基于LPSO與BP神經網絡電阻點焊工藝參數建模優化*

劉　偉，郭　猛

(1.東北石油大學 電氣信息工程學院，黑龍江 大慶　163318；2.北京工業大學 機械工程與應用電子技術學院，北京　100022)

?

基于LPSO與BP神經網絡電阻點焊工藝參數建模優化*

劉偉1,2，郭猛1

(1.東北石油大學 電氣信息工程學院，黑龍江 大慶163318；2.北京工業大學 機械工程與應用電子技術學院，北京100022)

摘要：電阻點焊工藝參數的設置對點焊焊接質量有著非常重要的作用，難以建立精確的數學模型。基于此，提出一種將Logistic映射微粒群優化算法(LPSO)與BP神經網絡相結合的方法，對0.8mm厚08AL鋼板點焊工藝參數建模優化。在詳細分析點焊工藝的基礎上，利用BP神經網絡建立點焊工藝參數與焊接質量之間的模型，同時結合LPSO的全局尋優能力，對點焊工藝參數進行優化，獲得三大主要工藝參數(點焊時間、點焊電流與電極壓力)的最優匹配。以點焊時間9周波、點焊電流11.41kN、電極壓力1.7kN的最優工藝參數組合進行試驗，結果表明，與BP+COA和正交實驗法相比，該方法具有更高的可靠性。

關鍵詞：LPSO；BP神經網絡；電阻點焊；工藝參數優化

0引言

電阻點焊是一種比較復雜的動態過程，具有時變、高度非線性和多參數耦合等特點，難以建立精確的數學模型[1]，不同的板厚以及不同的材料，需要不同的點焊工藝參數與之搭配[2]。

通過深入研究提出了一種將BP神經網絡與LPSO相結合的方法，對電阻點焊工藝參數建模優化。利用BP神經網絡建立點焊工藝參數與焊接質量之間的復雜模型，充分發揮BP神經網絡的非線性映射能力[3]，同時結合LPSO的全局尋優能力，獲得點焊工藝參數的最優搭配，保證焊接質量。

1Logistic映射微粒群算法

1.1基本微粒群優化算法

基本微粒群優化算法(PSO)可以描述為一種社會學行為，該算法模擬鳥群起飛信息交互的過程。在該算法中，微粒通過追蹤兩個極值完成自我更新，一個是微粒本身找到的最佳位置 Pi=(Pi1,Pi2,…,Pid)，稱之為個體極值；另一個是整個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為種群規模；j=1,2,…,d，d為搜索空間維數；c1，c2為加速系數(非負常數)； r1，r2是[0，1]之間的隨機數；ω是慣性權重；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Logistic映射規則將待優化變量映射到混沌變量的取值區間內，利用混沌變量的規律性和遍歷性將優化解線性轉到優化空間。

根據式(1)可知，當粒子i是當前種群全局最優解時，即Xij(t)=Pij(t)=Pgj(t)，速度更新公式可寫為：

Vij(t+1)=ωVij(t)

(3)

微粒運動變為維持原速度的慣性運動，粒子將沿直線方向搜索。但是，粒子沿直線尋找到的最優解可能性很小，并且粒子有可能未達到最優解的時候速度已經減小到零。于是在優化過程中向速度趨近于零的粒子引入隨機噪聲，克服微粒群優化算法粒子過早收斂的問題，尋找到更優的解空間，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。

然后對符合Vi

(5)

(6)

上述即為LPSO的核心思想，該算法在粒子早熟之后，利用Logistic映射進行擾動，使得粒子的運行軌跡改變，跳出局部最優解，降低無效迭代次數，進而有效地提高了算法的優化結果準確性以及收斂速度。LPSO的具體步驟如下：

步驟1：初始化參數。包括種群規模N、最大進化代數Gmax、粒子維數d、慣性權重ω、加速系數c1和c2，以及粒子可能存在位置區間的最小值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d維并且每個分量的值都在(0,1)區間的向量Y0=(Y01,Y02,…,Y0d)，由(5)可求得S個向量Y1,Y2,…,Ys，此即S個粒子對應S個混沌變量。根據式(6)將該S個混沌變量映射到粒子位置的取值區間，評估每個微粒的適應度值，記下最初的微粒個體最優值Pi和全局最優值Pg。

步驟3：根據式(1)和(2)更新微粒的速度和位置。

步驟4：評價各個微粒的適應度值，并更新微粒的個體最優值Pi與全局最優值Pg。

步驟5：判斷是否達到停止條件，即是否達到適應度值要求或最大進化代數，若是停止搜索，輸出全局最優，否則轉向步驟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)對早熟的粒子進行Logistic映射擾動。

步驟8：當前進化代數加1，并返回步驟3，繼續進行優化搜索。

2BP神經網絡模型的建立

2.108AL鋼板點焊工藝

08AL鋼板屬于優質碳素結構鋼。影響08AL鋼板焊接接頭質量最主要的參數是點焊電流，點焊電流設置不當會導致產生焊渣飛濺；點焊時間一般設置在數十周波內，其對接頭塑性指標影響較大；電極壓力伴隨整個熔核的形成過程，電極壓力過小會引起嚴重飛濺，降低焊點強度，電極壓力過大導致接觸電阻減少，壓痕變大，點焊強度變弱[4]。

2.2BP神經網絡模型

將點焊電流、點焊時間與電極壓力作為BP神經網絡模型的輸入量，點焊工藝質量以點焊接頭的力學性能參數抗拉剪載荷為指標[5-6]，作為BP神經網絡模型的輸出量。根據多次試驗，采用三層BP神經網絡，輸入層節點代表點焊電流、點焊時間和電極壓力，即確定輸入層神經元個數為3；輸出層節點只代表抗拉剪載荷，因此輸出層神經元個數為1；隱層神經元個數為8。BP神經網絡模型如圖1所示。

圖1　點焊BP神經網絡模型

2.3BP神經網絡訓練和預測

對0.8mm厚08AL鋼板進行點焊試驗，獲取BP神經網絡訓練樣本。實驗設備為：NIMAK中頻點焊機，型號為PMP6-2,；采用WDW-50微機控制電子萬能試驗機進行拉剪強度測試。

點焊試驗共得到9組工藝參數組合數據，將其中的7組作為訓練樣本，利用MATLAB軟件對BP神經網絡進行訓練[7-8]。設定目標誤差為0.000001，最大迭代次數為1000，訓練函數采用trainlm，輸入層與隱層以及隱層與輸出層的傳遞函數分別為tansig和purelin。圖2為網絡訓練過程，由圖可知，經315次訓練網絡即可達到要求。

利用另兩組數據檢驗訓練后的網絡模型性能。表1為抗拉剪載荷網絡預測值與實驗值比較結果。如表所示，預測誤差小于2%，說明訓練后的網絡模型擁有較高的精度。

圖2　網絡訓練過程

網絡預測值試驗測量值誤差抗拉剪載荷(N)387339381.9%388939521.6%

3點焊工藝參數LPSO優化

3.1目標函數的設定

將抗拉剪載荷作為目標函數，抗拉剪載荷越大，點焊接頭質量就越好。

3.2LPSO優化

BP神經網絡和LPSO相結合的優化設計方法，主要是利用BP神經網絡的非線性映射能力和LPSO的全局尋優能力。基本原理：把點焊試驗數據作為樣本輸入BP神經網絡進行訓練，建立點焊工藝參數與焊接質量之間的非線性映射關系，利用網絡的記憶功能形成一個“虛擬”函數，此函數并沒有確定的表達式，可以把它看做一個非線性的“黑箱”。然后，利用LPSO對這個虛擬函數優化求解。BP神經網絡+LPSO模型的程序運算流程圖如圖3所示。

圖3　程序流程圖

借助MATLAB軟件對點焊工藝參數進行組合優化。設置種群規模為S=30，進化代數取Gmax=100次，粒子維數D=3，加速因子取為c1=c2=2，慣性權重取值區間為[0.4，0.9]，粒子位置取值區間為[0，5]，早熟條件Vstop=3。

3.3優化結果分析及驗證

圖4為目標函數值的變化過程。經51次迭代后獲得最大抗拉剪載荷，約為3.892kN。此時最優點焊工藝參數搭配為：點焊時間9周波、點焊電流11.41kA、電極壓力1.7kN。

為驗證LPSO尋優結果的可靠性，對該工藝參數搭配進行點焊試驗，將所得到的結果與文獻[9-10]的結果對比，如表2所示。由表可知，抗拉剪載荷的測量值與預測值的相對誤差為0.76%，優于文獻[6]的1.06%和文獻[7]的1.07%，說明利用該方法尋優獲得的結果具有更高的可靠性。

圖4　目標函數值的變化過程

優化方法點焊時間(周波)點焊電流(kA)電極壓力(kN)抗拉剪載荷(N)預測值實驗值相對誤差BP+COA[9]8.7611.341.66382737871.06%正交試驗法[10]911.51.6387338321.07%BP+LPSO911.411.7389239220.76%

4結論

(1)基于點焊試驗數據與BP神經網絡，建立了0.8mm厚08AL鋼板電阻點焊工藝參數與焊接質量之間的模型。

(2)利用LPSO對電阻點焊工藝參數與焊接質量模型進行優化，充分發揮LPSO的全局尋優能力，獲得最優點焊工藝參數匹配。

(3)點焊實驗結果表明，相對于BP+COA法與正交試驗法，該方法對保證焊接質量具有更高的可靠性。

[參考文獻]

[1] 龍振華,程蓉.基于人工智能的薄板電阻點焊數值分析及工藝參數優化[J].組合機床與自動化加工技術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] 錢和平.基于神經網絡鋁基復合材料焊接接頭力學性能分析[J].電焊機,2014,44(11):103-105.

[4] 潘章明.自適應雙群微粒群優化算法[J].計算機應用與軟件,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.高強鋼振動焊接工藝參數的優化[J].焊接學報,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神經網絡的鋯合金電子束焊接熔深控制模型[J].電焊機,2013,43(12):64-67.

[9] 舒服華,王志輝.基于蟻群神經網絡的電阻點焊工藝參數優化[J].焊接,2007(2):39-42.

[10] 閻俊霞,胡云巖,睢丙東.電阻點焊工藝參數正交試驗優化設計[J].河北科技大學學報,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：TH162;TG506

文獻標識碼：A

作者簡介：劉偉(1971—)，男，黑龍江賓縣人，東北石油大學教授，博士，研究方向為智能控制與電力系統及其自動化；通訊作者：郭猛(1990—)，男，山東濟寧人，東北石油大學碩士研究生，研究方向為電力電子與電力傳動，(E-mail) qustguomeng@163.com。

*基金項目：國家科技重大專項資助項目(2009ZX04014-072)

收稿日期：2015-06-06

文章編號：1001-2265(2016)02-0138-03

DOI:10.13462/j.cnki.mmtamt.2016.02.039