[发明专利]一种钢/铝激光熔钎焊的工艺优化方法

说明书

技术领域

本发明涉及焊接技术领域，具体为一种针对钢/铝激光熔钎焊的性能要求，制定的优化工艺参数的方法。

背景技术

汽车轻量化已成为21世纪汽车技术的前沿和热点。车身的轻量化对于整车的轻量化起着具足轻重的作用，而钢/铝一体化车身框架结构是高性能轻质材料与优化车身结构相结合路线的典型应用。但是其应用目前还处于起步阶段，钢/铝激光熔钎焊过程中熔池形状对焊缝质量起着至关重要的作用，熔深是衡量焊缝质量的重要参数之一，然而各个工艺参数对熔深又有着极其重要的影响，但是钢/铝激光熔钎焊过程中很难捕捉到其熔池形状，尤其是熔深，因此涉及到钢/铝激光焊接的工艺设计和工艺优化时，很少能给出工艺参数与熔池熔深之间的关系，所以就大大增加了钢/铝激光焊接工艺制定的难度。若能在钢/铝激光熔钎焊领域引入计算机模拟和预测技术，则能够迅速准确的预测钢/铝激光熔钎焊的熔深并能及时调整和优化工艺，对于钢/铝激光焊接的研发和生产实践具有十分重要的指导作用。

发明内容

本发明所解决的技术问题在于提供一种钢/铝激光熔钎焊的工艺优化方法，该方法是针对钢/铝激光熔钎焊的性能要求，制定的一种工艺选取和优化的方法，以解决上述背景技术中的问题。

本发明所解决的技术问题采用以下技术方案来实现：

一种钢/铝激光熔钎焊的工艺优化方法，采用有限元分析和人工神经网络的结合得到钢/铝激光熔钎焊的熔池熔深的预测模型，训练好的人工神经网络模型用来预测不同工艺条件下钢/铝激光熔钎焊的熔池熔深，具体包括以下步骤：

（1）采用有限元分析软件ANSYS进行钢/铝激光焊接的模拟仿真，从中收集模拟结果数据，筛选整理成人工神经网络的训练样本；

（2）用步骤（1）得到的训练样本来训练人工神经网络模型，建立起激光焊接工艺参数和熔深之间的映射关系；

（3）利用步骤（2）训练好的人工神经网络模型进行钢/铝激光焊接熔深的预测，从而指导并优化工艺参数。

本发明步骤（1）所述的钢/铝激光焊接的模拟仿真要求实验的各个工艺参数在常用的工艺范围之内，得到的样本数据均匀分散。

本发明步骤（2）所述的人工神经网络模型采用三层结构，包括输入层、隐含层和输出层，其中输入层和隐含层间采用非线性映射函数，隐含层和输出层间采用线性映射函数。

本发明步骤（2）所述的人工神经网络模型的输入层采用以下焊接工艺参数：焊接功率1.8～2.6kw、焊接速度35～55mm/s、离焦量0～+4mm。

与现有技术相比，本发明的有益效果是：本发明利用有限元软件模拟仿真和人工神经网络的结合，计算速度较快，比较准确的进行了钢/铝激光焊接过程的模拟，节约了生产成本，缩短了生产周期，并且人工神经网络非线性映射能力强，自学性能优和容错性好，训练出来的模型预测精度高，适用于钢/铝激光焊接工艺参数的制定和优化。

附图说明

图1为本发明的算法流程图。

图2为本发明的人工神经网络拓扑结构图。

具体实施方式

为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明白了解，下面进一步阐述本发明。

参见图1和2所示，下面以钢/铝激光焊接为例说明本方法的具体实施方案：

（1）通过有限元分析软件ANSYS并进行焊接过程的模拟，通过软件自带的APDL语言来改变激光焊接的各个工艺参数来获得不同的熔池形状，从而得出各个工艺参数下对应的熔深，要求各个工艺参数在常用的工艺范围内，得到的样本尽量均匀离散，收集实验结果数据，从实验中得到25组实验数据，随机筛选其中的20组数据作为人工神经网络模型的训练样本。

（2）由上述模拟实验收集而来的训练样本来训练人工神经网络，建立起钢/铝激光熔钎焊工艺参数与熔深之间的映射关系，人工神经网络训练采用误差反向传播算法，网络采用三层结构各层节点数分别为3-9-1，包括Inputlayer、Hiddenlayer和Outputlayer，输入层包括焊接功率、焊接速度、离焦量三个工艺参数，输出层为熔池的熔深。

（3）人工神经网络为多层前馈神经网络，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，其隐层函数为logsig，输出层函数为purelin，训练函数为traingdm。