劉　偉，郭　猛

(1.東北石油大學(xué) 電氣信息工程學(xué)院，黑龍江 大慶　163318；2.北京工業(yè)大學(xué) 機(jī)械工程與應(yīng)用電子技術(shù)學(xué)院，北京　100022)

?

基于LPSO與BP神經(jīng)網(wǎng)絡(luò)電阻點(diǎn)焊工藝參數(shù)建模優(yōu)化*

劉偉1,2，郭猛1

(1.東北石油大學(xué) 電氣信息工程學(xué)院，黑龍江 大慶163318；2.北京工業(yè)大學(xué) 機(jī)械工程與應(yīng)用電子技術(shù)學(xué)院，北京100022)

摘要：電阻點(diǎn)焊工藝參數(shù)的設(shè)置對(duì)點(diǎn)焊焊接質(zhì)量有著非常重要的作用，難以建立精確的數(shù)學(xué)模型?；诖?，提出一種將Logistic映射微粒群優(yōu)化算法(LPSO)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對(duì)0.8mm厚08AL鋼板點(diǎn)焊工藝參數(shù)建模優(yōu)化。在詳細(xì)分析點(diǎn)焊工藝的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)建立點(diǎn)焊工藝參數(shù)與焊接質(zhì)量之間的模型，同時(shí)結(jié)合LPSO的全局尋優(yōu)能力，對(duì)點(diǎn)焊工藝參數(shù)進(jìn)行優(yōu)化，獲得三大主要工藝參數(shù)(點(diǎn)焊時(shí)間、點(diǎn)焊電流與電極壓力)的最優(yōu)匹配。以點(diǎn)焊時(shí)間9周波、點(diǎn)焊電流11.41kN、電極壓力1.7kN的最優(yōu)工藝參數(shù)組合進(jìn)行試驗(yàn)，結(jié)果表明，與BP+COA和正交實(shí)驗(yàn)法相比，該方法具有更高的可靠性。

關(guān)鍵詞：LPSO；BP神經(jīng)網(wǎng)絡(luò)；電阻點(diǎn)焊；工藝參數(shù)優(yōu)化

0引言

電阻點(diǎn)焊是一種比較復(fù)雜的動(dòng)態(tài)過(guò)程，具有時(shí)變、高度非線性和多參數(shù)耦合等特點(diǎn)，難以建立精確的數(shù)學(xué)模型[1]，不同的板厚以及不同的材料，需要不同的點(diǎn)焊工藝參數(shù)與之搭配[2]。

通過(guò)深入研究提出了一種將BP神經(jīng)網(wǎng)絡(luò)與LPSO相結(jié)合的方法，對(duì)電阻點(diǎn)焊工藝參數(shù)建模優(yōu)化。利用BP神經(jīng)網(wǎng)絡(luò)建立點(diǎn)焊工藝參數(shù)與焊接質(zhì)量之間的復(fù)雜模型，充分發(fā)揮BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力[3]，同時(shí)結(jié)合LPSO的全局尋優(yōu)能力，獲得點(diǎn)焊工藝參數(shù)的最優(yōu)搭配，保證焊接質(zhì)量。

1Logistic映射微粒群算法

1.1基本微粒群優(yōu)化算法

基本微粒群優(yōu)化算法(PSO)可以描述為一種社會(huì)學(xué)行為，該算法模擬鳥(niǎo)群起飛信息交互的過(guò)程。在該算法中，微粒通過(guò)追蹤兩個(gè)極值完成自我更新，一個(gè)是微粒本身找到的最佳位置 Pi=(Pi1,Pi2,…,Pid)，稱之為個(gè)體極值；另一個(gè)是整個(gè)粒子群迄今為止搜索到的最佳位置Pg=(Pg1,Pg2,…,Pgd)，稱之為粒子群全局極值[3]。

粒子根據(jù)如下公式更新自己的速度和位置：

Vij(t+1)=ωVij(t)+c1r1(Pij(t)-Xij(t))+

c2r2(Pgj(t)-Xij(t))

(1)

Xij(t+1)=Xij(t)+Vij(t+1)

(2)

其中，i=1,2,…,N，N為種群規(guī)模；j=1,2,…,d，d為搜索空間維數(shù)；c1，c2為加速系數(shù)(非負(fù)常數(shù))； r1，r2是[0，1]之間的隨機(jī)數(shù)；ω是慣性權(quán)重；Vij∈[Vmin,Vmax]。

1.2Logistic映射微粒群算法

Logistic映射微粒群算法(LPSO)基本思想是通過(guò)Logistic映射規(guī)則將待優(yōu)化變量映射到混沌變量的取值區(qū)間內(nèi)，利用混沌變量的規(guī)律性和遍歷性將優(yōu)化解線性轉(zhuǎn)到優(yōu)化空間。

根據(jù)式(1)可知，當(dāng)粒子i是當(dāng)前種群全局最優(yōu)解時(shí)，即Xij(t)=Pij(t)=Pgj(t)，速度更新公式可寫(xiě)為：

Vij(t+1)=ωVij(t)

(3)

微粒運(yùn)動(dòng)變?yōu)榫S持原速度的慣性運(yùn)動(dòng)，粒子將沿直線方向搜索。但是，粒子沿直線尋找到的最優(yōu)解可能性很小，并且粒子有可能未達(dá)到最優(yōu)解的時(shí)候速度已經(jīng)減小到零。于是在優(yōu)化過(guò)程中向速度趨近于零的粒子引入隨機(jī)噪聲，克服微粒群優(yōu)化算法粒子過(guò)早收斂的問(wèn)題，尋找到更優(yōu)的解空間，保持種群的搜索能力。即若Vi

Vij(t+1)=ωVij(t)+c1r1[Pij(t)-Xij(t)]+

c2r2[Pgj(t)-Xij(t)]+ed

(4)

式中，ed為高斯分布噪聲。

然后對(duì)符合Vi

(5)

(6)

上述即為L(zhǎng)PSO的核心思想，該算法在粒子早熟之后，利用Logistic映射進(jìn)行擾動(dòng)，使得粒子的運(yùn)行軌跡改變，跳出局部最優(yōu)解，降低無(wú)效迭代次數(shù)，進(jìn)而有效地提高了算法的優(yōu)化結(jié)果準(zhǔn)確性以及收斂速度。LPSO的具體步驟如下：

步驟1：初始化參數(shù)。包括種群規(guī)模N、最大進(jìn)化代數(shù)Gmax、粒子維數(shù)d、慣性權(quán)重ω、加速系數(shù)c1和c2，以及粒子可能存在位置區(qū)間的最小值Xmin和最大值Xmax，粒子早熟條件Vstop。

步驟2：混沌初始化粒子群。得到一個(gè)d維并且每個(gè)分量的值都在(0,1)區(qū)間的向量Y0=(Y01,Y02,…,Y0d)，由(5)可求得S個(gè)向量Y1,Y2,…,Ys，此即S個(gè)粒子對(duì)應(yīng)S個(gè)混沌變量。根據(jù)式(6)將該S個(gè)混沌變量映射到粒子位置的取值區(qū)間，評(píng)估每個(gè)微粒的適應(yīng)度值，記下最初的微粒個(gè)體最優(yōu)值Pi和全局最優(yōu)值Pg。

步驟3：根據(jù)式(1)和(2)更新微粒的速度和位置。

步驟4：評(píng)價(jià)各個(gè)微粒的適應(yīng)度值，并更新微粒的個(gè)體最優(yōu)值Pi與全局最優(yōu)值Pg。

步驟5：判斷是否達(dá)到停止條件，即是否達(dá)到適應(yīng)度值要求或最大進(jìn)化代數(shù)，若是停止搜索，輸出全局最優(yōu)，否則轉(zhuǎn)向步驟6。

步驟6：判斷粒子是否早熟，即粒子速度是否符合Vi

步驟7：利用式(1)對(duì)早熟的粒子進(jìn)行Logistic映射擾動(dòng)。

步驟8：當(dāng)前進(jìn)化代數(shù)加1，并返回步驟3，繼續(xù)進(jìn)行優(yōu)化搜索。

2BP神經(jīng)網(wǎng)絡(luò)模型的建立

2.108AL鋼板點(diǎn)焊工藝

08AL鋼板屬于優(yōu)質(zhì)碳素結(jié)構(gòu)鋼。影響08AL鋼板焊接接頭質(zhì)量最主要的參數(shù)是點(diǎn)焊電流，點(diǎn)焊電流設(shè)置不當(dāng)會(huì)導(dǎo)致產(chǎn)生焊渣飛濺；點(diǎn)焊時(shí)間一般設(shè)置在數(shù)十周波內(nèi)，其對(duì)接頭塑性指標(biāo)影響較大；電極壓力伴隨整個(gè)熔核的形成過(guò)程，電極壓力過(guò)小會(huì)引起嚴(yán)重飛濺，降低焊點(diǎn)強(qiáng)度，電極壓力過(guò)大導(dǎo)致接觸電阻減少，壓痕變大，點(diǎn)焊強(qiáng)度變?nèi)鮗4]。

2.2BP神經(jīng)網(wǎng)絡(luò)模型

將點(diǎn)焊電流、點(diǎn)焊時(shí)間與電極壓力作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入量，點(diǎn)焊工藝質(zhì)量以點(diǎn)焊接頭的力學(xué)性能參數(shù)抗拉剪載荷為指標(biāo)[5-6]，作為BP神經(jīng)網(wǎng)絡(luò)模型的輸出量。根據(jù)多次試驗(yàn)，采用三層BP神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)代表點(diǎn)焊電流、點(diǎn)焊時(shí)間和電極壓力，即確定輸入層神經(jīng)元個(gè)數(shù)為3；輸出層節(jié)點(diǎn)只代表抗拉剪載荷，因此輸出層神經(jīng)元個(gè)數(shù)為1；隱層神經(jīng)元個(gè)數(shù)為8。BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

圖1　點(diǎn)焊BP神經(jīng)網(wǎng)絡(luò)模型

2.3BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)

對(duì)0.8mm厚08AL鋼板進(jìn)行點(diǎn)焊試驗(yàn)，獲取BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本。實(shí)驗(yàn)設(shè)備為：NIMAK中頻點(diǎn)焊機(jī)，型號(hào)為PMP6-2,；采用WDW-50微機(jī)控制電子萬(wàn)能試驗(yàn)機(jī)進(jìn)行拉剪強(qiáng)度測(cè)試。

點(diǎn)焊試驗(yàn)共得到9組工藝參數(shù)組合數(shù)據(jù)，將其中的7組作為訓(xùn)練樣本，利用MATLAB軟件對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練[7-8]。設(shè)定目標(biāo)誤差為0.000001，最大迭代次數(shù)為1000，訓(xùn)練函數(shù)采用trainlm，輸入層與隱層以及隱層與輸出層的傳遞函數(shù)分別為tansig和purelin。圖2為網(wǎng)絡(luò)訓(xùn)練過(guò)程，由圖可知，經(jīng)315次訓(xùn)練網(wǎng)絡(luò)即可達(dá)到要求。

利用另兩組數(shù)據(jù)檢驗(yàn)訓(xùn)練后的網(wǎng)絡(luò)模型性能。表1為抗拉剪載荷網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)驗(yàn)值比較結(jié)果。如表所示，預(yù)測(cè)誤差小于2%，說(shuō)明訓(xùn)練后的網(wǎng)絡(luò)模型擁有較高的精度。

圖2　網(wǎng)絡(luò)訓(xùn)練過(guò)程

網(wǎng)絡(luò)預(yù)測(cè)值試驗(yàn)測(cè)量值誤差抗拉剪載荷(N)387339381.9%388939521.6%

3點(diǎn)焊工藝參數(shù)LPSO優(yōu)化

3.1目標(biāo)函數(shù)的設(shè)定

將抗拉剪載荷作為目標(biāo)函數(shù)，抗拉剪載荷越大，點(diǎn)焊接頭質(zhì)量就越好。

3.2LPSO優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)和LPSO相結(jié)合的優(yōu)化設(shè)計(jì)方法，主要是利用BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力和LPSO的全局尋優(yōu)能力。基本原理：把點(diǎn)焊試驗(yàn)數(shù)據(jù)作為樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立點(diǎn)焊工藝參數(shù)與焊接質(zhì)量之間的非線性映射關(guān)系，利用網(wǎng)絡(luò)的記憶功能形成一個(gè)“虛擬”函數(shù)，此函數(shù)并沒(méi)有確定的表達(dá)式，可以把它看做一個(gè)非線性的“黑箱”。然后，利用LPSO對(duì)這個(gè)虛擬函數(shù)優(yōu)化求解。BP神經(jīng)網(wǎng)絡(luò)+LPSO模型的程序運(yùn)算流程圖如圖3所示。

圖3　程序流程圖

借助MATLAB軟件對(duì)點(diǎn)焊工藝參數(shù)進(jìn)行組合優(yōu)化。設(shè)置種群規(guī)模為S=30，進(jìn)化代數(shù)取Gmax=100次，粒子維數(shù)D=3，加速因子取為c1=c2=2，慣性權(quán)重取值區(qū)間為[0.4，0.9]，粒子位置取值區(qū)間為[0，5]，早熟條件Vstop=3。

3.3優(yōu)化結(jié)果分析及驗(yàn)證

圖4為目標(biāo)函數(shù)值的變化過(guò)程。經(jīng)51次迭代后獲得最大抗拉剪載荷，約為3.892kN。此時(shí)最優(yōu)點(diǎn)焊工藝參數(shù)搭配為：點(diǎn)焊時(shí)間9周波、點(diǎn)焊電流11.41kA、電極壓力1.7kN。

為驗(yàn)證LPSO尋優(yōu)結(jié)果的可靠性，對(duì)該工藝參數(shù)搭配進(jìn)行點(diǎn)焊試驗(yàn)，將所得到的結(jié)果與文獻(xiàn)[9-10]的結(jié)果對(duì)比，如表2所示。由表可知，抗拉剪載荷的測(cè)量值與預(yù)測(cè)值的相對(duì)誤差為0.76%，優(yōu)于文獻(xiàn)[6]的1.06%和文獻(xiàn)[7]的1.07%，說(shuō)明利用該方法尋優(yōu)獲得的結(jié)果具有更高的可靠性。

圖4　目標(biāo)函數(shù)值的變化過(guò)程

優(yōu)化方法點(diǎn)焊時(shí)間(周波)點(diǎn)焊電流(kA)電極壓力(kN)抗拉剪載荷(N)預(yù)測(cè)值實(shí)驗(yàn)值相對(duì)誤差BP+COA[9]8.7611.341.66382737871.06%正交試驗(yàn)法[10]911.51.6387338321.07%BP+LPSO911.411.7389239220.76%

4結(jié)論

(1)基于點(diǎn)焊試驗(yàn)數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)，建立了0.8mm厚08AL鋼板電阻點(diǎn)焊工藝參數(shù)與焊接質(zhì)量之間的模型。

(2)利用LPSO對(duì)電阻點(diǎn)焊工藝參數(shù)與焊接質(zhì)量模型進(jìn)行優(yōu)化，充分發(fā)揮LPSO的全局尋優(yōu)能力，獲得最優(yōu)點(diǎn)焊工藝參數(shù)匹配。

(3)點(diǎn)焊實(shí)驗(yàn)結(jié)果表明，相對(duì)于BP+COA法與正交試驗(yàn)法，該方法對(duì)保證焊接質(zhì)量具有更高的可靠性。

[參考文獻(xiàn)]

[1] 龍振華,程蓉.基于人工智能的薄板電阻點(diǎn)焊數(shù)值分析及工藝參數(shù)優(yōu)化[J].組合機(jī)床與自動(dòng)化加工技術(shù)2013(6):139-141.

[2] Bozkurt Yahya,Bilici,Mustafa Kemal.Taguchi optiMization of process parameters in friction stir Spot welding of AA5754 and AA2024 alloys[J].Advanced Materials Research,2014,1016:161-166.

[3] 錢(qián)和平.基于神經(jīng)網(wǎng)絡(luò)鋁基復(fù)合材料焊接接頭力學(xué)性能分析[J].電焊機(jī),2014,44(11):103-105.

[4] 潘章明.自適應(yīng)雙群微粒群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(7):239-241.

[5] Pieta Dos Santos,Strohaecker clarke.Optimization of friction spot welding process parameters for AA2198-T8 sheets[J].Materials and Manufacturing Processes,2014,29(8):934-940.

[6] 蘇允海,馬大海,林金梁,等.高強(qiáng)鋼振動(dòng)焊接工藝參數(shù)的優(yōu)化[J].焊接學(xué)報(bào),2014,35(7):105-108.

[7] Pashazadeh,Gheisari,Hamedi. Statistical modeling and optimization of resistance spot welding process parameters using neural networks and multi-objective genetic algorithm[J]. Journal of Intelligent Manufacturing,2014,3.

[8] 李博,陳路,朱天軍，等.基于BP神經(jīng)網(wǎng)絡(luò)的鋯合金電子束焊接熔深控制模型[J].電焊機(jī),2013,43(12):64-67.

[9] 舒服華,王志輝.基于蟻群神經(jīng)網(wǎng)絡(luò)的電阻點(diǎn)焊工藝參數(shù)優(yōu)化[J].焊接,2007(2):39-42.

[10] 閻俊霞,胡云巖,睢丙東.電阻點(diǎn)焊工藝參數(shù)正交試驗(yàn)優(yōu)化設(shè)計(jì)[J].河北科技大學(xué)學(xué)報(bào),2003,24(2):39-42.

(編輯趙蓉)

The Modeling and Optimization of Resistance Spot Welding Process Parameters Based on LPSO and BP Neural Network

LIU Wei1,2，GUO Meng1

(1.School of Information Science and Engineering, Northeast Petroleum University, Daqing Heilongjiang 163318, China;2.College of Mechanical Engineering & Applied Electronics Technology, Beijing University of Technology,Beijing 100022 ,China)

Abstract：Resistance spot welding parameters setting plays a very important role in the quality of spot welding,it is difficult to establish a precise mathematical model.Based on this ,proposes a method of the Logistic map particle swarm optimization algorithm(LPSO) combined with BP neural network,to model and optimize the spot welding process parameters of 0.8mm thick 08AL steel plate.Based on the detailed analysis of spot welding process, using BP neural network to build model between welding parameters and welding quality,optimize the welding parameters combining LPSO global optimization capability,accessed to the three main process parameters(spot welding time,welding current and electrode pressure) best match.Experiment the optimal process parameters of spot welding 9cycle,spot welding current 11.41KA,electrode pressure 1.7kN,the result show that compared with the BP+COA and orthogonal experimental method,this method is more reliable.

Key words：LPSO;BP neural networks ;resistance spot welding ;process parameters optimization

中圖分類號(hào)：TH162;TG506

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：劉偉(1971—)，男，黑龍江賓縣人，東北石油大學(xué)教授，博士，研究方向?yàn)橹悄芸刂婆c電力系統(tǒng)及其自動(dòng)化；通訊作者：郭猛(1990—)，男，山東濟(jì)寧人，東北石油大學(xué)碩士研究生，研究方向?yàn)殡娏﹄娮优c電力傳動(dòng)，(E-mail) qustguomeng@163.com。

*基金項(xiàng)目：國(guó)家科技重大專項(xiàng)資助項(xiàng)目(2009ZX04014-072)

收稿日期：2015-06-06

文章編號(hào)：1001-2265(2016)02-0138-03

DOI:10.13462/j.cnki.mmtamt.2016.02.039