卓金管件有限公司基于层次分析法的MIG焊焊缝几何形貌监测学习体会
一、文献概况与研究背景
马国红等人在《南昌大学学报（工科版）》2021年第43卷第2期发表的这篇论文，提出了一种结合反向传播神经网络（BP神经网络）和层次分析法（AHP）的MIG焊焊缝几何形貌监测方法。焊缝的几何形貌直接影响残余应力分布，进而影响焊接构件的承载能力和使用寿命。该研究针对镀锌钢板MIG焊的焊缝成形控制问题，通过图像处理技术提取焊缝特征参数，建立BP神经网络预测模型，并采用AHP方法确定需要调整的焊接参数，为实现焊接过程的数字化和智能化控制提供了新的思路。
二、焊缝几何形貌参数与残余应力的关系
2.1 焊缝几何形貌的关键参数
焊缝几何形貌是评价焊接质量的重要指标之一。文献中关注的焊缝几何形貌参数包括：
| 参数名称 | 符号 | 定义 | 对残余应力的影响 |
|---|---|---|---|
| 熔宽 | W | 焊缝表面熔敷金属的宽度 | 影响横向残余应力分布 |
| 余高 | h | 焊缝表面高出母材的高度 | 影响纵向残余应力峰值 |
| 熔深 | d | 焊缝熔化的深度 | 影响热影响区范围和残余应力 |
| 焊脚尺寸 | a | 角焊缝的焊脚长度 | 影响角焊缝的承载能力 |
| 咬边深度 | e | 焊缝边缘的凹陷深度 | 引起应力集中，降低疲劳强度 |
2.2 几何形貌与残余应力的耦合关系
焊缝几何形貌与残余应力之间存在复杂的耦合关系。焊缝的余高过大或过小都会导致应力集中，熔宽不均匀会引起横向残余应力的不对称分布，咬边缺陷则是典型的应力集中源。
在管道焊接中，焊缝几何形貌的不均匀性可能导致以下问题：
- 环向残余应力的不均匀分布，影响管道的整体稳定性；
- 热影响区的残余应力与焊接残余应力叠加，增加应力腐蚀开裂风险；
- 焊缝表面缺陷（如咬边、气孔）引起的应力集中，降低疲劳寿命；
- 焊缝余高过大导致的外力矩效应，影响管道的弯曲承载能力。
三、图像处理与特征提取技术
3.1 视觉传感系统配置
文献采用视觉传感技术获取焊缝图像。典型的视觉传感系统包括：
- 光源：提供稳定的照明条件，常用LED光源或卤素灯；
- 相机：工业级CCD或CMOS相机，分辨率满足焊缝细节识别需求；
- 镜头：根据视场范围和景深要求选择合适的焦距；
- 图像处理板卡：实现图像采集和预处理；
- 支架与定位装置：保证相机与焊缝的相对位置稳定。
3.2 图像预处理与特征提取
图像预处理是特征提取的基础。文献中采用的预处理方法包括：
- 灰度化：将彩色图像转换为灰度图像，降低数据处理量；
- 降噪：采用中值滤波或高斯滤波去除图像噪声；
- 增强：通过直方图均衡化增强图像对比度；
- 二值化：将图像转换为黑白二值图像，便于特征提取。
特征提取是连接图像与控制的关键环节。文献通过图像处理技术提取焊缝的特征点，并计算特征参数。具体方法包括：
- 边缘检测：采用Canny算子或Sobel算子检测焊缝边缘；
- 特征点定位：通过模板匹配或形态学操作定位焊缝中心线和边缘线；
- 参数计算：根据特征点坐标计算熔宽、余高等几何参数。
四、BP神经网络预测模型
4.1 神经网络模型结构
文献采用BP（Back Propagation）神经网络建立焊接参数与焊缝几何形貌之间的映射关系。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训练网络权重。
模型结构如下：
- 输入层：焊接工艺参数（焊接电流、焊接电压、焊接速度、送丝速度、保护气体流量等）；
- 隐含层：1-3层，每层神经元数量根据试验数据量和模型复杂度确定；
- 输出层：焊缝几何形貌参数（熔宽、余高、熔深等）；
- 激活函数：隐含层采用Sigmoid函数，输出层采用线性函数；
- 训练算法：Levenberg-Marquardt算法或梯度下降法。
4.2 模型训练与验证
模型训练需要大量的焊接试验数据。文献通过大量焊接实验，系统采集不同焊接参数组合下的焊缝几何形貌数据，用于训练和验证BP神经网络模型。
模型训练的关键步骤包括：
- 数据预处理：对试验数据进行归一化处理，消除量纲影响；
- 网络结构确定：通过交叉验证确定最优的隐含层数和神经元数；
- 网络训练：采用训练集数据训练网络权重；
- 模型验证：采用验证集数据评估模型精度；
- 模型优化：根据验证结果调整网络结构或训练参数。
模型精度是评价神经网络模型的重要指标。文献中通过比较模型预测值与试验实测值之间的误差，评估模型的预测精度。当误差较大时，需要采用AHP方法确定需要调整的焊接参数。
五、层次分析法（AHP）在参数调整中的应用
5.1 AHP方法原理
层次分析法（Analytic Hierarchy Process, AHP）是一种多准则决策方法，通过将复杂问题分解为层次结构，利用专家经验和判断矩阵确定各因素的相对重要性，从而为决策提供定量依据。
在焊接参数调整中，AHP的应用逻辑如下：
- 建立层次结构：将焊缝几何形貌目标作为最高层，焊接参数作为中间层，参数调整方向作为最低层；
- 构建判断矩阵：根据专家经验和试验数据，确定各焊接参数对焊缝几何形貌的影响程度；
- 计算权重：通过特征向量法计算各参数的权重系数；
- 一致性检验：验证判断矩阵的一致性，确保判断的合理性；
- 参数调整决策：根据权重系数确定需要优先调整的焊接参数。
5.2 AHP与BP神经网络的协同
文献的创新之处在于将BP神经网络与AHP方法相结合。BP神经网络负责预测焊缝几何形貌，当预测值与期望值之间存在较大误差时，AHP方法用于确定需要调整的焊接参数。这种协同方法的优势在于：
- BP神经网络提供了焊缝几何形貌的定量预测能力；
- AHP方法提供了参数调整的定性指导；
- 两者结合实现了从"预测"到"决策"的完整闭环。
六、工程实践应用分析
6.1 在管道焊接中的应用
对于管道焊接领域，焊缝几何形貌的在线监测和控制具有重要意义。特别是在以下应用场景中：
- 长输管道焊接：焊缝质量直接影响管道的安全性和使用寿命，几何形貌的均匀性是重要评价指标；
- 管道环焊缝焊接：环焊缝的几何形貌不均匀可能导致残余应力集中，影响管道的整体稳定性；
- 异种金属管道焊接：异种金属的焊接参数窗口较窄，几何形貌的控制更为关键；
- 自动化焊接设备：几何形貌的在线监测可以为焊接参数的实时调整提供依据。
6.2 实施难点与对策
在实际工程应用中，该方法面临以下难点：
| 难点 | 影响 | 对策 |
|---|---|---|
| 图像采集条件苛刻 | 焊接弧光干扰、飞溅遮挡 | 采用滤光片、特殊相机和图像处理算法 |
| 实时性要求高 | 焊接过程快速，控制周期短 | 采用高速相机和嵌入式图像处理 |
| 模型泛化能力 | 不同工况下模型精度下降 | 增加训练数据量，采用迁移学习 |
| 参数调整的因果性 | 焊接参数之间存在耦合 | 采用多变量优化方法 |
七、学习心得与启示
这篇文献给我最大的启示是：焊接质量控制需要从"事后检测"向"在线监测与实时控制"转变。传统的焊缝质量检测主要依靠焊后无损检测（RT、UT、MT等），虽然能够发现缺陷，但无法实现焊接过程的实时优化。而基于视觉传感和神经网络的方法，为焊接过程的在线监测和参数调整提供了新的技术手段。
对于从事管道焊接和管件成型的技术人员而言，理解焊缝几何形貌与残余应力的关系，掌握图像处理技术和神经网络建模方法，有助于在实际生产中提高焊接质量的一致性和稳定性。特别是在自动化焊接设备开发、焊接工艺优化和质量控制体系建设中，这些技术具有广阔的应用前景。
同时，AHP方法的引入也提醒我们，焊接参数调整不是简单的单变量优化问题，而是一个多目标、多约束的复杂决策问题。在实际工程中，我们需要综合考虑焊接质量、生产效率、成本控制等多方面因素，做出合理的技术决策。