基于神经网络的动力电池组焊接参数优化研究.docVIP

基于神经网络的动力电池组焊接参数优化研究 　　摘 要 焊接工艺对焊接质量起着决定性的作用，焊接工艺参数的优化问题非常重要却又很复杂。通常焊接工作者为了获得合适的焊接工艺参数，必须在焊接作业前进行多次焊接试验，然后进行焊接工艺评定，最后才能获得合理的工艺参数。本文是利用人工神经网络结合正交试验以及简单数学计算对电阻焊焊接工艺参数进行优化。 　　关键词 神经网络 动力电池组 焊接 参数优化 　　0引言 　　传统焊接会消耗大量的人力、物力、财力。为适应生产实际对焊接工艺优化的需要，人们希望利用最少的试验次数和实验数据，建立焊接工艺参数与焊接结果之间的关系模型，用来指导焊接生产。传统的焊接工艺优化方法主要有：正交试验法、因子设计响应曲面法以及回归分析法等，但这些方法存在计算复杂、工作量大、知识获取困难和自学习能力差等问题。随着智能工程的发展，出现了基于遗传算法、模糊算法和神经网络等的工艺参数优化，很好地解决了这些问题。本文是利用人工神经网络结合正交试验以及简单数学计算对电阻焊焊接工艺参数进行优化。 　　1焊接工艺数据的选择以及正交试验表的建立 　　1.1激光焊接工艺参数的选择 　　选择不同电阻焊焊接参数范围以及对应的焊点抗拉强度值作为神经网络训练样本。 　　1.1.1焊接电流 　　焊接电流是微型电阻焊中最具影响力的参数，由焦耳热定律可知，焊接过程的总析热量与电流的平方成正比。一般而言，接头强度随着焊接电流的增加而增大，但过高的电流会软化热影响区，导致焊接飞溅、电极粘连甚至损毁。 　　1.1.2焊接时间 　　焊接时间与产热量成正比。由于焊件尺寸的差异，微型电阻焊应用的焊接时间通常短于常规电阻焊，典型值为几十毫秒，更短的甚至只有几毫秒（如电容储能式电源）。由于热量向外传递和辐射损失，为使得焊接成功必须规定最小的焊接电流和焊接时间。 　　1.1.3电极压力 　　电极压力主要通过对接触面积和接触电阻的影响来作用电阻焊过程。在其他焊接条件不变的情况下，加大电极压力会使得两焊件实际接触面积增加，使接触电阻和电流密度减小，从而使熔核尺寸变小。 　　本文选用电极压力（N）、焊接时间（S）、焊接电流（KA）作为控制焊缝强度的三个主要焊接工艺参数，焊缝抗拉强度试验指标（N）作为评价焊点性能的主要指标。电极压力（N）、焊接时间（S）、焊接电流（KA）作为正交试验的三个因素，根据实验需求选取L9（34）正交试验表。 　　2基于BP神经网络系统的建立以及训练结果 　　2.1神经网络的选择与建立 　　将实验数据用于训练神经网络的样本数据按公式进行归一化处理，= ，式中为单个样本值，max为样本最大值，xmin为样本最小值，为归一化后的数据。归一化处理能够使样本数据在区间范围内呈现出正态分布的趋势，使神经网络具有更强的泛化能力，有利于网络的训练并能够加快网络的收敛速度。 　　在多种神经网络模型中，误差反向传播的多层前馈式网络，BP网络是最具有代表性、使用最广泛的。BP网络由1个输入层、1个或多个隐含层、1个输出层组成，含有输入、输出接点以及1层或者多层隐接点。当有信息输入时，输入信息传递到输入接点，在隐接点层经功能函数处理后，传递到输出接点，将得到输出值与期望输出值进行比较，若有误差，则误差反向传播，逐层修改权值系数直到输出值满足要求为止。由于BP神经网络具有非线性逼近能力强、算法简单等特点，因此在工程实际问题中得到了广泛的应用。本文就是采用BP神经网络建立了焊接工艺参数和焊点抗拉强度之间的神经网络模型。 　　本文的神经网络结构中输入层有三个神经元（x1，x2，x3），分别为电极压力（N）、焊接时间（S）、焊接电流（KA），输出层为一个神经元（Y1），即焊点抗拉强度（G）。隐含层有m个神经元，个数可由经验公式确定，nhid=（nin+nout）1/2+a。 　　式中nhid为隐层接点数，nin为输入层节点数，nout为输出层节点数，a取1-10之间的数。本实验中，nhid=3，nout=|，所以nin的取值范围为3-12。本实验使用四层网络模型，隐层第一层节点数为5，隐层第二层节点数为10，设定训练次数为2000次，训练所要达到的误差精度为1e-5，网络学习速率0.01，网络训练函数为计算误差函数―最小均方误差法LMS，网络学习速率取0.01。 　　2.2神经网络训练结果 　　用matlab神经网络工具箱对正交试验所得的九组数据进行神经网络训练，经过训练后输出的抗拉强度分别随三个焊接工艺参数变化，经神经网络训练最后确定最佳焊接工艺参数为A1B2C3。按优化的设定的条件，取焊接电流3KA、焊接时间20S、焊接压力35N进行多次焊接，对焊接成品进行破坏性试验。经多次试验验证，采用微电阻焊后动力电池组的点焊接头的焊接质量得到很