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

1、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(jìn)展優(yōu)化。充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射才能。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(jī)不確定因素的復(fù)雜過程。這種復(fù)雜性使得傳統(tǒng)方法確定最正確工藝參數(shù)存在操作復(fù)雜、精度低等缺陷。本文通過深化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

2、之間的復(fù)雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射才能。為準(zhǔn)確預(yù)測點(diǎn)焊質(zhì)量進(jìn)步根據(jù)。在運(yùn)用試驗手段、神經(jīng)網(wǎng)絡(luò)高度非線性擬合才能結(jié)合的方式，能在很大程度上克制傳統(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(diǎn)焊過程的決策和控制提供可靠根據(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)的根本功能和構(gòu)造，可以在未知被控對象和業(yè)務(wù)模型情況下到達(dá)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才能，較強(qiáng)的非線性映射才能及自適應(yīng)學(xué)習(xí)才能，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)的根底上，可以很好地比擬任意復(fù)雜的非線性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行構(gòu)造可用硬件實現(xiàn)的方法進(jìn)

3、展開發(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)方法的根本思想是：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)的構(gòu)造參數(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(jìn)展權(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)模并行處理信息才能和極強(qiáng)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

4、個局部。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，dpp=200。6該網(wǎng)絡(luò)本質(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，因此bp網(wǎng)絡(luò)具有較好的泛化的才能。我們主要是利用神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)才能，將它用于消音鋸片的電阻點(diǎn)焊過程。訓(xùn)練過程是：通過點(diǎn)焊實驗獲得目的函數(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(dá)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(jìn)展訓(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)的記憶功能形成一個函數(shù)。不斷地迭代可以到達(dá)sse誤差平方和最校我們這次做的消音金剛石鋸片電焊機(jī)，通過實驗

5、發(fā)現(xiàn)可以通過采用雙隱層bp神經(jīng)網(wǎng)絡(luò)就可以很好的反響輸入輸出參數(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(diǎn)焊工藝參數(shù)。輸出神經(jīng)元為1，對應(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lg-sigid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)焊時的控制參數(shù)，即點(diǎn)焊時間，電竭力和焊接電流，在固定式點(diǎn)焊機(jī)上進(jìn)展實驗。選用鋼種為50n2v，600的消音型薄型圓鋸片基體為進(jìn)展實驗。對需要優(yōu)化的參數(shù)為點(diǎn)焊時間，電竭力和焊接電流3個參數(shù)進(jìn)展的訓(xùn)練。最后的結(jié)果為焊接質(zhì)量，通常

6、以鋸片的抗拉剪載荷為指標(biāo)。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(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，假如有個輸入量，每個輸入量均勻取n個值即每個輸入量有個程度數(shù),那么根據(jù)排列組合有n個樣本。對應(yīng)于本例，有3個輸入量，每個變量有5個程度數(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)歷為參考根據(jù)，發(fā)現(xiàn)點(diǎn)焊時間范圍為28s，電竭力范圍為5003000n，點(diǎn)焊電流范圍為520ka時，焊接質(zhì)量比擬好。我們先取點(diǎn)焊電流，電竭力為定量，在合理的范圍內(nèi)不斷改變點(diǎn)焊時間，得到抗拉剪載荷。如此，可以得到不同

7、點(diǎn)焊電流和電竭力的抗拉剪載荷。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)。局部測試數(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，甚至于無法到達(dá)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(jìn)展神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以err_gal=0.01為目的。調(diào)用atlab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=2.12.533.54；%點(diǎn)焊時間輸入，取200組x2=1.31.51.92.12.3；%電竭力輸入，取200組x3=910111213;%點(diǎn)焊電流輸入，取20

8、0組y=27563167389532642877；%輸出量，取200組net=neff(110;0.53;520,10101,tansigtansigpurelin);%初始化網(wǎng)絡(luò)net.trainpara.gal=0.01;%設(shè)定目的值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)可以到達(dá)要求。工具箱示意圖如下列圖1。圖1工具箱示意圖工具箱示意圖非常明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

9、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)模型的泛化才能，在輸入變量所允許的區(qū)域內(nèi)又另選多個樣本進(jìn)展了計算。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：fri=2:10%點(diǎn)焊時間選擇frj=0.5:0.1:3%電竭力選擇frk=5:0.1:20%點(diǎn)焊電流選擇a=si(net,i,j,k)；%仿真ifan%比擬仿真結(jié)果與最大值，取最大值n=a；i(1)=i；%最大值的時間j(1)=j；%最大值的電竭力k(1)=k；%最大值的電流endendendend將i1,j1,k1以及n輸出，n為最大

10、值。得到點(diǎn)焊時間為3.4s，電竭力為12.7kn，點(diǎn)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(diǎn)焊時間為3.4s，電竭力為12.7kn，點(diǎn)焊電流為11.8ka在點(diǎn)焊機(jī)上進(jìn)展實驗，得到結(jié)果為4297n。并且通過與實際的結(jié)果相比擬，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)變化劇烈的地方多項選擇取了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(diǎn)焊模型的可行性。2基于此方法建立了三個點(diǎn)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，可以很好的描繪了這三個點(diǎn)焊參數(shù)與點(diǎn)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)構(gòu)造參數(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(jìn)展構(gòu)造修正與優(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(diǎn)焊工藝參數(shù)，為分析點(diǎn)焊質(zhì)量提供了很好的輔助手段。通過與以前工藝相比擬，進(jìn)步了