武安市玉皇宫薄壁TC4钛合金激光焊缝成形试验研究轻质异种材料摩擦焊研究现状

基于电极电压信号的微电阻点焊质量监测分析

钛合金与不锈钢真空热轧连接界面微观结构及性能
ZK60镁合金自持式搅拌摩擦焊工艺
2219铝合金FSW/VPPA交叉焊缝气孔缺陷
基于电极电压信号的微电阻点焊质量监测分析

徐 靖1, 万晓东2, 3, 王元勋3, 赵大伟3

(1. 中航工业航宇救生装备有限公司,襄阳 441022; 2. 华中科技大学 数字制造装备与技术国家重点实验室,武汉 430074;3. 华中科技大学 力学系,武汉 430074)

摘 要: 文中研究了微电阻点焊条件下TC2钛合金焊点质量监测问题. 首先对典型焊点的微观金相组织进行了分析,发现在熔核区域形成了针状马氏体;接着选取典型的电极电压曲线,根据其变化趋势划分为四个阶段,结合焊点的形成过程进行了相应解释,并分析了电极电压曲线特征量与熔核直径之间的相关性;最后应用BP神经网络,采用相关性较强的电极电压特征量及焊接电流作为神经网络输入,选取熔核直径作为神经网络输出,结合试验数据. 结果表明,通过神经网络训练及测试,有效地实现了对焊点质量的可靠预测.

关键词: 钛合金;微电阻点焊;质量监测;电极电压信号;神经网络

0 序 言

钛及钛合金具有密度小、强度高、比强度大、耐腐蚀等特性,在航空航天、石油化工、海洋工程、生物医学等领域应用广泛. TC2钛合金是一种近α型钛合金,在室温平衡状态下由α相和少量β相组成.

钛合金焊接难点在于其对保护气体要求特别高,钛合金在高温环境下容易与氧气、氮气发生反应,接头气孔增多,脆性增加[1-3]. 而电阻点焊由于其天然的气体隔绝能力、局部加热行为、焊接持续时间短等特点,加上其自动化实现程度高,且不需要复杂设备,因此是钛合金焊接的理想技术之一[4]. 微电阻点焊是近十几年来兴起的一项微连接技术,在医疗器械、微电子元器件、移动通讯设备制造等领域内应用较广.

目前关于微电阻点焊质量监测方面的研究主要涉及电极位移、电极压力和动态电阻信号等. Farson等人[5]发现电极位移下降量与微电阻点焊中的飞溅程度有关,而电极压力变化对飞溅现象最敏感. Tan等人[6-7]将裸镍板微电阻点焊中的动态电阻变化划分为六个阶段,并认为可用于焊点质量监测,进一步发现与裸镍板相比,镀金镍板初始动态电阻明显减小,不适用于监测焊点质量. Chen等人[8-9]发现光纤传感器记录的微电阻点焊电极位移信号存在延迟和振动,但可用于复原真实电极位移. 进一步发现电极压力信号足够大且抗干扰能力强,并实现了通过实测电极压力信号复原出电极位移. Tseng等人[10]发现微电阻点焊过程中电极位移的峰值正比于焊接电流,反比于电极压力,可通过该峰值来预测熔核直径. 可以看到,目前针对微电阻点焊质量监测方面的研究工作较为有限. 考虑到微电阻点焊的焊接时间比常规电阻点焊更短,而神经网络方法特别适用于快速处理复杂非线性映射问题,因此文中拟采用电极电压曲线的特征量并结合神经网络模型,尝试对TC2钛合金微电阻点焊接头质量进行预测.

1 试验方法

试验选用的是0.4 mm厚TC2钛合金板材,其化学成分如表1所示. 钛合金板被切割成100 mm×30 mm尺寸,焊点在30 mm重叠区域的中心生成,如图1所示. 焊前对试样表面进行清理,先用硬毛刷除去焊件表面的粗糙氧化物和其它杂质,再用硝酸(45%)、氢氟酸(20%)和水(35%)的混合液进行化学清理,2~3 min后取出,用清水将试样冲洗干净后晾干待焊.

表1 TC2钛合金化学成分(质量分数,%)Table 1 Chemical compositions of TC2 titanium alloy

合金元素杂质(不大于)AlMnTiFeCNHO其它3.5~5.00.8~2.0余量0.30.10.050.0120.150.40

图1 焊接试样几何尺寸(mm)

Fig.1 Specimen dimension prepared for small scale resistance spot welding

微电阻点焊采用的是Miyachi Unitek公司生产的自动高频逆变交流点焊机,并在恒电流模式下进行焊接. 电极电压从上、下电极端部直接导出,电极电压信号线采用双绞线模式以减少测量干扰. 焊接电极采用的是3.0 mm直径平头型电极,无冷却水提供. 试验中焊接参数尽量设计为随机均匀分布,其中包括:电极压力75~200 N,焊接电流1.0~3.4 kA,焊接时间6~12 ms.

焊接完成后,先使用万能材料试验机对试样进行拉剪试验,加载速度为1.0 mm/s,然后采用游标卡尺测量失效后的试样,为减少误差,分别从不同角度测量熔核直径后求平均值. 为观察焊点内部的金相组织,将试样沿经过熔核中心的板宽方向切开. 在完成样本的镶嵌、研磨、抛光和侵蚀后,使用光学显微镜观察其内部微观组织变化.

2 结果与讨论

2.1 焊点微观组织分析

典型焊点微观组织如图2所示,其中标记出了熔核区、热影响区和母材. 从图2a可以看到,熔核区和热影响区的边界比较明显,在熔核区形成了针状马氏体组织,这跟焊后的快速冷却有关. 另外,由于熔核区在高温阶段停留的时间较其它区域更长,因此形成的晶体尺寸更大. 晶体尺寸由中心区域向母材区逐渐减小,这也和热量的集中程度相保持一致.

2.2 电极电压曲线分析

电极电压的变化受焊接电流和动态电阻共同影响,在试验中测得的典型电极电压曲线如图3所示,根据其变化趋势可将其大致划分为四个阶段.

在第一阶段(0tT1),电极电压快速上升,持续时间约为1.5 ms. 在该阶段,焊接电流由零快速增加到预先设定的稳定值,并在此后的焊接过程中保持不变. 而动态电阻由体电阻、电极/工件接触电阻和工件/工件接触电阻构成,施加的电极压力会挤压接触面的凹凸不平区域,并且焊接接触面由于温度的升高而发生软化,使得动态电阻减小,但由于焊接电流的增长速率非常快,因此电极电压仍表现为快速增加.

图2 典型焊点微观组织

Fig.2 Microstructure of a typical spot weld

图3 典型电极电压曲线及其特征量

Fig.3 Typical electrode voltage curve and extracted features

在第二阶段(T1tT2),焊接电流已经稳定. 产生的焦耳热使熔核区域温度升高,体电阻率增大,整体动态电阻有增加的趋势;与此同时,接触面面积继续增加,再加上熔核的形成以及电极压力的存在,使得动态电阻有减小的趋势,实际动态电阻变化为这两种因素共同作用的结果. 在该阶段,焊接电流为稳定值,因而电极电压和动态电阻具备相同的变化特性. 该阶段的体电阻率增加占主导地位,电极电压继续升高,但增速已明显不如第一阶段.

在第三阶段(T2tT3),综合以上两种影响因素,动态电阻综合表现为逐渐减小,电极电压也因而持续下降.

在第四阶段(T3tT),焊接电流逐步卸载,电极电压随着焊接电流的迅速减小而下降,该阶段的电极电压变化物理意义不大.

根据电极电压变化情况,提取出了以下特征量,前三个阶段的末端时刻和对应电极电压值(T1,U1,T2,U2,T3,U3);第二、三阶段维持时间(ΔT1=T2-T1,ΔT2=T3-T2);第二、三阶段的电极电压变化(ΔU1=U2-U1,ΔU2=U3-U2);前三个阶段的电极电压平均变化率(K1=U1/T1,K2=ΔU1/ΔT1、K3 =ΔU2 /ΔT2);另外,还分别考虑了电极压力(F)和焊接电流(I).

选取其中两个具有代表性的特征量U2和U3进行相关性分析,试验结果如图4所示. 可以看到,U2与焊点质量相关性较强,U3与焊点质量没有明显相关性,这与在常规电阻点焊动态电阻曲线分析中所得出的结果电阻越小、焊点质量越好的结论曲线不同. 因此,需要针对微电阻点焊的特点,选取合适的特征量.

图4 电极电压特征量与熔核直径之间的关系

Fig.4 The relationship between extracted features and nugget diameter

结合试验数据,上述各特征量与熔核直径之间的相关系数如下,F(0.327),I(0.818),T1(-0.025),U1(0.686),T2(-0.700),U2(0.702),T3(0.172),U3(0.283),ΔT1(-0.662),ΔT2(0.474),ΔU1(-0.393),ΔU2(-0.765),K1(0.559),K2(-0.248)和K3(-0.590). 可以看到,I,T2,U2,ΔU2与熔核直径的相关性非常显著.

2.3 神经网络模型

神经网络是由大量简单处理单元相互连接而形成的复杂系统,模仿的是人脑细胞工作原理,具有自适应性、并行性、容错性和自学习等优点,特别适用于快速处理多因素、复杂非线性映射问题.

BP(Back Propagation)神经网络是一种多层前馈型神经网络,包括输入层、隐含层和输出层,如图5所示. 输入层信息正向传播到输出层,若输出值和期望值之差不满足预先设定的要求,则进入反向传播阶段,通过逐步修改不同层节点的权值和阈值,直至误差减小到预设值为止,通过训练使权值和阈值不断更新,从而实现输入量和输出量之间的任意非线性映射. 其指导思想是沿着误差函数的负梯度方向,对权值和阈值进行修正. 神经网络模型的功能实现需要一定量的数据支撑,文中共使用97组试验数据,从中随机选取80组数据用于网络训练,余下17组数据用于网络测试. 网络输入选取的是I,T2,U2和ΔU2,网络输出选取的是熔核直径D.

图5 BP神经网络示意图

Fig.5 Description of the BP neural network

目前,关于神经网络结构的选择没有一定的标准,往往通过不断地尝试来确定. 在MATLAB神经网络工具箱中经过多次尝试后,隐含层节点数最终确定为5个. 其它参数还包括,训练采用的是Levenberg-Marquardt算法,最大训练迭代次数设置为100,隐含层采用Tansig型传递函数,输出层采用Purelin型传递函数.

图6给出了BP神经网络训练和测试的结果分析,网络训练结果如图6a所示,可以看到,参考线和线性拟合直线非常接近,并且数据点分散在参考线附近,训练结果的有效性得到验证. 网络测试结果如图6b所示,可以看到,网络预测值与实际测量值非常接近,模型可靠性得到验证. 另外,熔核直径的预测结果可以在确定输入变量后的极短时间内获得. 所建立的BP神经网络模型能够实现微电阻点焊条件下的焊点质量可靠预测.

图6 BP神经网络训练和测试结果

Fig.6 Results of model training and testing in the BP neural network analysis

3 结 论

(1) 在TC2钛合金微电阻点焊接头熔核中心区域,由于焊后的快速冷却效应,导致形成了针状马氏体组织.

(2) 电极电压曲线能够用于表征TC2钛合金微电阻点焊的焊接质量.

(3) 结合BP神经网络模型与电极电压曲线部分特征量,能够实现对焊点质量的可靠预测.

参考文献:

[1] 栾国红, 柴 鹏, 孙成斌. 钛合金的搅拌摩擦焊探索[J]. 焊接学报, 2005, 26(11): 83-88.

Luan Guohong, Chai Peng, Sun Chengbin. Preliminary study on friction stir welding of titanium alloy[J]. Transactions of the China Welding Institution, 2005, 26(11): 83-88.

[2] 程东海, 黄继华, 林海凡, 等. TC4钛合金激光拼焊接头显微组织及力学性能分析[J]. 焊接学报, 2009, 30(2): 103-106.

Cheng Donghai, Huang Jihua, Lin Haifan, et al. Microstructure and mechanical analysis of Ti-6Al-4V laser butt weld joint[J]. Transactions of the China Welding Institution, 2009, 30(2): 103-106.

[3] 张建勋, 董丽娜, 张林杰, 等. 钛合金TIG 焊接头晶粒尺寸非线性梯度特征[J]. 焊接学报, 2012, 33(12): 1-4.

Zhang Jianxun, Dong Lina, Zhang Linjie, et al. Nonlinear gradient features of grain size in TIG welded joint for titanium alloy[J]. Transactions of the China Welding Institution, 2012, 33(12): 1-4.

[4] Kaya Y, Kahraman N. The effects of electrode force, welding current and welding time on the resistance spot weldability of pure titanium[J]. The International Journal of Advanced Manufacturing Technology, 2012, 60(1-4): 127-134.

[5] Farson D F, Chen J Z, Ely K, et al. Monitoring of expulsion in small scale resistance spot welding[J]. Science and Technology of Welding and Joining, 2003, 8(6): 431-436.

[6] Tan W, Zhou Y, Kerr H W, et al. A study of dynamic resistance during small scale resistance spot welding of thin Ni sheets[J]. Journal of Physics D: Applied Physics, 2004, 37(14): 1998-2008.

[7] Tan W, Lawson S, Zhou Y. Effects of Au plating on dynamic resistance during small-scale resistance spot welding of thin Ni sheets[J]. Metallurgical and Materials Transactions A, 2005, 36A(7): 1901-1910.

[8] Chen J Z, Farson D F. Electrode displacement measurement dynamics in monitoring of small scale resistance spot welding[J]. Measurement Science and Technology, 2004, 15(12): 2419-2425.

[9] Chen J Z, Farson D F, Ely K, et al. Modeling small-scale resistance spot welding machine dynamics for process control[J]. The International Journal of Advanced Manufacturing Technology, 2006, 27(7-8): 672-676.

[10] Tseng K H, Chuang K J. Monitoring nugget size of micro resistance spot welding (micro RSW) using electrode displacement-time curve[J]. Advanced Materials Research, 2012, 463: 107-111.

收稿日期: 2015-11-05

基金项目: 国家自然科学基金资助项目(11072083)

中图分类号: TG 441.7

文献标识码: A

doi:10.12073/j.hjxb.20151105004

作者简介: 徐 靖,男,1984年出生,工程师,主要从事个体防护和头盔显示方向的研究. 已发表1篇论文. Email: 276491689@qq.com

通讯作者: 万晓东,男,博士. Email: wanxiaodong@hust.edu.cn

责任编辑:武安市玉皇宫