基于神經(jīng)網(wǎng)絡的藥芯焊絲GMAW發(fā)塵率預測

吳凱， 卜智翔， 羅佳， 朱師琦， 王立世

(1.湖北工業(yè)大學，武漢 430068;2.綠色輕工材料湖北省重點實驗室，武漢 430068)

0 前言

GMAW焊接過程中產(chǎn)生的焊接煙塵包含有納米級金屬氧化物初始顆粒的團聚體[1-2]，人體吸入這些焊接煙塵會誘發(fā)嚴重的肺病[3]。焊接工藝是影響焊接發(fā)塵率大小的關鍵因素之一[4-5]， 通過優(yōu)化焊接工藝參數(shù)可以達到降低焊接發(fā)塵率的效果。

焊接發(fā)塵率的影響因素復雜繁多，存在非線性特征，而人工神經(jīng)網(wǎng)絡具有強大的自學習和高速尋找優(yōu)化解的能力，對試驗數(shù)據(jù)進行訓練后，即可模擬預測出試驗結果，實現(xiàn)復雜非線性關系映射，在焊接質量檢測和工藝參數(shù)優(yōu)化等領域使用廣泛[6-8]。Vimal等人[9]以焊條電弧焊工藝參數(shù)為輸入變量，建立了以發(fā)塵率程度等級、飛濺熔渣、煙塵總量等多個輸出的BP神經(jīng)網(wǎng)絡預測模型。該模型預測結果準確度較高，但并未對發(fā)塵率的具體數(shù)值進行預測。

為了提高預測的準確性，研究將基于GMAW藥芯焊絲焊接發(fā)塵率的實測數(shù)據(jù)，通過選用合適的神經(jīng)網(wǎng)絡預測模型，并采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的權值和閾值，建立焊接主要工藝參數(shù)與焊接發(fā)塵率之間的預測模型。該模型對優(yōu)化焊接工藝，控制藥芯焊絲的發(fā)塵率，減少焊接煙塵的排放，具有理論指導意義。

1 試驗步驟

1.1試驗裝置及材料

基于濾膜稱重法，采用自行設計的焊接發(fā)塵率測量裝置進行試驗，試驗裝置如圖1所示[10]。該裝置由運動控制系統(tǒng)、數(shù)據(jù)采集系統(tǒng)以及測塵室腔體組成，滿足ISO 15011-1:2009[11]國際標準要求,氣密性良好，可有效采集焊接煙塵，且能夠實現(xiàn)試驗參數(shù)的記錄和儲存。使用測量精度至0.1 mg的電子天平(JA5003B)來測量煙塵質量。試驗材料涉及到母材、藥芯焊絲和濾紙3種材料。選用尺寸為300 mm×150 mm×20 mm的母材Q235B，直徑為1.2 mm的藥芯焊絲E501T-1和直徑為280 mm的濾紙JK14058作為試驗材料。

圖1 焊接發(fā)塵率測量裝置

1.2焊接發(fā)塵率的測試方法

測試前先對濾紙進行稱重，每張濾紙測量3次后取平均值，測量完成后放入密封袋中保存。在半封閉條件下對焊接煙塵進行抽濾，并通過濾紙收集焊接煙塵，最后再次測量濾紙的重量，通過濾紙前后的質量變化及焊接時間，即可計算發(fā)塵率。

焊接發(fā)塵率是在焊接過程中單位時間產(chǎn)生的焊接煙塵質量，表示為：

(1)

式中：RFF為焊接發(fā)塵率，mg/min；m1為焊接前濾紙的質量，mg；m2為焊接后濾紙的質量，mg；Δt為焊接時間，s。

GMAW焊接工藝參數(shù)見表1，根據(jù)ISO 15011-1: 2009的測試要求和規(guī)程，測量了139組數(shù)據(jù)。

表1 GMAW焊接工藝參數(shù)

2 神經(jīng)網(wǎng)絡模型

2.1BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種梯度下降單向傳播算法，運用誤差反向傳遞的多層前饋神經(jīng)網(wǎng)絡。其由輸入層、隱含層和輸出層組成，每一層都連接到下一層。在學習過程中，每個輸入節(jié)點與某個權值相關聯(lián)，此權值將一部分輸入帶到神經(jīng)元進行處理。輸入信號通過隱含層非線性變化作用于輸出節(jié)點，借助激活函數(shù)和傳遞函數(shù)將其轉換為輸出信號。輸出與期望輸出不相符時，則轉入誤差的反向傳播過程，以調整連接的權值和閾值，從而使輸出層的均方誤差(MSE)的總和最小[12]。隱含層神經(jīng)元數(shù)量主要是通過試錯法確定的。

模型將以GMAW的4個主要參數(shù)：焊接電流、電弧電壓、焊接速度和保護氣體流量作為輸入量，焊接發(fā)塵率的預測值作為輸出量，即輸入層和輸出層的神經(jīng)元個數(shù)分別為4和1。隱含層的神經(jīng)元個數(shù)a2由公式確定：

(2)

式中：a1和a3分別為輸入層和輸出層的神經(jīng)元個數(shù)；n為區(qū)間[0，10]之間常數(shù)，用試錯法確定隱含層最佳神經(jīng)元個數(shù)為7個。激活函數(shù)選擇雙曲正切函數(shù)，其表達式為：

(3)

在算法迭代調整誤差的過程中，如果連續(xù)迭代 6 次無法降低誤差值，則結束訓練任務。

2.2Elman神經(jīng)網(wǎng)絡

Elman神經(jīng)網(wǎng)絡在BP神經(jīng)網(wǎng)絡的基礎上增加了一個承接層，其特征是延時和存儲隱含層的輸出，并反饋到隱含層的輸入。這種自反饋模式增加了神經(jīng)網(wǎng)絡處理動態(tài)信息的能力。Elman神經(jīng)網(wǎng)絡的輸入層和輸出層的神經(jīng)元個數(shù)與BP神經(jīng)網(wǎng)絡相同，分別為4個和1個，隱含層的神經(jīng)元數(shù)目參考BP神經(jīng)網(wǎng)絡，以試錯法選取為15個，激活函數(shù)同樣選擇雙曲正切函數(shù)。承接層神經(jīng)元數(shù)目與隱含層神經(jīng)元數(shù)目相同。Elman神經(jīng)網(wǎng)絡使用BP算法進行權值校正。

建立的神經(jīng)網(wǎng)絡結構如圖2所示。ω1為承接層到隱含層的權值矩陣，ω2為輸入層到隱含層的權值矩陣,ω3為隱含層到輸出層的權值矩陣。

圖2 神經(jīng)網(wǎng)絡結構

2.3遺傳算法優(yōu)化的BP和Elman神經(jīng)網(wǎng)絡

在實際應用中，BP和Elman神經(jīng)網(wǎng)絡有易陷入局部最小值的缺點[13-14]，通過引入遺傳算法來優(yōu)化2種神經(jīng)網(wǎng)絡的權值和閾值，能夠提高預測精度和收斂速度，解決陷入最小值的問題[15]。圖3為GA-BP算法步驟。

圖3 GA-BP算法步驟

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡分為確定BP神經(jīng)網(wǎng)絡結構、 遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡預測3個部分。遺傳算法中，種群中的每一個個體都包含了一個網(wǎng)絡所有的權值和閾值，個體適應度值通過適應度函數(shù)計算，遺傳算法通過選擇、 交叉和變異操作找到最優(yōu)適應度值對應個體。BP神經(jīng)網(wǎng)絡用遺傳算法得到最優(yōu)個體對網(wǎng)絡初始權值和閾值賦值, 經(jīng)訓練后輸出預測值。

遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡的算法步驟與BP神經(jīng)網(wǎng)絡相同。在適應度函數(shù)中，承接層權值和閾值的提取方法與隱含層編碼方法相同。

神經(jīng)網(wǎng)絡模型的試驗數(shù)據(jù)被劃分為訓練集和測試集，由124組數(shù)據(jù)和15組數(shù)據(jù)組成。GA-BP和GA-Elman的參數(shù)設置見表2。根據(jù)均方誤差MSE，通過試錯法選擇合適的神經(jīng)網(wǎng)絡結構和最優(yōu)參數(shù)。為了降低GA-Elman的均方誤差，遺傳算法的迭代次數(shù)調整為50次，Elman神經(jīng)網(wǎng)絡的最大迭代次數(shù)調整為6 000次。

表2 GA-BP和GA-Elman的參數(shù)設置

在訓練神經(jīng)網(wǎng)絡前，對數(shù)據(jù)進行歸一化處理，消除每個焊接參數(shù)本身的差異，使數(shù)據(jù)范圍變換不失真。歸一化區(qū)間為[0，1]，表達式如下：

(4)

式中：xmin和xmax分別為某一工藝參數(shù)數(shù)據(jù)中的最小值和最大值；x為該參數(shù)取值范圍內的任意值。

3 試驗結果

表3是試驗數(shù)據(jù)和神經(jīng)網(wǎng)絡預測數(shù)據(jù)，圖4是4種預測模型的誤差。依據(jù)焊接發(fā)塵率測試國際標準，要求相同條件下的發(fā)塵率誤差不超過±10%，因此將誤差超過10%視為不合格。BP神經(jīng)網(wǎng)絡模型中不合格數(shù)據(jù)為第2、第4、第7組，合格率為80%。Elman神經(jīng)網(wǎng)絡模型中不合格數(shù)據(jù)為第1、第2、第4、第7組，合格率為73.3%。GA-BP和GA-Elman模型中不合格數(shù)據(jù)分別為第4、第7組和第2、第7組，合格率均為86.7%。

表3 實測數(shù)據(jù)和神經(jīng)網(wǎng)絡預測數(shù)據(jù)

遺傳算法優(yōu)化后，BP和Elman神經(jīng)網(wǎng)絡模型的預測結果明顯比未優(yōu)化的好，預測合格率分別提升了6.7%和13.4%，且GA-BP的預測準確度優(yōu)于GA-Elman。對比幾種預測結果，Elman神經(jīng)網(wǎng)絡模型相較于其它模型，大部分預測值比試驗值小，有些數(shù)據(jù)存在較大誤差，這是因為Elman神經(jīng)網(wǎng)絡的自聯(lián)方式對歷史數(shù)據(jù)具有敏感性，在訓練數(shù)據(jù)量不大的情況下，其動態(tài)特性并不能很好的體現(xiàn)，易陷入局部最小值。

圖4 4種預測模型的誤差

對于神經(jīng)網(wǎng)絡模型的預測結果可以采用均方誤差EMS和平均絕對百分比誤差EMAP這個評價指標進行評價，計算方法表達式為：

(5)

(6)

式中：Xi是預測值；xi是實測值；EMS是神經(jīng)網(wǎng)絡模型預測值與實測值的整體偏差，EMS值越小越好。EMAP可以消除量綱的影響，用于評價神經(jīng)網(wǎng)絡模型的預測能力，EMAP值越小，預測能力越好。表4是4種神經(jīng)網(wǎng)絡模型預測結果的性能。

表4 神經(jīng)網(wǎng)絡的性能

由表4中的數(shù)據(jù)可知，GA-BP預測模型的EMS值為586.21，EMAP為3.01%，是4種神經(jīng)網(wǎng)絡模型中預測能力最好的，其次是GA-Elman。BP神經(jīng)網(wǎng)絡模型的預測能力比Elman 神經(jīng)網(wǎng)絡模型好，GA-BP模型的預測能力比GA-Elman模型好。 其原因是Elman神經(jīng)網(wǎng)絡不能很好的修正隱含層和承接層構成的遞歸權值和閾值矩陣，陷入局部最小值，因而其預測結果比BP神經(jīng)網(wǎng)絡差。通過遺傳算法對BP和Elman神經(jīng)網(wǎng)絡的輸入層到隱含層的權值和閾值，隱含層到輸出層的權值和閾值進行優(yōu)化，同時增加迭代次數(shù)，收斂精度等參數(shù)，使得BP和Elman模型性能有了明顯的提升。通過分析各模型的EMS和EMAP值，GA-BP均為最小，因此GA-BP模型預測藥芯焊絲GMAW不同工藝的發(fā)塵率更為準確可靠。

相關研究結果表明，焊接電流和電弧電壓對焊接發(fā)塵率的影響最為顯著[16]。為深入探討兩者對焊接發(fā)塵率的影響規(guī)律，根據(jù)焊接電流范圍170～380 A，間隔10 A取22個點，電弧電壓范圍24～34 V，間隔1 V取11個點，兩者互相匹配后，共獲得242組輸入數(shù)據(jù)，此時焊接速度為20 cm/min，保護氣流量為20 L/min，再采用GA-BP模型進行焊接發(fā)塵率預測，預測結果如圖5所示。焊接發(fā)塵率的最大值和最小值對應的坐標分別為(24 V，380 A，1 413 mg/min)和(26 V，170 A，270 mg/min)。

圖5 神經(jīng)網(wǎng)絡預測結果

圖6為焊接發(fā)塵率隨焊接電流的變化曲線。焊接發(fā)塵率整體變化趨勢隨焊接電流的增大而增大。焊接電流較小時，焊接發(fā)塵率有一定的增長但不顯著，電流增大到一定Ic后，焊接發(fā)塵率會有顯著的增長，電弧電壓越大，Ic值也越大。電弧電壓U≥28 V時，焊接電流繼續(xù)增大，焊接發(fā)塵率將不再增長，趨于平穩(wěn)；而電弧電壓U≤26 V時，焊接電流增大，焊接發(fā)塵率一直增長，沒有平穩(wěn)區(qū)。

圖6 焊接電流對發(fā)塵率影響

圖7為焊接發(fā)塵率隨電弧電壓的變化曲線，結果表明，電弧電壓由24 V增至26 V時，焊接發(fā)塵率明顯下降；超過26 V后，焊接電流I≥270 A時，焊接發(fā)塵率會隨電弧電壓增大而有一定的減小，焊接電流I≤260 A時，會存在一個最小值。另外從整體來看，焊接電流越小，焊接發(fā)塵率越低。

圖7 電弧電壓對發(fā)塵率影響

4 結論

(1)4種神經(jīng)網(wǎng)絡模型的預測結果均能與試驗數(shù)據(jù)良好的吻合，且遺傳算法優(yōu)化的模型在預測中具有更好的性能，其優(yōu)化后的BP和Elman神經(jīng)網(wǎng)絡模型的預測合格率分別提升了6.7%和13.4%。

(2)通過對比4種神經(jīng)網(wǎng)絡模型的EMS和EMAP，GA-BP模型的預測誤差最小，該模型用來預測焊接發(fā)塵率更為準確可靠。

(3)應用GA-BP模型，分析焊接電流和電弧電壓對焊接發(fā)塵率的影響，當焊接速度為20 cm/min,保護氣流量為20 L/min時，焊接發(fā)塵率最小值出現(xiàn)在焊接電流為170 A，電弧電壓為26 V。