朱廣明， 華 亮， 趙佳皓， 羌予踐

（南通大學(xué)電氣工程學(xué)院，江蘇 南通 226019）

0 引言

使用機(jī)器人進(jìn)行焊接作業(yè)具有焊接質(zhì)量穩(wěn)定、效率高、靈活性強(qiáng)等優(yōu)點(diǎn)，焊接機(jī)器人被廣泛應(yīng)用于機(jī)械制造、汽車制造、電子設(shè)備制造等領(lǐng)域［1-3］。受限于當(dāng)前焊接機(jī)器人的智能化發(fā)展程度，大多焊接機(jī)器人的工藝參數(shù)仍需工作人員合理設(shè)定，依賴專家經(jīng)驗(yàn)，當(dāng)參數(shù)設(shè)置不準(zhǔn)確時(shí)，會(huì)導(dǎo)致焊縫成形效果差，容易出現(xiàn)氣孔、裂紋等缺陷，影響焊接質(zhì)量。因此，亟須研究焊接工藝參數(shù)智能優(yōu)化方法，保障工業(yè)生產(chǎn)質(zhì)量。

機(jī)器人的焊接質(zhì)量受多種因素影響，導(dǎo)致焊接工藝參數(shù)與焊縫幾何形狀之間的數(shù)學(xué)模型難以建立［4-5］，使得模型驅(qū)動(dòng)的方法應(yīng)用受限，而人工神經(jīng)網(wǎng)絡(luò)作為一種可以實(shí)現(xiàn)復(fù)雜非線性系統(tǒng)建模的數(shù)據(jù)驅(qū)動(dòng)方法，受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。烏日根等［6］采用人工神經(jīng)網(wǎng)絡(luò)建立起了焊接電流、電弧電壓、焊接速度與焊縫強(qiáng)韌性之間的映射模型，驗(yàn)證了BP、RBF 及Elman神經(jīng)網(wǎng)絡(luò)用于焊縫強(qiáng)韌性預(yù)測(cè)的可行性。陳書翔等［7］基于BP神經(jīng)網(wǎng)絡(luò)建立激光熔覆焊工藝參數(shù)與熔覆層截面熔寬、余高之間的映射模型，表明BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于熔覆層形貌預(yù)測(cè)時(shí)穩(wěn)定性強(qiáng)、預(yù)測(cè)精度高。Luo等［8］基于RBF 神經(jīng)網(wǎng)絡(luò)建立起激光焊接工藝參數(shù)與焊縫熔深之間的映射模型，驗(yàn)證了RBF神經(jīng)網(wǎng)絡(luò)在建立焊接工藝參數(shù)與焊縫幾何形狀映射模型上具有良好性能；CHI 等［9］提出了基于模糊徑向基神經(jīng)網(wǎng)絡(luò)的等離子弧焊質(zhì)量監(jiān)測(cè)方法，能夠快速獲取焊接工藝參數(shù)，解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)的問題。

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)雖具有強(qiáng)大的聯(lián)想能力、自適應(yīng)及學(xué)習(xí)能力，但受限于各焊接工藝參數(shù)之間的高耦合性，往往導(dǎo)致訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢、易陷入局部最小。而雙權(quán)值神經(jīng)網(wǎng)絡(luò)（Double Weight Neural Network，DWNN）具有函數(shù)逼近能力強(qiáng)、擬合精度高、學(xué)習(xí)速度快［10］等優(yōu)點(diǎn)，Lü［11］通過實(shí)驗(yàn)證明了雙權(quán)值神經(jīng)網(wǎng)絡(luò)用于焊接參數(shù)優(yōu)化的可行性，但需要多次訓(xùn)練獲取最優(yōu)權(quán)值，運(yùn)算量偏高。

針對(duì)上述問題，本文采用雙權(quán)值神經(jīng)網(wǎng)絡(luò)構(gòu)建焊接工藝參數(shù)和焊縫幾何形狀之間的映射模型，并引入混沌麻雀搜索算法（Chaotic Sparrow Search Algorithm，CSSA）optimizes Dual Weight Neural Network，CSSADWNN）對(duì)DWNN神經(jīng)網(wǎng)絡(luò)的方向權(quán)值、核心權(quán)值、幅值進(jìn)行優(yōu)化，形成混沌麻雀搜索算法優(yōu)化的雙權(quán)值神經(jīng)網(wǎng)絡(luò)（CSSA-DWNN）。通過三維指數(shù)余弦衰減函數(shù)擬合實(shí)驗(yàn)證明了CSSA-DWNN 神經(jīng)網(wǎng)絡(luò)迭代速度快、擬合精度高，較傳統(tǒng)的DWNN 神經(jīng)網(wǎng)絡(luò)與RBF 神經(jīng)網(wǎng)絡(luò)具有更優(yōu)數(shù)據(jù)擬合特性。根據(jù)激光焊接實(shí)驗(yàn)數(shù)據(jù)建立鋼板厚度、焊接功率、焊接速度與焊縫熔寬之間的映射模型，證明了基于CSSA-DWNN 的焊接機(jī)器人工藝參數(shù)優(yōu)化方法的可行性與優(yōu)越性。

1 CSSA-DWNN算法

1.1 雙權(quán)值神經(jīng)網(wǎng)絡(luò)

雙權(quán)值神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)如圖1 所示，其連接權(quán)值既有相當(dāng)于BP 神經(jīng)網(wǎng)絡(luò)的方向權(quán)值，也有相當(dāng)于RBF神經(jīng)網(wǎng)絡(luò)的核心權(quán)值［10］。

圖1 雙權(quán)值神經(jīng)網(wǎng)絡(luò)

雙權(quán)值神經(jīng)元的計(jì)算公式［10］如下：

式中：f（X）為神經(jīng)網(wǎng)絡(luò)的輸出；Aj為隱含層第j個(gè)神經(jīng)元的幅值；xi為第i個(gè)輸入節(jié)點(diǎn)輸入值，m為輸入樣本的空間維數(shù)；k為隱含層神經(jīng)元的數(shù)目，j=1，2，…，k；uij表示第i個(gè)輸入端連接第j個(gè)神經(jīng)元的方向權(quán)值；vij為第i個(gè)輸入端連接第j個(gè)神經(jīng)元的核心權(quán)值。

DWNN神經(jīng)網(wǎng)絡(luò)采用最速下降法確定每一個(gè)神經(jīng)元的參數(shù)，優(yōu)先擬合樣本數(shù)據(jù)中幅值最大的峰（或谷）［10］。設(shè)初始樣本數(shù)據(jù)集為，其中：n為樣本總數(shù)，Xa=（xa1，xa2，…，xan）表示第a組樣本數(shù)據(jù)的輸入值，y0a表示第a組樣本數(shù)據(jù)的輸出值。設(shè)第j+1 個(gè)神經(jīng)元構(gòu)造前的樣本數(shù)據(jù)，構(gòu)造后的樣本數(shù)據(jù)，則有

式中，Yaj為雙權(quán)值神經(jīng)網(wǎng)絡(luò)隱含層第j個(gè)神經(jīng)元輸出，即

故第j個(gè)神經(jīng)元擬合后的均方誤差為

DWNN 神經(jīng)網(wǎng)絡(luò)通過不斷添加神經(jīng)元來彌補(bǔ)單次迭代時(shí)陷入局部最小帶來的影響，進(jìn)而使均方誤差隨迭代次數(shù)和神經(jīng)元數(shù)目的增加而逐步降低，最終達(dá)到目標(biāo)要求。

1.2 麻雀搜索算法

SSA算法是薛建凱等提出的一種新型群智能優(yōu)化算法，具有操作簡(jiǎn)單、魯棒性強(qiáng)、應(yīng)用范圍廣等優(yōu)點(diǎn)［13］。

SSA算法主要模擬了大自然中麻雀種群覓食和反捕食的過程。在麻雀種群尋找食物的過程中，根據(jù)尋找食物的能力強(qiáng)弱將其分為發(fā)現(xiàn)者和跟隨者［14］。種群中獲取食物能力強(qiáng)的個(gè)體作為發(fā)現(xiàn)者，為整個(gè)麻雀種群尋找食物，種群中的剩余個(gè)體作為跟隨者跟隨發(fā)現(xiàn)者以獲取食物，同時(shí)會(huì)隨機(jī)抽取一部分麻雀?jìng)€(gè)體作為警戒者來為整個(gè)種群偵查預(yù)警。當(dāng)警戒者發(fā)現(xiàn)危險(xiǎn)區(qū)域時(shí)，發(fā)現(xiàn)者會(huì)帶領(lǐng)整個(gè)種群向安全區(qū)域轉(zhuǎn)移。

在SSA算法中，n只麻雀組成的種群可表示為

式中：d為待求解問題的空間維數(shù)；n為種群中的麻雀數(shù)量。在麻雀種群覓食的過程中，將每只麻雀當(dāng)前位置所獲取的食物量作為待求解問題的適應(yīng)度值，則個(gè)體對(duì)應(yīng)的適應(yīng)度值為

式中，f表示適應(yīng)度值。發(fā)現(xiàn)者承擔(dān)為整個(gè)種群尋找食物的工作，擁有較高的適應(yīng)度值。發(fā)現(xiàn)者在尋找食物的過程中，需要不斷更新自身位置，其位置更新公式［13］為

式中：t表示當(dāng)前的迭代次數(shù)；為種群第t次迭代中第i只麻雀第j維的位置；α是取值為（0，1］的隨機(jī)數(shù)；itermax為最大迭代次數(shù)，Q為符合標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，其取值范圍為［0，1］；L為1 ×d的全一矩陣；R2是取值為（0，1）的隨機(jī)數(shù)；ST為警戒閾值，其取值范圍為［0.5，1］。當(dāng)R2＜ST時(shí)，表示種群處于安全區(qū)域，發(fā)現(xiàn)者可以在此區(qū)域捕食；當(dāng)R2≥ST時(shí)，表示警戒者發(fā)現(xiàn)危險(xiǎn)，此時(shí)其他的麻雀將轉(zhuǎn)移到其他安全區(qū)域。

當(dāng)發(fā)現(xiàn)者發(fā)現(xiàn)食物并向其位置移動(dòng)時(shí)，跟隨者將跟隨發(fā)現(xiàn)者，并與其進(jìn)行競(jìng)爭(zhēng)食物。跟隨者的位置更新公式［14］為

式中：xw為種群中獲取食物最差的位置，xp為當(dāng)前迭代過程中獲取食物最優(yōu)的位置，A為1 ×d的矩陣，矩陣中的元素隨機(jī)設(shè)為-1 或1，A=AT（ATA）-1。當(dāng)i＞n/2 時(shí)，表示此時(shí)跟隨者的適應(yīng)度值處于種群的后半部分，獲取食物的能力較弱，無法同其他麻雀競(jìng)爭(zhēng)食物，此時(shí)跟隨者將遠(yuǎn)離此區(qū)域覓食；反之，跟隨者將向當(dāng)前全局最優(yōu)位置隨機(jī)移動(dòng)一段距離。

在種群覓食的過程中，一般有10% ～20%的個(gè)體具備偵查預(yù)警的能力，稱為警戒者［15］。當(dāng)警戒者發(fā)現(xiàn)危險(xiǎn)時(shí)，所有麻雀將向安全區(qū)域轉(zhuǎn)移。警戒者的位置更新公式［15］為

式中：β為調(diào)整步長(zhǎng)的系數(shù)，為符合正態(tài)分布的隨機(jī)數(shù)；k也是步長(zhǎng)調(diào)整系數(shù)，屬于［-1，1］的一個(gè)均勻隨機(jī)數(shù)；ε為防止分母為0 的常數(shù)；xb為全局最佳位置；fi為當(dāng)前麻雀的適應(yīng)度值；fw是全局最差位置的適應(yīng)度值；fg是全局最佳適應(yīng)度值。當(dāng)fi≠fg時(shí)，表示警戒者處于種群邊緣區(qū)域，需要向種群內(nèi)部移動(dòng)；當(dāng)fi=fg時(shí)，表示警戒者處于當(dāng)前最優(yōu)位置，將逃離到自身附近的隨機(jī)位置。

1.3 Tent混沌麻雀搜索算法

原始SSA算法隨機(jī)產(chǎn)生初始位置，導(dǎo)致麻雀種群多樣性較差，影響全局搜索能力，導(dǎo)致算法收斂速度較慢。

Tent混沌映射算子作為一種常用算子，具有不可重復(fù)、不確定、不可預(yù)測(cè)、分布均勻等特點(diǎn)［14］。在麻雀種群初始化的過程中采用Tent混沌映射算子，可以增強(qiáng)初始麻雀種群的多樣性，避免陷入局部最優(yōu)，增強(qiáng)算法的全局搜索能力。

Tent混沌映射函數(shù)的計(jì)算公式［14］為

Tent混沌映射函數(shù)可以用于［0，1］區(qū)間的均勻隨機(jī)取值，但在迭代過程中存在生成不穩(wěn)定周期點(diǎn)的可能性。為解決該問題，一般的解決方法是加入隨機(jī)變量rand（0，1）×1/N到初始的Tent 混沌映射函數(shù)中。Tent混沌映射函數(shù)優(yōu)化之后的計(jì)算公式［14］為

利用優(yōu)化后的Tent 混沌映射函數(shù)初始化麻雀種群位置，形成基于混沌麻雀的搜索算法（CSSA）。

2 CSSA-DWNN神經(jīng)網(wǎng)絡(luò)模型

CSSA算法求解效率高、穩(wěn)定性好［15］，能夠減少雙權(quán)值神經(jīng)網(wǎng)絡(luò)運(yùn)算量，提升網(wǎng)絡(luò)訓(xùn)練速度，本文基于CSSA算法對(duì)DWNN神經(jīng)網(wǎng)絡(luò)方向權(quán)值、核心權(quán)值、幅值進(jìn)行優(yōu)化，建立CSSA-DWNN神經(jīng)網(wǎng)絡(luò)模型。CSSADWNN算法流程如圖2 所示。

圖2 CSSA-DWNN算法流程

CSSA-DWNN神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步驟如下：

（1）初始化雙權(quán)值神經(jīng)網(wǎng)絡(luò)，設(shè)置最大隱含層神經(jīng)元個(gè)數(shù)kmax，閾值精度ε等。

（2）確定最終期望輸出。當(dāng)k=1 時(shí)，則最終期望輸出為初始樣本數(shù)據(jù)的輸出值，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理；當(dāng)k＞1 時(shí)，則最終期望輸出為第k-1 隱含層神經(jīng)元的輸出誤差。

（3）通過CSSA算法確定雙權(quán)值神經(jīng)網(wǎng)絡(luò)的方向權(quán)值u、核心權(quán)值v及幅值A(chǔ)。按如下步驟進(jìn)行：

①初始化CSSA 算法參數(shù)。確定種群規(guī)模大小popsize、最大迭代次數(shù)maxgen、安全值ST、發(fā)現(xiàn)者比例系數(shù)PD、警戒者比例系數(shù)SD等。

②通過Tent混沌映射函數(shù)初始化麻雀種群位置。

③根據(jù)適應(yīng)度函數(shù)計(jì)算麻雀?jìng)€(gè)體適應(yīng)度，確定最優(yōu)個(gè)體及最優(yōu)位置。

④確定麻雀種群中發(fā)現(xiàn)者的數(shù)量，并根據(jù)式（7）更新發(fā)現(xiàn)者的位置。

⑤確定麻雀種群中跟隨現(xiàn)者的數(shù)量，并根據(jù)式（8）更新跟隨者的位置。

⑥確定麻雀種群中警戒者的數(shù)量，并根據(jù)式（9）更新警戒者的位置。

⑦重新計(jì)算種群適應(yīng)度值并與之前的最佳適應(yīng)度值比較，更新最優(yōu)個(gè)體與最優(yōu)位置。

⑧判斷CSSA算法是否達(dá)到最大迭代次數(shù)，達(dá)到最大迭代次數(shù)則輸出全局最優(yōu)位置和全局最優(yōu)適應(yīng)度值；否則跳轉(zhuǎn)至d繼續(xù)執(zhí)行。

（4）檢測(cè)閾值精度ε及kmax，如果滿足閾值精度要求或者達(dá)到最大隱含層神經(jīng)元的個(gè)數(shù)，則結(jié)束算法，否則令k=k+1，并跳轉(zhuǎn)至步驟（3）繼續(xù)執(zhí)行。

3 CSSA-DWNN算法的仿真驗(yàn)證

為了驗(yàn)證CSSA-DWNN 算法的優(yōu)劣性，選取三維指數(shù)余弦衰減函數(shù)作為目標(biāo)函數(shù)，其公式為

在xi∈（-3π，3π）（i=1，2，3）范圍內(nèi)隨機(jī)取110個(gè)點(diǎn)作為數(shù)據(jù)集，其中100 個(gè)點(diǎn)作為訓(xùn)練集，10 個(gè)點(diǎn)作為測(cè)試集。將數(shù)據(jù)集分別用于CSSA-DWNN、DWNN及RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，對(duì)比各算法的擬合精度。3種神經(jīng)網(wǎng)絡(luò)用于三維指數(shù)余弦衰減函數(shù)的擬合曲線如圖3 所示。

圖3 三維指數(shù)余弦衰減函數(shù)的擬合曲線

由圖3 可知，CSSA-DWNN 神經(jīng)網(wǎng)絡(luò)的均方誤差下降速度較快，從第二次迭代開始就遠(yuǎn)遠(yuǎn)優(yōu)于DWNN和RBF神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)的均方誤差整體平緩下降，而DWNN 神經(jīng)網(wǎng)絡(luò)雖然在前10 次迭代的下降速度優(yōu)于RBF 神經(jīng)網(wǎng)絡(luò)，但在第20 次迭代后就已經(jīng)收斂，均方誤差最終收斂于0. 01388。對(duì)比CSSADWNN和RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，CSSA-DWNN 神經(jīng)網(wǎng)絡(luò)在第9 次迭代就達(dá)到了0.002，而RBF 神經(jīng)網(wǎng)絡(luò)則需要73 次迭代才能達(dá)到，表明CSSA-DWNN算法的擬合效果優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)，并且隨著迭代次數(shù)與神經(jīng)元數(shù)目的增加差距逐漸增大。表1 為在3 種不同網(wǎng)絡(luò)模型訓(xùn)練下，實(shí)際值與預(yù)測(cè)值之間的絕對(duì)誤差對(duì)比。

表1 3 種網(wǎng)絡(luò)模型訓(xùn)練后的絕對(duì)誤差對(duì)比

由表1 可見，CSSA-DWNN 神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的預(yù)測(cè)值與實(shí)際值之間的絕對(duì)誤差較小，優(yōu)于DWNN 和RBF神經(jīng)網(wǎng)絡(luò)，表明CSSA-DWNN 神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果良好，具有較高的預(yù)測(cè)精度和優(yōu)異的數(shù)據(jù)擬合能力。

4 基于CSSA-DWNN的焊接工藝參數(shù)優(yōu)化

4.1 樣本數(shù)據(jù)的獲取

實(shí)驗(yàn)采用庫卡高精度焊接機(jī)器人搭配10 kW 光纖激光器組成激光焊接平臺(tái)，如圖4 所示。焊接材料為200 mm×50 mm的高強(qiáng)度低碳合金鋼板，焊接保護(hù)氣體為CO2。

圖4 庫卡高精度焊接機(jī)器人

文獻(xiàn)［16］中對(duì)焊接工藝參數(shù)與焊縫形貌參數(shù)之間的映射關(guān)系研究，選取鋼板厚度、焊接功率、焊接速度3 個(gè)工藝參數(shù)作為激光焊接工藝參數(shù)優(yōu)化實(shí)驗(yàn)的輸入，輸出為焊縫的熔寬。焊接完成后，通過CCD 工業(yè)相機(jī)獲取焊縫圖像，提取熔池輪廓并計(jì)算焊縫尺寸，獲取的實(shí)驗(yàn)樣本數(shù)據(jù)如表2 所示。

表2 實(shí)驗(yàn)樣本數(shù)據(jù)

4.2 CSSA-DWNN網(wǎng)絡(luò)建模與分析

分別將CSSA-DWNN神經(jīng)網(wǎng)絡(luò)、DWNN神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于焊接工藝參數(shù)優(yōu)化。神經(jīng)網(wǎng)絡(luò)的輸入為焊接工藝參數(shù)，分別為鋼板厚度、焊接功率、焊接速度；神經(jīng)網(wǎng)絡(luò)的輸出為焊縫熔寬。

為進(jìn)一步提高實(shí)驗(yàn)準(zhǔn)確度，本文采取K折交叉驗(yàn)證進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試。K折交叉驗(yàn)證是將原始數(shù)據(jù)集分為K個(gè)子集，每次選擇其中一組子集作為測(cè)試集，剩下K- 1個(gè)子集作為訓(xùn)練集，進(jìn)行K次訓(xùn)練［17］。本文選擇9 折交叉驗(yàn)證對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試。

DWNN神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)設(shè)定：輸入層的神經(jīng)元數(shù)目為3；隱含層神經(jīng)元數(shù)目為9；輸出層為焊縫熔寬，閾值精度ε為0.0001。

CSSA-DWNN神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化模型的參數(shù)設(shè)定為：麻雀種群規(guī)模為500，最大迭代次數(shù)為1000 次，安全值ST為0.5，發(fā)現(xiàn)者比例PD為0.2，警戒者比例SD為0.2。

各網(wǎng)絡(luò)訓(xùn)練時(shí)的均方誤差性能曲線如圖5 所示。各網(wǎng)絡(luò)訓(xùn)練下的預(yù)測(cè)值與實(shí)際值之間的絕對(duì)誤差對(duì)比如表3 所示。

表3 各網(wǎng)絡(luò)訓(xùn)練下的預(yù)測(cè)值與實(shí)際值之間的絕對(duì)誤差對(duì)比

圖5 輸出為熔寬時(shí)的均方誤差性能曲線

由圖5 可知，隨著迭代次數(shù)的增加，CSSA-DWNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的均方誤差始終小于DWNN、RBF 神經(jīng)網(wǎng)絡(luò)，且下降速度更快。表明在相同條件下，采用CSSA-DWNN神經(jīng)網(wǎng)絡(luò)進(jìn)行焊接工藝參數(shù)優(yōu)化僅需較少的迭代次數(shù)就可達(dá)到良好的擬合精度。由表3 可知，初始的DWNN 和RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值之間的誤差較大，最大相對(duì)誤差為81.6%和69.12%；而CSSA-DWNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值比較接近，其最大相對(duì)誤差為15.42%，最小相對(duì)誤差為0.89%，平均相對(duì)誤差為5.05%，表明CSSA-DWNN網(wǎng)絡(luò)模型不依賴大量的訓(xùn)練樣本就可獲取較高的擬合精度，能夠較為準(zhǔn)確的預(yù)測(cè)訓(xùn)練樣本外的數(shù)據(jù)，網(wǎng)絡(luò)性能更優(yōu)。由此可見，CSSA-DWNN 神經(jīng)網(wǎng)絡(luò)在激光焊接機(jī)器人工藝參數(shù)優(yōu)化方面比初始的DWNN和RBF神經(jīng)網(wǎng)絡(luò)更具優(yōu)勢(shì)。

5 結(jié)語

合理的工藝參數(shù)是保障機(jī)器人焊接質(zhì)量的關(guān)鍵，針對(duì)當(dāng)前焊接機(jī)器人的參數(shù)設(shè)定過程依賴專家經(jīng)驗(yàn)，現(xiàn)有焊接工藝參數(shù)優(yōu)化方法易陷入局部最小、訓(xùn)練時(shí)間長(zhǎng)、擬合精度不高的問題，本文提出了一種混沌麻雀搜索算法優(yōu)化雙權(quán)值神經(jīng)網(wǎng)絡(luò)的新算法，通過函數(shù)擬合實(shí)驗(yàn)證明了所提算法具有較快迭代速度與較高擬合精度。提出基于混沌麻雀搜索算法優(yōu)化雙權(quán)值神經(jīng)網(wǎng)絡(luò)的焊接機(jī)器人工藝參數(shù)優(yōu)化方法，基于激光焊接實(shí)驗(yàn)數(shù)據(jù)，建立了鋼板厚度、焊接功率、焊接速度與焊縫熔寬之間的映射模型，證明了CSSA-DWNN 神經(jīng)網(wǎng)絡(luò)應(yīng)用于焊接機(jī)器人工藝參數(shù)優(yōu)化環(huán)節(jié)的可行性與優(yōu)越性，為解決機(jī)器人焊接工藝參數(shù)優(yōu)化難題提供了新思路。