基于神经网络的电阻点焊工艺参数优化论文

《基于神经网络的电阻点焊工艺参数优化论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于神经网络的电阻点焊工艺参数优化论文摘要：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

2、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.freeloid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，Φ600m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

3、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=125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500~3000N，点焊电流范围为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

4、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200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样本的排列组合数也急剧增加，这就给神经网络建模带来了很大的工作量，甚至于无法达到训练目的。3神经网络我们用200组训练样本对进行神经网络训练，以err_goal=0.01为目标。调用Matlab神经网络工具箱中的函数编程计算，实现对网络的训练，训练完成后便得到一个网络模型。程序如下：x1=2.12.533.54……；%点焊时间输入，取200组x2=1.31.51.92.

5、12.3……；%电极力输入，取200组x3=910111213……;%点焊电流输入，取200组y=27563167389532642877……；%输出量，取200组=ne.goal=0.01;%设定目标值=train(,x1;x2;x3,y);%训练网络figure；%画出图像选取不同的s1,s2，经过不断的神经网络训练，发现当s1=8,s2=6时，神经网络可以达到要求。工具箱示意图如下图1。图1工具箱示意图工具箱示意图非常清晰地表示了本实验的神经网络的输入，输出以及训练的过程。神经网络的训练结果，如图2所示:图2神经网络的学习过程图中可以看出双层网

6、络训练的sse在训练100次时，已经接近0.0001，效果较理想。为了验证经过训练的网络模型的泛化能力，在输入变量所允许的区域内又另选多个样本进行了计算。发现：利用BP神经网络模型计算的测试输出与期望输出值相符，误差小于2％。在已经训练好的网络中找出最大值：fori=2:10%点焊时间选择forj=0.5:0.1:3%电极力选择fork=5:0.1:20%点焊电流选择a=sim(,i,j,k)；%仿真ifan%比较仿真结果与最大值，取最大值n=a；i(1)=i；%最大值的时间j(1)=j；%最大值的电极力k(1)=k；%最大值的电流endendend

7、end将i（1）,j（1）,k（1）以及n输出，n为最大值。得到点焊时间为3.4s，电极力为12.7kN，点焊电流为11.8kA，此时的抗剪拉剪载荷为4381N，为训练结果的最大值。将点焊时间为3.4s，电极力为12.7kN，点焊电流为11.8kA在点焊机上进行实验，得到结果为4297N。并且通过与实际的结果相比较，发现误差也在2%以内。4结论1）本文采用了插值法作为选取BP神经网络训练样本的方法。并且在数据变化剧烈的地方多选取了75组数据，这样可以得到较高精度的网络模型，使点焊模型的可行性。2）基于此方法建立了三个点焊参数的BP神经网络模型，而且所

8、建的BP模型具有较高的精度，可以很好的描述了这三个点焊参数与点焊质量的映射关系。3）由于神经网络模型将系统结