基于神經(jīng)網(wǎng)絡(luò)的電阻點焊工藝參數(shù)優(yōu)化

1、基于神經(jīng)網(wǎng)絡(luò)的電阻點焊工藝參數(shù)優(yōu)化(1)    摘要：本文提出了一種利用神經(jīng)網(wǎng)絡(luò)優(yōu)化點焊機的參數(shù)方法。以實驗數(shù)據(jù)為樣本，通過神經(jīng)網(wǎng)絡(luò)建立焊接工藝參數(shù)與焊接質(zhì)量的之間的復(fù)雜模型，利用神經(jīng)網(wǎng)絡(luò)對工藝參數(shù)進行優(yōu)化。充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力。仿真顯示了該方法的優(yōu)越性和有效性。 關(guān)鍵詞：電阻點焊；神經(jīng)網(wǎng)絡(luò)；消音鋸片 0序言 電阻點焊過程是一個高度非線性，既有多變量靜態(tài)疊加又有動態(tài)耦合，同時又具有大量隨機不確定因素的復(fù)雜過程。這種復(fù)雜性使得傳統(tǒng)方法確定最佳工藝參數(shù)存在操作復(fù)雜、精度低等缺陷。 本文通過深入研究提出了一種神經(jīng)網(wǎng)絡(luò)優(yōu)化消音鋸片電阻點焊工藝參數(shù)方法

2、。以試驗數(shù)據(jù)為樣本，通過神經(jīng)網(wǎng)絡(luò)，建立焊接工藝參數(shù)與焊接性能之間的復(fù)雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力。為準確預(yù)測點焊質(zhì)量提高依據(jù)。在運用試驗手段、神經(jīng)網(wǎng)絡(luò)高度非線性擬合能力結(jié)合的方式，能在很大程度上克服傳統(tǒng)方法的缺陷，完成網(wǎng)絡(luò)的訓(xùn)練、檢驗和最優(yōu)評價，為電阻點焊過程的決策和控制提供可靠依據(jù)。 1原理 人工神經(jīng)網(wǎng)絡(luò)是用物理模型模擬生物神經(jīng)網(wǎng)絡(luò)的基本功能和結(jié)構(gòu)，可以在未知被控對象和業(yè)務(wù)模型情況下達到學(xué)習(xí)的目的。建立神經(jīng)網(wǎng)絡(luò)是利用神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力，較強的非線性映射能力及自適應(yīng)學(xué)習(xí)能力，同時為消除復(fù)雜系統(tǒng)的制約因素提供了手段。人工神經(jīng)網(wǎng)絡(luò)在足夠多的樣本數(shù)據(jù)的基礎(chǔ)上，可以很好地比較任

3、意復(fù)雜的非線性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)可用硬件實現(xiàn)的方法進行開發(fā)。目前應(yīng)用最成熟最廣泛的一種神經(jīng)網(wǎng)絡(luò)是前饋多層神經(jīng)網(wǎng)絡(luò)（BP），通常稱為BP神經(jīng)網(wǎng)絡(luò)。 神經(jīng)網(wǎng)絡(luò)方法的基本思想是：神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與神經(jīng)網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系用以表示系統(tǒng)的結(jié)構(gòu)參數(shù)與系統(tǒng)動態(tài)參數(shù)之間的復(fù)雜的物理關(guān)系，即訓(xùn)練。我們發(fā)現(xiàn)利用經(jīng)過訓(xùn)練的模型進行權(quán)值和閾值的再修改和優(yōu)化（稱之為學(xué)習(xí)）時，其計算速度要大大快于基于其他優(yōu)化計算的速度。 BP神經(jīng)網(wǎng)絡(luò)一般由大量的非線性處理單元神經(jīng)元連接組成的。具有大規(guī)模并行處理信息能力和極強的的容錯性。每個神經(jīng)元有一個單一的輸出，但可以把這個輸出量與下一層的多個神經(jīng)元相連，每個連接通路對

4、應(yīng)一個連接權(quán)系數(shù)。根據(jù)功能可以把神經(jīng)網(wǎng)絡(luò)分為輸入層，隱含層（一或多層），輸出層三個部分。設(shè)每層輸入為ui(q)輸出為vi(q)。同時，給定了P組輸入和輸出樣本 ，dp（p=200）。 （6） 該網(wǎng)絡(luò)實質(zhì)上是對任意非線性映射關(guān)系的一種逼近，由于采用的是全局逼近的方法，因而BP網(wǎng)絡(luò)具有較好的泛化的能力。 我們主要是利用神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)能力，將它用于消音鋸片的電阻點焊過程。訓(xùn)練過程是：通過點焊實驗獲得目標函數(shù)與各影響因素間的離散關(guān)系，用神經(jīng)網(wǎng)絡(luò)的隱式來表達輸入輸出的函數(shù)關(guān)系，即將實驗數(shù)據(jù)作為樣本輸入網(wǎng)絡(luò)進行訓(xùn)練，建立輸入輸出之間的非線性映射關(guān)系，并將知識信息儲存在連接權(quán)上，從而利用網(wǎng)絡(luò)的記憶功

5、能形成一個函數(shù)。不斷地迭代可以達到sse（誤差平方和）最小。 我們這次做的消音金剛石鋸片電焊機，通過實驗發(fā)現(xiàn)可以通過采用雙隱層BP神經(jīng)網(wǎng)絡(luò)就可以很好的反應(yīng)輸入輸出參數(shù)的非線性關(guān)系。輸入神經(jīng)元為3，分別對應(yīng)3個電阻點焊工藝參數(shù)。輸出神經(jīng)元為1，對應(yīng)焊接質(zhì)量指標參數(shù)。設(shè)第1隱含層神經(jīng)元取為s1，第2隱含層神經(jīng)元取為s2。輸入層和隱含層以及隱層之間的激活函數(shù)都選取Log-Sigmoid型函數(shù)，輸出層的激活函數(shù)選取Pureline型函數(shù)。 2點焊樣本的選取 影響點焊質(zhì)量的參數(shù)有很多，我們選取點焊時的控制參數(shù)，即點焊時間，電極力和焊接電流，在固定式點焊機上進行實驗。選用鋼種為50Mn2V，600m的消音

6、型薄型圓鋸片基體為進行實驗。對需要優(yōu)化的參數(shù)為點焊時間，電極力和焊接電流3個參數(shù)進行的訓(xùn)練。最后的結(jié)果為焊接質(zhì)量，通常以鋸片的抗拉剪載荷為指標。 建立BP神經(jīng)網(wǎng)絡(luò)時，選擇樣本非常重要。樣本的選取關(guān)系到所建立的網(wǎng)絡(luò)模型能否正確反映所選點焊參數(shù)和輸出之間的關(guān)系。利用插值法，將輸入變量在較理想的區(qū)間均勻分布取值，如果有m個輸入量，每個輸入量均勻取n個值（即每個輸入量有m個水平數(shù)）, 則根據(jù)排列組合有nm個樣本。對應(yīng)于本例，有3個輸入量，每個變量有5個水平數(shù)，這樣訓(xùn)練樣本的數(shù)目就為53=125個。 我們的實驗，是以工人的經(jīng)驗為參考依據(jù)，發(fā)現(xiàn)點焊時間范圍為28s，電極力范圍為5003000N，點焊電流范

7、圍為520kA時，焊接質(zhì)量比較好。我們先取點焊電流，電極力為定量，在合理的范圍內(nèi)不斷改變點焊時間，得到抗拉剪載荷。如此，可以得到不同點焊電流和電極力的抗拉剪載荷。根據(jù)點焊數(shù)據(jù)的發(fā)布情況，我們共選用200組數(shù)據(jù)。部分測試數(shù)據(jù)如表1： 神經(jīng)網(wǎng)絡(luò)建模的關(guān)鍵是訓(xùn)練，而訓(xùn)練時隨著輸入?yún)?shù)個數(shù)的增加樣本的排列組合數(shù)也急劇增加，這就給神經(jīng)網(wǎng)絡(luò)建模帶來了很大的工作量，甚至于無法達到訓(xùn)練目的。 3神經(jīng)網(wǎng)絡(luò) 我們用200組訓(xùn)練樣本對進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以err_goal=0.01為目標。調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程計算，實現(xiàn)對網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練完成后便得到一個網(wǎng)絡(luò)模型。 程序如下： x1=2.1 2.5

8、 3 3.5 4； %點焊時間輸入，取200組 x2=1.3 1.5 1.9 2.1 2.3；%電極力輸入，取200組 x3=9 10 11 12 13;%點焊電流輸入，取200組 y=2756 3167 3895 3264 2877； %輸出量，取200組 net=newff(1 10;0.5 3;5 20,10 10 1,'tansig''tansig''purelin'); %初始化網(wǎng)絡(luò)本篇論文由網(wǎng)友投稿，讀書人只給大家提供一個交流平臺，請大家參考，如有版權(quán)問題請聯(lián)系我們盡快處理。net.trainParam.goal = 0.01;%設(shè)定

9、目標值 net=train(net,x1;x2;x3,y);%訓(xùn)練網(wǎng)絡(luò) figure； %畫出圖像 選取不同的s1,s2，經(jīng)過不斷的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，發(fā)現(xiàn)當(dāng)s1=8,s2=6時，神經(jīng)網(wǎng)絡(luò)可以達到要求。工具箱示意圖如下圖1。 圖 1工具箱示意圖 工具箱示意圖非常清晰地表示了本實驗的神經(jīng)網(wǎng)絡(luò)的輸入，輸出以及訓(xùn)練的過程。 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，如圖2所示: 圖2神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程 圖中可以看出雙層網(wǎng)絡(luò)訓(xùn)練的sse在訓(xùn)練100次時，已經(jīng)接近0.0001，效果較理想。 為了驗證經(jīng)過訓(xùn)練的網(wǎng)絡(luò)模型的泛化能力，在輸入變量所允許的區(qū)域內(nèi)又另選多個樣本進行了計算。發(fā)現(xiàn)：利用BP神經(jīng)網(wǎng)絡(luò)模型計算的測試輸出與期望輸出值相

10、符，誤差小于2。 在已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中找出最大值： for i=2:10 %點焊時間選擇 for j=0.5:0.1:3%電極力選擇 fork=5:0.1:20%點焊電流選擇 a=sim(net,i,j,k)；%仿真 ifa>n %比較仿真結(jié)果與最大值，取最大值n=a； i(1)=i；%最大值的時間 j(1)=j；%最大值的電極力 k(1)=k； %最大值的電流 end end end end 將i（1）,j（1）,k（1）以及n輸出，n為最大值。得到點焊時間為3.4s，電極力為12.7kN，點焊電流為11.8kA，此時的抗剪拉剪載荷為4381N，為訓(xùn)練結(jié)果的最大值。將點焊時間為3.4s

11、，電極力為12.7kN，點焊電流為11.8kA在點焊機上進行實驗，得到結(jié)果為4297N。并且通過與實際的結(jié)果相比較，發(fā)現(xiàn)誤差也在2%以內(nèi)。 4結(jié)論 1）本文采用了插值法作為選取BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的方法。并且在數(shù)據(jù)變化劇烈的地方多選取了75組數(shù)據(jù)，這樣可以得到較高精度的網(wǎng)絡(luò)模型，使點焊模型的可行性。 2）基于此方法建立了三個點焊參數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，而且所建的BP模型具有較高的精度，可以很好的描述了這三個點焊參數(shù)與點焊質(zhì)量的映射關(guān)系。 3）由于神經(jīng)網(wǎng)絡(luò)模型將系統(tǒng)結(jié)構(gòu)參數(shù)與傳統(tǒng)動態(tài)特性參數(shù)之間的物理關(guān)系，反映為神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系，因此，在神經(jīng)網(wǎng)絡(luò)模型上進行結(jié)構(gòu)修正與優(yōu)化比在其他模型上更直接，簡單與高效。 本文采用神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化復(fù)合消音鋸片的點焊工藝參數(shù)，為分析點焊質(zhì)量提供了很好的輔助手段。通過與以前工藝相比較，提高了點焊