基于組合神經(jīng)網(wǎng)絡(luò)的鎢極氬弧焊環(huán)境負(fù)荷預(yù)測(cè)

蔣偉琪，黃海鴻，劉赟，李磊，劉志峰

(1.合肥工業(yè)大學(xué)，機(jī)械工業(yè)綠色設(shè)計(jì)與制造重點(diǎn)實(shí)驗(yàn)室，合肥，230009；2.合肥工業(yè)大學(xué)，合肥，230009)

0 序言

焊接在各個(gè)行業(yè)廣泛應(yīng)用，我國(guó)焊接行業(yè)每年金屬消耗量達(dá)到420 萬(wàn)噸[1].鎢極氬弧焊(gas tungsten arc welding,GTAW)因其生產(chǎn)的焊縫質(zhì)量高，是目前制造業(yè)中廣泛使用的金屬連接技術(shù)之一[2-4].焊接過(guò)程所產(chǎn)生的煙塵、廢氣等環(huán)境負(fù)荷會(huì)對(duì)環(huán)境和人體造成一定的危害[5-7].焊接煙塵粒徑非常小(<0.1 μm)且成份復(fù)雜[8-10]，包含元素多達(dá)20 種以上[11]；焊接廢氣包括CO2，NOx，SO2和O3等[12].這些物質(zhì)都易通過(guò)呼吸進(jìn)入身體對(duì)人造成健康危害[13]，嚴(yán)重可致癌[14].因此，有必要進(jìn)一步采集焊接過(guò)程中所產(chǎn)生的環(huán)境負(fù)荷數(shù)據(jù)、分析焊接環(huán)境負(fù)荷特性，減小焊接過(guò)程對(duì)環(huán)境、從業(yè)人員的危害.

目前，由于焊接環(huán)境負(fù)荷的易擴(kuò)散性導(dǎo)致難以采集或采集數(shù)據(jù)不精確，無(wú)法完全采用實(shí)測(cè)手段，需要進(jìn)一步建立相關(guān)模型來(lái)表征焊接環(huán)境的產(chǎn)生量[15].Ioffe 等人[16]建立了焊接過(guò)程中煙塵產(chǎn)生的物理模型，揭示了熔滴從球狀模式向噴霧模式轉(zhuǎn)變時(shí)煙氣生成率降低的現(xiàn)象.Dennis 等人[17]建立了適用于弧焊和噴焊過(guò)渡模式GMAW 煙塵排放模型，預(yù)測(cè)的煙塵形成率和測(cè)量的煙塵形成率之間存在一定程度的關(guān)系.Deam 等人[18]建立GMAW 的煙氣形成半經(jīng)驗(yàn)?zāi)Ｐ?，模型表明霧滴尺寸和送絲速度可以控制細(xì)煙的形成速率.卜智翔等人[19]結(jié)合“質(zhì)量—彈簧”理論，建立基于熔滴過(guò)渡模型的GMAW 焊接發(fā)塵率預(yù)測(cè)模型，預(yù)測(cè)其熔滴中的Fe 和Mn 元素蒸發(fā)率.Vimal 等人[20]以建立了焊條電弧焊焊接工藝BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)熔渣、飛濺、功耗、煙氣生成率和顆粒形成這五個(gè)指標(biāo)進(jìn)行預(yù)測(cè).這些模型有效闡述了相關(guān)因素與煙氣形成速率之間的關(guān)系，但是均不能直接反應(yīng)相關(guān)負(fù)荷的產(chǎn)生量.

針對(duì)GTAW 在密閉環(huán)境下所產(chǎn)生的NOx，O3，PM2.5，PM10等物質(zhì)濃度，文中根據(jù)收集、獲取的環(huán)境負(fù)荷排放數(shù)據(jù)建立其焊接環(huán)境負(fù)荷排放模型，分析基于關(guān)鍵工藝參數(shù)的排放特性，以幫助減小焊接對(duì)環(huán)境、從業(yè)人員的危害，也為焊接工藝環(huán)保標(biāo)準(zhǔn)體系進(jìn)一步充實(shí)完善提供數(shù)據(jù)支撐.

1 試驗(yàn)方法

焊接工藝為GTAW，工藝設(shè)備為SZ-GCS04 多功能精密鋁焊機(jī)，電源為單相220V-50Hz；電流范圍為80～200 A；保護(hù)氣體為Ar；使用ER4043 型鋁焊絲對(duì)厚度為5 mm 的基材6061 鋁板進(jìn)行焊接，其化學(xué)成分如表1 所示.試驗(yàn)在密閉焊接環(huán)境(0.12 m3)下進(jìn)行焊接.焊接環(huán)境負(fù)荷排放采集系統(tǒng)由焊接工作臺(tái)、檢測(cè)儀器以及軟件工具組成，如圖1所示.利用各傳感器(采集頻率：每秒1 次)來(lái)接收焊接過(guò)程中的初始數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)采集和分析.為保證數(shù)據(jù)質(zhì)量，試驗(yàn)在密閉手套箱內(nèi)進(jìn)行，母材放置于傳動(dòng)裝置上，焊槍固定于空間桁架裝置，從而實(shí)現(xiàn)自動(dòng)焊接.

表1 6061 鋁合金化學(xué)成分(質(zhì)量分?jǐn)?shù)，%)Table 1 Chemical composition of aluminum alloy

圖1 焊接環(huán)境負(fù)荷排放采集系統(tǒng)Fig.1 Welding environment load discharge acquisition system

2 試驗(yàn)設(shè)計(jì)

2.1 正交試驗(yàn)分析

試驗(yàn)所考慮的因素眾多，包括焊接電流、噴嘴高度、保護(hù)氣流速、焊接速度、焊接時(shí)間等.正交試驗(yàn)法是有效降低試驗(yàn)次數(shù)的一種設(shè)計(jì)方法[21].根據(jù)GTAW 工藝特點(diǎn)，選擇噴嘴高度、焊接電流、焊接時(shí)間、保護(hù)氣流速、坡口類型和焊接速度為試驗(yàn)因素，各因素均設(shè)3 個(gè)水平，各水平均有代表性，覆蓋大部分實(shí)際焊接參數(shù)調(diào)節(jié)范圍.按照L27(37)型設(shè)計(jì)27 組試驗(yàn)，如表2 所示.其試驗(yàn)結(jié)果如表3 所示，并對(duì)結(jié)果進(jìn)行方差分析，確定關(guān)鍵焊接排放影響因素.

表2 正交試驗(yàn)因素及水平Table 2 Orthogonal factor test and level

表3 正交試驗(yàn)結(jié)果Table 3 Orthogonal test results

為了保證試驗(yàn)結(jié)果的準(zhǔn)確性，同參數(shù)下試驗(yàn)重復(fù)3～5次，若前3 次測(cè)量結(jié)果誤差超過(guò)20%，則需要加測(cè)2次，以多次試驗(yàn)結(jié)果的平均值為表征數(shù)據(jù).

2.2 方差分析

計(jì)算各因素的偏差平方和、誤差平方和、誤差自由度等計(jì)算量，最后計(jì)算出F值，進(jìn)行顯著性檢驗(yàn).

其過(guò)程可表示為

式中：SSi是各因素的偏差平方和，Ti是各因素同水平數(shù)據(jù)總和,Ki是各因素水平重復(fù)數(shù)，T是數(shù)據(jù)總和,n是數(shù)據(jù)總個(gè)數(shù)，fi是各因素的自由度.

式中：ST2是所有因素的偏差平方和，A2是各試驗(yàn)的指標(biāo)值，fT是所有因素的總自由度，Se是誤差平方和，fe是誤差自由度.

式中：MSi是各因素平均偏差平方，MSe是誤差的偏差平方，F(xiàn)i為檢驗(yàn)統(tǒng)計(jì)量，F(xiàn)0.1(2,14)為臨界標(biāo)準(zhǔn)值.

F值越大，表明影響程度越大，僅對(duì)各排放指標(biāo)具有顯著影響因素進(jìn)行統(tǒng)計(jì)，即F值大于2.73.根據(jù)表4 和表5 可知，對(duì)NOx排放影響的顯著因素依次為焊接電流、噴嘴高度、焊接時(shí)間；對(duì)O3排放影響的顯著因素依次為噴嘴高度、焊接電流、焊接時(shí)間.對(duì)PM2.5與PM10排放影響的顯著因素依次為焊接電流、噴嘴高度、焊接時(shí)間.綜合試驗(yàn)結(jié)果，確定對(duì)焊接排放影響最為顯著的因素為焊接電流、噴嘴高度、焊接時(shí)間.

表4 NOx 和O3 方差分析結(jié)果Table 4 Variance analysis of NOx and O3 results

表5 PM2.5 和PM10 方差分析結(jié)果Table 5 Variance analysis of PM2.5 and PM10 results

3 預(yù)測(cè)模型建立

在數(shù)據(jù)分析領(lǐng)域，神經(jīng)網(wǎng)絡(luò)有著極為廣泛的應(yīng)用，尤其是在非線性數(shù)據(jù)預(yù)測(cè)建模方面[22].焊接環(huán)境負(fù)荷的產(chǎn)生受眾多工藝參數(shù)影響，導(dǎo)致其產(chǎn)生量往往無(wú)明顯規(guī)律.BP 神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)等方法在焊接力學(xué)性能[23]、焊縫形態(tài)預(yù)測(cè)方面[24]已取得較突出的應(yīng)用效果.例如，朱師琦[25]以焊接電流、電壓、速度以及保護(hù)氣流速為輸入，建立基于BP 神經(jīng)網(wǎng)絡(luò)建立GMAW 發(fā)塵率預(yù)測(cè)模型，對(duì)焊接發(fā)塵量進(jìn)行預(yù)測(cè)且整體誤差低于10%.文中綜合考慮焊接煙塵和廢氣，采用RBF-BP 組合神經(jīng)網(wǎng)絡(luò)來(lái)搭建GTAW 焊接環(huán)境負(fù)荷數(shù)據(jù)排放預(yù)測(cè)模型.

以焊接電流，噴嘴高度，焊接時(shí)間這3 個(gè)關(guān)鍵工藝參數(shù)作為輸入量，以NOx，O3，PM2.5，PM10濃度作為輸出量，獲取162 條樣本數(shù)據(jù)，基于RBFBP 復(fù)合神經(jīng)網(wǎng)絡(luò)，構(gòu)建GTAW 焊接環(huán)境負(fù)荷排放預(yù)測(cè)模型.

3.1 樣本數(shù)據(jù)處理

隨機(jī)劃分樣本數(shù)據(jù)的75%作為訓(xùn)練集，25%作為測(cè)試集.由于輸入輸出層各參數(shù)的量綱不同，數(shù)值上差距較大，為避免數(shù)值計(jì)算時(shí)出現(xiàn)大數(shù)淹沒(méi)小數(shù)的現(xiàn)象，在模型訓(xùn)練前將各參數(shù)進(jìn)行歸一化處理.

式中：xmax為樣本數(shù)據(jù)的最大值，xmin為樣本數(shù)據(jù)的最小值.

3.2 建立RBF-BP 組合神經(jīng)網(wǎng)絡(luò)模型

將RBF 神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行組合構(gòu)建組合神經(jīng)網(wǎng)絡(luò)模型，其中RBF 神經(jīng)網(wǎng)絡(luò)的輸出層作為BP 神經(jīng)網(wǎng)絡(luò)的輸入層，以多層BP 神經(jīng)網(wǎng)絡(luò)作為連接層，同時(shí)以RBF 神經(jīng)網(wǎng)絡(luò)的輸出層為組合神經(jīng)網(wǎng)絡(luò)模型的輸出層，如圖2 所示.

圖2 RBF-BP 組合神經(jīng)網(wǎng)絡(luò)模型Fig.2 RBF-BP combined neural network model

BP 神經(jīng)網(wǎng)絡(luò)與RBF 神經(jīng)網(wǎng)絡(luò)的算法如下，對(duì)于BP 神經(jīng)網(wǎng)絡(luò)部分假設(shè)模型中的第j個(gè)神經(jīng)元，有n個(gè)輸入?yún)?shù)，分別用x1，x2，xn表示，各輸入值對(duì)應(yīng)的權(quán)值分別為w1，w2，wn，則從輸入層到下一層神經(jīng)元的輸入值為z可由式(13)得出：

式中：zk為第k個(gè)神經(jīng)元的輸入值(1≤k≤J)，wi1為輸入層到隱含層的神經(jīng)元連接權(quán)重，b1為計(jì)算過(guò)程中的偏置，σ1為隱含層神經(jīng)元的激活函數(shù)，aj為隱含層第k的神經(jīng)元的輸出.

由隱藏層到輸出層的的計(jì)算過(guò)程為

式中：wi2為隱含層到輸出層的神經(jīng)元連接權(quán)重，σ2隱含層到輸出層的的激活函數(shù)，b2為計(jì)算過(guò)程中的偏置，y為神經(jīng)網(wǎng)絡(luò)輸出層的輸出值.

RBF 神經(jīng)網(wǎng)絡(luò)的隱含層采用的是徑向基激活函數(shù),高斯徑向基函數(shù)的表達(dá)為：

式中：其中ci為核函數(shù)的中心，xp為輸入值，σ為函數(shù)的寬度參數(shù)，||xp?ci||表示為空間任意一點(diǎn)到高斯核函數(shù)中心的歐氏距離.

將選定的高斯徑向基函數(shù)帶入的計(jì)算過(guò)程即

式中：qk為第k個(gè)神經(jīng)元的函數(shù)輸出值，X為輸入?yún)?shù)的向量表達(dá)，ck為隱含層第k個(gè)神經(jīng)元對(duì)應(yīng)的中心向量，Dk為隱含層第k個(gè)神經(jīng)元的寬度向量.

隱含層到輸出層采用的是線性輸出函數(shù)，其輸出過(guò)程表達(dá)式為

式中：j為隱含層神經(jīng)元的總數(shù)，wk為隱含層到輸出層的神經(jīng)元連接權(quán)重，y為該神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果.

將RBF 神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行組合構(gòu)建組合神經(jīng)網(wǎng)絡(luò)模型，其計(jì)算過(guò)程為

輸入層到RBF 隱藏層

RBF 隱藏層到連接層

連接層到BP 隱藏層

BP 隱藏層到輸出層

式中：Wi1為隱藏層到連接層的權(quán)重系數(shù)的矩陣表達(dá)，Wi2，Wi3為連接層到BP 隱藏層的權(quán)重系數(shù)的矩陣表達(dá)，Wi4為BP 隱藏層到輸出層的權(quán)重系數(shù)的矩陣表達(dá).σ1σ2σ3為相應(yīng)的激活函數(shù).Zk1為RBF 隱藏層輸出結(jié)果的矩陣表達(dá)，Zk2為連接層輸出結(jié)果的矩陣表達(dá)，Zk3，Zk4為BP 隱藏層輸出結(jié)果的矩陣表達(dá)，y為最終的輸出結(jié)果.

組合模型有4 層隱藏層.第一層為RBF 神經(jīng)網(wǎng)絡(luò)隱含層，神經(jīng)元為30個(gè)，以高斯徑向基函數(shù)作為激活函數(shù)；第二層為連接層，用于連接兩類神經(jīng)網(wǎng)絡(luò)、第三、四層為BP 神經(jīng)網(wǎng)絡(luò)層隱含層，神經(jīng)元分別為45 個(gè)、30 個(gè)；激活函數(shù)分別sigmoid 函數(shù)、rule函數(shù)；且第四層Dropout 設(shè)置為0.1.以MSE 作為損失函數(shù)，采用Adam 優(yōu)化算法，隨機(jī)權(quán)重初始值，偏置初始值隨機(jī)生成.

3.3 模型驗(yàn)證與比較

選取15 組未在訓(xùn)練集和測(cè)試集中出現(xiàn)過(guò)的特征參數(shù)進(jìn)行試驗(yàn)，與神經(jīng)網(wǎng)絡(luò)的環(huán)境負(fù)荷排放產(chǎn)生量預(yù)測(cè)結(jié)果對(duì)比.并與相應(yīng)的BP 神經(jīng)網(wǎng)絡(luò)與RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行對(duì)比分析，遵循最小誤差原則，調(diào)試出各個(gè)模型的最優(yōu)參數(shù)，結(jié)果如圖3，圖4 所示.

圖3 三種神經(jīng)網(wǎng)絡(luò)與真實(shí)值對(duì)比情況(氣體)Fig.3 Comparison between the three neural networks and the real value(gas).(a) NOx;(b) O3

圖4 三種神經(jīng)網(wǎng)絡(luò)與真實(shí)值對(duì)比情況(顆粒物)Fig.4 Comparison between the three neural networks and the real value(PM).(a) PM2.5;(b) PM10

BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果平均誤差為17.09%(如表6 所示)，氣體的產(chǎn)生量預(yù)測(cè)結(jié)果誤差要低于顆粒物.且顆粒物產(chǎn)生量預(yù)測(cè)結(jié)果中出現(xiàn)較大的波動(dòng)，預(yù)測(cè)誤差最小值與最大值之間波動(dòng)很大，會(huì)出現(xiàn)個(gè)別數(shù)據(jù)點(diǎn)的預(yù)測(cè)值遠(yuǎn)遠(yuǎn)偏離真實(shí)值的情況，該模型穩(wěn)定性較差.RBF 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果平均誤差為10.02%，氣體的產(chǎn)生量預(yù)測(cè)結(jié)果誤差要低于顆粒物.雖然顆粒物產(chǎn)生量預(yù)測(cè)結(jié)果仍有一定的波動(dòng)，但是預(yù)測(cè)效果要好于BP 神經(jīng)網(wǎng)絡(luò)模型，尤其是在顆粒物的預(yù)測(cè)性能上有著較大提升.相比BP 神經(jīng)網(wǎng)絡(luò)模型，RBF 神經(jīng)網(wǎng)絡(luò)模型更能接近真實(shí)數(shù)值.RBF-BP 組合神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果平均誤差為6.63%，氣體的產(chǎn)生量預(yù)測(cè)結(jié)果誤差要低于顆粒物.相較于其他2 種模型，RBF-BP 組合神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與實(shí)際值擬合程度高，且穩(wěn)定性更好.

表6 三種神經(jīng)網(wǎng)絡(luò)誤差對(duì)比(%)Table 6 Error comparison of three kinds of neural networks

從表7 可以看出，RBF-BP 組合神經(jīng)網(wǎng)絡(luò)模型的MSE 值(0.00203) 最小且R2值(0.83091)最大，對(duì)樣本數(shù)據(jù)的擬合效果最好.而RBF 神經(jīng)網(wǎng)絡(luò)模型在2 個(gè)指標(biāo)上的表現(xiàn)僅次于RBF-BP 組合神經(jīng)網(wǎng)絡(luò)模型，也符合試驗(yàn)結(jié)果.

表7 各模型性能評(píng)價(jià)指標(biāo)Table 7 Performance evaluation indexes of each model

其次，通過(guò)神經(jīng)網(wǎng)絡(luò)模型也說(shuō)明焊接參數(shù)與焊接排放之間具有可預(yù)測(cè)性，通過(guò)對(duì)焊接關(guān)鍵參數(shù)與排放結(jié)果之間的關(guān)聯(lián)分析，發(fā)現(xiàn)焊接電流、噴嘴高度、焊接時(shí)間與焊接環(huán)境負(fù)荷排放呈正相關(guān)趨勢(shì)，從而可為合理制定焊接工藝提供技術(shù)參考.

圖5、圖6、圖7 分別為焊接時(shí)間、焊接電流、噴嘴高度對(duì)各環(huán)境負(fù)荷排放的影響規(guī)律.3 個(gè)焊接參數(shù)均對(duì)焊接過(guò)程中各環(huán)境負(fù)荷排放有顯著影響.由圖5 可知，隨著時(shí)間的增加，NOx、O3、PM2.5與PM10產(chǎn)生量相應(yīng)增大；由圖6 可知，隨著電流的增大，NOx、O3、PM2.5與PM10產(chǎn)生量也會(huì)增大，但顆粒物的產(chǎn)生量具有一定的波動(dòng)性；由圖7可知，隨著噴嘴高度的增大，NOx、O3、PM2.5與PM10產(chǎn)生量相應(yīng)增大.

圖5 焊接時(shí)間對(duì)排放的影響Fig.5 Effect of welding time on emissions.(a) NOx;(b) O3;(c) PM2.5;(d) PM10

圖6 焊接電流對(duì)排放的影響Fig.6 Effect of welding current on emission.(a) NOx;(b) O3;(c) PM2.5;(d) PM10

圖7 噴嘴高度對(duì)排放的影響Fig.7 Effect of nozzle height on emissions.(a) NOx;(b) O3;(c) PM2.5;(d) PM10

4 結(jié)論

(1) RBF-BP 組合神經(jīng)網(wǎng)絡(luò)分析表明對(duì)焊接環(huán)境負(fù)荷的產(chǎn)生量預(yù)測(cè)平均誤差6.63%.其中，氣體預(yù)測(cè)結(jié)果平均誤差為4.67%，顆粒物預(yù)測(cè)結(jié)果平均誤差為8.60%.采用組合模型預(yù)測(cè)GTAW 的焊接環(huán)境負(fù)荷排放數(shù)據(jù)，可為減少焊接工藝環(huán)境負(fù)荷排放量提供指導(dǎo).

(2) 對(duì)所建立的BP 神經(jīng)網(wǎng)絡(luò)模型、RBF 神經(jīng)網(wǎng)絡(luò)模型、RBF-BP 復(fù)合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行性能對(duì)比分析.RBF-BPNN 具有最小的MSE(0.002 03)、和最大的R2(0.830 91)，理論上該模型的性能最好，與試驗(yàn)結(jié)果相符合.

(3) 焊接排放最為顯著的影響因素為焊接電流、噴嘴高度、焊接時(shí)間且與焊接環(huán)境負(fù)荷排放是呈正相關(guān)趨勢(shì)；而焊接速度、保護(hù)氣體流速、坡口類型這3 個(gè)因素對(duì)焊接環(huán)境負(fù)荷排放的影響不顯著.