智能焊接用CO2焊实芯焊丝熔敷特性研究开题报告
2020-02-10 23:02:38
1. 研究目的与意义(文献综述)
-
目的及意义(含国内外的研究现状分析,并考虑社会、健康、安全、成本以及环境等因素)
CO2气体保护焊是应用最广泛的一种熔化极气体保护电弧焊方法,由于操作简单,成本低,广泛应用于各大小企业。但是焊接飞溅大,焊接时产生有害气体,红外线,紫外线等,使得工作环境十分恶劣,人工成本高[1]。因此,CO2气体保护焊智能化是不可避免的趋势。
当前,国内外都有大量的研究人员投入CO2气体保护焊智能化的工作。在国外,Huang.WS和 Xu.HL文献在[2]中,研究机器人焊接中使用传感器来控制焊接质量,采用焊缝跟踪技术,通过传感器反馈实时监控焊接过程参数,实现系统的全自动化;D. Katherasan ,Jiju V. Elias 和 P. Sathiya在文献[3]中,究采用人工神经网络(ANN)对FCAW过程中的焊缝几何形状进行仿真,并采用粒子群算法(PSO)对工艺参数进行优化,以研究焊接参数输入对焊接接头质量影响,建立规范焊接输入。在国内,刘文在文献[4]中,提出采用弧焊机器人进行变坡口角度焊接方案并对试验结果进行分析找出各个工艺参数对变坡口机器人焊接过程及成型的影响,对后续焊接起指导作用。华清宇在文献[5]中,基于机器视觉的横向摇摆臂焊缝质量焊后检测系统,将机器视觉技术引入焊缝质量检测领域,发展效率高、精度高、智能化的焊缝质量自动检测系统。所有这些研究,都致力于实CO2气体保护焊智能化,用机器人代替人工焊接,实现焊接全自动化。
O2气体保护焊智能化面临一个问题,在面对不同规格,不同形式的焊接接头时,如何选择焊接参数。无论是人工输入,还是机器人内部数据库,都是采用现有数据库。可无论是大学教材,还是焊接实用手册,所提供的参数选择,都是在很大范围内变动。例如在书[6]中不同焊丝直径时焊接电流的选择范围见表1
表1 不同焊丝直径时焊接电流的选择范围
焊丝直径(mm) | 焊接电流(A) | |
细颗粒过渡(30-45V) | 短路过渡(30-45V) | |
0.8 | 150-250 | 60-160 |
1.2 | 200-300 | 100-175 |
1.6 | 350-500 | 120-180 |
2.4 | 500-750 | 150-200 |
从表中不难看出,相同规格的焊丝,选用电流波动范围极大。但实际上,范围内的参数并不是都符合实际场合。面对不同的工作场合,如何选用准确的参数数据,需要依赖更准确庞大的数据库。因此,这里将研究智能焊CO2实芯焊丝熔敷特性。通过大量对照实验,变动某一参数,如输入电流、电压、及焊接速度,探究实芯焊丝CO2气体保护焊的熔敷特性,即熔敷速度、熔敷系数、熔敷效率。筛选大量数据,选出最优输入参数范围,为建立精准实用的实芯焊丝CO2气体保护焊参数库,实验智能化CO2气体保护焊提供知识储备。
实验过程中,所有标准均采用BT9186-1999《二氧化碳气体保护焊工艺规程》,并穿戴好工作服、手套、面罩,做好安全防护。焊后进行清理工作后,将已用板材进行统一回收处理。
2. 研究的基本内容与方案
2.1 基本内容 : 采用全自动co2气体保护焊,进行大量实验,研究实芯焊丝co2保护焊在不同输入参数(电流,电压,焊接速度)情况下的熔敷特性,即熔敷速度、熔敷系数、熔敷效率。其中熔敷系数一值无法直接测出,要对实际使用焊丝m1,板材质量m2及焊后板材质量m3进行称量,记录好焊接电流i和焊接时间t,则熔敷系数=(m1 m2-m3)/m1*i*t。收集好实验数据,进行数据分析,建立起焊接输入参数与熔敷特性准确的对应关系。
实验器材:全自动co2气体保护焊焊机一台,直径1.2mm焊丝h08mnsia,板厚为12mmq235板材若干。
2.2 研究目标
3. 研究计划与安排
第1-3周:查阅相关文献资料,完成英文翻译。明确研究内容,了解研究所需原料、仪器和设备。确定技术方案,并完成开题报告。
第4周:实验方法制定及实验准备;
第5-8周:不同焊接条件下的co2焊实芯焊丝熔敷特性实验;
4. 参考文献(12篇以上)
[1]陈长江. 药芯焊丝混合气体保护焊的熔敷特性研究. 热加工工艺,2006,35(3):03-0031-03.
[2]huang. ws,xu.hl. development of six-dof weldingrobot with machine vision. modernphysics letters b, 2018,32: 0217-9849.
[3]d. katherasan,jiju v. elias,p. sathiya. simulation and parameter optimization of flux cored arcwelding using artificial neural network and particle swarm optimizationalgorithm. journal of intelligentmanufacturing,2014,25:0956-5515.