機電論文參考探討當下電焊技術(shù)的創(chuàng)新發(fā)展　　

　　論文摘要：人工神經(jīng)網(wǎng)絡是用物理模型模擬生物神經(jīng)網(wǎng)絡的基本功能和結(jié)構(gòu)，可以在未知被控對象和業(yè)務模型情況下達到學習的目的。建立神經(jīng)網(wǎng)絡是利用神經(jīng)網(wǎng)絡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學習能力，同時為消除復雜系統(tǒng)的制約因素提供了手段。

　　關(guān)鍵詞：電阻點焊,神經(jīng)網(wǎng)絡,消音鋸片

　　引言

　　本文提出了一種利用神經(jīng)網(wǎng)絡優(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)絡建立焊接工藝參數(shù)與焊接質(zhì)量的之間的復雜模型，利用神經(jīng)網(wǎng)絡對工藝參數(shù)進行優(yōu)化。充分發(fā)揮神經(jīng)網(wǎng)絡的非線性映射能力。仿真顯示了該方法的優(yōu)越性和有效性。

　　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雜過程。這種復雜性使得傳統(tǒng)方法確定最佳工藝參數(shù)存在操作復雜、精度低等缺陷。

　　本文通過深入研究提出了一種神經(jīng)網(wǎng)絡優(yōu)化消音鋸片電阻點焊工藝參數(shù)方法。以試驗數(shù)據(jù)為樣本，通過神經(jīng)網(wǎng)絡，建立焊接工藝參數(shù)與焊接性能之間的復雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡的非線性映射能力。為準確預測點焊質(zhì)量提高依據(jù)。在運用試驗手段、神經(jīng)網(wǎng)絡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)絡的訓練、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)絡是用物理模型模擬生物神經(jīng)網(wǎng)絡的基本功能和結(jié)構(gòu)，可以在未知被控對象和業(yè)務模型情況下達到學習的目的。建立神經(jīng)網(wǎng)絡是利用神經(jīng)網(wǎng)絡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學習能力，同時為消除復雜系統(tǒng)的制約因素提供了手段。人工神經(jīng)網(wǎng)絡在足夠多的樣本數(shù)據(jù)的基礎上，可以很好地比較任意復雜的非線性函數(shù)。另外，神經(jīng)網(wǎng)絡的并行結(jié)構(gòu)可用硬件實現(xiàn)的方法進行開發(fā)。目前應用最成熟最廣泛的一種神經(jīng)網(wǎng)絡是前饋多層神經(jīng)網(wǎng)絡(BP)，通常稱為BP神經(jīng)網(wǎng)絡。

　　神經(jīng)網(wǎng)絡方法的基本思想是：神經(jīng)網(wǎng)絡模型的網(wǎng)絡輸入與神經(jīng)網(wǎng)絡輸出的數(shù)學關(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)之間的復雜的物理關(guān)系，即訓練。我們發(fā)現(xiàn)利用經(jīng)過訓練的模型進行權(quán)值和閾值的再修改和優(yōu)化(稱之為學習)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，每個連接通路對應一個連接權(quán)系數(shù)。根據(jù)功能可以把神經(jīng)網(wǎng)絡分為輸入層，隱含層(一或多層)，輸出層三個部分。設每層輸入為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)絡具有較好的泛化的能力。

　　我們主要是利用神經(jīng)網(wǎng)絡的非線性自適應能力，將它用于消音鋸片的電阻點焊過程。訓練過程是：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)絡進行訓練，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)絡的記憶功能形成一個函數(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)絡就可以很好的反應輸入輸出參數(shù)的非線性關(guān)系。輸入神經(jīng)元為3，分別對應3個電阻點焊工藝參數(shù)。輸出神經(jīng)元為1，對應焊接質(zhì)量指標參數(shù)。設第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，Φ600m的消音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。對應于本例，有3個輸入量，每個變量有5個水平數(shù)，這樣訓練樣本的數(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2~8s，電極力范圍為500~3000N，點焊電流范圍為5~20kA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)絡建模的關(guān)鍵是訓練，而訓練時隨著輸入?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)絡建模帶來了很大的工作量，甚至于無法達到訓練目的。

　　3神經(jīng)網(wǎng)絡

　　我們用200組訓練樣本對進行神經(jīng)網(wǎng)絡訓練，以err_goal=0.01為目標。調(diào)用Matlab神經(jīng)網(wǎng)絡工具箱中的函數(shù)編程計算，實現(xiàn)對網(wǎng)絡的訓練，訓練完成后便得到一個網(wǎng)絡模型。

　　程序如下：

　　x1=[2.1 2.5 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net.trainParam.goal = 0.01;%設定目標值

　　net=train(net,[x1;x2;x3],y);%訓練網(wǎng)絡

　　figure; %畫出圖像

　　選取不同的s1,s2，經(jīng)過不斷的神經(jīng)網(wǎng)絡訓練，發(fā)現(xiàn)當s1=8,s2=6時，神經(jīng)網(wǎng)絡可以達到要求。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)絡的輸入，輸出以及訓練的過程。

　　神經(jīng)網(wǎng)絡的訓練結(jié)果，如圖2所示:

　　圖2神經(jīng)網(wǎng)絡的學習過程

　　圖中可以看出雙層網(wǎng)絡訓練的sse在訓練100次時，已經(jīng)接近0.0001，效果較理想。

　　為了驗證經(jīng)過訓練的網(wǎng)絡模型的泛化能力，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)訓練好的網(wǎng)絡中找出最大值：

　　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，為訓練結(jié)果的最大值。將點焊時間為3.4s，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)絡訓練樣本的方法。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)絡模型的網(wǎng)絡輸入與網(wǎng)絡輸出的數(shù)學關(guān)系，因此，在神經(jīng)網(wǎng)絡模型上進行結(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)絡的方法優(yōu)化復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，提高了點焊質(zhì)量。

　　參考文獻：

　　[1] 方平,熊麗云.點焊電流有效值神經(jīng)網(wǎng)絡實時計算方法研究.[J].機械工程學報,2004(11).148-152.

　　[2] 徐明.用8089單片機測量非正弦點焊焊接電流有效值.[J].焊接技術(shù),1995(3):12-14.

　　[3] 胡德安,陳鵬展,陳益平,李唐柏.基于神經(jīng)網(wǎng)絡的點焊質(zhì)量評估專家系統(tǒng)研究[J].新技術(shù)新工藝,2001(10):9-10.