基于神经网络的电阻点焊工艺参数优化.docVIP

基于神经网络的电阻点焊工艺参数优化 摘要：本文提出了一种利用神经网络优化点焊机的参 数方法。以实验数据为样本，通过神经网络建立焊接工艺 参数与焊接质量的之间的复杂模型，利用神经网络对工艺 参数进行优化。充分发挥神经网络的非线性映射能力。仿 真显示了该方法的优越性和有效性。 关键词：电阻点焊；神经网络；消音锯片 0序言 电阻点焊过程是一个高度非线性，既有多变量静态叠 加又有动态耦合，同时又具有大量随机不确定因素的复杂 过程。这种复杂性使得传统方法确定最佳工艺参数存在操 作复杂、精度低等缺陷。 本文通过深入研究提出了一种神经网络优化消音锯片 电阻点焊工艺参数方法。以试验数据为样本，通过神经网 络，建立焊接工艺参数与焊接性能之间的复杂模型，充分 发挥神经网络的非线性映射能力。为准确预测点焊质量提 高依据。在运用试验手段、神经网络高度非线性拟合能力 结合的方式，能在很大程度上克服传统方法的缺陷，完成 网络的训练、检验和最优评价，为电阻点焊过程的决策和 控制提供可靠依据。 1原理 人工神经网络是用物理模型模拟生物神经网络的基本 功能和结构，可以在未知被控对象和业务模型情况下达到 学习的目的。建立神经网络是利用神经网络高度并行的信 息处理能力，较强的非线性映射能力及自适应学习能力， 同时为消除复杂系统的制约因素提供了手段。人工神经网 络在足够多的样本数据的基础上，可以很好地比较任意复 杂的非线性函数。另外，神经网络的并行结构可用硬件实 现的方法进行开发。目前应用最成熟最广泛的一种神经网 络是前馈多层神经网络（BP），通常称为BP神经网络。 神经网络方法的基本思想是：神经网络模型的网络输 入与神经网络输出的数学关系用以表示系统的结构参数与 系统动态参数之间的复杂的物理关系，即训练。我们发现 利用经过训练的模型进行权值和阈值的再修改和优化（称 之为学习）时，其计算速度要大大快于基于其他优化计算 的速度。 B P神经网络一般由大量的非线性处理单元__神经元 连接组成的。具有大规模并行处理信息能力和极强的的容 错性。每个神经元有一个单一的输出，但可以把这个输出 量与下一层的多个神经元相连，每个连接通路对应一个连 接权系数。根据功能可以把神经网络分为输入层，隐含层 （一或多层），输出层三个部分。设每层输入为ui（q）输出 为vi (q) o同时，给定了 P组输入和输出样本，dp (p=2 00)o (6) 该网络实质上是对任意非线性映射关系的一种逼近， 由于采用的是全局逼近的方法，因而BP网络具有较好的泛 化的能力。 我们主要是利用神经网络的非线性自适应能力，将它 用于消音锯片的电阻点焊过程。训练过程是：通过点焊实 验获得目标函数与各影响因素间的离散关系，用神经网络 的隐式来表达输入输出的函数关系，即将实验数据作为样 本输入网络进行训练，建立输入输出之间的非线性映射关 系，并将知识信息储存在连接权上，从而利用网络的记忆 功能形成一个函数。不断地迭代可以达到sse (误差平方和) 最小。 我们这次做的消音金刚石锯片电焊机，通过实验发现 可以通过采用双隐层BP神经网络就可以很好的反应输入输 出参数的非线性关系。输入神经元为3,分别对应3个电阻 点焊工艺参数。输出神经元为1，对应焊接质量指标参数。 设第1隐含层神经元取为si ,第2隐含层神经元取为s2。 输入层和隐含层以及隐层之间的激活函数都选取Log-S igmoid型函数，输出层的激活函数选取Pureline型函数。 2点焊样本的选取 影响点焊质量的参数有很多，我们选取点焊时的控制 参数，即点焊时间，电极力和焊接电流，在固定式点焊机 上进行实验。选用钢种为50Mn2V，06 00m的消音型薄型圆 锯片基体为进行实验。对需要优化的参数为点焊时间，电 极力和焊接电流3个参数进行的训练。最后的结果为焊接 质量，通常以锯片的抗拉剪载荷为指标。 建立BP神经网络时，选择样本非常重要。样本的选取 关系到所建立的网络模型能否正确反映所选点焊参数和输 出之间的关系。利用插值法，将输入变量在较理想的区间 均匀分布取值，如果有m个输入量，每个输入量均匀取n 个值（即每个输入量有m个水平数），则根据排列组合有nm 个样本。对应于本例，有3个输入量，每个变量有5个水 平数，这样训练样本的数目就为53=12 5个。 我们的实验，是以工人的经验为参考依据，发现点焊 时间范围为2~8s，电极力范围为500~30 00N，点焊电流范 为5~20kA时，焊接质量比较好。我们先取点焊电流，电 极力为定量，在合理的范围内不断改变点焊时间，得到抗 拉剪载荷。如此，可以得到不同点焊电流和电极力的抗拉 剪载荷。根据点焊数据的发布情况，我们共选用20 0组数 据。部分测试数据如表1: 神经网络建模的关键是训练，而训练时随着输入参数 个数的增加