最优正则化参数和核函数的宽度 。

3.2。粒子群优化

粒子群优化(PSO),进行由肯尼迪和埃伯哈特,是一种进化计算技术来源于鸟类捕食行为的研究(43]。粒子群优化(PSO)具有更快的收敛速度和更少的可调参数,所以它很容易实现。因此,它通常是与其他算法结合使用优化参数。具体的算法流程如下:

步骤1。初始化粒子群优化。设置最大迭代数,粒子的最大速度 ,空间的位置 ,粒子群优化模量 ,和最初的飞行速度 。

步骤2。定义适度函数。首先,计算每个粒子的适应值,找到个人最优解。然后,找到一群的全局最优值的个体最优解。最后,全局最优值是与历史相比全局最优值和更新。

步骤3。粒子的速度和位置更新公式所示(6)如下: 在哪里 是学习的因素,是惯性因素, 是随机值,是粒子局部最优位置,全局最优位置。

步骤4。如果全局最优解的位置满足最低限制或达到最大迭代次数,它将输出与最优粒子健身。

因为粒子群算法具有良好的全局搜索能力,收敛速度快,和更少的可调参数,能找到最合适的正则化参数和RBF参数SVR的更快更有效率。

3.3。网格搜索

网格搜索(GS)广泛应用于支持向量机参数搜索优化(44]。它可以并行执行全面的搜索,其计算复杂度非常突出。由于RBF函数选为SVR的核函数,唯一的最优值和必须确定。这种方法映射所有这两个参数的组合,一个3 d网格,然后解决所有解决方案,获得最优的组合。最后,组和预测精度最高的交叉验证选择训练集的最优参数组合。

4所示。改进的PSO和GS的SVR模型

本文提出一种改进的SVR模型利用粒子群优化的优点和网格搜索。在早期阶段的算法,粒子群优化(PSO)用于快速粗略的搜索在一个大范围,然后,人口最优解(不一定是全局最优)。人口的最优解作为初始位置,坐标系统建立网格的相关参数,然后,网格搜索(GS)是用来搜索一小步的初始位置之间的一个小细胞,它可以避免前面大量的无效操作。本文改进的支持向量回归(PSO-GS-SVR)变形预测模型来预测焊接变形和残余应力在对接接头焊接速度、焊接电流、焊接电压、板厚度作为输入。改进的支持向量回归预测模型包括三个主要步骤,即数据预处理、预测模型实现和结果预测验证。提出的主要流PSO-GS-SVR模型如图3。

4.1。数据预处理

以下4.4.1。数据标准化处理

为了消除维度之间的区别,样本数据归一化和映射到 ;公式如下:

4.1.2。数据分类

第一个16组数据表1作为训练数据,其余8组数据作为测试数据。

4.2。模型的实现

的主要实现步骤如下:(1)设置初始边界条件。粒子群优化(PSO)用于优化宽度和正则化系数的内核函数。涉及的参数包括人口规模 ,惯性权重 ,加速常数和 ,最大速度 ,和最大代数 。决定,人口数量是20和人口推导代数是100。因为这是第一个快速搜索,搜索区间参数可以设置一个小大。选择两个参数的区间作为学习的因素。所有的准备工作完成后,第一个参数优化过程可以开始了(2)在得到最优参数的算法,它被标记为 。根据最优参数,建立了坐标系统的电网参数作为中央第二细网格搜索起点和小的步长。自传统网格的步长搜索方法通常是0.1,步长设置为0.05小步精细搜索。国米细胞 。一小步的搜索后,最优解如图4,这是记录(3)最优参数替换到SVR模型及其核函数建立改进的支持向量回归的预测模型

5。结果与讨论

在本节中,粒子群优化(PSO)和网格搜索(GS)优化SVR模型评估了预测结果与实验结果进行比较。与此同时,优化SVR模型的准确性和可行SVR模型也是比较。

焊接变形和残余应力的预测结果如图5和6,分别。其中,黑色“■”是训练PSO-GS-SVR模型预测的数据,红色的“●”表示训练样本数据预测的SVR模型,蓝色“▲”代表实验测量的训练数据,绿色的“▼”是指测试数据预测的PSO-GS-SVR模式,紫“◆”表示测试数据由SVR预测模型,和黄色“◀”表明实验测量的测试数据。PSO-GS-SVR模型时,有一个小的区别预测焊接变形(如图的价值观5)和残余应力(如图6)和实验值。相反,SVR模型的预测更准确。总之,该PSO-GS-SVR模型可以提高预测精度。

为了进一步评估模型的预测性能,我们选择三个指标:确定系数( ),平均绝对百分比误差(日军)和均方误差(MSE)。这些公式如下: 在哪里和表示预测值和实验值代表实验数据的平均值。是样品的数量。

统计结果见表4给 ,日军,MSE变形和残余应力。结合数据5和6,这两个模型与实验数据的整体趋势一致。然而,进一步的比较 ,日军,MSE表明PSO-GS-SVR模型优于SVR模型在所有三个指标,无论测试数据或训练数据。确定系数的方法接近于1,表明一个非常高度的匹配现有的预测值和实验值之间。MSE的价值可以评估数据的变化程度。均方误差值趋向于0,这意味着预测模型具有良好的精度。日军的值很小,表明该模型是稳定的。因此,提出PSO-GS-SVR模型是可行的,预测变形和残余应力的薄板对接焊。

6。结论

本文研究粒子群优化的发展和网格搜索优化SVR模型焊接变形和残余应力的对接表,和结论如下:(1)改进的支持向量回归模型预测的发展对接焊的焊接变形和残余应力(2)横向变形、纵向变形和残余应力对应于不同的值的焊接电压、焊接电流、焊接速度、板厚度测量的实验(3)获得的实验测量用于火车粒子群和网格search-improved支持向量机模型,可以预测焊接变形和残余应力。结果表明,PSO-GS-SVR模型具有良好的泛化能力(4)通过这三个指标的比较,PSO-GS-SVR比SVR模型具有更好的预测精度。它提供了一个有效的方法来预测薄板的焊接变形和残余应力

目前的研究对象是简单的对接焊。考虑到焊接接头的多样性,我们的下一个研究工作是一个复杂的焊接变形预测结构。

数据可用性

所有的数据用于支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的特殊船舶融资项目关键技术情报制造中国工信部的格兰特mc - 201704 z02之下。