第37卷第11期 2016年11月
焊接学报
TRANSACTIONS OFTHECHINAWELDINGINSTITUTION
Vol.37No. 11 November 2016
基于 Elman 网络算法的 Inconel625 合金
堆焊稀释率的控制
何帅1,2，王立君1,2，葛可可1,2
（1.天津大学材料科学与工程学院天津300072；2.天津市现代连接技术重点实验室，天津300072）
摘要：文中建立了5-8-3结构的反馈Elman神经网络模型，以电弧长度、焊接电流、焊接速度、送丝速度和保护气流量为输人量，堆焊焊缝的熔宽、熔高和稀释率为输出量进行堆焊仿真计算分析。计算结果表明，Elman模型的预测结果比BP和GRNN神经网络更精确.建立了以电弧长度（X）、堆焊电流（Y)和送丝速度（Z)为空间坐标，堆焊稀释率8等于f（X，Y,Z)为目标函数的四维图像来确定8≤5%的堆焊工艺窗口.分别进行Elman模型仿真计算和堆焊工艺试验，得到的稀释率8分别为2.55%和3.32%，仿真计算的稀释率的相对误差约0.8%，证实了Elman模型
预测的Inconel625合金堆焊工艺窗口的可行性与可靠性. 关键词：Elman网络；Inconel625镍合金；堆焊；稀释率
中图分类号：TG455 0序言
文献标识码：A
文章编号：0253360X(2016)11012405
Elman神经网络
高含硫油气介质会对油气管道产生相当严重的腐蚀，通常的耐蚀方法是在管道内表面堆焊一层或多层镍基合金，例如在X65钢表面堆焊Inconel625 镍基合金.为了使堆焊的Inconel625保持良好的耐点蚀和耐应力腐蚀能力，需要严格控制Inconel625 合金堆焊层的稀释率[1].
镍基合金堆焊是一个多变量耦合的复杂过程，仅依靠有限的工艺经验与反复试验不能获得清晰的堆焊工艺窗口．而基于有限的工艺试验，采用有效的数学建模算法可以预测出适宜的工艺窗口，例如彭金宁等人[2)采用BP（backpropagation）神经网络进行焊接工艺参数设计.为了有效控制Inconel625 合金的堆焊稀释率，文中采用反馈神经网络Elman 进行堆焊工艺分析，并通过与不同神经网络模型对比来验证本算法的优越性，最后以稀释率函数=f（电弧长度，焊接电流，送丝速度）≤5%为目标，用 Elman模型的仿真结果建立了堆焊工艺参数~稀释率的四维函数图像，得出了满足工程要求（≤5%）的工艺窗口，在该窗口内，仿真预测的稀释率为 2.55%，与堆焊实测结果（3.32%）的相对误差约 0.8%，达到了控制Inconel625合金堆焊稀释率的要求.
收稿日期：2014-期526
基金项目：方整摄支撑计划重点资助项目（11ZCGYSF00100）
Elman神经网络是J.L.Elman于1990年针对语音处理问题提出的具有局部记忆单元和反馈连接的前向神经网络，结构如图1所示.与BP网络不同的是，它有一个特别的承接层从隐含层接受反馈信号，承接层的作用相当于状态反馈
输出层隐含层
输入层Q
Ix,x,
承接层
图1Elman神经网络的结构
Structure of Elman neural network
Fig. 1
Elman神经网络的学习采用BP算法.判断算法是否结束的误差函数为
E[y(k) - d(k)j2
E=
(1)
式中：y（）为网络实际输出;d（)为期望输出；k为输出层因子的个数