基于BP神经网络遗传算法的点焊CMT点焊变形

在CMT点焊过程中，点焊接头是在焊接参数的共同作用下形成的. 焊接参数在焊接过程中对焊接质量有很大影响. 关节的质量直接影响车身的整体质量. 薄板零件连接广泛用于汽车，船舶，航空航天等领域，CMT焊接工艺具有短路，超低热量输入，无飞溅焊接的优点，已成为车身焊接的常用方法之一. 和高度自动化. CMT焊接工艺具有更好的潜在优势是非常迅速的. 与其他焊接工艺相比，优势明显[1]. 焊接工艺参数是影响焊接质量的重要因素之一. 崔庆清[2]焊接CMT焊接铝异种金属的参数研究，不同的焊接参数以获得不同的焊接质量[3]，获得最佳的焊接工艺参数是关键，因此已经做了很多研究. 随着智能算法的发展，许多学者将其引入到过程参数的优化中，彭金宁等. [4]使用神经网络来优化焊接工艺参数，并建立了焊接电流，电弧电压，热量输入和其他电极电弧焊和埋弧焊参数的预测模型；张鹏贤等. [5]基于遗传算法的BP神经网络优化算法实现了冷焊丝埋弧焊过程的自适应控制；张玉宝等. [6]提出了一种遗传神经网络，并改进了优化SMAW焊接工艺参数的方法. 焊接质量影响尺寸精度[7]，从而影响产品质量，焊接参数的优化对产品质量至关重要.

本文主要研究异种金属钢与铝合金的焊接质量，旨在获得变形较小的焊接接头，提高整体质量. 首先简要介绍了CMT点焊机器人，然后分析了CMT点焊工艺的工艺参数和焊接质量，进行了正交试验，然后通过BP神经网络建立了焊接工艺参数与变形之间的合理关系模型. 网络遗传算法预测和选择焊接工艺参数.

实验室的CMT焊接测试平台，如图1所示，焊尖端与薄板之间的距离为12 mm，焊丝延伸长度为10 mm，使用纯度为99.99％的氩气作为屏蔽气体，流量为15 L / min，提前/滞后空气供应时间为0.3 s. 该测试适用于焊接DP590钢板和6061铝合金板. CMT焊接机器人填充的焊丝是4043直径为1.2毫米的铝硅焊丝.

焊接方法采用边塞焊接，沿焊丝和圆孔的外部切割位置顺时针旋转，圆弧的起始位置在圆孔的外边缘，圆弧的结束位置在圆弧的外边缘圆孔的中心. 在整个焊接过程中，焊炬始终垂直于焊接过程. 试件的表面. 被测材料的尺寸为130mm×38mm的薄板，其中钢板的厚度为1mm，铝板的厚度可变，两块板采用搭接方式连接，面积重叠的重叠表面的直径为40 mm×38 mm（长×宽），在铝板上形成一个圆孔，该圆孔的中心与重叠的重叠表面的中心重合圆孔是可变的. 考虑到铝的活性和熔点的差异，铝板在顶部，钢板在底部. p>

图1 CMT焊接测试平台

图. 1个CMT焊接测试平台

标记点贴片粘贴在铝板上. 如图2所示，贴片的圆形边缘与铝板的边缘相切. 孔的中心与孔的中心在同一水平线上. 这个位置是固定的. 对于不同的参数，分别焊接两个金属薄板. 焊接完成后，在焊接测试平台上获得焊接变形.

天狗崖水库大坝址位于兴县木鸭头乡十草村. 它于1976年10月建成并投入使用，后来因消除危险而得到加强. 受控流域面积为1 897 km2，总蓄水量为2409万立方米，兴利蓄水量为1315万立方米，设计洪水位为940.71 m，止水位为945.63 m，正常蓄水位为942 m，洪水极限水位是937 m. 主要项目是根据50年洪水和120年洪水来设计的.

图2铝钢板的搭接焊接

图. 2铝钢板的搭接焊接

如图3所示，在测试平台上安装了双目立体测量设备. 标记点是与机器焊接时的光学定位点. 它测量焊接前后焊接板上标记点的位置变化，并将信息传输到计算机. ，确定变形量，可以反映焊接质量. 焊接后固定并夹紧薄板，在计算机上选择参数，获得变形量，结果将显示在计算机上.

图3双目测量仪

图. 3双目测量仪

通常，焊接后的熔核直径越大，焊接强度越高. 影响CMT焊接材料的焊接工艺参数主要是焊接速度，送丝速度，开口直径，铝板厚度和电弧长度校正. 参数的取值范围如表1所示. 从过程参数范围中选择不同级别的参数并进行正交测试，如表2所示.

[10]温光义: “ 1967年以来印尼华文教育的兴衰”cmt算法，《海外华人历史研究》，1997年第3期，第1页. 58.

表1过程参数范围

表1过程参数范围

值范围送丝速度V /（m·min-1）电弧长度校正δ（％）上限0 0 0 0 -5下限6.0 2.0 2.0 10 5焊接速度v /（m·min-1）铝板厚度d / mm开口直径D / mm

表2焊接机器人的因素水平

表2焊接机器人的因素和水平

铝板厚度d / mm因子B因子C因子D因子E焊接速度v /（m·min-1）开口直径D / mm弧长校正δ（％）1 5.0 1.0 1.0 6 -5 2 5.4 1.3 1.2 7 0 3 5.8 1.6 1.5 8 5

该测试旨在焊接人体中不同金属的薄板. 正交测试是一种经典的测试方法，可以减少测试次数并可以均匀地匹配参数. 首先，根据正交试验[8]，得到最佳试验结果，设计的正交试验如表3所示. 从表3可以看出，第十二组试验得到的焊接变形最小. 焊接效果如图2所示. 4，参数值为送丝速度5.0 m / min，焊接速度1.6 m / min，铝板厚度1.2 mm，开口直径6 mm，弧长校正5％，变形0.125 mm.

表3正交检验

表3正交检验

测试组中的因子变形量s / mm ABCDE 1 1 1 1 1 1 0.206 2 1 2 2 2 2 0.232 3 1 3 3 3 3 0.212 4 2 1 2 2 3 0.267 5 2 2 3 3 1 0.226 6 2 3 1 1 2 0.231 7 3 1 1 3 3 0.437 8 3 2 2 1 1 0.244 9 3 3 3 2 2 0.320 10 1 1 3 2 1 0.177 11 1 2 1 3 2 0.269 12 1 3 2 1 3 0.125 13 2 1 3 1 2 0.245 14 2 2 1 2 3 0.297 15 2 3 2 3 1 0.222 16 3 1 2 3 2 0.519 17 3 2 3 1 3 0.214 18 3 3 1 2 1 0.514

图4薄板焊接效果图

图. 4薄板焊接图

CMT点焊工艺参数优化算法主要基于BP神经网络和遗传算法，分为两部分: BP神经网络训练和拟合以及遗传算法极值优化. 算法流程图[9]如图5所示. 显示.

从图6中可以看出，步行模式中街道位置商的高价值很少，并且分散在市区周围. 低值地区主要分布在口相对集中的中心城市地区. 区位商值为0（图中灰色区域）占街道的39.86％，这表明街道之间的人均公共养老金资源存在巨大差异，护理设施和人口分布空间严重不匹配. 公交模式下位置商的高价值街道也分布在市区以外. 价值街主要分布在中心城市的一环，总体上表资源与口相匹配的特征，但高，低价值之间的两个区分水平很严重，仍然存在大量资源地区之间的差异. 街道位置商分类的差异相对较小. 低值区位商街所占比例为89.63％，高值区位商街所占比例仅为2，说明私家车出行方式下养老设施的资源布局相对公平.

图5算法流程图

图. 5算法流程图

使用Matlab神经网络工具箱获取BP神经网络的结构和参数[10]，从获得的测试数据中提取一部分数据用于网络训练，其余作为网络预测的样本. 神经网络结构是输入层5个节点，隐藏层20个节点，输出层1个节点，迭代次数设置为100，学习率是0.1. 选择BP神经网络的传递函数以使用Sigmoid函数，并将神经网络的性能指标评估为均方误差，即

遗传算法模拟自然界的遗传机制和生物进化论. 它是并行的随机搜索优化方法. 遗传算法的极值优化是利用遗传算法的非线性优化能力找到函数的极值，并将训练后的BP作为神经网络的预测值作为个体适应度值. 通过选择，交叉和变异操作，找到函数的全局最优值和相应的输入值.

以实数编码的形式，对送丝速度，焊接速度，铝板厚度，开口直径和电弧长度进行校正，以依次形成染色体，然后染色体基因的实值就是相应的过程参数. 每个染色体代表一组过程参数，这些过程参数是过程参数的优化，即在组中搜索最佳个体.

对于CMT点焊的变形研究，参数优化是重中之重. 测试的目的是获得最佳的参数组合和最佳的测试结果. 为了设计合适的参数组合以使变形可以接近甚至等于理想目标值，根据以下公式计算目标函数K的构造，即

在公式中: Y是网络输出值； Y0是目标设置的期望值.

农人集团位于森林线以下的山坡上，房屋分散. 在茂密的田野中，就像一个自然生长的村庄，似乎每所房子都能开花结果. 铁烟囱紧挨着茂盛的胡桃树，深色的铁皮覆盖着绿色的叶子. 一些苹果脸红了，半开着的窗户.

从表1的参数范围中随机选择不同的参数组合进行CMT点焊测试. 参照上面的正交测试获得100组测试数据，可以得到100组x1，x2，x3，x4，x5和其他输入数据以及100组y和其他输出数据.

BP神经网络用于拟合从测试结果中获得的数据. 首先，神经网络数据选择: 从100组输入和输出数据中随机选择80组数据进行网络训练，其余20组数据作为样本预测；第二次数据归一化: 将x1，x2，x3，x4，x5，y等数据导入Matlab，并根据mapminmax函数进行归一化. 然后使用Matlab的newff函数构建合适的BP神经网络；使用Matlab自己的训练函数训练输入和输出数据，以训练BP神经网络. 最后，Matlab自己的sim函数用于使受过训练的BP神经网络预测该函数的输出. 获得了BP神经网络的预测结果和预期输出结果以及预测结果.

测试中的五个参数: 送丝速度，焊接速度，铝板厚度，开口直径和电弧长度校正用作输入参数x1，x2，x3，x4和x5，即输入层节点为5.变形数量是输出参数y，即输出层节点为1. 隐藏层节点的数量是神经网络中的重要参数. 不同的隐藏层节点可以获得不同的拟合结果. 比较后发现，选择隐藏层节点数为20点时，可获得最佳拟合结果，过大或过小均不能得到理想的结果. 将隐藏层节点的数量分别设为19、20、21. 获得的预测输出和误差结果如图6所示. 从图6可以清楚地看到，当隐藏层节点小于或大于20时，拟合结果如图6a和6c所示，效果是比6b差；图6d和6f的预测误差大于隐藏层节点的20点钟的预测误差（图6e）.

图6线条图示例

图. 6折线图示例

通过BP神经网络的预测输出和期望输出来分析神经网络的拟合能力. 从图6b可以看出，预测值可以达到预期值，拟合结果更好. 从图6e中可以看出，BP神经网络的预测输出和预期输出之间仍然存在一些差异，并且需要提高拟合能力. 根据拟合结果的分析，BP神经网络具有较高的拟合能力，达到了预期的效果. 尽管仍然存在预测错误，但这是不可避免的.

列宁明确指出，社会主义思想教育的目标是“数百万人”. 这种“数百万劳动者”不仅包括无产阶级，而且还包括半无产阶级，小农和小资产阶级. 列宁特别强调了对农民进行教育的重要性. 他认为，在，“无产阶级不仅是少数，而且数量非常少，而且大多数是农民” [5]，列宁认为，我们必须迅速使用我们所有的宣传手段，所有民族力量，所有教育，所有党派的手段和力量说服非党员农民[6].

在BP神经网络训练完成后，将训练后的预测输出用作个人的适应度值. 遗传算法用于找到非线性函数的最小值. 遗传算法设置为具有50次迭代，种群大小为20，并且交叉. 概率为0.4，变异概率为0.2，目标函数为适应度函数. 假设目标参数为理想值0，即不发生变形. 如图7所示，可以获得最佳个体适应性的变化曲线. 训练样本越多，预测越准确. 当最佳值为0.117时，相应的参数为送丝速度5 m / min，焊接速度1.5 m / min，开口直径6.5 mm，铝板厚度1.5 mm，弧长校正取整为-5％. 这些参数再次用于焊接测试，焊接效果如图8所示.

图7适应曲线

图. 7健身变化曲线

图8薄板焊接效果图

图. 8薄板焊接图

（1）为优化CMT点焊参数和预测焊接变形提供了一种新方法. 通过给出期望的偏差，可以搜索合适的参数组合，结果可以提供最佳测试条件参考的选择.

（2）与正交实验相比，该方法具有更好的结果，更高的精度，更快的速度，更适合于实际工程应用. 在解决非线性问题方有很大的优势.

（3）使用BP神经网络遗传算法对CMT点焊进行变形预测和工艺参数优化研究，可以减少变形并提高产品质量.

完整的“神人兽面图案”仅出现在梁祝房山十二号墓中. 其他坟墓中出土的玉器包括玉锥，还有神人兽面图案，但并不完全相同，例如瑶山二号. ，野兽和器皿上的脸型，但与十二号墓中的神，兽和脸相比有明显差异. 最显着的区别是未显示神人的两臂，并且省略了神人的下半身. 因此，我们讨论神人兽面部图案的含义，以了解它们的共同点，也许最常见的神人兽面部图案是神人脸和羽毛冠；野兽面部图案最常见的是两只重眼.

参考:

[1] Rodriguez Ncmt算法，Vazquez L，Huarte L等. 线和电弧增材制造: CMT和顶级TIG工艺在不锈钢上的比较[J]. 世界焊接，2018,62（5）: 1083-1096.

[2]崔庆清. 铝合金与镀锌钢的CMT焊接技术研究[D]. 江苏: 江苏科技大学，2012.

[3]程芳杰，李慧娟，连金瑞等. 焊接参数变化对点焊质量的影响[J]. 汽车技术，2005（4）: 35-37. 程方杰，李慧娟，连金瑞等. 焊接参数变化对点焊质量的影响[J]. 汽车技术，2005（4）: 35-37.

[4]彭金宁，陈炳森，朱萍. 基于神经网络的焊接工艺参数智能设计[J]. 焊接学报，1998，19（1）: 19-23. 彭金宁，陈炳森，朱萍. 基于神经网络的焊接工艺参数智能设计[J]. 焊接学报，1998，19（1）: 19-23.

[5]张鹏贤，李浩，张杰. 关键词: 冷焊丝填充速度，GABP优化算法焊接学报，2012，33（12）: 77-80. 张鹏贤，李浩，张杰. 关键词: GABP，非加热丝，填充率焊接学报，2012，33（12）: 77-80.

[6]张玉宝，苟建军，张恩辉等. 关键词: 电弧焊，改进遗传神经网络，变形预测热加工技术，2015，44（1）: 208-210. 张玉宝，苟建军，张恩辉等. 关键词: 电弧焊，改进遗传神经网络，焊接变形高温加工技术，2015，44（1）: 208-210.

[7] Nie YP，Zhang PL，Wu X等. 关键词: 4043铝合金零件，冷金属快速成型科技焊接，2018，23（6）: 527-535.

[8]陈大良，李洪亮，顾灿松等. 关键词: 子帧系统，边界约束，计算模态分析，精度汽车技术，2016（4）: 27-30. 陈大良，李洪亮，顾灿松等. 关键词: 子帧系统，边界约束，计算模态分析，精度汽车技术，2016（4）: 27 -30.

[9]林惠乐. 基于遗传神经网络的二氧化碳弧焊机器人工艺参数优化[D]. 广西: 广西大学，2015年.

[10]林维元，任兴元，周天天等. 关键词: 深度神经网络，鲁棒性神经计算，2018，308: 138-146.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-254339-1.html