自动化平板堆焊的单层多道焊缝表面平整度研究文献学习体会

文献概况与研究背景

权国政等发表于2020年《塑性工程学报》第27卷第10期的这篇论文，基于自主研制的大型电弧熔丝增材原型设备，系统研究了单层多道电弧熔丝增材（Wire Arc Additive Manufacturing, WAAM）过程中焊缝表面平整度的影响因素和优化策略。该研究获得了国家重点研发计划项目、国家工业强基工程以及重庆市多项技术创新项目的资助，体现了国家级科研平台对增材制造技术的重点支持。

电弧熔丝增材制造作为一种金属增材制造技术，通过逐层逐道堆焊金属丝材来构建三维实体零件。与传统的减材制造（如切削加工）和等材制造（如铸造、锻造）相比，WAAM具有材料利用率高、可制造大型零件、设计自由度高等优势。然而，WAAM工艺固有的逐层堆积特性导致零件表面存在明显的波纹状起伏，表面平整度是影响零件使用性能和后续加工成本的关键因素。

实验设计与方法论

单层单道实验

论文首先设计了64组CN645ACW型焊丝的单层单道熔丝增材实验，系统研究了电压、送丝速度和焊接速度对焊缝宽度和高度的影响。CN645ACW是一种低合金高强度钢焊丝，具有良好的焊接性能和力学性能，适用于WAAM工艺。

通过64组实验数据的统计分析，构建了焊缝宽度和高度对应电压、送丝速度、焊接速度的BP神经网络（Back Propagation Neural Network）模型。BP神经网络是一种多层前馈神经网络，通过误差反向传播算法进行训练，能够拟合复杂的非线性映射关系。在焊接工艺参数优化中，BP神经网络模型能够建立焊接参数与焊缝成形之间的定量关系，为工艺参数选择提供理论指导。

单层多道实验

基于单层单道实验建立的BP神经网络模型，论文反向锁定了特定焊缝宽度和高度对应的增材工艺参数。然后开展了36组不同焊缝高度、焊缝宽度和焊缝间距的单层多道电弧熔丝增材实验，研究了焊缝形状和间距对表面平整度的影响。

单层多道实验的设计变量包括：

变量	范围	说明
焊缝高度	多组	反映熔敷高度差异
焊缝宽度	多组	反映熔敷宽度差异
焊缝间距	多组	反映道次间搭接率

表面平整度评价方法

表面平整度的评价是本文的关键技术难点。在WAAM工艺中，表面平整度通常通过以下方法评价：

几何法：测量表面轮廓的波峰波谷高度差，计算算术平均偏差Ra或最大高度Rz。
光学法：利用激光位移传感器或三维光学扫描获取表面三维形貌数据。
统计分析法：计算表面轮廓的均方根粗糙度、偏度和峰度等统计参数。

核心发现与分析

焊缝形状对平整度的影响

论文的核心发现之一是：增大焊缝宽度、高度及间距，表面平整度值呈现增大趋势。这一结论可以从WAAM工艺的物理机制加以解释：

焊缝高度增大：更高的焊缝意味着更大的熔敷截面积，在重力作用下熔池的流动性增强，冷却凝固过程中更容易产生塌陷和变形，导致表面起伏增大。
焊缝宽度增大：更宽的焊缝意味着更大的熔池面积，熔池的稳定性降低，表面张力与重力的平衡更容易被打破，导致焊缝表面不平整。
焊缝间距增大：间距增大意味着相邻道次之间的搭接率降低，道次之间的过渡更加明显，表面波纹的幅度增大。

堆积效应分析

论文提出了"堆积效应"的概念，认为在相同焊缝间距下，表面平整度值主要由熔丝增材的堆积效应决定。焊缝宽度和高度越大，堆积效应越明显，表面平整度越差。

堆积效应的本质是逐层堆焊过程中，每一层的焊缝成形偏差在垂直方向上累积传递。当焊缝宽度和高度较大时，单道焊缝的成形偏差本身就较大，叠加多层累积效应后，表面平整度显著下降。

焊缝间距的非线性影响

论文还发现了一个有趣的非线性现象：在小倍数焊缝间距情况下，表面平整度值的增大趋势随着焊缝宽度和间距的增大而增大；而在大倍数焊缝间距情况下，增大趋势反而有所下降。

这一非线性行为可能源于以下机制：当焊缝间距较小时，相邻道次之间存在显著的搭接，熔池相互影响，形成较为连续的表面。随着间距增大，搭接减少，道次之间的独立性增强，表面波纹的幅度增大。但当间距增大到一定程度后，道次之间几乎完全独立，每道焊缝的表面成形趋于稳定，间距的进一步增大对整体表面平整度的影响反而减弱。

BP神经网络模型在工艺优化中的应用

模型构建与训练

BP神经网络模型在焊接工艺参数优化中的应用是本文的另一个重要贡献。通过64组实验数据的训练，模型能够准确拟合焊接参数（电压、送丝速度、焊接速度）与焊缝成形（宽度、高度）之间的非线性映射关系。

模型的结构设计、训练算法选择和超参数优化对预测精度有重要影响。在实际应用中，需要注意以下问题：

过拟合风险：实验数据量有限时，复杂模型容易过拟合，需要采用正则化或交叉验证方法。
外推能力：神经网络模型在训练数据范围内的预测精度较高，但超出训练范围的外推能力有限。
可解释性：神经网络模型是"黑箱"模型，难以提供物理机制层面的解释，需要结合焊接冶金学知识进行合理分析。

反向锁定工艺参数

基于训练好的BP神经网络模型，论文通过反向求解的方式，锁定了特定焊缝宽度和高度对应的工艺参数。这一方法在工程实践中具有实用价值：当需要获得特定成形的焊缝时，可以通过模型快速确定所需的工艺参数组合，避免大量的试错实验。

工程实践中的考量

表面平整度对后续加工的影响

WAAM零件的表面平整度直接影响后续机加工的工艺性和经济性。表面平整度差意味着更大的加工余量，增加切削加工的时间和刀具磨损。对于大型结构件，表面平整度的改善可以显著降低后续加工成本。

工艺优化策略

基于论文的研究结论，可以提出以下表面平整度优化策略：

控制单道焊缝成形：通过优化焊接参数，控制单道焊缝的宽度和高度在合理范围内，减少单道成形偏差。
优化搭接率：选择合适的焊缝间距，确保相邻道次之间有足够的搭接，形成连续的表面。
路径规划优化：通过优化增材路径的排列方式（如蛇形路径、棋盘路径等），减少累积偏差。
后处理改善：通过表面滚压、振动时效或铣削加工等后处理手段改善表面平整度。

大型零件的尺度效应

论文研究基于平板堆焊实验，但实际WAAM应用中往往涉及大型三维零件。从平板到三维零件的推广需要考虑以下尺度效应：

热积累效应：三维零件的逐层堆焊过程中，热积累效应比平板更为显著，可能导致下层焊缝的组织和性能发生变化。
变形控制：大型零件的焊接变形控制难度更大，需要更精细的工艺参数和路径规划。
设备刚度：大型WAAM设备的结构刚度直接影响焊接过程的稳定性和成形精度。

学习心得与启示

这篇文献给笔者的最大启示在于数据驱动方法在焊接工艺优化中的应用潜力。传统的焊接工艺参数优化主要依赖经验公式和物理模型，而BP神经网络等数据分析方法能够从实验数据中自动学习复杂的非线性关系，为工艺参数选择提供新的工具。

然而，笔者也注意到，数据驱动方法的有效应用需要高质量、大样本的实验数据作为基础。焊接过程的复杂性和多变量耦合特性使得实验设计需要精心规划，以确保数据的代表性和充分性。此外，模型的可解释性仍然是数据驱动方法在实际工程应用中面临的重要挑战，技术人员需要结合焊接冶金学知识对模型预测结果进行合理判断。

从工程实践的角度来看，表面平整度是WAAM技术走向工业应用的关键瓶颈之一。随着增材制造技术在航空航天、能源、船舶等领域的推广应用，对零件表面质量的要求将越来越高。如何在保证成形精度的同时降低制造成本，是WAAM技术未来发展的重要方向。

总体而言，该文献为WAAM工艺的表面平整度优化提供了系统性的实验数据和理论分析，其提出的BP神经网络建模方法和堆积效应分析框架，对于WAAM工艺的参数优化和工艺开发具有重要的参考价值。