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

1、淺談基于神經(jīng)網(wǎng)絡(luò)的電阻點(diǎn)焊工藝參數(shù)優(yōu)化 摘要：本文提出了一種利用神經(jīng)網(wǎng)絡(luò)優(yōu)化點(diǎn)焊機(jī)的參數(shù)方法。以實(shí)驗(yàn)數(shù)據(jù)為樣本，通過(guò)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(duì)工藝參數(shù)進(jìn)行優(yōu)化。充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線(xiàn)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(diǎn)焊；神經(jīng)網(wǎng)絡(luò)；消音鋸片 0序言 電阻點(diǎn)焊過(guò)程是一個(gè)高度非線(xiàn)性，既有多變量靜態(tài)疊加又有動(dòng)態(tài)耦合，同時(shí)又具有大量隨機(jī)不確定因素的復(fù)雜過(guò)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(guò)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(diǎn)焊工藝參數(shù)方法。以試驗(yàn)數(shù)據(jù)為樣本，通過(guò)神經(jīng)網(wǎng)絡(luò)，建立焊接工藝參

2、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(xiàn)性映射能力。為準(zhǔn)確預(yù)測(cè)點(diǎn)焊質(zhì)量提高依據(jù)。在運(yùn)用試驗(yàn)手段、神經(jīng)網(wǎng)絡(luò)高度非線(xiàn)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(yàn)和最優(yōu)評(píng)價(jià)，為電阻點(diǎn)焊過(guò)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(duì)象和業(yè)務(wù)模型情況下達(dá)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(qiáng)的非線(xiàn)性映射能力及自適應(yīng)學(xué)習(xí)能力，同時(shí)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，可以很好地比較任意復(fù)雜的非線(xiàn)性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)可用

3、硬件實(shí)現(xiàn)的方法進(jìn)行開(kāi)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(chēng)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(dòng)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(guò)訓(xùn)練的模型進(jìn)行權(quán)值和閾值的再修改和優(yōu)化（稱(chēng)之為學(xué)習(xí)）時(shí)，其計(jì)算速度要大大快于基于其他優(yōu)化計(jì)算的速度。 BP神經(jīng)網(wǎng)絡(luò)一般由大量的非線(xiàn)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(qiáng)的的容錯(cuò)性。每個(gè)神經(jīng)元有一個(gè)單一的輸出，但可以把這個(gè)輸出量與下一層的多個(gè)神經(jīng)元相連，每個(gè)連接通路對(duì)應(yīng)一個(gè)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

4、層，隱含層（一或多層），輸出層三個(gè)部分。設(shè)每層輸入為ui(q)輸出為vi(q)。同時(shí)，給定了P組輸入和輸出樣本 ，dp（p=200）。 （6） 該網(wǎng)絡(luò)實(shí)質(zhì)上是對(duì)任意非線(xiàn)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B(niǎo)P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(xiàn)性自適應(yīng)能力，將它用于消音鋸片的電阻點(diǎn)焊過(guò)程。訓(xùn)練過(guò)程是：通過(guò)點(diǎn)焊實(shí)驗(yàn)獲得目標(biāo)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(lái)表達(dá)輸入輸出的函數(shù)關(guān)系，即將實(shí)驗(yàn)數(shù)據(jù)作為樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立輸入輸出之間的非線(xiàn)性映射關(guān)系，并將知識(shí)信息儲(chǔ)存在連接權(quán)上，從而利用網(wǎng)絡(luò)的記憶功能形成一個(gè)函數(shù)。不斷地迭代可以達(dá)到sse（誤差平

5、方和）最小。 我們這次做的消音金剛石鋸片電焊機(jī)，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)可以通過(guò)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(xiàn)性關(guān)系。輸入神經(jīng)元為3，分別對(duì)應(yīng)3個(gè)電阻點(diǎn)焊工藝參數(shù)。輸出神經(jīng)元為1，對(duì)應(yīng)焊接質(zhì)量指標(biāo)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(diǎn)焊樣本的選取 影響點(diǎn)焊質(zhì)量的參數(shù)有很多，我們選取點(diǎn)焊時(shí)的控制參數(shù)，即點(diǎn)焊時(shí)間，電極力和焊接電流，在固定式點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)。選用鋼種為50Mn2V，600m的消音型薄型圓鋸片基體為進(jìn)行實(shí)驗(yàn)。對(duì)需要優(yōu)化的參數(shù)為點(diǎn)

6、焊時(shí)間，電極力和焊接電流3個(gè)參數(shù)進(jìn)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(biāo)。 建立BP神經(jīng)網(wǎng)絡(luò)時(shí)，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(diǎn)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(gè)輸入量，每個(gè)輸入量均勻取n個(gè)值（即每個(gè)輸入量有m個(gè)水平數(shù)）, 則根據(jù)排列組合有nm個(gè)樣本。對(duì)應(yīng)于本例，有3個(gè)輸入量，每個(gè)變量有5個(gè)水平數(shù)，這樣訓(xùn)練樣本的數(shù)目就為53=125個(gè)。 我們的實(shí)驗(yàn)，是以工人的經(jīng)驗(yàn)為參考依據(jù)，發(fā)現(xiàn)點(diǎn)焊時(shí)間范圍為28s，電極力范圍為5003000N，點(diǎn)焊電流范圍為520kA時(shí)，焊接質(zhì)量比較好。我們先取點(diǎn)焊電

7、流，電極力為定量，在合理的范圍內(nèi)不斷改變點(diǎn)焊時(shí)間，得到抗拉剪載荷。如此，可以得到不同點(diǎn)焊電流和電極力的抗拉剪載荷。根據(jù)點(diǎn)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(cè)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(shí)隨著輸入?yún)?shù)個(gè)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(lái)了很大的工作量，甚至于無(wú)法達(dá)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(duì)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以err_goal=0.01為目標(biāo)。調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程計(jì)算，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練完成后便得到一個(gè)網(wǎng)絡(luò)模型。 程序 x1=2.1 2.5 3 3.5 4； %點(diǎn)焊時(shí)間輸入，取200組 x2=

8、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(diǎn)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,tansigtansigpurelin); %初始化網(wǎng)絡(luò)net.trainParam.goal = 0.01;%設(shè)定目標(biāo)值 net=train(net,x1;x2;x3,y);%訓(xùn)練網(wǎng)絡(luò) figure； %畫(huà)出圖像 選取不同的s1,s2，經(jīng)過(guò)不斷的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，發(fā)現(xiàn)當(dāng)s1=8,s2=6時(shí)，神經(jīng)網(wǎng)絡(luò)可以達(dá)到要求。工具箱示意圖如

9、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(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)的輸入，輸出以及訓(xùn)練的過(guò)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(guò)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(shí)，已經(jīng)接近0.0001，效果較理想。 為了驗(yàn)證經(jīng)過(guò)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(gè)樣本進(jìn)行了計(jì)算。發(fā)現(xiàn)：利用BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算的測(cè)試輸出與期望輸出值相符，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(diǎn)焊時(shí)間選擇 for j=0.5:0.1:3%電極力選擇 fork=5:0.1:20%點(diǎn)焊電流選擇 a=sim(net,i,j,k)；

10、%仿真 ifan %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(shí)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(diǎn)焊時(shí)間為3.4s，電極力為12.7kN，點(diǎn)焊電流為11.8kA，此時(shí)的抗剪拉剪載荷為4381N，為訓(xùn)練結(jié)果的最大值。將點(diǎn)焊時(shí)間為3.4s，電極力為12.7kN，點(diǎn)焊電流為11.8kA在點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)，得到結(jié)果為4297N。并且通過(guò)與實(shí)際的結(jié)果相比較，發(fā)現(xiàn)誤差也在2%以?xún)?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