基于人工智能的薄板电阻点焊数值分析及工艺参数优化.pdf

《基于人工智能的薄板电阻点焊数值分析及工艺参数优化.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第6期组合机床与自动化加工技术NO．62013年6月ModularMachineTool&AutomaticManufacturingTechniqueJun．2013文章编号：1001—2265(2013)06—0139—03基于人工智能的薄板电阻点焊数值分析及工艺参数优化龙振华，程蓉(深圳大学机电与控制工程学院，深圳518060)摘要：焊接参数的设置对电阻点焊质量有着至关重要的作用，将有限元数值模拟技术与BP神经网络及遗传算法相结合，对不锈钢薄板电阻点焊过程的工艺参数进行优化。对点焊过程进行有限元分析，将模拟结果作

2、为网络的数据样本，以焊接电流，电极压力，焊接时间这三个主要的焊接工艺参数作为优化参数，以焊接熔核尺寸作为优化目标，建立了优化参数与目标函数之间的BP神经网络模型。结合遗传算法的全局寻优能力，获得使熔核尺寸最大的三大主要工艺参数的最优搭配。为电阻点焊工艺参数的选取提供了一条合理途径，对提高点焊质量有一定的意义。关键词：电阻点焊；神经网络；遗传算法；数值模拟；参数优化中图分类号：TG44文献标识码：ANumericalSimulationandProcessO’ptimizationofThinSheetResistanc

3、eSpotWeldingBasedonArtificialIntelligenceLONGZhen—hua，CHENGRong(CollegeofMeehatronicsandControlEngineering，ShenzhenUniversity，Shenzhen518060，China)Abstract：Weldingparameterssettingisofgreatimportancetothequalityofresistancespotwelding(RSW)．Theweldingparameteropt

4、imizationofstainlesssteelsheetsisstudiedbyfiniteelementmethod(FEM)simulationtechnology，BPneuralnetworkandgeneticalgorithm(GA)．ThespotweldingprocessisanalyzedbyFEMandthesimulationresultsareusedasthenetworkdatasample．Inthees—tablishedBPneuralnetworkmodel，thethreem

5、ainweldingprocessparametersincludingweldingcur—rent，electrodepressureandweldingtimearedesignvariablesandweldnuggetsizeisconsideredastheobjective．WiththeglobaloptimizationabilityofGA，thebestparametercombinationisobtainedasthegoalofgettingthelargestnugget．Areasona

6、blemethodisofferedforparameterselectionofRSWprocess．Toimprovethequalityofweldingisalsoofcertainsignificance．Keywords：resistancespotwelding(RSW)；neuralnetwork；geneticalgorithm(GA)；numericalsim—ulation；parameteroptimization法的全局寻优能力获得焊接工艺参数的最优搭配，0引言以得到良好的焊接接头，保证焊接质

7、量。电阻点焊过程具有高度非线性、多变量耦合作1薄板的电阻点焊有限元数值模拟用以及熔核形成的不可见性等特点，是一种比较复杂的动态过程¨。这种复杂性使得传统方法确定最在有限元软件ANSYS中建立0．2ram+0．2ram佳工艺参数存在操作复杂、精度低等缺陷。不锈钢薄板点焊的轴对称模型¨，如图1a所示。因此本文通过研究提出了一种将有限元数值模该模型在电极、工件以及工件和工件之间分别加入1拟技术、BP神经网络、遗传算法结合起来的优化方个接触层。模型输入参数：焊接电流2．72kA，电极压法。利用有限元软件ANSYS对不锈钢薄板的

8、电阻力450N，焊接时间2周波(0．04s)。该模型的边界条点焊过程进行模拟分析，将获得的大量点焊规范参件设定为：空气温度20℃，与空气的对流换热系数为数与相应接头质量的试验数据提供给BP神经网络25W／(in·oC)，电极内壁的冷却水温度20℃，与冷学习，通过其非线性映射的泛化能力自动抽取所学却水的对流换热系数为3800W／(n