以焊縫高寬比和深寬比作為優(yōu)化目標(biāo),結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和帶精英策略的非支配排序的多目標(biāo)遺傳算法NSGA-Ⅱ,實現(xiàn)了多目標(biāo)優(yōu)化.建立了以焊接電壓、送絲速度、焊接速度作為自變量,預(yù)測焊縫熔寬、余高和熔深的5種模型,即誤差反向傳播神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化的誤差反向傳播神經(jīng)網(wǎng)絡(luò)、克里金插值法、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和二階多項式回歸模型.對比分析表明,徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測精度和穩(wěn)定性,最為合適.最后,利用NSGA-Ⅱ算法實現(xiàn)了以蓋面焊和填充焊為應(yīng)用場景的工藝參數(shù)多目標(biāo)優(yōu)化,試驗證明了該優(yōu)化方法的有效性. 

【文章來源】：天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版). 2020,53(10)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

試驗裝置

RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)相比，是一種結(jié)構(gòu)相似、收斂速度更快、能夠逼近任意非線性函數(shù)的網(wǎng)絡(luò)[12]．在建立RBF神經(jīng)網(wǎng)絡(luò)時，擴散系數(shù)直接影響最終建模效果，然而當(dāng)前卻沒有標(biāo)準(zhǔn)的方法來選擇擴散系數(shù)的大小，故這里采用數(shù)值試驗來確定擴散系數(shù)，數(shù)值試驗結(jié)果如圖2(b)所示．在表2試驗條件下，預(yù)測熔寬、余高和熔深的最適擴散系數(shù)分別為1.55、1.30和1.55.2.2 預(yù)測模型性能對比

將表2中后11組試驗(序號28～38)用于測試模型性能，5種模型預(yù)測熔寬、余高和熔深的平均誤差如表3所示．因為BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)需要初始化權(quán)值和閾值，因此建模過程存在隨機性，往往需要多次嘗試才能獲得滿意的結(jié)果．而與BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)相比，克里金插值法、RBF神經(jīng)網(wǎng)絡(luò)和回歸模型則無需多次建模，具有更好的建模穩(wěn)定性和可重復(fù)性．由表3可知，RBF神經(jīng)網(wǎng)絡(luò)對熔寬和熔深的預(yù)測平均誤差最小，分別為4.12%和5.02%．在預(yù)測余高時，RBF神經(jīng)網(wǎng)絡(luò)也表現(xiàn)出良好的預(yù)測精度，其3.35%的平均誤差為所有預(yù)測模型中第2優(yōu)．另外，與平均預(yù)測性能表現(xiàn)同樣良好的回歸模型相比(如圖3所示)，把每組預(yù)測的熔寬、余高和熔深相對誤差整體當(dāng)作考察對象，發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)對焊縫3種幾何特征的預(yù)測只有1組試驗中的預(yù)測相對誤差大于10%，而回歸模型卻有8組，因此RBF神經(jīng)網(wǎng)絡(luò)對每次試驗結(jié)果的預(yù)測能力波動更小、更穩(wěn)定．綜上，考慮建模過程的穩(wěn)定性、預(yù)測精度和預(yù)測穩(wěn)定性，RBF神經(jīng)網(wǎng)絡(luò)是最合適的預(yù)測模型．3 焊縫形貌多目標(biāo)優(yōu)化

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的焊機參數(shù)預(yù)測方法[J]. 楊亞超,全惠敏,鄧林峰,趙振興.  焊接學(xué)報. 2018(01)
[2]焊縫幾何尺寸對鋼管承載能力影響的模擬分析[J]. 喬桂英,劉雨萌,韓秀林,王旭,肖福仁.  焊接學(xué)報. 2017(03)
[3]動態(tài)模糊RBF神經(jīng)網(wǎng)絡(luò)焊接接頭力學(xué)性能預(yù)測建模[J]. 張永志,董俊慧,朱紅玲.  航空材料學(xué)報. 2016(05)
[4]基于多種群遺傳算法與神經(jīng)網(wǎng)絡(luò)的激光-電弧復(fù)合焊接焊縫形貌預(yù)測[J]. 洪延武,劉雙宇,徐春鷹,劉鳳德,張宏.  應(yīng)用激光. 2015(06)



本文編號：3281856