基于LPSO与BP神经网络电阻点焊工艺参数建模优化*

刘　伟，郭　猛

(1.东北石油大学 电气信息工程学院，黑龙江 大庆　163318；2.北京工业大学 机械工程与应用电子技术学院，北京　100022)



基于LPSO与BP神经网络电阻点焊工艺参数建模优化*

刘伟1,2，郭猛1

(1.东北石油大学 电气信息工程学院，黑龙江 大庆163318；2.北京工业大学 机械工程与应用电子技术学院，北京100022)

摘要：电阻点焊工艺参数的设置对点焊焊接质量有着非常重要的作用，难以建立精确的数学模型。基于此，提出一种将Logistic映射微粒群优化算法(LPSO)与BP神经网络相结合的方法，对0.8mm厚08AL钢板点焊工艺参数建模优化。在详细分析点焊工艺的基础上，利用BP神经网络建立点焊工艺参数与焊接质量之间的模型，同时结合LPSO的全局寻优能力，对点焊工艺参数进行优化，获得三大主要工艺参数(点焊时间、点焊电流与电极压力)的最优匹配。以点焊时间9周波、点焊电流11.41kN、电极压力1.7kN的最优工艺参数组合进行试验，结果表明，与BP+COA和正交实验法相比，该方法具有更高的可靠性。

关键词：LPSO；BP神经网络；电阻点焊；工艺参数优化

0引言

电阻点焊是一种比较复杂的动态过程，具有时变、高度非线性和多参数耦合等特点，难以建立精确的数学模型[1]，不同的板厚以及不同的材料，需要不同的点焊工艺参数与之搭配[2]。

通过深入研究提出了一种将BP神经网络与LPSO相结合的方法，对电阻点焊工艺参数建模优化。利用BP神经网络建立点焊工艺参数与焊接质量之间的复杂模型，充分发挥BP神经网络的非线性映射能力[3]，同时结合LPSO的全局寻优能力，获得点焊工艺参数的最优搭配，保证焊接质量。

1Logistic映射微粒群算法

1.1基本微粒群优化算法

基本微粒群优化算法(PSO)可以描述为一种社会学行为，该算法模拟鸟群起飞信息交互的过程。在该算法中，微粒通过追踪两个极值完成自我更新，一个是微粒本身找到的最佳位置 Pi=(Pi1,Pi2,…,Pid)，称之为个体极值；另一个是整个粒子群迄今为止搜索到的最佳位置Pg=(Pg1,Pg2,…,Pgd)，称之为粒子群全局极值[3]。

粒子根据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为种群规模；j=1,2,…,d，d为搜索空间维数；c1，c2为加速系数(非负常数)； r1，r2是[0，1]之间的随机数；ω是惯性权重；Vij∈[Vmin,Vmax]。

1.2Logistic映射微粒群算法

Logistic映射微粒群算法(LPSO)基本思想是通过Logistic映射规则将待优化变量映射到混沌变量的取值区间内，利用混沌变量的规律性和遍历性将优化解线性转到优化空间。

根据式(1)可知，当粒子i是当前种群全局最优解时，即Xij(t)=Pij(t)=Pgj(t)，速度更新公式可写为：

Vij(t+1)=ωVij(t)

(3)

微粒运动变为维持原速度的惯性运动，粒子将沿直线方向搜索。但是，粒子沿直线寻找到的最优解可能性很小，并且粒子有可能未达到最优解的时候速度已经减小到零。于是在优化过程中向速度趋近于零的粒子引入随机噪声，克服微粒群优化算法粒子过早收敛的问题，寻找到更优的解空间，保持种群的搜索能力。即若Vi

Vij(t+1)=ωVij(t)+c1r1[Pij(t)-Xij(t)]+

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

(4)

式中，ed为高斯分布噪声。

然后对符合Vi

(5)

(6)

上述即为LPSO的核心思想，该算法在粒子早熟之后，利用Logistic映射进行扰动，使得粒子的运行轨迹改变，跳出局部最优解，降低无效迭代次数，进而有效地提高了算法的优化结果准确性以及收敛速度。LPSO的具体步骤如下：

步骤1：初始化参数。包括种群规模N、最大进化代数Gmax、粒子维数d、惯性权重ω、加速系数c1和c2，以及粒子可能存在位置区间的最小值Xmin和最大值Xmax，粒子早熟条件Vstop。

步骤2：混沌初始化粒子群。得到一个d维并且每个分量的值都在(0,1)区间的向量Y0=(Y01,Y02,…,Y0d)，由(5)可求得S个向量Y1,Y2,…,Ys，此即S个粒子对应S个混沌变量。根据式(6)将该S个混沌变量映射到粒子位置的取值区间，评估每个微粒的适应度值，记下最初的微粒个体最优值Pi和全局最优值Pg。

步骤3：根据式(1)和(2)更新微粒的速度和位置。

步骤4：评价各个微粒的适应度值，并更新微粒的个体最优值Pi与全局最优值Pg。

步骤5：判断是否达到停止条件，即是否达到适应度值要求或最大进化代数，若是停止搜索，输出全局最优，否则转向步骤6。

步骤6：判断粒子是否早熟，即粒子速度是否符合Vi

步骤7：利用式(1)对早熟的粒子进行Logistic映射扰动。

步骤8：当前进化代数加1，并返回步骤3，继续进行优化搜索。

2BP神经网络模型的建立

2.108AL钢板点焊工艺

08AL钢板属于优质碳素结构钢。影响08AL钢板焊接接头质量最主要的参数是点焊电流，点焊电流设置不当会导致产生焊渣飞溅；点焊时间一般设置在数十周波内，其对接头塑性指标影响较大；电极压力伴随整个熔核的形成过程，电极压力过小会引起严重飞溅，降低焊点强度，电极压力过大导致接触电阻减少，压痕变大，点焊强度变弱[4]。

2.2BP神经网络模型

将点焊电流、点焊时间与电极压力作为BP神经网络模型的输入量，点焊工艺质量以点焊接头的力学性能参数抗拉剪载荷为指标[5-6]，作为BP神经网络模型的输出量。根据多次试验，采用三层BP神经网络，输入层节点代表点焊电流、点焊时间和电极压力，即确定输入层神经元个数为3；输出层节点只代表抗拉剪载荷，因此输出层神经元个数为1；隐层神经元个数为8。BP神经网络模型如图1所示。

图1　点焊BP神经网络模型

2.3BP神经网络训练和预测

对0.8mm厚08AL钢板进行点焊试验，获取BP神经网络训练样本。实验设备为：NIMAK中频点焊机，型号为PMP6-2,；采用WDW-50微机控制电子万能试验机进行拉剪强度测试。

点焊试验共得到9组工艺参数组合数据，将其中的7组作为训练样本，利用MATLAB软件对BP神经网络进行训练[7-8]。设定目标误差为0.000001，最大迭代次数为1000，训练函数采用trainlm，输入层与隐层以及隐层与输出层的传递函数分别为tansig和purelin。图2为网络训练过程，由图可知，经315次训练网络即可达到要求。

利用另两组数据检验训练后的网络模型性能。表1为抗拉剪载荷网络预测值与实验值比较结果。如表所示，预测误差小于2%，说明训练后的网络模型拥有较高的精度。

图2　网络训练过程

网络预测值试验测量值误差抗拉剪载荷(N)387339381.9%388939521.6%

3点焊工艺参数LPSO优化

3.1目标函数的设定

将抗拉剪载荷作为目标函数，抗拉剪载荷越大，点焊接头质量就越好。

3.2LPSO优化

BP神经网络和LPSO相结合的优化设计方法，主要是利用BP神经网络的非线性映射能力和LPSO的全局寻优能力。基本原理：把点焊试验数据作为样本输入BP神经网络进行训练，建立点焊工艺参数与焊接质量之间的非线性映射关系，利用网络的记忆功能形成一个“虚拟”函数，此函数并没有确定的表达式，可以把它看做一个非线性的“黑箱”。然后，利用LPSO对这个虚拟函数优化求解。BP神经网络+LPSO模型的程序运算流程图如图3所示。

图3　程序流程图

借助MATLAB软件对点焊工艺参数进行组合优化。设置种群规模为S=30，进化代数取Gmax=100次，粒子维数D=3，加速因子取为c1=c2=2，惯性权重取值区间为[0.4，0.9]，粒子位置取值区间为[0，5]，早熟条件Vstop=3。

3.3优化结果分析及验证

图4为目标函数值的变化过程。经51次迭代后获得最大抗拉剪载荷，约为3.892kN。此时最优点焊工艺参数搭配为：点焊时间9周波、点焊电流11.41kA、电极压力1.7kN。

为验证LPSO寻优结果的可靠性，对该工艺参数搭配进行点焊试验，将所得到的结果与文献[9-10]的结果对比，如表2所示。由表可知，抗拉剪载荷的测量值与预测值的相对误差为0.76%，优于文献[6]的1.06%和文献[7]的1.07%，说明利用该方法寻优获得的结果具有更高的可靠性。

图4　目标函数值的变化过程

优化方法点焊时间(周波)点焊电流(kA)电极压力(kN)抗拉剪载荷(N)预测值实验值相对误差BP+COA[9]8.7611.341.66382737871.06%正交试验法[10]911.51.6387338321.07%BP+LPSO911.411.7389239220.76%

4结论

(1)基于点焊试验数据与BP神经网络，建立了0.8mm厚08AL钢板电阻点焊工艺参数与焊接质量之间的模型。

(2)利用LPSO对电阻点焊工艺参数与焊接质量模型进行优化，充分发挥LPSO的全局寻优能力，获得最优点焊工艺参数匹配。

(3)点焊实验结果表明，相对于BP+COA法与正交试验法，该方法对保证焊接质量具有更高的可靠性。

[参考文献]

[1] 龙振华,程蓉.基于人工智能的薄板电阻点焊数值分析及工艺参数优化[J].组合机床与自动化加工技术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] 钱和平.基于神经网络铝基复合材料焊接接头力学性能分析[J].电焊机,2014,44(11):103-105.

[4] 潘章明.自适应双群微粒群优化算法[J].计算机应用与软件,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] 苏允海,马大海,林金梁,等.高强钢振动焊接工艺参数的优化[J].焊接学报,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,陈路,朱天军，等.基于BP神经网络的锆合金电子束焊接熔深控制模型[J].电焊机,2013,43(12):64-67.

[9] 舒服华,王志辉.基于蚁群神经网络的电阻点焊工艺参数优化[J].焊接,2007(2):39-42.

[10] 阎俊霞,胡云岩,睢丙东.电阻点焊工艺参数正交试验优化设计[J].河北科技大学学报,2003,24(2):39-42.

(编辑赵蓉)

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

中图分类号：TH162;TG506

文献标识码：A

作者简介：刘伟(1971—)，男，黑龙江宾县人，东北石油大学教授，博士，研究方向为智能控制与电力系统及其自动化；通讯作者：郭猛(1990—)，男，山东济宁人，东北石油大学硕士研究生，研究方向为电力电子与电力传动，(E-mail) qustguomeng@163.com。

*基金项目：国家科技重大专项资助项目(2009ZX04014-072)

收稿日期：2015-06-06

文章编号：1001-2265(2016)02-0138-03

DOI:10.13462/j.cnki.mmtamt.2016.02.039