Loading [MathJax]/jax/output/SVG/jax.js
高级检索

Q345B/304异种钢激光填丝焊接工艺与性能研究

刘海, 陈辉

刘海, 陈辉. Q345B/304异种钢激光填丝焊接工艺与性能研究[J]. 激光技术, 2024, 48(2): 229-234. DOI: 10.7510/jgjs.issn.1001-3806.2024.02.013
引用本文: 刘海, 陈辉. Q345B/304异种钢激光填丝焊接工艺与性能研究[J]. 激光技术, 2024, 48(2): 229-234. DOI: 10.7510/jgjs.issn.1001-3806.2024.02.013
LIU Hai, CHEN Hui. Laser filler welding process and mechanical properties of Q345B/304 dissimilar steel joints[J]. LASER TECHNOLOGY, 2024, 48(2): 229-234. DOI: 10.7510/jgjs.issn.1001-3806.2024.02.013
Citation: LIU Hai, CHEN Hui. Laser filler welding process and mechanical properties of Q345B/304 dissimilar steel joints[J]. LASER TECHNOLOGY, 2024, 48(2): 229-234. DOI: 10.7510/jgjs.issn.1001-3806.2024.02.013

Q345B/304异种钢激光填丝焊接工艺与性能研究

基金项目: 

机械结构优化及材料应用泸州市重点实验室科研课题 SCHYZSB-2023-02

四川化工职业技术学院自然科学重点资助项目 SCHYA-2023-01

详细信息
    通讯作者:

    刘海, liuhai2011pzh@163.com

  • 中图分类号: TG456.7

Laser filler welding process and mechanical properties of Q345B/304 dissimilar steel joints

  • 摘要: 为了提高异种钢焊接质量, 采用激光焊技术填充ER308L焊丝对Q345B低合金钢与304不锈钢两种异质材料进行焊接。在不同的激光功率下, 采用金相显微镜、扫描电镜、能谱仪等对焊接接头进行了深入的表征和分析。结果表明, 当激光功率高于3 kW时, 接头处得以焊透, 4 kW、4.5 kW和5 kW这3种焊缝截面均呈现束腰现象, 且焊缝组织均为典型的板条状马氏体, 其中5 kW焊接件焊缝所含的板条马氏体更加细小, 表现出最高的硬度值; 4 kW焊接件的抗拉强度达到590 MPa, 随着激光功率的增大, 焊接件的抗拉强度逐步下降; 焊缝中主要出现了Cr2Ni3、Fe2Ni3α-Fe等相, 没有大量出现对质量有较大影响的M23C6σ相等有害相。采用激光填丝焊接技术能够实现Q345B/304异种钢的高质量焊接。
    Abstract: In order to improve the quality of dissimilar steel welding. Adopting laser welding technology welding of two heterogeneous materials, Q345B low alloy steel, and the 304 stainless steel. Under different laser powers, the welded joints were thoroughly characterized and analyzed using metallographic microscopy, scanning electron microscopy, and energy dispersive spectroscopy. Experimental data indicates that when the laser power is higher than 3 kW, the joint can be fully welded, and the weld sections of 4 kW, 4.5 kW and, 5 kW all present the waist phenomenon. The weld microstructure is typical lath martensite. The size of the lath martensite in the weld of 5 kW is smaller, showing the highest hardness value. The tensile strength of the weldment of 4 kW reaches 590 MPa. With the increase of laser power, the tensile strength of the weldment gradually decreases. In the weld, there are no M23C6 and σ phases, which have a great influence on the quality, but mainly Cr2Ni3, Fe2Ni3, and α-Fe phases. The results indicate that using laser wire filling welding technology can achieve high-quality welding of Q345B/304 dissimilar steel.
  • 建设现代农业是新时代产业兴旺的5个重要领域之一。利用无人机(unmanned aerial vehicle,UAV)遥感技术快速准确地分类提取高原山区乡村的土地覆盖信息, 对当地的发展建设具有重要的战略意义。ROSSI等人[1]在意大利的Ricasoli村,用无人机采集的影像构建数字地形模型(digital terrain model,DTM) 对当地的滑坡进行监测,并评估相关面积和体积。KOUTALAKIS等人[2]应用DJI Mavic 2 Pro采集希腊北部Nea Zichni村的影像,通过构建数字正射影像地图(digital orthophoto map, DOM)和数字表面模型(digital surface model, DSM)估算村子周围的滑坡体面积和体积等形态参数。LI等人[3]通过无人机获取的高精度照片进行处理,经多尺度分割方法提取道路信息,给予乡村道路安全引导一定的参考。CHEN等人[4]在江西省某村利用Pix4DMapper解算大疆Phantom 4 Pro无人机采集的影像数据,制作了规划区内的DOM和DSM规划模型等成果,助力秀美乡村建设。而对于UAV相关产品的分类,GUO等人[5]为精准获取树木空间分布,通过无人机采集影像构建高分辨率的数字高程模型(digital elevation model,DEM),并结合影像光谱和纹理信息,基于机器学习的方法分类出所需树木的空间分布,结果表明:该方法适用于大部分的树种空间分布信息的提取。MA等人[6]为高效准确地获取农村用地的分类信息,采用面向对象的方法结合光谱、几何特征,对高精度UAV影像进行多尺度分割分类的方式采集农村地类信息,结果表明: 建筑物、耕地和植被的分类精度相对降低,其余地类生产和用户精度均高于90%。HAN等人[7]基于UAV遥感技术的探索在灌溉区分类有效性,把构建的高分辨率DOM通过机器学习的方式完成分类, 结果表明:支持向量机法(support vector machine,SVM)相对于k最近邻法(k-nearest neighbor,KNN)更能准确提取各地物的特征。LIU等人[8]为探究适合于无人机遥感高分辨率影像,在农耕区应用机器学习分类算法,基于Boruta特征选择优化数据集,结果表明:对象具有类似的光谱、纹理特征时,较易造成错分类和漏分类,随机森林(random forest,RF)算法相对而言总体分类精度最高,达到98.19%,更适宜处理类似的数据集。

    结合诸多学者的研究可知,RF算法的应用主要集中在2-D的影像分类。相比之下,3-D的点云数据在表现地物与地面的真实情况有较强的鲁棒性。为了更好地服务于乡村振兴战略,本文作者准备以AA1300多旋翼BB4大黄蜂无人机采集的影像照片构建高精度的DOM,再将2-D/3-D映射的点云分类与3-D点云的直接分类做对比分析,以更好地评定地类地物在3-D场景下的覆盖与利用。

    试验区位于云南省昆明市某乡的云龙水库,如图 1所示。该水库是昆明市最大的集中式饮用水源地,昆明市将近70%的水是云龙水库供给,年均向主城供水1.6×108 m3~1.8×108 m3。县行政区地处滇中北部,位于东经102°14′~102°56′、北纬25°25′~26°22′之间, 版图状如梨叶,东西窄、南北长,如图 1a所示。该县境内地势东北高、西南低,自东北向西南呈阶梯状缓降,如图 1b所示。试验区在崇山峻岭之间,依次分布着相对平缓的台地和冲积带,称“坝子”,是经济作物、粮食和其它农作物的主要产区,如图 1c所示。

    图 1 试验区概况
    图  1  试验区概况
    Figure  1.  Overview of the experimental area

    试验区影像数据通过AA1300多旋翼BB4大黄蜂无人机由内置4240万像素的光学相机进行影像数据采集。考虑到试验区的地理情况, 进行相应的航线规划,再依据后期的数据质量要求,设置合适的航向、旁向重叠度及飞行高度。由于该飞行器可搭载多个镜头,故在相同的飞行环境下,通过GS-1350N镜头采集激光雷达(light detection and ranging,LiDAR)点云。相关飞行器、光学相机和镜头的参数如下:BB4大黄蜂无人机的最大起飞重量为28 kg,最大平飞速率为14 m/s,最大爬升速率为5 m/s,抗风能力为6级;光学相机传感器为互补金属氧化物半导体类型。镜头焦距为21 mm,像素为4240万,分辨率为7953×5340;激光雷达镜头为GS-1350N,最大测程为1350 m,反射率大于80%,扫描角度为75°~90°,采集频率为820 kHz。

    DOM具有几何、纹理和光谱等信息,能直观解译试验区的俯瞰情况。先根据有无遮挡或色彩不均匀的情况把采集的影像数据进行预处理,再构建DOM,流程如图 2所示。基于全数字化平台,仅完成影像定位姿态系统(position and orientation system, POS)数据自动转点、外方位元素解算以及数字微分纠正等步骤。最终的DOM像素为3414 pixel×4842 pixel,分辨率为0.1 m。

    图 2 DOM构建流程
    图  2  DOM构建流程
    Figure  2.  Building process of DOM

    机载LiDAR点云有较强穿透烟、雾、灰尘颗粒的能力,同时采集的3-D点云数据可保持尺度不变性,在复杂地貌场景中可完整地表达复杂地物的几何形状,同时能够准确展现地物间的布局关系,可有效避免2-D影像中存在的光照影响、姿态转换等情况[9]。无人机LiDAR点云具有以下几个特点:相对于地面站3-D激光扫描仪设备更高效和操作简洁;包含3-D坐标信息和扫描射线信息;具备回波强度及回波次数信息,可直接透过植被、建筑等地物采集地面数据;缺乏实景色彩信息,采集数据时在低空中易产生噪声点。

    随着社会的发展及科技的进步,遥感影像分类精度逐步提高,诸如贝叶斯法(Bayes)[10]、决策树法(decision tree,DT)[11]、KNN[12-13]、SVM[14-15]和RF[16-17]等精细化分类遥感影像算法成为近来研究的重点方向。

    KNN分类算法的主要概念是指在特征空间中有若干样本,将最近邻样本中的绝大部分数值归类为某一类别,即样本同属该类别,且具备相同特性。在进行分类决策时,KNN算法采用欧氏距离来度量样本在特征空间中的近邻性。对于k值的确定,一般都是采用尝试验证的方式,即在调整k值时,精度按升序或降序排列选取最大值从而确定最适宜的k[18-19]

    SVM以统计学中的一致性和结构风险最小化的思想为基础,将学习样本以非线性到高维核函数空间。然后在高维特征空间中构建最优超平面,构造和使用不同的核函数。SVM算法在构建判别函数时对向量求点积,并通过非线性变换到高维特征空间中的内积进行解算。而在SVM分类算法中惩罚系数C,即对误差的宽容度,是主要调整参数。C值过大, 容易导致过拟合线性,反之则会出现欠拟合[20]

    RF分类算法是影像分类中的重要方法[21-23]。RF算法的过程主要包含训练集的产生、构建决策树和算法的执行,如图 3所示。

    图 3 随机森林分类算法
    图  3  随机森林分类算法
    Figure  3.  RF classification algorithm

    对规模是n的森林而言,需要N颗决策树产生相同数量的训练集。采用多个分类器集中训练的集成学习方法,随机抽取用于训练的样本,该流程存在少许样本抽取重复的问题。在RF中采用分类与回归树(classification and regression tree, CART) 作为分类器,其中训练过程需要计算每个属性的Gini指标[24-26],通过选择最小Gini指标对节点进行分类,依据递归的形式建立决策树,按Gini不纯度最小准则,则分裂节点G(t)的计算过程如下:

    G(t)=1cj=1[p(jt)]2,(j=1,,c) (1)

    式中: p(j|t)表示t节点上类别为取j的概率,若节点t的全部样本属于同类时,G(·)指数取最小值,表示样本最纯;若节点t的均不属于同类时, G(·)指数为最大值1。

    若将样本划分为m个分支,则分裂节点的Gini指数按下式来计算:

    G(x)=mi=1ninG(i) (2)

    式中: m为节点数量; ni表示i节点的样本数量;n代表上层节点的样本数量。

    RF算法是综合考虑多个决策树而形成的一种集成分类器模型,它不仅用于分类, 还可以解决回归问题,其投票决策过程如下:

    H(x)=argmaxYKi=1I(hi(x)=Y) (3)

    式中: H(x)为组合分类模型;I(·)是指示性函数,依据最大投票法则判断得票数最多的一类作为输出结果;hi(x)为单棵决策树;Y是输出变量。

    上述机器学习分类算法的分类结果精度以定量评价,即依据N×N的混淆矩阵,用矩阵做分类误差分析。由下式得到分类的生产者精度(producer accuracy, PA),表示样本与分类结果相符合的概率:

    APA=aiiati×100% (4)

    由下式得到用户精度(user accuracy, UA),表示分类结果中随机样本和所属类别的比值:

    AUA=aiiait×100% (5)

    由下式得到全局精度(overall accuracy, OA),是样本数中分类正确的数量与总量的比值:

    AOA=ni=1xiiN×100% (6)

    kappa系数κ表示分类影像图和参考分类图对比相符合程度,其值在范围[0,1],越靠近1表示分类的精度越高[26]:

    κ=Nni=1aiini=1(ati+ait)N2ni=1(ati+ait) (7)

    式中: aiii类中分类属正确的数目;ati是全部i类的样本总数;ait表示在分类结果中i类别的总数目;xii代表全部样本里所分类准确的数;N为样本集的总数。

    为实现乡村建设,利用UAV遥感技术快速、准确地分类提取高原山区乡村的土地覆盖信息。基于某影像分析软件进行多尺度分割,先由尺度10开始分割,结果如图 4a所示,目视解译为“过分割”状态, 再按步长为10调试适宜本次试验的分割尺度,最后的尺度是200,结果如图 4b所示,可判断该分割结果属“欠分割”状态,再不断调试分割尺度,最终确定尺度70的分割结果,如图 4c所示,总计得到1198个面状像元能较好地满足本次在高原山村的分类所需的试验要求。

    图 4 最适宜分割结果
    图  4  最适宜分割结果
    Figure  4.  Optimal segmentation results

    通过目视解译出试验区的地类,包含裸土、道路、房屋、农作物和树木5类,同时依据最适宜本次试验的分割结果,在样本选择工具中选取适宜的样本信息,选取的5类样本信息布满整个试验区,截屏如图 5所示。其中树木样本选取80个,是样本数量最多的地类,而裸土样本选取最少,样本数量为19个,考虑试验区的地类占比情况,农作物选取样本33个。

    图 5 地类样本点选取
    图  5  地类样本点选取
    Figure  5.  Selection of ground class sample points

    依据选择的5类样本,同时加入亮度、红、绿、蓝3种可见光谱的均值特征及可见光波段差异植被指数V, 按式(8)计算,取值范围是[-1,1]。对所有的影像分割对象进行训练,其中需要对决策树的数量、最大深度、最大特征数等参数进行调整。

    V=(2GRB)/(2G+R+B) (8)

    式中: G表示绿波段的均值特征; R表示红波段的均值特征; B表示蓝波段的均值特征。

    基于某影像分析软件进行DOM的机器学习分类,KNN、SVM和RF算法都以试错法确定关键系数,其中确定KNN中的k=2,SVM中的惩罚系数C=2,而RF算法单棵树的最大深度为2,每个节点需要的最小样本数为1,树的数目为25, 具体分类结果如图 6所示。把3类算法的结果按同色号展示,以目视解译分析3种算法的分类结果。可以发现, KNN的分类中部分农作物和树木分类效果不佳,两地类有部分混淆,且有部分房屋被误识别为道路,如图 6a所示。图 6b所示为SVM分类,主要是右下角有较大面积树木被误识别为农作物。而在RF分类中,虽有部分房屋被误识别为道路,但整体分类较为完整,具体如图 6c所示。

    图 6 DOM分类结果
    图  6  DOM分类结果
    Figure  6.  DOM classification results

    选择完合适的样本数据集,然后按式(4)~式(7)统计3类算法基于裸土、道路、房屋、树木和农作物的19、18、23、80和33个样本的误差矩阵。如表 1所示,KNN分类的OA达到87.86%, κ=82.93%;SVM分类的OA达到89.02%, κ=84.51%;而在RF分类的结果与样本比较中,树木有2个样本被误识别为农作物,农作物样本中有5个样本被误识为树木, RF分类算法在本次试验中OA达到91.90%, κ=86.67%。κ的值越接近100%表示分类的精度高,κ分别比另外两种分类方法高3.74%和2.16%,且OA比KNN高了4.04%,比SVM提升2.88%,故本次试验中RF分类效果显著。

    表  1  3种算法2-D影像分类精度
    Table  1.  2-D image classification accuracy of three algorithms
    methods ground objects bare soil road building tree crop total
    KNN bare soil 16 2 0 0 0 18
    road 2 16 6 0 0 24
    building 0 0 17 0 0 17
    tree 1 0 0 74 4 79
    crop 0 0 0 6 29 35
    total 19 18 23 80 33
    producer 0.8421 0.8889 0.7391 0.9250 0.8788
    user 0.8889 0.6667 1 0.9367 0.8286
    OA 0.8786
    κ 0.8293
    SVM bare soil 15 2 0 0 0 17
    road 2 16 5 0 0 23
    building 0 0 18 0 0 18
    tree 2 0 0 75 3 80
    crop 0 0 0 5 30 35
    total 19 18 23 80 33
    producer 0.7895 0.8889 0.7826 0.9375 0.909
    user 0.8824 0.6957 1 0.9375 0.8571
    OA 0.8902
    κ 0.8451
    RF bare soil 17 2 0 0 0 19
    road 2 16 3 0 0 21
    building 0 0 20 0 0 20
    tree 0 0 0 75 2 77
    crop 0 0 0 5 31 36
    total 19 18 23 80 33
    producer 0.8947 0.8888 0.8695 0.9375 0.9393
    user 0.8947 0.7620 1 0.9740 0.8611
    OA 0.9190
    κ 0.8667
    下载: 导出CSV 
    | 显示表格

    RF分类方法在山区村落的DOM影像定性分析中,比本次试验的其余两种机器学习算法有更高的精度保障。故LiDAR点云选择以RF算法进行分类,再对RF分类结果对比分析。先需把DOM影像的不同地物分类结果映射到LiDAR点云中。由于影像和LiDAR点云是在相同飞行器、航线、坐标系下采集,故仅需通过直接求解法映射分类结果。在此过程中,会存在部分映射误差,需要按下式进行映射的精度评价:

    T=qQ×100% (9)

    式中: Q表示2-D影像不同地物分类的面状总数量;q为映射到3-D点云中不同地物分类的面状数量。

    把DOM的分类结果映射到LiDAR点云中实现2-D-3-D分类映射,结果如图 7所示。统计地类共1198像元,实际映射1128像元,按式(10)定量计算可知, 本次映射准确性达94.15%。

    图 7 2-D-3-D映射
    图  7  2-D-3-D映射
    Figure  7.  2-D-3-D mapping

    把同样的样本数据分别分割出对应LiDAR点云地类,并以此为点云的训练样本,在LiDAR360中实现RF的点云3-D分类,图 8a为DOM至LiDAR点云的2-D/3-D分类映射结果; 图 8b为3-D点云的分类结果,赋予5种地类相同颜色。

    图 8 2-D/3-D和3-D分类对比
    图  8  2-D/3-D和3-D分类对比
    Figure  8.  Comparison of 2-D/3-D and 3-D classification

    对于试验区全部地类,由2-D/3-D映射的分类出点云所属类别相对更符合实际地类,特别是3-D点云分类在Q1Q2区域均把大面积的农作物分类为裸土。同样在Q3区域中, 道路同样被误分类为裸土,但由于光学影像不具备穿透地物获取实际地面信息的能力,因道路两旁的部分树木高大且树叶茂密,树冠面积在无人机所拍摄的影像中遮挡了实际道路信息,由此导致2-D/3-D映射的点云分类出的道路信息存在残缺。此外,在Q4区域,3-D点云分类出的房屋信息相对立体,房屋围绕的院子未出现信息缺失的情况。总体而言,3-D点云分类除水体区域不能扫描出点云而导致有空洞外,也因试验区属于高原山区村落,存在一定的高程差,导致部分低矮的农作物和道路被误分类为裸土信息。但3-D的直接点云分类树木更完整呈现地物信息,且不易造成阴影压盖地表数据的现象。

    利用UAV遥感技术快速、准确地分类提取高原山区乡村的土地覆盖信息, 可以拓展UAV在乡村发展中的应用。本次试验中通过AA1300多旋翼BB4大黄蜂无人机由内置4240万像素的光学相机采集影像数据,并应用数字化流程构建2-D高分辨率DOM,在同等飞行条件下又通过GS-1350N采集LiDAR点云。

    (a) DOM分类中,RF分类算法的OA达到91.90%, kappa系数κ=86.67%。相对于KNN和SVM分类方法,OA分别提高了4.04%和2.88%,κ分别比两种分类方法高3.74%和2.16%。

    (b) 2-D的分类结果通过直接线性变换到3-D点云中,实现2-D/3-D的点云分类,映射精度达94.15%,但存在一定的误差。

    (c) 基于相同的样本试验3-D点云直接分类法,与2-D/3-D点云映射的结果相比,3-D点云直接分类可以更好地丰富树木、建筑物等地物的高程信息,且不会因地物遮挡而造成地表数据损失的情况,但仍存在问题:因扫描射线不可获取水体的信息而造成有空洞,另外由于实地的高程差,导致低矮的农作物和道路被误识别为裸土。

    在高原山区实现3-D的点云精准分类是后续的研究计划。

  • 图  1   焊缝表面成形情况

    Figure  1.   Surface formation of weld seam

    图  2   焊缝截面成形情况

    Figure  2.   Formation of weld cross-section

    图  3   不同激光功率下焊缝的金相图

    Figure  3.   Metallographic diagrams of welds with different laser powers

    图  4   不同激光功率下焊缝的扫描电镜图

    Figure  4.   Scanning electron microscope images of welds with different laser powers

    图  5   不同激光功率下焊接接头的显微硬度分布

    Figure  5.   Microhardness of welded joints with different laser power

    图  6   不同激光功率下的试样断口

    Figure  6.   Fracture surface of samples with different laser power

    图  7   不同激光功率下的试样断口形貌

    Figure  7.   Fracture morphology of samples with different laser powers

    图  8   不同激光功率下焊缝的XRD分析结果

    Figure  8.   XRD analysis results of welds different laser powers

    图  9   不同激光功率下焊缝的EDS图谱

    Figure  9.   EDS profiles of welds with different laser powers

    表  1   Q345B钢的化学成分

    Table  1   Chemical composition of Q345B steel

    element C Si Mn P S
    mass fraction /% ≤0.20 ≤0.50 ≤1.70 ≤0.035 ≤0.035
    下载: 导出CSV

    表  2   304不锈钢的化学成分

    Table  2   Chemical composition of 304 stainless steel

    element C Si Mn P S Cr Ni
    mass fraction/% ≤0.08 ≤1.0 ≤2.0 ≤0.45 ≤0.03 18~20 8~11
    下载: 导出CSV

    表  3   ER308L焊丝的化学成分

    Table  3   Chemical composition of ER308L welding wire

    element C Si Mn P S Cr Ni
    mass fraction/% 0.03 0.60 1.80 0.015 0.008 20.0 10.0
    下载: 导出CSV

    表  4   Q345B钢和304不锈钢的力学性能

    Table  4   Mechanical properties of Q345B steel and 304 stainless steel

    material yield strength/ MPa tensile strength/ MPa elongation/ % hardness/ HV
    Q345B ≥345 ≥460 ≥23 160~190
    304 ≥205 ≥515 ≥40 ≤210
    下载: 导出CSV

    表  5   焊缝中主要元素的质量分数/%

    Table  5   Mass fraction of main elements in welds/%

    element C Cr Ni Mn Fe
    4 kW 0.43 10.71 5.08 1.29 82.49
    4.5 kW 0.12 11.72 5.94 1.62 80.60
    5 kW 0.09 9.4 4.72 1.25 84.54
    下载: 导出CSV
  • [1] 冯吉才. 异种材料连接研究进展综述[J]. 航空学报, 2022, 43(2): 6-42. https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB202202001.htm

    FENG J C. Research progress on dissimilar materials joining[J]. Acta Aeronautica et Astronautica Sinica, 2022, 43(2): 6-42(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB202202001.htm

    [2] 夏希玮, 杜勇, 李峰, 等. TC4钛合金窄间隙激光填绞股焊丝焊接特性研究[J]. 兵器材料科学与工程, 2023, 46(3): 28-34. https://www.cnki.com.cn/Article/CJFDTOTAL-BCKG202303005.htm

    XIA X W, DU Y, LI F, et al. Study on welding characteristics of narrow gap laser welding of TC4 titanium alloy with stranded wire[J]. Ordnance Material Science and Engineering, 2023, 46(3): 28-34(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-BCKG202303005.htm

    [3] 张迪, 赵琳, 刘奥博, 等. 激光能量对激光焊接接头熔化形状、气孔和微观组织的影响及其调控方法[J]. 中国激光, 2021, 48(15): 1502005. https://www.cnki.com.cn/Article/CJFDTOTAL-JJZZ202115012.htm

    ZHANG D, ZHAO L, LIU A B, et al. Understanding and controlling the influence of laser energy on penetration, porosity, and microstructure during laser welding[J]. Chinese Journal of Lasers, 2021, 48(15): 1502005(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JJZZ202115012.htm

    [4] 李德明, 张晋刚, 朱海涛, 等. 激光跟踪技术在工程机械焊接中的应用研究[J]. 激光与红外, 2023, 53(5): 699-705. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW202305009.htm

    LI D M, ZHANG J G, ZHU H T, et al. Research on the application of laser tracking technology in construction machinery welding[J]. Laser & Infrared, 2023, 53(5): 699-705(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW202305009.htm

    [5] 姚良振, 尹贻生, 张承瑞, 等. 基于功率随动控制拐角激光焊接质量优化[J]. 焊接学报, 2023, 44(5): 102-108. https://www.cnki.com.cn/Article/CJFDTOTAL-HJXB202305014.htm

    YAO L Zh, YI Y Sh, ZHANG Ch R, et al. Optimization of laser welding quality at corners based on power tracking control[J]. Transactions of the China Welding Institution, 2023, 44(5): 102-108(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-HJXB202305014.htm

    [6] 张冬云, 高双欣, 高海芸, 等. 铝/钢异种金属激光填丝熔-钎焊连接工艺研究[J]. 激光与光电子学进展, 2011, 48(6): 0614003. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ201106017.htm

    ZHANG D Y, GAO Sh X, GAO H Q, et al. Wire feeding laser brazing and fusion for Al-Fe dissimilar metal[J]. Laser & Optoelectronics Progress, 2011, 48(6): 0614003(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ201106017.htm

    [7] 王艳杰, 赵琳, 彭云, 等. 中锰汽车钢激光焊接焊缝组织与韧性[J]. 中国激光, 2022, 49(8): 0802021. https://www.cnki.com.cn/Article/CJFDTOTAL-JJZZ202208021.htm

    WANG Y J, ZHAO L, PENG Y, et al. Microstructure and toughness of laser welded seam of medium manganese automotive steel[J]. Ch-inese Journal of Lasers, 2022, 49(8): 0802021(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JJZZ202208021.htm

    [8] 黄本生, 黄龙鹏, 李慧. 异种金属焊接研究现状及发展趋势[J]. 材料导报, 2011, 25(23): 118-121. https://www.cnki.com.cn/Article/CJFDTOTAL-CLDB201123027.htm

    HUANG B Sh, HUANG L P, LI H. Research status and development trend of dissimilar metal welding[J]. Materials Reports, 2011, 25(23): 118-121(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CLDB201123027.htm

    [9] 马晓峰. 不锈钢-碳钢电弧螺柱焊工艺研究及应用[J]. 工程建设与设计, 2022(15): 131-133. https://www.cnki.com.cn/Article/CJFDTOTAL-GCJS202215039.htm

    MA X F. Research and application of arc stud welding process for stainless steel-carbon steel[J]. Construction & Design for Engineering, 2022(15): 131-133(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-GCJS202215039.htm

    [10] 沈根平. EH36高强钢与316L不锈钢的焊接工艺[J]. 焊接技术, 2022, 51(6): 59-62. https://www.cnki.com.cn/Article/CJFDTOTAL-HSJJ202206014.htm

    SHEN G P. Welding process of EH36 high-strength steel and 316L stainless steel[J]. Welding Technology, 2022, 51(6): 59-62(in Ch-inese). https://www.cnki.com.cn/Article/CJFDTOTAL-HSJJ202206014.htm

    [11] 王斌. 异种钢焊接工艺探讨[J]. 内蒙古煤炭经济, 2021(11): 176-177(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-LMMT202111086.htm

    WANG B. Discussion on welding process of dissimilar steel[J]. Inner Mongolia Coal Economy, 2021(11): 176-177. https://www.cnki.com.cn/Article/CJFDTOTAL-LMMT202111086.htm

    [12] 刘江龙, 杨尚磊, 吴晗, 等. DP590高强钢激光焊接接头组织与显微硬度分析[J]. 热加工工艺, 2017, 46(1): 223-225. https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY201701065.htm

    LIU J L, YANG Sh L, WU H, et al. Microstructure and microhardness of laser welded joints of DP590 high strength steel[J]. Hot Working Technology, 2017, 46(1): 223-225(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY201701065.htm

    [13] 刘立波, 华治华, 赵立富, 等. 激光焊接技术在汽车工业领域的运用及问题探讨[J]. 汽车实用技术, 2023, 48(4): 121-124. https://www.cnki.com.cn/Article/CJFDTOTAL-SXQC202304024.htm

    LIU L B, HUA Zh H, ZHAO L F, et al. Application and problems of laser welding technology in automobile industry[J]. Automobile Applied Technology, 2023, 48(4): 121-124(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-SXQC202304024.htm

    [14] 唐丽, 靳书港, 陈彬彬. 异种不锈钢激光焊凝固裂纹原因分析及改进措施[J]. 焊接技术, 2022, 51(12): 90-94. https://www.cnki.com.cn/Article/CJFDTOTAL-HSJJ202212022.htm

    TANG L, JIN Sh G, CHEN B B. Analysis and improvement measures for solidification cracks in laser welding of dissimilar stainless steel[J]. Welding Technology, 2022, 51(12): 90-94(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-HSJJ202212022.htm

    [15] 张慧斌, 林超. 中磷镀镍中碳钢与不锈钢薄板激光焊接裂纹消除[J]. 焊接, 2013(5): 51-53. https://www.cnki.com.cn/Article/CJFDTOTAL-HAJA201305021.htm

    ZHANG H B, LIN Ch. Research status and prospect of additive ma-nufacturing diamond tools[J]. Welding & Joining, 2013(5): 51-53(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-HAJA201305021.htm

    [16] 彭磊. 异种钢激光焊接头组织性能及焊接温度场研究[D]. 镇江: 江苏科技大学, 2019: 21-35.

    PENG L. Study of dissimilar steel on microstructure properties and welding temperature field of laser welded joints[D]. Zhenjiang: Jiangsu University of Science and Technology, 2019: 21-35(in Chin-ese).

    [17] 徐育烺, 李敬勇, 石铭霄, 等. Q235/304异种钢激光焊接接头组织及力学性能研究[J]. 应用激光, 2022, 42(4): 21-28. https://www.cnki.com.cn/Article/CJFDTOTAL-YYJG202204004.htm

    XU Y L, LI J Y, SHI M X, et al. Study on the microstructure and mechanical properties of Q235/304 dissimilar steel laser welded joints[J]. Applied Laser, 2022, 42(4): 21-28(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-YYJG202204004.htm

    [18] 叶潘, 吴焰, 扶正义. 白车身双激光热源填丝钎焊工艺的应用[J]. 焊接技术, 2021, 50(9): 101-105. https://www.cnki.com.cn/Article/CJFDTOTAL-HSJJ202109029.htm

    YE P, WU Y, FU Zh Y. Application of double laser heat source wire filling brazing technology for white body[J]. Welding Technology, 2021, 50(9): 101-105(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-HSJJ202109029.htm

    [19] 方正帅, 刘佳明, 黄根哲, 等. 不等厚铝/钢激光焊接接头组织与性能研究[J]. 激光技术, 2023, 47(2): 147-153. DOI: 10.7510/jgjs.issn.1001-3806.2023.02.001

    FANG Zh Sh, LIU J M, HUANG G Zh, et al. Study on microstructure and properties of laser welded joints of aluminum/steel with different thickness[J]. Laser Technology, 2023, 47(2): 147-153(in Chin-ese). DOI: 10.7510/jgjs.issn.1001-3806.2023.02.001

    [20] 程智伟, 祁百鑫, 张桐, 等. 3D-GH3536/R-GH3128异种高温合金光纤激光对接焊接工艺研究[J]. 中国激光, 2022, 49(22): 2202013. https://www.cnki.com.cn/Article/CJFDTOTAL-JJZZ202222016.htm

    CHENG Zh W, QI B X, ZHANG T, et al. Research on fiber laser butt welding process of 3D-GH3536/R-GH3128 dissimilar superalloy[J]. Chinese Journal of Lasers, 2022, 49(22): 2202013(in Chin-ese). https://www.cnki.com.cn/Article/CJFDTOTAL-JJZZ202222016.htm

  • 期刊类型引用(1)

    1. 曾睿,李智,国桂环. 基于激光点云的雕塑三维可视化应用研究. 电脑编程技巧与维护. 2025(01): 3-7 . 百度学术

    其他类型引用(3)

图(9)  /  表(5)
计量
  • 文章访问数:  17
  • HTML全文浏览量:  3
  • PDF下载量:  7
  • 被引次数: 4
出版历程
  • 收稿日期:  2023-07-27
  • 修回日期:  2023-08-16
  • 发布日期:  2024-03-24

目录

/

返回文章
返回