智能优化算法及其在焊接优化设计领域的应用

电焊梭第41誊第6期Vol41 No.62011 年6月Electric Welding MachineJun. 2011智能优化算法及其在焊接优化设计领域的应用李广军',孙晓玲”,赵炯3(1.宜宾学院网管中心,四川宜宾644007;2.西南石油大学电信学院,四川成都610500;3.西南交通大学电气学院,四川成都610031)摘要:在焊接工艺中,优化设计已经涉及到各个领域,但传统的优化算法往往优化效果不佳,智能优化.算法特别是遗传算法已经逐步地应用到焊接优化领域,并成为一个重要的研究方向。在对焊接相关文献进行系统研究的基础上,阐述了焊接优化设计领域应用较为广泛的遗传算法、模拟退火算法和群集算法(蚁群算法和粒子群算法)等几种智能优化算法的基本原理,介绍了智能优化算法在焊接领域组合优化、自动控制、生产调度和图像处理等方面的应用情况。对智能优化算法在焊接优化设计领域应用的未来研究方向进行了展望。关键词:智能优化算法;焊接;遗传算法;模拟退火算法;群集算法(蚁群和粒子群)中图分类号:TC409文献标识码:C文章编号:1001-2303(2011)06-0067 -06Overview of itelligent optimization algorithm and its application in weldingoptimization designU Guang-jun' ,SUN Xiaoling' ,ZHAO Jiong'(1.Netware Centers, Yibin University , Yibin 644007 ,China ;2.School of ElectronicInformation Engineering ,SouthwestPetroleum University ,Chengdu 610500,China ;3.School of Electrical Engineeing Southwest Jiatong University,Chengdu 610031 ,China)Abtat:0ptimization design is involving all aspects of weiding technology ,but trditional optimization algrihms are often not well.Intelligent optimizaion algorithm ,especially Genetic Algorithm , is already used in weiding. which is a highlighted research direction,however,papers about the overview of this field are very few.Based on the Bystematic research on related literatures,the paperpresented the basic prineiple of several ielelient optimization algorithms widely used in Welding optimization design, includingGenetic Algoithm and Simulated Annealing Methods as well as Swarm Ineligence Agorithm(Ant Colony and Particle Swarm)-Then,the paper introduced applications of combinatorial optimization , production scheduling, automatic control and image processing inwelding with iteligent optimization algorithms.In the end . the paper discused the development directions of itelligent optimizationalgorithm in welding optization design.Key words :ntelligentoptimization algorithm; welding;genetic algrithm;simulated annealing methods ;swamm itelligence algorithm(ant colony and particle swarm)0前言法多是单点优化,效率低,容易陷人局部最优点,针焊接过程是复杂的非线性系统,存在多目标函对焊接过程优化问题的处理效果不佳。智能优化算数和约束条件的复杂优化、过程控制中多参数和变法tInelligent Opimization Algorithm)主要包括模拟量焊接图像检测等~系列优化问题。传统的优化算退火算法遗传算法和群集算法(蚁群和粒子群算中国煤化工周示某些自然收稿日期:2011-02-22三思想和内容涉作者简介:李广军(1976- -).男,黑龙江佳木斯人,讲师,硕士，主要从事智能控制和自动控制方面的研究工作。及数MYH. CN M HG等学料。它不8lnois Whing Mholino_ . 67.焊接工艺電焊穢第41卷依赖梯度信息,具有全局、并行、高效的优化性能，似算法一模拟退火算法Simulated Ammealing Methods,鲁棒性和通用性强,为解决大规模非线性问题提供简称SA)。SA来源于固体退火原理,只要模拟其过程了新的思路和手段",并在焊接优化设计中得到了足够充分,算法就可以概率1收敛到全局最优解,在.广泛的应用。因此,有必要对智能优化算法的基本焊接优化设计中也得到了应用5.网。原理加以介绍,并对其在焊接过程中的应用加以分模拟退火算法则"的核心在于模仿热力学中液类和综述。体的冻结与结晶或金属溶液的冷却与退火过程,将固体加温至充分高,再缓冷。加温时,固体内部粒子1遗传算法随温升变为无序状,内能增大,而冷却时粒子渐趋遺传算法(Genetic Algorithm, 简称CA)是近年有序,在每个温度都达到平衡态,最后在常温时达迅速发展起来的一种全新的随机搜索与优化算法,到基态,内能减为最小。该算法是由给定解开始,从其基本思想是基于Danvin的进化论和Mendel的遭邻域中随机产生另一个解,利用具有概率突跳性的传学说，,该算法由密歇根大学教授Holand及其学生Metropolis 抽样策略在解空间中进行随机搜索,并于1975年创建。近年来,遗传算法已被成功地应用由一控制参数决定,其作用类似于物理过程中的温于许多领域,解决了许多问题。例如可靠性优化、流度,对于控制参数的每一取值,算法持续进行“产水车间调度、作业车间调度、机器调度、设备布局设生-判断-接受或舍去”的迭代过程,对应着固体计、图像处理以及数据挖掘等,且在焊接优化设计在某-恒定温度下的趋于热平衡的过程.当控制参中应用最为广泛。数逐渐减小并趋于零时,系统越来越趋于平衡态,最遗传算法是一种新近发展起来的收索最优解后系统状态对应于优化问题的全局最优解。算法。该算法模拟生命进化机制，即模拟了自然选3群集(群体)算法择和遗传进化中发生的繁殖交配和突变现象,从一组随机产生的初始解(称为群体)开始搜索过程。群受社会性昆虫行为或者鸟类行为的启发,计体中的每个个体是问题的一个解,称为染色体。个算机工作者通过对社会性昆虫的模拟产生了一系体用多维向量或矩阵来描述.组成矩阵和向量的列对于传统问题的新的解决方法,这些研究就是群参数相应于生物种组成染色体的基因,染色体用固集智能的研究。群集网智能(Swarm Ieligence)中的定长度的二进制串或者十进制整数表述,这些染群集(Swarm)指的是“一组相互之间可以进行直接色体在后续迭代中不断进化,称为遗传。遗传算通信或者间接通信(通过改变局部环境)的主体,这法主要通过交叉、变异、选择运算实现。交叉或变异组主体能够合作进行分布问题求解”。基于群智能的运算生成下一代染色体,称为后代。染色体的好坏算法有两种:蚁群算法(Ant Colony Opimization, 简用适应度来衡量。根据适应度的大小从上--代和后称ACO)和粒子群算法(Particle Swarm Opimization,代中选择- -定数量的个体,作为下一代群体,再继简称PS0)。续进化,最后算法收敛于最适应环境的染色体,它.1 蚁群算法很可能就是问题的最优解或次优解15-2切。遗传算法受蚂蚁觅食时的通信机制的启发,Dorigo提出中使用适应度这个概念来度量群体中的各个个体了蚁群算法,并应用于解决计算机算法学中经典的的在优化计算中有可能到达最优解的优良程度,度“货郎担问题" ,已经成功用于解决其他组合优化问量个体适应度的函数称为适应度函数,适应度函数题,在焊接优化设计中应用也比较广泛159。值较优的点被保留,适应度函数值较差的点被淘汰。根据仿生学原理网,蚂蚁凭借路径寻优的能力适应度函数的定义一般与具体求解问题有关。由于能够找到蚁巢与食物之间的最短路径,其原理在遗传算法可以越过位垒,能跳出局部较优点,到达全于:蚂蚁在所经过的路径上留下一种挥发性分泌物局最优点。(Pheromone,以下称为信息素),信息素随着时间的二过程中能够感知2模拟退火算法中国煤化工长指导自己的运Kirkpatrick S等人将退火思想引人组合优化YHCN M H G方向移动,即选领域,提出一种求解大规模组合优化问题的有效近择该路径的概率与当时这条路径上该物质的强度.68.8thbrio Wibing Molino.惮技工艺.李广军等:智能优化算法及其在焊接优化设计领域的应用第6期成正比。信息素强度越高的路径,选撣它的蚂蚁就化目标,采用自适应遗传算法进行焊接任务求解,越多,则在该路径上留下的信息素的强度就更大，并在虚拟环境下模拟机器人加工路径,大大缩短了而强度大的信息素又吸引更多的蚂蚁,从而形成--多机器人焊接路径规划的时间。文献[3]利用模拟退种正反馈。通过这种正反馈,蚂蚁最终可以发现最火遗传算法解决机器人弧焊应用中的机器人放置佳路径,导致大部分的蚂蚁都会走此路径。问题的方法,给出了优化过程中的多运动学目标准3.2粒子群算 法则以及目标函数的构造。最后对算法进行了验证,粒子群算法也是一种优化算法,由Eberhart和结果良好。文献[6]利用遗传算法对9自由度工业用Kennedy发明。PSO是基于群集理论的优化算法,通弧焊机器人与变位机协调运动系统进行了运动学过群体中粒子的合作与竞争产生群体智能来指导.优化控制,并针对空间复杂焊缝进行了路径自主规优化收索。与传统的进化算法相比,PSO保留了基.划实验验证,结果令人满意。文献([31]针对焊接机器于种群的全局收索策略,但其采用的是速度- -位移人路径规划缺乏理论依据的现状,把路径规划问题模型,避免了复杂的遗传操作。目前已广泛应用于函抽象成为TSP问题,并应用蚁群算法求该问题的近数优化,神经网络训练,模糊系统控制以及其他遗似解。Matlab仿真显示,蚁群算法不仅有效,而且有传算法的应用领域,同样也被应用到焊接领域咖初。较快的计算速度。文献[32]为了解决汽车白车身焊粒子群算法模拟鸟群的捕食行为。某区域里只接机器人路径规划不合理的问题,将该蚁群算法应有-块食物和鸟群,而所有的鸟都不知道食物在那用于求解该问题,并采用Matlab语言对典型的机器里，鸟类找到食物的最优策略是搜寻目前离食物最人焊接路径规划实例进行编程仿真,结果表明:不近的鸟的周围区域。PSO从这种模型中得到启示并仅能够克服早熟现象,而且能够加快收敛速度,可用于解决优化问题。每一个优化问题的解看作搜索以有效快速解决焊接机器人路径规划问题。因此，空间的一只鸟,即“粒子”。首先生成初始种群叫再,智能优化算法为焊接机器人的路径规划问题提供即在可行解空间中随机初始化- - 群粒子,每个粒子了一种有效的算法。都为优化问题的一个可行解,并由适应度函数为之4.2自动控制确定一个适应度值。每个粒子都将在解空间中运在焊接自动控制领域中有很多与优化相关的动,并由运动速度决定其飞行方向和距离。通常粒子问题需要求解,智能优化算法已在其中得到了初步将追随当前的最优粒子在解空间中搜索。在每-次的应用,效果良好。例如用智能优化算法进行焊接.控制参数的优化焊接工艺的参数辨识、人工神经是粒子本身找到的最优解,另一个是整个种群目前网络的结构优化设计和权值学习等,都显示出了智找到的最优解,这个极值即全局极值。若不用整个种能优化算法在这些领域中应用的可能性。例如,文群而只是用其中一部分最优粒子的邻居,那么在所献[15]针对焊接过程中送丝控制系统均匀稳定的送有邻居中的极值就是局部极值。丝这一-要求,设计了转速、电流双闭环调速系统。选4智能进化算法在焊接优化过程中的择遗传算法作为控制策略,并结合传统PID控制，实现PID控制参数的在线整定。仿真结果表明,基应用于遗传算法的PID整定明显优于常规PID算法，4.1组合优化而且送丝控制系统满足恒速要求。文献[17]引人遗焊接机器人的路径规划问题是典型的组合优传算法对基于45钢交流闪光对焊焊接的实测温度化问题,对于该NP难度问题,人们已意识到应将场的焊接热影响区的奥氏体晶粒长大演化过程进主要精力放在寻求其满意解上,智能优化算法尤其行了建模。遗传算法模拟结果表明了焊接热循环过是遗传算法,是寻求这种满意解的最佳工具之- - ,并程中存在的温度梯度,使得焊接热影响区中的晶粒已经被应用到该问题的求解呀。例如,文献[2]为合长大平均半径仅为整体加热时晶粒平均半径的理规划多焊接机器人的焊接路径,提出一种综合运66.8%。智能优化算法在焊接自动控制中,应用最多用遗传算法和仿真分析的求解方法。对焊点焊接顺中国煤化工学习。例如,文序进行分析,确定各个焊点的焊接优先关系,将各问题,提出了fY片个焊点分配给各个机器人，以最短的工位时间为优BP|C N M H G究方法,利用遗8havisHsinp Moalins_ . 69.焊接工艺电焊横第41卷传算法全局最优值的搜索功能,不断地进行焊接参优化方法求解双目标优化问题。通过实例仿真,结果数的全局寻优,结果表明该方法准确、高效,适用于证实修改后的算法是有效的,并能够找到Pareto前焊接工艺参数的研究。文献[16]基于建立BP神经网沿解。这样,智能优化算法巳为焊接生产调度问题提络焊接接头力学性能预测模型,并综合运用遗传算供了一种良好的解决方法。法来优化BP神经网络连接权的方法,对模型预测.4 圄像处理性能进行了有效的改进,提高了神经网络模型的预图像处理技术是焊缝跟踪系统的软件核心,将测精度和泛化能力。舒服华等人提出了一种神经网视觉传感器所采集的图像信息进行加工处理,提取络与蚁群算法相结合的08Al钢板电阻点焊工艺参焊缝的特征信息,通过一定的算法得到焊炬与焊缝数优化方法。以试验数据为样本,通过神经网络建立的偏差信号。图像处理过程一般包括量化、图像预处焊接工艺参数与焊接性能关系之间的复杂模型,利理图像分割和图像边缘提取等步骤,智能优化方用蚁群算法对焊接工艺参数进行优化,充分发挥蚁法也逐步被应用到焊接图像处理中241。例如,文群算法全局寻优能力,仿真试验显示了方法的有效献[23}]基于钎焊电触头焊接质量超声成像无损检测性和优越性。文献[36]利用人工神经网络来得到焊缝的原理,针对超声图像分割过程中阂值难以确定的是否熔透的判断结果,在对网络权值的训练中采用问题,利用遗传算法寻优的高效性,搜索到能使分了随机变异粒子群算法,大大提高了训练速度和精割质量达到最优的分割参数图像分割阈值,据此阚度,实验结果表明该系统应用于焊接过程的实时质值可以区分出超声图像中的缺陷部分与焊合区域，量监测是可行的。上面的分析表明,智能优化算法对因此对于后续的焊接缺陷识别具有重要的意义。实于焊接自动控制过程的优化非常重要。验结果表明,该算法分割切实可行,有效地缩短了.3 生产调度寻找阈值的时间。文献[24]针对前置放大器电路焊焊接生产调度问题在很多情况下通过建立数接点的合格检測问题,利用遗传算法可以自适应的学模型难以精确求解,即使经过一些简化之后可以找到最优滤波器以增强检测系统的精度。结果表明:进行求解,也会因简化得太多而使得求解结果与实该方法设计的系统的精度要明显高于传统滤波器际相差甚远。以前在现实生产中主要是靠- -些经验系统,其检测速度也比人工检测快的多。朱杰雄等来进行调度,而现在智能优化算法已成为解决复杂人为了 更有效地提取铝合金TIG焊熔池边缘,提出调度问题的有效工具92。例如,文献[20]基于遗传基于蚊群算法(ACA)的熔池图像处理程序。并针对算法原理,建立了箱型结构热机耦合非线性三维优铝合金TIG焊的特性,对蚁群算法进行了改进,同.化仿真模型,以焊接变形为目标函数,进行了焊接时与基于Soble算子,Prewitt算子,Krisch算子熔池顺序数值仿真优化。对于给定的焊接条件,通过选边缘提取结果进行比较。实验结果表明,基于蚁群择合适的目标函数,采用遗传算法可以确定最优焊算法的熔池图像处理程序对熔池边缘提取的效接顺序。这为针对工程具体问题设计焊接工艺提供果最佳。所以,智能优化方法大大促进了焊接图像了可靠的依据。文献[2]利用回归正交设计建立了处理过程。高纤维素焊条药皮组分与其焊接工艺性之间的数学模型,并分析了各个组分对工艺性的影响规律,5未来发展方向并结合遗传算法优化出了综合性能优良的焊条配.随着智能优化算法的理论研究的不断深人和方。文献[34]研究了柔性机器人焊接系统中的作业优焊接工业自动化、智能化的不断发展,智能优化理.化调度问题,采用蚁群优化算法求解机器人焊接系论在焊机中的应用将日益广泛,并将朝以下几个方统的作业问题,并通过算例验证了该算法的有效性。向发展。文献[37]研究了基于粒子群算法的焊接企业车间调(1)智能算法本身不断改进。例如.文献[2]采用了度问题进行研究。首先,对m位工人加工n个结构件自适应遗传算法,来解决遗传算法的早熟问题,取得的随机调度问题建立数学模型,并以最小化最大的良好的代化加果牛木雄笺A棋出了改进的蚁群算加工完成时间的期望与方差为优化目标。为求解该好中国煤化工提取了,取得良模型,对二进制粒子群算法(BPS0)进行改进,并采!YHCNM H G算法进行了改用动态领域策略、新的粒子个体极值选择以及一维进,来对焊接车间生产调度问题进行优化。. 70.8lastrio Hling Molins焊接工艺李广军等:智能优化算法及其在焊接优化设计领域的应用.第6期(2)智能优化算法混合应用。由于各种智能算法径[小机械设计与研究.2004,20(2):57-59.本身的缺点,可以把几种智能优化方法结合起来适9] 高胜,常玉连,张瑞杰,等.基于自由漂浮空间机器人用,从而提高效果。例如，文献[4]针对经典遗传算法的空间焊縫跟踪[]焊接学报,2008 29(11):65-68.的缺陷,在贪婪遗传算法的基础上引人了基因植入.[10]叶建雄,张晨曙焊接工艺参数中的BP神经网络与遗传算法结合创小上海交通大学学报,00842):57-59.操作,并应用到多关节机器人多点焊接的全局序列[11]李小英.基于模拟退火遗传算法的高频焊接输出功率优规划中,实现了在不增加种群规模、不增加运算量化控制J机电工程,2008 ,5():65- 67.的条件下增大搜索范围、改善收敛效果的目的。文[12]余圣甫,李志远,刘顺洪等基于人工神经网络的药焊接献[5]把模拟退火算法和遗传算法结合起来,提出了头韧性优化[小华中理工大学学报, 1998 ,26(2):60-62.基于遗传模拟退火算法用于弧焊机器人与变位机(13]任芸丹,芮延年,林杰基于遗传 灰色液氯储罐焊搂质协调路径规划,取得了很好的效果。协调路径规划量可靠性评价方法的研究J.机械设计与制造,006,11);精确地保证焊缝的最佳焊接位置与最佳的焊枪姿41-42.态,并能找到柔顺的焊接路径,提高了机器人焊接[14]雷玉成.张成,程晓农 ,等.基于遗传算法的棋糊神经网络控制器在GTAW中的应那]，焊接学报,2003 244):的质量和效率。47-50.(3)与其他智能算法结合使用。焊接是复杂的非[15]李春善.王经,刘桂方 ,等.基于遗传算法焊接送丝控线性过程,智能优化算法必须与其他智能算法结合制系统的设计与仿真]信息技术,20107);110-112起来使用,来结合焊接过程中的各种问题。例如,文[16]董志波,魏艳红,占小红,等遗传算法与神经网络结合献[13]利用遗传灰色系统理论和方法对液氯储罐焊优化焊接接头力学性能预测模型0焊接学报,2007,28接质量进行评价,即用灰色理论建立评价模型,利(12):69-72.用遗传算法优化此模型,提高评价精度,节约人力[17]张根元,徐迈里,田松亚,等.45钢交流闪光对焊焊接热和物力。文献[14]将遗传算法、模糊理论和神经网络影响区晶粒长大的遗传算法[].焊接学报2009 ,30(6):79-82.三者有机地结合起来,在模糊神经网络控制器的基[18]陶 军,李冬青,范成磊.等模拟一测量结合反演焊接础上利用了改进的遗传算法,协调利用三者的优势条件下材料热导事J.机械工程学报,2005 ,41(12):141-设计了一种新型的模糊控制器,并使之用于脉冲钨极气体保护电弧焊仿真中,结果证明了该新型模糊[19]刘海江,张春伟,徐君杰,等基于遗传算法的白车身焊神经网络控制器比传统的模糊控制器具有一定的接机器人焊点分配四同济大学学报(自然科学版),2010,优越性。.3815):725-728.[20]崔晓芳,马君,赵海燕,等基于遗传算法的箱 型结构参考文献:焊接顺序优化[]，焊接学报,2006,27(8):6-8.[1] 黄友锐智能优化算法及其应用[M].北京:国防工业出版[21]朱文峰.来新民,王皓,等计入焊接热效应影响的车杜,008.身门董件匹配优化方法[I.机械工程学报,2005 ,411);2] 晁永生,刘海江白车身焊接机器人加工路径优化和仿80-83.真[J中国机械工程2010,21(4):442 445.[2刘瞿.姚润钢,吴伦发,等高纤维素焊条工艺性的优3] 何广忠,高洪明,张广军,等弧焊机器人放置规划问题的化设计[D.材料开发与应用,2010(6):4-6.研究[]机器人,2006, 28(3):249 -254.[23]陈怀东,曹宗杰,张柯柯，等.基于遗传算法的超声检测4] 何谷慧,周保定,孙立功,等基因植入遗传算法在焊接机图像分割识别方法[J西安交通大学学报,2003 ,37(1):器人序列规划中的应用[J.河南科技大学学报(自然科学22-24版),2008 ,95);33. -36.[24]屈小川自动视觉检测中基于遗传算法的新的边緣检测5] 陈志翔,殷树言,卢振洋,等基于遗传模拟退火算法的弧技术测绘科技情报2002(1):8 -14.焊机器人系统协调路径规划[J.机械工程学报,2005 ,41[25]吉根林遗传算法研究综述[J计算机应用与软件,2004,、(2);194-198.21(2):69-71.6)崔鲲,吴林,陈善本.遗传算法在冗余度弧焊机器人26]杨淑莹.模式识别与智能计算- -Matlab技术实现[M.北路径规划中的应用[J.19989 ,20(5):362 367.京:电子工业出版社.2008.[7]师文庆.振镜扫描式激光点焊 技术中扫描路径的优化[中国煤化工算法及其在飞行应用激光200824(-)331-335.上报,009,306);8] 杨虎,邵华，利用遗传算法求解最小变形的焊接路YHCNMHG_8havi KWling .Medino__ . 71 :焊技工艺電焊榔第41卷[28]张慧VC++ 环境下的BP神经网络建模和模拟退火算法[小电焊机,009, 39(4):90-92.优化研究[]电脑与信息技术,2008, 16(2):31-33.[34]胡中华,赵敏.一种求解 机器人作业调度的智能优化[29]武飞周,薛源智 能算法综述[几.工程地质计算机应用，算法[小电焊机2009,3911):45-48.2005(2):9-14[35]陈京力奇,孟正大基于蚁群算法的弧焊作业任务规划小(30]马军建，董增川,王春霞,等.蚁群算法研究进展J]河海华中科技大学学报(自然科学版) 2008(36):317-340.大学学报(自然科学版),2005 ,(2):139-142[36]张朴,王振飞,孔 力,等激光深熔焊接 过程实时监[31]王家海,王毅基于蚁群算法的白车身焊接机器人路测系统设计J.仪表技术与传感器2087):83-858.径优化研究[J.制造业自动化,2008 305);16-17.[37樊 坤,张人千,夏国平随机双目标焊接车间调度建模[32]吴明亮,李妍,黄健康,等.基于蚁群算法的铝合金 MIG与仿真[J}系统仿真学报20.21013):3106 3099.焊熔池边缘检测[D.电焊机208,385);19 -21.[38]倪庆剑,邢汉承,张志政,等粒子群优化算法研究进展办[3]赵敏, 胡中华.一种求解机器人路径规划的智能优化模式识别与人工智能,2007 20(3):249 _253.Page81百SMAW通常工作于小电流区间。流反接,即使熔深可能较浅。.在阴极区,由于电极为冷阴极材料,因此其导电机构与GMAW反接时的阴极区导电机构相同,3结论以电场发射为主(见图1),热发射为辅。因此正电场.(1)由于热阴极(W、C)和冷阴极(Fe、Al、Cu等)的强度E很高,阴极压降Uk也很高。电子发射方式不同,以及阳极区中性粒子的电离方在阳极区,由于电流较小,加之焊条直径较粗,式不同,在阴、阳极区将可能形成正、负电场,导致电流密度更小，温度较低,热电离不能提供足够的U(或阴极产热P)、UA(或阳极产热P)不一致。为了电子。来自阴极的过剩的电子便在阳极区前沿堆积，”获取较大的熔深,通 常都是将产热较大的一-极接至形成电场强度很强的负电场(见图2),通过电场电工件。离提供所需要的正离子。(2)对于GMAW和SAW焊,阴极压降Uk远远.综上可知,阴极区的电场强度和阳极区的电场大于阳极压降U(近似为0),导致阴极产热远大于强度都很大,大体处于同一数量级。但由于阳极区长阳极产热,因此,GMAW通常采用直流反接。度(约10+ cm)大于阴极区长度(约10 cm),导致阳(3)对于TIG焊,阳极压降U大于阴极压降Uk, .极压降U大于阴极压降Uk,因此阳极产热Px=(UA+从而阳极产热P.大于阴极产热P,因此,TIC大多U)大于阴极产热P=l(U,-U)。实验证明,阳极温度采用直流正接。比阴极温度高约200 C间。(4)对于SMAW焊.酸性焊条时,阳极压降U(2)直流反接。大于阴极压降Uk,阳极产热P.大于阴极产热R,采使用碱性焊条时,通常使用直流反接,其原因用直流正接;碱性焊条时,由于氟的存在,导致焊接为:碱性药皮中含有CaF2,它在电弧作用下分解出工艺性差,通常采用直流反接。氟,氟的电离电位很高,不易电离,而氟最外层有七个电子,不可能失去电子成为正离子,而且氟的电参考文献:子亲和能很大,容易获得电子成为负离子。如果采用[1]区智明,孙晓明,夏胜全.改善 MIG/MAG短路过渡焊接直流正接,在阴极区(焊条端部),大量电子被氟夺电弧工艺性能的方却小电焊机,2009 ,91)77-82.走,而电子运动是电弧导电的主要力量,这就会造[2] 常云龙,杨旭.外加纵向磁场作用 下的TG焊接电弧[]焊接学报,2010,414):49-52.成电弧导电困难,电弧稳定性下降;另一方面,大量[3] 马春伟,徐培全.微束等离子焊接电弧光学特征的试验研的氟离子在电场作用下加速飞向阳极(熔池),这样究[)上海交通大学学报20.42011):149-151会增加飞溅;再加上阴极斑点压力也阻碍熔滴的过[4] 安藤弘平, 长谷川光雄.焊接电弧现象[M]}施雨湘译北渡,导致难以施焊。如果采用直流反接,氟原子处于京:机械工业出版社,1985.阳极(焊条端部)区,而大量的自由电子远在阴极(工[5]中国煤化工业出版社.1998件)区,氟原子便失去了夺取大量自由电子的机会。60HCNMHG书3版)M北京:因此为改善碱性焊条的焊接工艺性能,尽量采用直.72.8ldhio gKidin .Mbolins